本文關(guān)鍵詞：基于稀疏表示及上下文信息的PolSAR圖像分類(lèi)

  更多相關(guān)文章： 極化合成孔徑雷達(dá) 分類(lèi) 特征提取 稀疏表示 上下文信息

【摘要】：極化合成孔徑雷達(dá)(Pol SAR)能夠通過(guò)多個(gè)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(xué)、軍事偵察、農(nóng)林以及水文地理等研究領(lǐng)域起到不可替代的作用。將地物正確分類(lèi)是Pol SAR圖像一個(gè)非常重要的應(yīng)用也是進(jìn)行后續(xù)Pol SAR圖像解譯的前提和基礎(chǔ)。目前,Pol SAR圖像的分類(lèi)仍存在高維非線性等難題。近些年來(lái),在模式識(shí)別領(lǐng)域,稀疏表示已經(jīng)成為一個(gè)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(jié)合稀疏表示理論的特點(diǎn),研究具有更高分類(lèi)效果和分類(lèi)效率的Pol SAR圖像分類(lèi)方法,促進(jìn)Pol SAR圖像解譯的應(yīng)用和發(fā)展。本文主要包括以下三個(gè)方面:首先,本文從Pol SAR圖像的特點(diǎn)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(jì)特征矩陣,然后從極化特征和非極化特征兩個(gè)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(jī)理目標(biāo)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(hào)的稀疏表示、字典的設(shè)計(jì)、稀疏系數(shù)的求解以及稀疏表示的分類(lèi)模型四個(gè)方面研究了稀疏表示基礎(chǔ)理論。然后在稀疏表示的基本模型的基礎(chǔ)上結(jié)合Pol SAR圖像的特征提出了基于稀疏表示的Pol SAR圖像分類(lèi)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(shí)驗(yàn)數(shù)據(jù)對(duì)其進(jìn)行驗(yàn)證分析。最后,為了進(jìn)一步提高稀疏表示分類(lèi)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(lèi)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(shí)驗(yàn)數(shù)據(jù)對(duì)上述理論進(jìn)行了實(shí)驗(yàn)驗(yàn)證,并且給出了結(jié)果和定量的分析評(píng)價(jià)。實(shí)驗(yàn)表明,文中提出的算法對(duì)于Pol SAR圖像分類(lèi)具有適用性和有效性。
【關(guān)鍵詞】：極化合成孔徑雷達(dá) 分類(lèi) 特征提取 稀疏表示 上下文信息
【學(xué)位授予單位】：哈爾濱工業(yè)大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2015
【分類(lèi)號(hào)】：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(guó)內(nèi)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(lèi)12-13
• 1.2.3 稀疏表示理論13-15
• 1.3 主要研究?jī)?nèi)容及論文結(jié)構(gòu)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(shí)驗(yàn)結(jié)果與分析24-29
• 2.4.1 實(shí)驗(yàn)數(shù)據(jù)介紹24-25
• 2.4.2 基于目標(biāo)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(jié)29-31
• 第3章 稀疏表示基礎(chǔ)及PolSAR圖像分類(lèi)31-45
• 3.1 引言31
• 3.2 稀疏表示基礎(chǔ)理論31-36
• 3.2.1 信號(hào)的稀疏表示31-33
• 3.2.2 字典的設(shè)計(jì)33-34
• 3.2.3 稀疏系數(shù)的求解34-35
• 3.2.4 稀疏表示分類(lèi)模型35-36
• 3.3 基于稀疏表示的PolSAR圖像分類(lèi)36-44
• 3.3.1 PolSAR圖像稀疏表示分類(lèi)過(guò)程36-38
• 3.3.2 分類(lèi)類(lèi)別的設(shè)定38-39
• 3.3.3 稀疏度對(duì)稀疏表示分類(lèi)的影響39-42
• 3.3.4 基于稀疏表示的PolSAR圖像分類(lèi)結(jié)果42-44
• 3.4 本章小結(jié)44-45
• 第4章 上下文稀疏表示模型及PolSAR圖像分類(lèi)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(lèi)模型47-50
• 4.3.1 數(shù)學(xué)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(lèi)50-58
• 4.4.1 稀疏度對(duì)上下文稀疏表示分類(lèi)的影響50-54
• 4.4.2 基于上下文稀疏表示的PolSAR圖像分類(lèi)結(jié)果54-55
• 4.4.3 CSRC、SRC、SVM三種分類(lèi)器的比較分析55-58
• 4.5 本章小結(jié)58-60
• 結(jié)論60-61
• 參考文獻(xiàn)61-67
• 攻讀碩士學(xué)位期間發(fā)表的論文及其它成果67-69
• 致謝69

