9篇关于高光谱图像的计算机毕业论文

今天分享的是关于高光谱图像的9篇计算机毕业论文范文, 如果你的论文涉及到高光谱图像等主题,本文能够帮助到你

基于高光谱图像的水稻营养元素检测方法及应用研究

这是一篇关于高光谱图像,堆叠式自编码器,变量加权,营养诊断的论文, 主要内容为本文面向水稻领域,分析了水稻施肥量与其叶片营养元素含量的关系,提出了一种基于水稻叶片高光谱图像分析的营养状况诊断方法。利用无人机搭载高光谱摄像仪采集水稻的高光谱图像数据;使用ENVI5.3、Hi Spectral Stitcher(Beta)等工具对采集的原始图像进行处理分析,进而构造了水稻高光谱数据集;搭建了基于SAE-FNN(Stacked Autoencoder Fully-connected Neural Network,堆叠式自编码器与全连接神经网络)的VW-SAE-FNN(Variable-Wise Weighted Stacked Autoencoder Fully-connected Neural Network,可变加权堆叠式自编码器与全连接神经网络)水稻叶片营养检测模型,实现了水稻叶片氮素浓度预测。具体研究成果如下:(1)构造了宁夏水稻高光谱图像数据集。利用无人机搭载高光谱摄像仪采集宁夏农科院水稻试验田水稻高光谱图像,通过对高光谱图像校正、拼接等分析处理,提取了水稻光谱图像的平均光谱值,生成了宁夏水稻高光谱图像数据集。(2)搭建了SAE-FNN水稻营养检测模型。利用SAE以无监督的方式从高光谱图像像素谱中自动学习深光谱特征,将其反馈给FNN,以监督的方式定量预测相应的氮浓度。(3)提出了VW-SAE-FNN的水稻营养诊断模型。调用变量加权方法重构了每个变量中不同权重的数据,使提取的每一维光谱特征都与输入、输出变量具有相关性,从而使原始光谱数据所包含的特征信息被尽可能完整地提取出来,进而提升水稻的氮素含量预测的准确率。(4)开发了水稻营养诊断的实验系统。综合采用spring-boot、IDEA、Python等语言工具搭建了系统平台,调用VW-SAE-FNN算法实现了水稻叶片营养检测,依据检测结果结合已构建的宁夏水稻施肥标准,为农业生产者提供施肥指导。

基于深度可解释网络的高光谱图像超分辨率重建方法研究

这是一篇关于高光谱图像,超分辨率重建,非局部自相似性,可解释神经网络,图像融合的论文, 主要内容为高光谱图像兼具真实场景下空间以及光谱信息,它以数十至数百个连续且细分的光谱波段对目标区域同时成像,在遥感、航空航天以及勘探等领域都发挥着至关重要的作用。然而,由于半导体及芯片等硬件条件的限制,通常很难获得高空间分辨率和高光谱分辨率的图像,因此进行超分辨率重建是解决这一问题的有效方法。近年来利用辅助图像与高光谱图像融合进行超分辨率重建的方法引起了广泛地关注。这种基于融合的方法主要有传统方法和基于深度学习的方法两大类。传统的融合方法复杂度较高,效果不够理想,随着深度学习的引入,这类不足得到了一定的弥补。而基于深度学习的方法往往存在可解释性不够强,以及对一些重要先验利用不足。因此,针对以上问题,本文在深度学习框架下提出了基于深度可解释网络的高光谱图像超分辨率重建方法。一是提出了一种基于迭代阈值收缩算法(ISTA)的可解释光谱图像辅助融合方法,用来提升网络的可解释性以及利用图像变换域的信息。本文将可解释性极高的ISTA展开网络作为网络模块嵌入MHF-Net中,构建了一个具备高度可解释性的深度网络结构。本方法首先根据高光谱图像观测模型构建融合问题模型,然后利用ISTA算法对其进行迭代求解,然后展开为深度可解释网络。由于本方法在网络模型中加入了对称约束,使网络可以更好地利用高光谱图像变换域的信息,以便提取更丰富的特征进行重建。最后通过实验证明本研究提出网络结构的有效性以及其取得的良好重建结果。二是提出了一种基于非局部相似性的可解释光谱图像辅助融合方法,用来对高光谱图像的高频信息加以利用。本文提出了一种新的融合模型,增加了高光谱图像非局部先验的约束。得到融合模型后,利用非局部自回归模型指导深度可解释网络的设计,并将非局部正则化集成为网络框架内的可训练模块。由于本方法利用更少的网络层数堆叠获取更丰富的信息,充分利用了图像非局部的相似性,使网络更有效地进行了图像边缘重构,得到了更好的重建效果。最后通过实验证明本方法提出的融合模型的正确性以及可解释网络具备良好的性能及泛化能力。

