這些年來,隨著遙感技術的發(fā)展,SAR圖像在很多領域得到了廣泛的應用,SAR圖像處理的基礎是SAR圖像分割,然而由于SAR圖像成像的特殊性,其極不勻質區(qū)域一直是分割的難點。目前有使用人工提出特征的方式進行分割,但是這需要專業(yè)的背景知識,成本與效率都比較高。在機器學習中,貝葉斯學習模型可以利用先驗知識進行推斷,能夠自適應的學習數據的特征,可以利用該模型來學習極不勻質區(qū)域的特征。因此針對這些情況,本文提出了G~0分布隨機梯度變分貝葉斯學習模型的SAR圖像分割方法,該方法的主要創(chuàng)新如下所示:(1)提出了G~0分布隨機梯度變分貝葉斯模型。貝葉斯網絡需要對隱變量和近似后驗概率進行概率假設,而光學圖像中常用的高斯分布不能很好的擬合SAR圖像數據,所以不能有效的學習SAR圖像的特征。而G~0分布能夠很好的刻畫SAR圖像的統計特征,所以本文結合貝葉斯網絡以及G~0分布,對網絡中概率分布的假設均使用G~0分布,從而構造出G~0分布變分貝葉斯學習模型,然后對G~0分布n(28)1和n?1兩種情況,分別推導出相應學習模型中變分下界的解析形式,從而為后續(xù)學習SAR圖像混合像素子空間中極不勻質區(qū)域的特征提供模型框... 

【文章來源】：西安電子科技大學陜西省 211工程院校 教育部直屬院校

【文章頁數】：85 頁

【學位級別】：碩士

【部分圖文】：

SAR圖像素描圖以及區(qū)域圖

（a） PYRAMID 混合像素子空間 （b）PYRAMID 區(qū)域編號圖 3.1 PYRAMID 混合像素子空間以及相對應的區(qū)域編號表 3.1 PYRAMID 區(qū)域 2 和 5 的部分原圖與重構圖PYRAMID 區(qū)域 2 PYRAMID 區(qū)域 5原圖像塊 重構圖像塊 原圖像塊 重構圖像塊

本部分的實驗數據為 PYRAMID 和 PIPERIVER 圖像，如圖 3.2 所示。為了說明本文方法的有效性，本文的對比方法是將數據先假設為高斯分布，該假設前提下計算出變分下界，網絡中的權值和偏置均進行隨機初始化，然后訓變分貝葉斯網絡，下文均用高斯模型來進行表述；本文的方法將數據假設為0G 分網絡的權值用 3.2.2 介紹的方法進行初始化，然后訓練變分貝葉斯網絡，下文均用文模型進行表述。（a） PIPERIVER 混合像素子空間 （b）PIPERIVER 區(qū)域編號圖

【參考文獻】：
期刊論文
[1]圖像分割方法綜述研究[J]. 周莉莉,姜楓.  計算機應用研究. 2017(07)
[2]基于模糊閾值的自適應圖像分割方法[J]. 張永梅,巴德凱,邢闊.  計算機測量與控制. 2016(04)
[3]自適應蟻群和模糊聚類的SAR圖像分割[J]. 鮑義東,周改云,趙偉艇.  測繪科學. 2016(08)
[4]貝葉斯機器學習前沿進展綜述[J]. 朱軍,胡文波.  計算機研究與發(fā)展. 2015(01)
[5]基于模糊水平集的SAR圖像分割方法[J]. 毛萬峰,張紅,張波,王超.  中國科學院研究生院學報. 2013(02)
[6]基于MRF模型和形態(tài)學運算的SAR圖像分割[J]. 倪維平,嚴衛(wèi)東,邊輝,吳俊政,蘆穎,王培忠.  電光與控制. 2011(01)
[7]一種基于G~0分布的水平集SAR圖像分割方法[J]. 馮籍瀾,曹宗杰,皮亦鳴.  現代雷達. 2010(12)
[8]鄰域平衡密度聚類算法[J]. 武佳薇,李雄飛,孫濤,李巍.  計算機研究與發(fā)展. 2010(06)
[9]基于Mellin變換的G~0分布參數估計方法[J]. 時公濤,高貴,周曉光,匡綱要,蔣詠梅.  自然科學進展. 2009(06)
[10]基于脈內特征的雷達信號分選新方法[J]. 張治海,秦開兵,張元發(fā).  現代防御技術. 2009(02)

碩士論文
[1]基于Primal Sketch Map和語義信息分類的SAR圖像分割[D]. 袁嘉林.西安電子科技大學 2013



本文編號：2904069