本文選題：PolSAR + Pauli分解��； 參考：《西安電子科技大學(xué)》2014年碩士論文

【摘要】：極化合成孔徑雷達(Polarimetric Synthetic Aperture Radar,PolSAR)是地球遙感學(xué)科中一個重要的研究方向,在農(nóng)業(yè)生產(chǎn)、城市規(guī)劃、海冰監(jiān)測等眾多領(lǐng)域內(nèi)具有巨大的應(yīng)用價值。目前,主要集中在極化散射信息的研究上。尋找更加有效、更加精確的極化SAR圖像分類方法一直是全球研究人員的工作重點。本文結(jié)合目前已經(jīng)在語音識別、自然語言處理、自然圖像分類等領(lǐng)域顯示了巨大的優(yōu)勢的深度學(xué)習(xí)理論,進行極化SAR圖像分類,該方法是結(jié)合了基于像素的分類方法和基于區(qū)域的分類方法,首先利用了深度自編碼結(jié)構(gòu),從極化SAR相干矩陣中,充分挖掘矩陣元素之間的非線性關(guān)系,對極化SAR圖像進行初始分類,然后結(jié)合超像素預(yù)分割技術(shù),引入?yún)^(qū)域信息,優(yōu)化分類結(jié)果,實現(xiàn)PolSAR圖像地物分類算法。本論文所做的主要工作如下:1.本文第三章提出了一種基于多層自編碼結(jié)構(gòu)的極化SAR圖像分類方法。該算法的主要思想是:首先,為多層自編碼結(jié)構(gòu)應(yīng)用到Pol SAR圖像中尋找到了一種合理的輸入,在PolSAR圖像數(shù)據(jù)中的一個點不再代表一個簡單的實值,而是一個含有復(fù)數(shù)的2×2矩陣,而多層自編碼結(jié)構(gòu)應(yīng)用在傳統(tǒng)的自然圖像時,輸入的訓(xùn)練數(shù)據(jù)是自然圖像中的原始像素值,不需要添加任何人工特征,該結(jié)構(gòu)強調(diào)的是自動的逐層提取圖像的結(jié)構(gòu)。因此,如果我們應(yīng)用極化SAR目標(biāo)分解得到的元素作為多層自編碼的輸入數(shù)據(jù),就不能充分體會該結(jié)構(gòu)的功能。然后,搭建合理的多層自編碼結(jié)構(gòu),利用多層自編碼結(jié)構(gòu)對于極化SAR輸入數(shù)據(jù)自動特征提取的獨特優(yōu)勢,發(fā)掘相干矩陣元素間的非線性關(guān)系。該算法的特征提取過程是基于像素的無監(jiān)督算法,分類過程采用Softmax分類器,本算法思想簡單,取得了很好的分類效果。2.本文第四章提出了一種新的基于多層自編碼結(jié)構(gòu)和超像素的極化SAR圖像分類算法。該算法是基于像素的極化SAR分類與基于區(qū)域的極化SAR分類相結(jié)合的分類方法。首先,根據(jù)第三章的算法,獲得了PolSAR圖像的初始分割結(jié)果,該步驟是基于像素的分類結(jié)果,然后,根據(jù)Pauli基構(gòu)造的偽彩圖,引入超像素算法,對圖像進行過分割,得到過分割的圖像塊,最后,根據(jù)最近鄰聚類算法,在每個過分割的圖像塊內(nèi)進行統(tǒng)計,并且結(jié)合強度信息,得到最終的分類結(jié)果,該步驟是考慮了基于區(qū)域的極化SAR圖像分類。本算法考慮到了像素點之間的空間相關(guān)性,在基于自編碼的初始分割基礎(chǔ)上,進一步優(yōu)化分類結(jié)果,很好的保留了邊緣的細(xì)節(jié)完整性,取得了較高的分類精度。論文得到了國家自然科學(xué)基金(No.61072106,61271302)的資助和國家“973”計劃(No.2013CB329402)的支持。
[Abstract]:Polarimetric synthetic Aperture radar (PolSAR) is an important research direction in the field of earth remote sensing. It has great application value in many fields such as agricultural production, urban planning, sea ice monitoring and so on. At present, the study of polarization scattering information is mainly focused on. Searching for more effective and accurate polarimetric SAR image classification methods has been the focus of researchers all over the world. In this paper, polarimetric SAR image classification is based on the depth learning theory, which has shown great advantages in speech recognition, natural language processing, natural image classification and so on. This method combines the pixel based classification method and the region based classification method. Firstly, using the depth self-coding structure, the nonlinear relationship between the matrix elements is fully mined from the polarimetric SAR coherence matrix. The initial classification of polarimetric SAR images is carried out, and then the region information is introduced and the classification results are optimized by using the super-pixel presegmentation technique to realize the classification algorithm for PolSAR images. The main work of this paper is as follows: 1. In chapter 3, a polarimetric SAR image classification method based on multilayer self coding structure is proposed. The main idea of the algorithm is as follows: firstly, a reasonable input is found for the multi-layer self-coding structure applied to Pol SAR images. A point in PolSAR image data no longer represents a simple real value, but a 2 脳 2 matrix with complex number. When the multi-layer self-coding structure is applied to the traditional natural image, the input training data is the original pixel value of the natural image, and it does not need to add any artificial features. This structure emphasizes the structure of automatically extracting the image layer by layer. Therefore, if we use the elements of polarimetric SAR target decomposition as multi-layer self-coding input data, we can not fully understand the function of the structure. Then a reasonable multi-layer self-coding structure is built and the unique advantage of multi-layer self-coding structure for automatic feature extraction of polarimetric SAR input data is used to explore the nonlinear relationship between the elements of coherent matrix. The feature extraction process of this algorithm is based on pixel unsupervised algorithm. Softmax classifier is used in the classification process. In chapter 4, a new polarimetric SAR image classification algorithm based on multi-layer self-coding structure and super-pixel is proposed. The algorithm is a combination of polarimetric SAR classification based on pixel and polarimetric SAR classification based on region. Firstly, according to the algorithm in Chapter 3, the initial segmentation result of PolSAR image is obtained, which is based on the classification result of pixels. Then, according to the pseudo-color image constructed by Pauli basis, the super-pixel algorithm is introduced to over-segment the image. Finally, according to the nearest neighbor clustering algorithm, statistics are carried out in each over-segmented image block, and the final classification results are obtained by combining the intensity information. This step is to consider the region-based polarimetric SAR image classification. Considering the spatial correlation between pixels, the algorithm further optimizes the classification results based on the initial segmentation based on self-coding, which preserves the integrity of the edge details and achieves high classification accuracy. The paper is supported by the National Natural Science Foundation No. 61072106 (No. 61271302) and the National 973 Program No. 2013CB329402).
【學(xué)位授予單位】：西安電子科技大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2014
【分類號】：TN957.52

