优游ub8

　　高光谱图画方针检测一直是高光谱图画处理范畴一个重要的研讨方向,20世纪80年代开端,依据高光谱图画的方针检测办法就不断地移风易俗,取得了一系列的研讨作用。但由于高光谱图画是个典型的三维数据块,具有高维度、数据量大、信息杂乱等特性,传统的方针检测算法很难一起充沛发掘高光谱图画的光谱信息和空间信息。近年来,度学习理论发展迅速,深度学习中的多种神经网络都有很强的特征提取和信息发掘才能,在多个范畴都取得超卓作用,可是在高光谱图画方针检测范畴,由于某些方针包括的像素数少、样本数目缺乏、数据结构杂乱等要素,深度学习办法还未有被广泛使用。因而本文将深度学习理论引进到高光谱图画方针检测中,并经过深度学习的多种模型完成对高光谱图画方针的检测。首要,依据试验要求,对原始的高光谱图画进行预处理。高光谱图画是包括多个维度的数据块,其不只含有二维空间信息还包括光谱信息,是一种典型的三维张量数据。可是在图画收集过程中往往遭到大气环境噪声和光谱仪设备噪声等要素的影响,使得原始图画中一些波段的有用信息大大下降。因而,本文使用Frobenius范数办法对原始高光谱数据进行了波段的挑选,保存方针信息丰厚的波段,除掉被噪声影响严峻的波段。又由于高光谱图画自身数据杂乱,核算量大,再将挑选波段之后的高光谱图画进行归一化处理。其次,高光谱图画包括着二维空间信息和一维的光谱信息,依据图画的该特性本文顺次别离使用高光谱图画数据的光谱维信息、空间维信息和两种信息结合的空谱信息,引进并别离建立了卷积神经网络(Convolution Neural Network,CNN)方针检测模型和深度信仰网络(Deep belief network,DBN)方针检测模型。试验成果表明两种深度学习的方针检测模型都能很好的完成高光谱图画中的方针检测,一起用高光谱图画空谱信息取得的检测成果,检测作用要高于单独用空间信息和光谱信息所取得的成果。第三,依据CNN和DBN的高光谱图画方针检测能够有用的检测出高光谱图画中的方针,可是对方针信息并没有完成精准框定和辨认,深度学习下的FasterRCNN(Faster Region-based Convolutional Network)模型框架在方针检测范畴取得了很好的检测作用,可是由于高光谱图画的数据特性和方针样本缺乏的问题,该模型还未被成功使用到高光谱图画方针的检测辨认中,所以本文提出了依据复合数据集的Faster-RCNN的高光谱图画方针检测算法。在该检测模型中,首要依据高光谱图画的三维特性将原始的高光谱图画数据结合Google地球的图画数据集制作成复合数据样本集,然后依据复合数据样本集调整设置检测网络的参数来建立Faster-RCNN的方针检测模型。终究将测试数据代入练习后的检测模型,终究完成方针较为精准的框定和辨认。终究,在高光谱图画的分类和方针检测算法研讨中,高光谱图画的暗影区域往往直接被疏忽或许被简略的归为一类,这并没有充沛使用高光谱图画的悉数信息。针对这个问题,本文提出了依据高光谱图画方针分类的暗影区域下方针检测的办法,该办法在高光谱图画方针分类办法的基础上进一步完成了对高光谱图画暗影区域中方针信息的检测,然后进一步深化发掘了高光谱图画的方针信息。试验成果表明,该办法能够完成对高光谱图画暗影区域下物质的检测,在高光谱方针检测以及高光谱图画暗影区域处理方面有宽广的使用远景。……