本文關鍵詞：基于稀疏表示及上下文信息的PolSAR圖像分類

  更多相關文章： 極化合成孔徑雷達 分類 特征提取 稀疏表示 上下文信息

【摘要】：極化合成孔徑雷達(Pol SAR)能夠通過多個通道多種極化組合方式獲取豐富全面的地物信息,因此,其在地震學、軍事偵察、農林以及水文地理等研究領域起到不可替代的作用。將地物正確分類是Pol SAR圖像一個非常重要的應用也是進行后續(xù)Pol SAR圖像解譯的前提和基礎。目前,Pol SAR圖像的分類仍存在高維非線性等難題。近些年來,在模式識別領域,稀疏表示已經(jīng)成為一個高效有效的創(chuàng)新性工具。本文的目的主要是從Pol SAR圖像本身的特性出發(fā),利用協(xié)方差矩陣和相干矩陣提取Pol SAR圖像特征,然后結合稀疏表示理論的特點,研究具有更高分類效果和分類效率的Pol SAR圖像分類方法,促進Pol SAR圖像解譯的應用和發(fā)展。本文主要包括以下三個方面:首先,本文從Pol SAR圖像的特點入手,研究了Pol SAR圖像的表征方法包括極化散射矩陣以及二階極化統(tǒng)計特征矩陣,然后從極化特征和非極化特征兩個方面研究了Pol SAR圖像特征提取方法。極化特征方面研究了基于散射機理目標分解理論的Pol SAR圖像特征提取方法和基于特征值分解的Pol SAR圖像提取方法;非極化特征方面研究了基于灰度共生矩陣的Pol SAR圖像紋理特征提取方法。然后,本文從信號的稀疏表示、字典的設計、稀疏系數(shù)的求解以及稀疏表示的分類模型四個方面研究了稀疏表示基礎理論。然后在稀疏表示的基本模型的基礎上結合Pol SAR圖像的特征提出了基于稀疏表示的Pol SAR圖像分類模型并且利用EMISAR的Foulum地區(qū)數(shù)據(jù)、AIRSAR的San Francisco地區(qū)以及AIRSAR的Flevoland地區(qū)實驗數(shù)據(jù)對其進行驗證分析。最后,為了進一步提高稀疏表示分類模型的效率和效果,本文研究了稀疏約束優(yōu)化模型-拉普拉斯模型和上下文稀疏表示方法,并且提出了基于上下文稀疏表示的Pol SAR圖像分類模型。然后利用EMISAR的Foulum地區(qū)數(shù)據(jù)、AIRSAR的San Francisco地區(qū)以及AIRSAR的Flevoland地區(qū)實驗數(shù)據(jù)對上述理論進行了實驗驗證,并且給出了結果和定量的分析評價。實驗表明,文中提出的算法對于Pol SAR圖像分類具有適用性和有效性。
【關鍵詞】：極化合成孔徑雷達 分類 特征提取 稀疏表示 上下文信息
【學位授予單位】：哈爾濱工業(yè)大學
【學位級別】：碩士
【學位授予年份】：2015
【分類號】：TN957.52
【目錄】：

• 摘要4-5
• Abstract5-9
• 第1章 緒論9-17
• 1.1 課題背景及研究的目的和意義9-10
• 1.2 國內外研究現(xiàn)狀及分析10-15
• 1.2.1 PolSAR圖像特征提取10-12
• 1.2.2 PolSAR圖像地物分類12-13
• 1.2.3 稀疏表示理論13-15
• 1.3 主要研究內容及論文結構15-17
• 第2章 PolSAR圖像特征分析與提取17-31
• 2.1 引言17
• 2.2 PolSAR圖像的表征17-18
• 2.2.1 極化散射矩陣17
• 2.2.2 相干矩陣和協(xié)方差矩陣17-18
• 2.3 PolSAR圖像特征提取18-24
• 2.3.1 PolSAR圖像散射特征提取18-21
• 2.3.2 PolSAR圖像極化特征提取21-22
• 2.3.3 PolSAR圖像紋理特征提取22-24
• 2.4 實驗結果與分析24-29
• 2.4.1 實驗數(shù)據(jù)介紹24-25
• 2.4.2 基于目標分解的PolSAR圖像散射特征25-26
• 2.4.3 基于特征值分解的PolSAR圖像極化特征26-27
• 2.4.4 基于灰度共生矩陣的PolSAR圖像紋理特征27-29
• 2.4.5 PolSAR圖像特征分析29
• 2.5 本章小結29-31
• 第3章 稀疏表示基礎及PolSAR圖像分類31-45
• 3.1 引言31
• 3.2 稀疏表示基礎理論31-36
• 3.2.1 信號的稀疏表示31-33
• 3.2.2 字典的設計33-34
• 3.2.3 稀疏系數(shù)的求解34-35
• 3.2.4 稀疏表示分類模型35-36
• 3.3 基于稀疏表示的PolSAR圖像分類36-44
• 3.3.1 PolSAR圖像稀疏表示分類過程36-38
• 3.3.2 分類類別的設定38-39
• 3.3.3 稀疏度對稀疏表示分類的影響39-42
• 3.3.4 基于稀疏表示的PolSAR圖像分類結果42-44
• 3.4 本章小結44-45
• 第4章 上下文稀疏表示模型及PolSAR圖像分類45-60
• 4.1 引言45
• 4.2 稀疏約束優(yōu)化模型 -拉普拉斯模型45-47
• 4.3 上下文稀疏表示分類模型47-50
• 4.3.1 數(shù)學模型47-49
• 4.3.2 稀疏系數(shù)矩陣求解49-50
• 4.4 基于上下文稀疏表示的PolSAR圖像分類50-58
• 4.4.1 稀疏度對上下文稀疏表示分類的影響50-54
• 4.4.2 基于上下文稀疏表示的PolSAR圖像分類結果54-55
• 4.4.3 CSRC、SRC、SVM三種分類器的比較分析55-58
• 4.5 本章小結58-60
• 結論60-61
• 參考文獻61-67
• 攻讀碩士學位期間發(fā)表的論文及其它成果67-69
• 致謝69