【相似文獻】

相關(guān)期刊論文 前10條

1 陳戲墨,徐紅兵,李志銘,謝鉉洋,李曦,李揚彬;數(shù)據(jù)挖掘在醫(yī)學(xué)圖像分類中的應(yīng)用[J];現(xiàn)代計算機(專業(yè)版);2005年01期

2 冀翠萍;孟祥增;;基于內(nèi)容的圖像分類體系[J];電腦知識與技術(shù)(學(xué)術(shù)交流);2007年07期

3 楊杰;陳曉云;;圖像分類方法比較研究[J];微計算機應(yīng)用;2007年06期

4 楊文潮;姜志堅;;圖像分類技術(shù)研究[J];福建電腦;2008年08期

5 葛寒娟;邱桃榮;王劍;盧強;李北;劉韜;聶斌;;一種基于相容信息粒原理的圖像分類方法[J];廣西師范大學(xué)學(xué)報(自然科學(xué)版);2008年03期

6 王軍;王員云;;粒計算及其在圖像分類中的應(yīng)用研究[J];計算機工程與科學(xué);2009年03期

7 吳軍;王士同;;基于正負(fù)模糊規(guī)則的相結(jié)合的圖像分類[J];計算機應(yīng)用;2011年01期

8 吳軍;王士同;趙鑫;;正負(fù)模糊規(guī)則系統(tǒng)、極限學(xué)習(xí)機與圖像分類[J];中國圖象圖形學(xué)報;2011年08期

9 郝永寬;王威;聶維同;王德強;;圖像分類與聚類分析[J];數(shù)字技術(shù)與應(yīng)用;2011年12期

10 蔣玲芳;張偉;司夢;;基于詞袋模型的電子報圖像分類方法研究[J];信陽師范學(xué)院學(xué)報(自然科學(xué)版);2013年01期

相關(guān)會議論文 前10條

1 鄭海紅;曾平;;一種基于圖像分類的逆半調(diào)算法[A];’2004計算機應(yīng)用技術(shù)交流會議論文集[C];2004年

2 文振q;歐陽杰;朱為總;;基于語義特征與支持向量機的圖像分類[A];中國電子學(xué)會第十六屆信息論學(xué)術(shù)年會論文集[C];2009年

3 王海峰;管亮;;基于顏色特征的圖像分類技術(shù)在油品分析中的應(yīng)用[A];中國儀器儀表學(xué)會第六屆青年學(xué)術(shù)會議論文集[C];2004年