基于卷积神经网络的高光谱图像超分辨率研究

这是一篇关于卷积神经网络,高光谱图像,超分辨率,知识蒸馏的论文, 主要内容为高光谱图像(Hyperspectral Image,HSI)因其包含了丰富的光谱信息在遥感和计算机视觉等领域被广泛应用。受硬件条件的限制,高光谱成像系统往往很难同时达到高空间分辨率和高谱间分辨率。因此,高光谱图像超分辨率作为一种提升空间分辨率的后处理方法具有现实意义。本文的研究集中于基于卷积神经网络的高光谱图像超分辨率方法,并从数据和模型先验两个角度提出了两个改进算法。本文研究工作主要包括以下两个方面:(1)我们首先分析了现有的两类高光谱图像超分辨率算法:基于融合的方法和基于单图的方法。前者可以同时利用低分辨率高光谱图像(LR-HSI)和高分辨率多光谱图像(HR-MSI)两个信息源,但是需要精确配准的高光谱-多光谱图像对作为输入,限制了其应用场景。而后者仅仅需要高光谱图像输入,然而缺乏高分辨率输入限制了其性能,也无法利用现有的成对数据。结合上述两类方法的优点,本文提出了一种基于知识蒸馏的新框架,该框架将HR-MSI作为特权信息(privilege information),在训练阶段使用知识蒸馏将高分辨率多光谱图像的知识从辅助模型传输到单图高光谱图像超分辨率模型(主模型),而在测试阶段仅仅使用低分辨率高光谱图像作为输入。光谱超分辨率模型被用作辅助模型;为了解决3D CNN主模型和2D CNN辅助模型之间的异构蒸馏问题,我们设计了一种双分支的3D/2D混合结构,称为面向蒸馏的双分支单图高光谱超分辨率网络(DODN)。DODN添加了一个额外的2D分支用于知识蒸馏,将3D模型与2D模型之间的异构蒸馏问题转化为模型内的特征融合问题。实验表明,DODN在主观和客观效果上都超过了现有的单图高光谱图像超分辨率方法;消融分析也证明了知识蒸馏的有效性。(2)我们在上述研究内容的基础上进一步研究单图高光谱图像超分辨率的模型先验。由于高光谱图像的多谱带性质,3D卷积被广泛用于提取空-谱信息;然而,基于全3D CNN的模型往往被认为复杂度过高,无法在有限的高光谱图像数据集上发挥作用。结合U-Net结构,本文设计了一种简单而有效的全3D模型F3DUN,实验表明F3DUN在公开数据集上超过了现有的单图高光谱图像超分辨率方法,证明了全3D模型的有效性。此外,通过对具有相同结构的3D/2D混合模型和全3D模型的分析,发现全3D模型在一定条件下优于3D/2D混合模型,且对于训练样本的规模比常识所认为的更加鲁棒。总的来说,本文从数据和模型先验两个角度对目前基于卷积神经网络的高光谱图像超分辨率方法进行了改进。在数据方面,使用知识蒸馏让单图高光谱图像超分辨率模型可以利用来自HR-MSI的信息,提升了效果。在模型先验方面,通过实验说明了全3D模型在高光谱图像超分辨率领域的有效性,并探索了全3D模型与训练数据的关系。