【相似文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 李映;張艷寧;許星;;基于信號稀疏表示的形態(tài)成分分析:進展和展望[J];電子學報;2009年01期

2 趙瑞珍;王飛;羅阿理;張彥霞;;基于稀疏表示的譜線自動提取方法[J];光譜學與光譜分析;2009年07期

3 楊蜀秦;寧紀鋒;何東健;;基于稀疏表示的大米品種識別[J];農業(yè)工程學報;2011年03期

4 史加榮;楊威;魏宗田;;基于非負稀疏表示的人臉識別[J];計算機工程與設計;2012年05期

5 高志榮;熊承義;笪邦友;;改進的基于殘差加權的稀疏表示人臉識別[J];中南民族大學學報(自然科學版);2012年03期

6 朱杰;楊萬扣;唐振民;;基于字典學習的核稀疏表示人臉識別方法[J];模式識別與人工智能;2012年05期

7 耿耀君;張軍英;袁細國;;一種基于稀疏表示系數(shù)的特征相關性測度[J];模式識別與人工智能;2013年01期

8 張疆勤;廖海斌;李原;;基于因子分析與稀疏表示的多姿態(tài)人臉識別[J];計算機工程與應用;2013年05期

9 李正周;王會改;劉梅;丁浩;金鋼;;基于形態(tài)成分稀疏表示的紅外小弱目標檢測[J];彈箭與制導學報;2013年04期

10 胡正平;趙淑歡;李靜;;基于塊稀疏遞推殘差分析的稀疏表示遮擋魯棒識別算法研究[J];模式識別與人工智能;2014年01期

中國重要會議論文全文數(shù)據(jù)庫 前3條

1 何愛香;劉玉春;魏廣芬;;基于稀疏表示的煤矸界面識別研究[A];虛擬運營與云計算——第十八屆全國青年通信學術年會論文集（上冊）[C];2013年

2 樊亞翔;孫浩;周石琳;鄒煥新;;基于元樣本稀疏表示的多視角目標識別[A];2013年中國智能自動化學術會議論文集（第五分冊）[C];2013年

3 葛鳳翔;任歲玲;郭鑫;郭良浩;孫波;;微弱信號處理及其研究進展[A];中國聲學學會水聲學分會2013年全國水聲學學術會議論文集[C];2013年

中國博士學位論文全文數(shù)據(jù)庫 前10條

1 李進明;基于稀疏表示的圖像超分辨率重建方法研究[D];重慶大學;2015年

2 王亞寧;基于信號稀疏表示的電機故障診斷研究[D];河北工業(yè)大學;2014年

3 姚明海;視頻異常事件檢測與認證方法研究[D];東北師范大學;2015年

4 李小薪;稀疏表示的分段匹配尋蹤方法[D];華南理工大學;2009年

5 何艷敏;稀疏表示在圖像壓縮和去噪中的應用研究[D];電子科技大學;2011年

6 宋相法;基于稀疏表示和集成學習的若干分類問題研究[D];西安電子科技大學;2013年

7 匡金駿;基于稀疏表示的圖像分類與目標跟蹤研究[D];重慶大學;2013年

8 李海山;基于稀疏表示理論的地震信號處理方法研究[D];中國石油大學（華東）;2013年

9 鄧承志;圖像稀疏表示理論及其應用研究[D];華中科技大學;2008年

10 路錦正;基于稀疏表示的圖像超分辨率重構技術研究[D];電子科技大學;2013年

中國碩士學位論文全文數(shù)據(jù)庫 前10條

1 王道文;基于稀疏表示的目標跟蹤算法研究[D];華南理工大學;2015年

2 李哲;基于稀疏表示和LS-SVM的心電信號分類[D];河北大學;2015年

3 孫雪青;Shearlet變換和稀疏表示相結合的甲狀腺結節(jié)圖像融合[D];河北大學;2015年

4 吳麗璇;基于稀疏表示的微聚焦X射線圖像去噪方法[D];華南理工大學;2015年

5 趙孝磊;基于圖像分塊稀疏表示的人臉識別算法研究[D];南京信息工程大學;2015年

6 黃志明;基于辨別式稀疏字典學習的視覺追蹤算法研究[D];華南理工大學;2015年

7 張鈴華;非約束環(huán)境下的稀疏表示人臉識別算法研究[D];南京信息工程大學;2015年

8 賀妍斐;基于稀疏表示與自適應倒易晶胞的遙感圖像復原方法研究[D];南京信息工程大學;2015年

9 楊爍;電能質量擾動信號的稀疏表示/壓縮采樣研究[D];西南交通大學;2015年

10 應艷麗;基于低秩稀疏表示的目標跟蹤算法研究[D];西南交通大學;2015年

，

本文編號：1025401