遥感数据修复与影像分类的稀疏-低秩学习模型与算法研究
文献类型：学位论文
| 作者 | 孟樊 |
| 答辩日期 | 2018-07 |
| 文献子类 | 博士后出站报告 |
| 授予单位 | 中国科学院地理科学与资源研究所 |
| 授予地点 | 中国科学院地理科学与资源研究所 |
| 导师 | 未标出 |
| 关键词 | 稀疏表示 低秩矩阵恢复 遥感缺失信息重建 多尺度字典 稀疏-低秩学习 居民点识别 |
| 学位名称 | 博士后 |
| 英文摘要 | 由于受到传感器失效以及恶劣的大气条件的影响，光学遥感数据中难免出现缺失信息，这严重限制了遥感数据的可用性。为了解决缺失信息复原的逆问题，本文提出了一种基于多尺度字典稀疏表征的自适应块修复方法。首先，通过K-SVD字典学习算法，利用从已知影像区域选取的不同尺寸的样本块来训练多尺度特征字典，以用于后续基于块稀疏表征的影像缺失信息估测；其次，引入结构稀疏度以优先选取影像结构处的信息缺失块进行修复，并自动确定块修复阶段的块尺寸；同时，上下文邻域块的信息也被用于约束估测块的信息，以产生语义一致的修复结果。最后，我们构建了自适应块修复的优化模型与算法，发展了一种多尺度自适应的缺失信息稀疏重构方法。通过将其应用于遥感去云，条带修复与定量反演产品重构，结果表明：此法可以完美地复原遥感缺失信息，能够保持空间结构信息的连续性以及纹理信息的一致性，且不会引入平滑效应与条带效应。 本研究定义了稳健矩阵填充问题，也即从非完全且存在稀疏误差的采样矩阵元中精确恢复出原始低秩矩阵，通过最小化核范数与-范数的组合构建了相应的凸优化模型，并提出了一种新颖的增广拉格朗日乘数法来求解此类最优化问题。通过将其应用于混合高斯与椒盐噪声去除的问题中表明，此算法能够同时去除影像中的椒盐噪声与高斯噪声，且有效保留影像中的纹理细节等信息；当影像中椒盐噪声密度较高而高斯噪声相对较小时，其去噪性能更佳。1l 我们提出了一种用于影像分类/识别的结构化稀疏-低秩表达学习方法，并将其应用于东南亚发展中国家的农村居民点提取。通过将类别标签信息引入到字典训练的过程中，我们构建了一种语义结构的表达字典。融入低秩矩阵恢复理论与稀疏字典学习方法，我们可以获得具有判别性能的影像表达，并且这种判别性能具备良好的鲁棒性。通过学习所获得的表达里自动包含了结构信息与影像类别属性信息，并且能够直接用于影像分类与目标识别。通过性能对比分析实验以及农村居民地提取研究，我们发现此法具有优越的影像分类与识别性能，未来可继续发掘其在分类识别问题中的应用潜力。 |
| 语种 | 中文 |
| 页码 | 66 |
| 源URL | [http://ir.igsnrr.ac.cn/handle/311030/193912]  |
| 专题 | 科技平台与基建处_图书馆 |
| 推荐引用方式 GB/T 7714 | 孟樊. 遥感数据修复与影像分类的稀疏-低秩学习模型与算法研究[D]. 中国科学院地理科学与资源研究所. 中国科学院地理科学与资源研究所. 2018. |
入库方式： OAI收割
来源：地理科学与资源研究所
浏览0
下载0
收藏0
其他版本
除非特别说明，本系统中所有内容都受版权保护，并保留所有权利。