【摘 要】
：
高光谱成像系统将成像技术与光谱技术相结合来检测物体的空间特征,使高光谱图像可以捕捉场景的详细光谱分布。高光谱图像数据作为一个数据立方体,通常具有多个相邻的窄带,采集到的图像相比于普通RGB彩色图像包含更加丰富的信息,在诸多领域拥有巨大优势,广泛应用于许多遥感领域,包括目标检测、变化检测、分类、聚类和分割。然而光谱、空间等不同维度无法同时高分成像,这是由于高光谱成像机理的限制。在获取高光谱图像时使用
论文部分内容阅读
高光谱成像系统将成像技术与光谱技术相结合来检测物体的空间特征,使高光谱图像可以捕捉场景的详细光谱分布。高光谱图像数据作为一个数据立方体,通常具有多个相邻的窄带,采集到的图像相比于普通RGB彩色图像包含更加丰富的信息,在诸多领域拥有巨大优势,广泛应用于许多遥感领域,包括目标检测、变化检测、分类、聚类和分割。然而光谱、空间等不同维度无法同时高分成像,这是由于高光谱成像机理的限制。在获取高光谱图像时使用的传感器是二维传感器,但是所要捕捉的图像是三维的高光谱图像,传感器收到的入射能量是有限的,这就导致我们必须牺牲某一维度的分辨率,往往选择牺牲时间或空间分辨率来换取光谱分辨的提高。由于高昂的设备获取条件限制及要保证成像时间足够长,使得高光谱图像通常应用在一些不需要实时的领域,大大限制它的应用范围,所以为了突破多维相互制约的瓶颈难题,高光谱图像处理技术蓬勃发展。近年来,快速的获取高空间分辨率的理想高光谱图像的需求越加迫切,采用算法突破设备的限制来处理图像成为一种主流手段,通过这种方法可以低成本获得高空间分辨率的高光谱图像,增加高光谱图像的应用范围。其中,基于深度卷积神经网络重建高空间分辨率的高光谱图像技术受到广泛关注,但是在网络结构设计上,大部分此类算法主要考虑对局部空间信息的提取而对通道间的信息利用较少,导致重建图像整体上空间特征提取不充分。在卷积网络训练上,传统深度学习算法对训练数据要求较高,但相应的高光谱数据集相对于自然图像数据集严重匮乏,导致卷积神经网络不能得到充分训练。此外,不同高光谱数据集之间成像条件和光谱波段数量的差异,使得很难构建统一的深度神经网络。针对以上面临的问题,本文在近期提出的深度图像先验算法的基础上,利用卷积神经网络的内在特征先捕获图像,再恢复高分辨率图像,在不需要训练样本的情况下,实验得到了堪比许多基于训练的方法重建图像的结果。本文主要内容和创新点如下:1.本文提出了一种基于非训练的高光谱图像超分方法,不需要训练样本,有效避免由于数据集短缺,成像条件差异而引起的训练不充分,网络应用困难等问题;所提出的网络结构充分利用了高光谱图像的空间信息和光谱波段之间的相关性,针对高光谱图像的空间信息和光谱相关性,设计了一种能够充分利用高光谱图像空间信息和光谱相关性的网络结构。2.在基于深度图像先验知识的方法,创新性地提出一个特殊的网络输入处理模块,使深度先验方法更适合高光谱图像超分辨任务,进一步提高了重建图像的质量;所设计的网络输入模块可以自动调整输入结构,从而使网络结构的设计不再受限制,克服该算法下输入严重限制网络体系结构选择的问题,大大扩展了算法的应用。3.探索2D/3D卷积的有效组合,降低网络参数使其轻量化,通过大量的实验结果证明了所提出的算法的有效性,取得了与基于训练的深度学习算法相媲美的结果。
其他文献
随着互联网的高速发展,代码漏洞的数量和种类日益增加,这给软件系统安全和网络安全带来了极大威胁。漏洞检测技术可以为漏洞修复提供参考依据,有效规避代码漏洞带来的风险。传统的代码漏洞检测方法依赖于人工分析,检测成本较高。基于传统机器学习的代码漏洞检测方法只能获得代码的浅层特征,难以适应复杂的代码漏洞检测任务。深度学习技术能够学习样本的内在规律和深层次特征,从而自动化代码漏洞检测过程。目前,基于深度学习的
云计算技术推动了社会的发展,解决了大数据时代数据用户存储资源不足的问题,但这种集中化的存储架构也导致了云服务器面临资源不足的困境。密态数据去重技术能够在保证用户数据隐私性的同时,根据数据的相似性检测并删除冗余副本,从源头上缓解数据爆炸式增长导致的云服务器资源不足的问题。因此,国内外学者对云计算环境下的密态数据去重技术进行了大量研究。密态数据去重可以分为服务器端去重和客户端去重,后者有效解决了服务器