基于多尺度光谱特征网络的高光谱图像分类算法研究

这是一篇关于高光谱图像,多尺度特征,光谱-空间信息探索,注意力机制的论文, 主要内容为通过高光谱成像技术采集的图像中包括大量的光谱和空间特征,这些特征的获取使得观测场景中不同物质的识别具有优势。随着高光谱图像分类技术的发展,该技术在化学成像、场景识别和矿物探勘等领域上取得了广泛的应用。其中,光谱-空间特征的关系、标记样本的有限性和图像光谱维度大等问题仍然是具有挑战性的任务。在过去的研究中,虽然已经提出了一些针对高光谱维度高问题的解决方法,但是简单粗暴的降维方式可能会导致光谱波段破坏和丢失的问题,从而造成分类模型的精度下降。同时,现有的基于光谱和空间特征提取的分类网络,存在无法充分有效的提取特征和训练参数较多等问题。在本文中,将高效降低光谱冗余和充分提取光谱特征和空间特征,进而提升分类准确度。本文主要内容如下:(1)针对光谱降维造成信息损失和训练样本有限的问题,本文提出了高效光谱金字塔与光谱-空间特征融合交互的高光谱图像分类网络(ESI-Net),该网络结构可以在训练参数较少的情况下提升分类模型精度。在ESI-Net中,高效光谱金字塔模块能够保留不同感受野下的全局和局部光谱特征以降低光谱降维后造成的信息损失。此外,我们还设计了改进的光谱-空间特征交互模块,从而增加网络对光谱和空间特征的提取。同时,在该模块中利用光谱-空间可分离卷积模块代替传统的三维卷积操作,从而减少可训练参数量和提升网络深度。本文提出的ESI-Net分类方法最终在Salinas Valley(SV)、Pavia University(PU)和Indian Pines(IP)数据集上验证方法的优越性。(2)本文提出了一种基于注意力机制的多尺度光谱特征分类网络(FANet)来提升模型分类的准确度。在FANet中考虑到筛选有意义的特征有助于提升分类网络的准确度。其中,我们引入了一种多尺度光谱特征提取模块使网络获得不同感受野下的光谱特征,并利用基于残差结构的通道注意力机制增加有意义特征值的权重,以提取更全面的光谱信息。此外,针对深化后的网络模型会显著提升训练参数量的问题,我们还引入了基于残差结构的空间注意力机制、基于残差结构的光谱空间注意力机制和改进的光谱-空间特征交互模块,组合构建细节特征提取模块以实现高效获得低维信息的作用,进而提高分类精度。本文提出的FANet方法最终依然在SV、P U和IP三个公共的数据集上验证算法的优越性。