【相似文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前10條

1 李映;張艷寧;許星;;基于信號(hào)稀疏表示的形態(tài)成分分析:進(jìn)展和展望[J];電子學(xué)報(bào);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(dòng)提取方法[J];光譜學(xué)與光譜分析;2009年07期

3 楊蜀秦;寧紀(jì)鋒;何東健;;基于稀疏表示的大米品種識(shí)別[J];農(nóng)業(yè)工程學(xué)報(bào);2011年03期

4 史加榮;楊威;魏宗田;;基于非負(fù)稀疏表示的人臉識(shí)別[J];計(jì)算機(jī)工程與設(shè)計(jì);2012年05期

5 高志榮;熊承義;笪邦友;;改進(jìn)的基于殘差加權(quán)的稀疏表示人臉識(shí)別[J];中南民族大學(xué)學(xué)報(bào)(自然科學(xué)版);2012年03期

6 朱杰;楊萬(wàn)扣;唐振民;;基于字典學(xué)習(xí)的核稀疏表示人臉識(shí)別方法[J];模式識(shí)別與人工智能;2012年05期

7 耿耀君;張軍英;袁細(xì)國(guó);;一種基于稀疏表示系數(shù)的特征相關(guān)性測(cè)度[J];模式識(shí)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(shí)別[J];計(jì)算機(jī)工程與應(yīng)用;2013年05期

9 李正周;王會(huì)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(biāo)檢測(cè)[J];彈箭與制導(dǎo)學(xué)報(bào);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(shí)別算法研究[J];模式識(shí)別與人工智能;2014年01期

中國(guó)重要會(huì)議論文全文數(shù)據(jù)庫(kù) 前3條

1 何愛(ài)香;劉玉春;魏廣芬;;基于稀疏表示的煤矸界面識(shí)別研究[A];虛擬運(yùn)營(yíng)與云計(jì)算——第十八屆全國(guó)青年通信學(xué)術(shù)年會(huì)論文集（上冊(cè)）[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(biāo)識(shí)別[A];2013年中國(guó)智能自動(dòng)化學(xué)術(shù)會(huì)議論文集（第五分冊(cè)）[C];2013年

3 葛鳳翔;任歲玲;郭鑫;郭良浩;孫波;;微弱信號(hào)處理及其研究進(jìn)展[A];中國(guó)聲學(xué)學(xué)會(huì)水聲學(xué)分會(huì)2013年全國(guó)水聲學(xué)學(xué)術(shù)會(huì)議論文集[C];2013年

中國(guó)博士學(xué)位論文全文數(shù)據(jù)庫(kù) 前10條

1 李進(jìn)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(xué);2015年

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

3 姚明海;視頻異常事件檢測(cè)與認(rèn)證方法研究[D];東北師范大學(xué);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(xué);2009年

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

6 宋相法;基于稀疏表示和集成學(xué)習(xí)的若干分類(lèi)問(wèn)題研究[D];西安電子科技大學(xué);2013年

7 匡金駿;基于稀疏表示的圖像分類(lèi)與目標(biāo)跟蹤研究[D];重慶大學(xué);2013年

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

9 鄧承志;圖像稀疏表示理論及其應(yīng)用研究[D];華中科技大學(xué);2008年

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

中國(guó)碩士學(xué)位論文全文數(shù)據(jù)庫(kù) 前10條

1 王道文;基于稀疏表示的目標(biāo)跟蹤算法研究[D];華南理工大學(xué);2015年

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

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

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

6 黃志明;基于辨別式稀疏字典學(xué)習(xí)的視覺(jué)追蹤算法研究[D];華南理工大學(xué);2015年

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

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

9 楊爍;電能質(zhì)量擾動(dòng)信號(hào)的稀疏表示/壓縮采樣研究[D];西南交通大學(xué);2015年

10 應(yīng)艷麗;基于低秩稀疏表示的目標(biāo)跟蹤算法研究[D];西南交通大學(xué);2015年

，

本文編號(hào)：1025401