区块链作为数字资产的结算日志,能够帮助金融机构进行跨组织交易。金融机构通常采用明文的方式将交易信息记录在账本上供第三方审计机构进行审查和监督。然而,明文审计会泄漏参与机构的财务收支、交易策略等隐私信息,存在经济损失的潜在危险。现有的方案通常采用加密的方式对账本的隐私信息进行保护,但是该方式不支持账本信息的审计,导致了金融机构交易过程的可信度降低。如何在保护账本隐私的情况下审计交易的正确性和账本的完
基于深度学习的实体关系抽取算法表现出较高的性能,但是现有算法通常假设待预测的关系是一个固定的集合,在使用一个固定的数据集对模型进行训练之后,就用该模型进行预测。然而,在真实场景中,往往会不断出现新的样本和关系,导致现有实体关系抽取算法面临灾难性遗忘的问题,即模型只能识别正在学习的样本中包含的关系,而遗忘从以前任务中学到的知识,最终导致模型在以前任务上的性能严重下降。因此如何提高实体关系抽取算法的实
分布式计算平台Spark在大数据领域迅速发展,其内存计算的特性相较于其他大数据平台,减少了磁盘读取开销,缩短了数据处理时间,在机器学习、图像处理等大规模计算应用方面具有广阔的应用前景。国内外许多企业已将Spark平台应用在实际生产环境中,如亚马逊、阿里、华为等。但Spark平台的性能方面仍需提高,Spark的任务调度机制基于同构集群的理想化设计,导致异构集群中高性能节点的硬件优势未被充分利用,从而
随着信息化技术的快速发展,同类信息通过不同的呈现方式可以形成多种域的图像。这些不同域的图像信息互为补充,能够为人们的生活提供更丰富的视觉体验。因此,计算机视觉领域的研究人员对跨域图像转换算法进行了深入研究。跨域图像转换算法根据有无配对数据可分为有监督与无监督两种模式,每种方式都能够保证转换后信息的完整性,提升转换后图像的美观性。其中,基于生成对抗网络的跨域图像转换算法利用生成器与鉴别器互相博弈,最
随着大数据、人工智能等科技的蓬勃发展,信息安全问题逐步成为当今社会最紧要的问题之一,国家更是出台了多项信息安全方面的要求规划,强调注重发展的同时要兼顾安全。而在各类信息安全问题中最不容忽视的就是个人信息泄露问题,攻击者会利用窃取到的用户个人信息对该用户进行攻击,导致被攻击用户在个人隐私、财产等诸多方面遭受巨大损失,因此,当前如何更好地保护和解决个人信息安全问题,成为了社会各界关注的焦点。身份认证技
随着近几年智能家居行业的快速发展,越来越多的智能设备被生产并用于满足人们的个性化需求。然而,这些智能设备可能属于不同的供应商并且提供不同的功能与服务,因此很难将集中式的解决方案应用到智能家居系统中。区块链（Blockchain）技术因其不可篡改性、去中心化特性以及其他安全性方面的优势而具有解决智能家居潜在问题的可能。然而,随着终端设备数量与资源数量呈现爆发式增长,以及愈加繁复的应用场景性能需求,将
随着深度神经网络的发展,深度学习在图像分类、目标检测、模式识别等领域都取得了与人类相当甚至更好的表现。然而,在现实世界中可能存在多个任务构成的数据流,神经网络并不具备在数据流中调整自身适应新任务的同时还能维持网络在旧任务上的表现的能力,因此会出现灾难性遗忘。这大大地影响了通过深度神经网络走向强人工智能的进程。因此,研究深度神经网络的持续学习算法,解决灾难性遗忘具有重要的理论意义与应用价值。现存的持
蒲公英（Taraxacum mongolicum Hand.-Mazz.）作为一种药食同源植物,富含多种功能性成分,具有较高的开发价值。实验以蒲公英全草为原料,对蒲公英中醇溶及水溶性成分的提取工艺进行了研究;以蒲公英提取浓缩液为原料,研制出了风味和稳定性都较佳的蒲公英口服液,并对蒲公英口服液的抗氧化活性和抑菌活性进行了探究,以期对蒲公英的开发及综合利用提供有益的支撑。主要研究内容及结果如下:（1）