基于深度学习的高光谱图像目标检测与分类研究

发布时间：2024-02-27 06:22

　　高光谱图像是利用先进的传感器技术和成像系统得到的,由于高光谱图像数据在社会生活的诸多领域有着广泛应用前景,对于高光谱图像的分析与处理已经成为遥感影像研究领域的研究热点。高光谱图像目标检测与分类是高光谱图像技术的两个最主要分支。然而在高光谱图像目标检测任务中,现有方法不能够有效利用所输入高光谱数据自身的背景轮廓结构信息;与此同时,现有高光谱分类算法没有考虑到非邻域像素的相关性对分类结果的影响,从而导致最终的分类精度得不到保证。因此本文就高光谱图像目标检测和分类过程中面临的问题提出相应的解决思路和方法。本文的主要工作如下:(1)提出了一种基于背景结构辅助的高光谱图像目标检测方法,充分使用高光谱数据的背景轮廓结构信息作为辅助来完成对目标物体的检测任务。先选择一种已有的效率相对较高且算法复杂度相对较低的高光谱图像目标检测方法获取一个初始检测结果。使用融合成分分析与综合稀疏表示的图像分解方法来获取经过主成分分析降维之后的高光谱图像数据的背景轮廓结构信息。将获得的背景轮廓结构信息与前面得到的初始检测结果相结合,滤除非目标区域的虚警进而获得修正后的最终目标检测结果。通过在真实数据上进行对比实验可以看...

【文章页数】：61 页

【学位级别】：硕士

【部分图文】：

图1-1遥感过程

基于深度学习的高光谱图像目标检测与分类研究2估、森林火灾探测、农作物生长观测和调节、军事行动等领域[2-7]得到了成功的应用。图1-1遥感过程图1-2高光谱图像数据三维模型高光谱图像的分类准确率和精确的检测和识别目标对于高光谱图像处理领域具有举足轻重的意义。截至目前，国内外专家学....

图1-2高光谱图像数据三维模型

基于深度学习的高光谱图像目标检测与分类研究2估、森林火灾探测、农作物生长观测和调节、军事行动等领域[2-7]得到了成功的应用。图1-1遥感过程图1-2高光谱图像数据三维模型高光谱图像的分类准确率和精确的检测和识别目标对于高光谱图像处理领域具有举足轻重的意义。截至目前，国内外专家学....

图1-3高光谱目标检测方法

标像元和邻域像元通常会产生光谱混合，因此待识别的目标像元是一种混合像元并且符合线性光谱混合模型。第三个阶段学者们把核机器学习方法引入到目标检测中来，即通过非线性核方法对目标进行检测。当然，这三个阶段并不是完全独立开来的，它们之间通常是混合叠加在一块的，如在使用核函数来处理目标检测....

图2-1深度学习应用到高光谱图像分类论文的数量统计

相关技术理论介绍7第2章相关技术理论介绍本文研究的课题用到了基于深度学习的高光谱图像分类算法、融合分析与综合稀疏表示的图像分解方法、主成分分析、循环神经网络框架和K最近邻算法等相关技术，本章将对这几个相关技术进行逐一介绍。2.1基于深度学习的高光谱图像分类方法介绍深度学习作为机器....

本文编号：3912500