基于改进邻域熵的高光谱波段选择算法研究

这是一篇关于波段选择,高光谱图像,邻域熵,近似最近邻搜索,量子樽海鞘群算法的论文, 主要内容为通过遥感技术发送上百个连续波段,采集目标的光谱信息,使得高光谱图像具有纳米级别的光谱分辨率。随着传感器的不断发展,该技术在地质勘探、农业生产以及医疗等领域都有广泛的应用。高维度和极高的空间分辨率带来的空间复杂度、数据冗余等问题,是高光谱图像数据在实际应用中的主要挑战。高光谱图像波段选择算法旨在通过波段选择算法,减少数据集中的冗余波段信息,是提升图像数据后续应用的有效预处理方案。波段选择算法保留了数据集的光谱信息,是一种广泛研究的降维策略。本文研究了一种基于互信息(Mutual Information,MI)理论的波段选择算法,称为邻域熵(Neighborhood Entropy,NE)。之前相关研究中,邻域集合的计算采用暴力搜索,高光谱数据集的高空间分辨率导致搜索效率成为算法的瓶颈。针对上述问题,本文以近似最近邻搜索(Approximate Nearest Neighborhood Searching,ANNS)策略为基础,提出了一种改进的NE波段选择算法。针对樽海鞘群算法(Salp Swarm Algorithm,SSA)的搜索效率以及种群多样性问题,提出了一种基于量子樽海鞘群算法(Quantum Salp Swarm Algorithm,QSSA)的波段选择算法,采用混沌映射提升种群多样性,将算法二进制化并将NE引入适应度函数。最后根据波段选择任务的需求分析,设计并实现了波段选择系统,将本文提出的改进算法应用到该系统。本文的主要内容如下:1.对于高光谱数据集,针对NE计算邻域集合效率较低的问题,采用基于局部敏感哈希(Local Sensitive Hashing,LSH)的ANNS搜索策略。分析了LSH参数选取的可行方案,通过实验数据集验证,确定了参数选取的范围。以往LSH在波段集合改变的情况下,需要重复构建数据集的索引。利用高光谱图像数据集的空间特性,本文设计了一种基于单次索引的LSH。实验采用了两种不同传感器采集的高光谱图像数据集,将提出的算法与其它基于MI的波段选择算法进行对比。实验结果表明,在波段个数较小的集合,本文提出的算法在总体精度和Kappa系数上,优于其它算法。2.针对SSA收敛速度慢,易陷入局部解等问题,本文采用种群编码二进制化、混沌映射以及在适应度函数中引入NE对QSSA算法进行改进,以提升算法的搜索性能、种群多样性以及解的可行性。其中结合NE可以评价选取波段和真实地物之间的相关程度。本文算法与二进制蝙蝠算法、二进制灰狼算法、引力搜索算法、粒子群算法以及鲸鱼优化算法进行了实验对比,从收敛速率以及全局搜索能力上体现了该算法的有效性。3.分析了波段选择算法的系统需求,构建了基于B/S架构的特征选择系统,并将提出的算法嵌入到系统中。该系统包括用户管理模块、波段选择算法模块以及分类实验模块组成的波段选择算法系统。最后对系统的主要功能模块进行了测试和界面展示。

基于RGB和高光谱图像的大豆种子深度学习识别算法研究

这是一篇关于大豆种子识别,深度学习,卷积神经网络,高光谱图像的论文, 主要内容为大豆作为最常见的农作物之一,除了可以用来榨取大豆油,还可以用来制作高蛋白食品和饲料,其营养价值受到广泛关注。我国大豆需求量十分庞大,可是国内的大豆还很大程度上依赖进口,为了尽快在国内形成成熟的大豆产业链,实现对大豆品种的高效鉴别至关重要。本文以9种常见的大豆品种作为研究对象,使用卷积神经网络分别尝试基于RGB图像和高光谱图像来对大豆进行品种鉴别。实验表明了基于RGB图像和高光谱图像来对大豆进行品种鉴别具有相当的可行性,对后续相关领域的研究提供了参考。本文首先搭建了两套RGB图像采集系统,一套黑盒采集系统一套手机采集系统。论文详细介绍了采集系统的组成及各组件功能,以及采集的流程和对原始图像使用的预处理方法,最终将原始图像处理成后续可供网络进行训练的格式。其次,本文给出了基于手机采集系统采集的RGB数据集进行的分类实验,采用了6种卷积神经网络包括Alex Net、VGGNet、Goog Le Net、Res Net、Dense Net、GDNet对大豆RGB图像进行分类实验,其中,GDNet是结合Goog Le Net、Dense Net特点而设计的新型网络结构。实验结果显示Goog Le Net在验证集上的准确率最高,达到69.20%;GDNet准确率可以达到68.78%,其主要优势在于网络参数量要远小于其他5种网络。所采用的6种深度神经网络分类算法对东农252、东升6号、黑农50、金臣168四种大豆品种识别率较高,分别为91.25%、89.87%、92.50%、93.67%,对江农417和星农5号两种大豆识别率较低,分别为46.25%和32.5%。然后,论文搭建了大豆高光谱采集系统并使用其采集了原始的光谱图像,从原始图像中提取出一维光谱数据。由于原始光谱数据存在基线值不同所以确定网络学习的特征是光谱曲线的形状特征。使用3σ法去除光谱中的野值点,使用SG平滑、多元散射校正(MSC)、标准正态变换(SNV)、SG平滑结合多元散射校正、SG平滑结合标准正态变换五种预处理方法分别处理去完野值后的数据集,最终得到可供网络训练的代表不同预处理方法的5套数据集。最后,在一维AlexNet基础之上对分类算法进行优化,结果表明在原网络基础之上去掉池化层、增加Batch Normalization层以及将Dropout参数设置为0.3后分类准确率最高。采用最优网络分别训练5套数据集,结果显示网络在多元散射校正处理后的数据集中验证集上的准确率最高,达到66.79%,多元散射校正是最优预处理方法。针对大豆的光谱数据,一维卷积网络几乎实现东升6号和黑农50两种大豆的精确识别,分别可以达到97.96%和97.17%,而对于金臣168和蒙豆5号的识别率很低,分别为31.60%和25.81%。