4 陳思坤;吳洪;;基于圖分塊并利用空間金字塔的醫(yī)學(xué)圖像分類[A];第六屆和諧人機環(huán)境聯(lián)合學(xué)術(shù)會議（HHME2010)、第19屆全國多媒體學(xué)術(shù)會議（NCMT2010）、第6屆全國人機交互學(xué)術(shù)會議（CHCI2010）、第5屆全國普適計算學(xué)術(shù)會議（PCC2010）論文集[C];2010年

5 張淑雅;趙曉宇;趙一鳴;李均利;;基于SVM的圖像分類[A];第十三屆全國圖象圖形學(xué)學(xué)術(shù)會議論文集[C];2006年

6 李博;韓萍;;基于壓縮感知和SVM的極化SAR圖像分類[A];第二十七屆中國（天津）2013IT、網(wǎng)絡(luò)、信息技術(shù)、電子、儀器儀表創(chuàng)新學(xué)術(shù)會議論文集[C];2013年

7 朱松豪;胡娟娟;孫偉;;基于非歐空間高階統(tǒng)計的圖像分類方法[A];第25屆中國控制與決策會議論文集[C];2013年

8 潘海為;李建中;張煒;;基于像素聚類的腦部醫(yī)學(xué)圖像分類[A];第二十屆全國數(shù)據(jù)庫學(xué)術(shù)會議論文集（研究報告篇）[C];2003年

9 吳霜;張一飛;修非;王大玲;鮑玉斌;于戈;;基于興趣點特征提取的醫(yī)學(xué)圖像分類[A];第二十四屆中國數(shù)據(jù)庫學(xué)術(shù)會議論文集（研究報告篇）[C];2007年

10 武進;尹愷;王長明;張家才;;SVDM在蔬菜病害圖像分類中的應(yīng)用[A];圖像圖形技術(shù)與應(yīng)用進展——第三屆圖像圖形技術(shù)與應(yīng)用學(xué)術(shù)會議論文集[C];2008年

相關(guān)博士學(xué)位論文 前10條

1 胡堯;基于低秩矩陣估計的機器學(xué)習(xí)算法分析[D];浙江大學(xué);2015年

2 李昌英(Ri ChangYong);基于上下文信息的語義圖像分類研究[D];浙江大學(xué);2014年

3 趙鑫;圖像分類中的判別性增強研究[D];中國科學(xué)技術(shù)大學(xué);2013年

4 楊冰;基于藝術(shù)風(fēng)格的繪畫圖像分類研究[D];浙江大學(xué);2013年

5 丁建睿;基于多示例學(xué)習(xí)的淺表器官超聲圖像分類方法研究[D];哈爾濱工業(yè)大學(xué);2012年

6 賈世杰;基于內(nèi)容的商品圖像分類方法研究[D];大連理工大學(xué);2013年

7 李曉旭;基于概率主題模型的圖像分類和標(biāo)注的研究[D];北京郵電大學(xué);2012年

8 王海江;極化SAR圖像分類方法研究[D];電子科技大學(xué);2008年

9 韓東峰;圖像分類識別中特征及模型的若干問題研究[D];吉林大學(xué);2008年

10 白有茂;基于張量流形學(xué)習(xí)的圖像分類技術(shù)研究[D];中國礦業(yè)大學(xué)（北京）;2013年

相關(guān)碩士學(xué)位論文 前10條

1 張明靜;基于改進遺傳算法的分塊綜合特征加權(quán)圖像分類研究[D];華南理工大學(xué);2015年

2 李函怡;融合主動學(xué)習(xí)的半監(jiān)督技術(shù)在圖像分類中的應(yīng)用研究[D];西南大學(xué);2015年

3 王亞鳳;基于多特征的主動學(xué)習(xí)方法在圖像分類中的應(yīng)用研究[D];河北工程大學(xué);2015年

4 陳榮安;基于改進的Bag-of-Features模型的圖像分類研究[D];蘭州大學(xué);2015年

5 鐘畏丹;基于HSV和紋理特征的圖像分類[D];華中師范大學(xué);2015年

6 焦陽;基于主動學(xué)習(xí)的多標(biāo)簽圖像分類方法研究[D];蘇州大學(xué);2015年

7 王騰川;基于主動學(xué)習(xí)的SAR圖像分類方法研究[D];上海交通大學(xué);2015年

8 NGUYEN QUANG KHANH;基于極化SAR目標(biāo)信息提取與SVM分類[D];哈爾濱工業(yè)大學(xué);2015年

9 王朔琛;基于半監(jiān)督支持向量機的圖像分類方法研究[D];陜西師范大學(xué);2015年

10 楊東坡;基于深度學(xué)習(xí)的商品圖像分類[D];大連交通大學(xué);2015年

，

本文編號：2030440