基于神经网络的高光谱图像重构系统的设计与实现

这是一篇关于高光谱图像,神经网络,压缩感知,注意力机制的论文, 主要内容为高光谱图像同时提供物体的空间信息及丰富的光谱信息,利用光谱信息可以对物质进行材质识别,因此它在目标识别领域具有巨大的优势,这也使得它在地质勘测、物质分类等领域得到广泛研究。随着高光谱图像分辨率的不断提升,高光谱图像数据量越来越大,不仅对成像系统的存储造成了压力,而且给数据传输、处理都带来极大挑战。压缩感知作为一种新颖的采样理论,可在采样时对信号进行压缩,能够减少数据量,然而使用该采样理论对高光谱图像采样后,需采用压缩感知重构算法对图像复原,只有精准复原后的图像才能用于目标识别等领域。传统的压缩感知重构算法采用数值最优化思路,需进行大量的迭代运算,这使得对原始图像的求解速度变慢,并且求解精度较低。利用神经网络可完成高光谱图像的高精度低时延重构。故基于神经网络的高光谱图像重构算法具有重要的研究意义。本文主要设计并实现一个基于神经网络的高光谱图像重构系统,提出一种基于神经网络的高光谱图像重构模型。通过充分了解当前研究人员在实际重构高光谱图像时的处理流程,明确重构系统的功能需求以及重构算法需求。在算法需求分析的结果上设计了一个残差注意力网络来重构高光谱图像,首先采用具有不同感受野的卷积层对高光谱图像的特征进行提取,再通过引入通道注意力机制的残差注意力块来挖掘高光谱图像的谱间相关性等潜在特征。通过与三种传统压缩感知重构算法(OMP、TwIST、GPSR)以及一种神经网络重构模型(DNNnet)进行对比实验,相较于传统算法,此方法平均峰值信噪比至少提升8db,平均结构相似度至少提升0.12,重构速度至少提升7倍;相较于DNNnet,此方法表现更优,实验结果证明此方法的有效性及合理性。然后结合系统需求设计并实现一个三层架构的高光谱图像重构系统,包括表现层、逻辑层及数据层。将高光谱图像重构系统分为了若干功能模块,对其中的图像数据管理模块、图像预处理模块、图像去噪模块、传统压缩感知重构模块、神经网络重构模块和评价指标管理模块进行详细设计与实现,使用类图和流程图对设计与实现过程进行描述。最后,本文对设计实现的高光谱图像重构系统进行了充分的功能测试及性能测试。测试结果证实高光谱图像重构系统可平稳运行且满足实际需求,能够快速对用户请求进行响应。用户通过使用此系统,可提高高光谱图像重构的精确性,降低高光谱图像重构的耗时,同时能够提高处理高光谱图像的工作效率。