本文關(guān)鍵詞：基于自適應(yīng)自編碼和超像素的SAR圖像分類，由筆耕文化傳播整理發(fā)布。

【摘要】：合成孔徑雷達(dá)(Synthetic Aperture Radar,SAR)可以全天時(shí)和全天候地對地球表面地物成像,而且可以穿透地球的表面。SAR可以獲得較高的空間分辨率,因此高分辨SAR圖像在軍事、農(nóng)業(yè)和醫(yī)學(xué)領(lǐng)域起著越來越重要的作用,近年來SAR圖像的分類研究也在民用和軍事領(lǐng)域中得到廣泛應(yīng)用。目前對于高分辨SAR圖像最大的挑戰(zhàn)是提取信息豐富、識別性強(qiáng)和能抑制噪聲的特征,雖然研究者們在此方面已做出了很多貢獻(xiàn),但最有效可靠的特征還是未能找到。因此,本文提出了基于Gamma分布的自適應(yīng)多尺度自編碼器的高分辨SAR圖像分類方法,以及適用于SAR圖像的異質(zhì)超像素算法,有效應(yīng)用于SAR圖像的分類分割預(yù)處理和后期處理,具體的改進(jìn)思路如下:(1)超像素能夠捕獲圖像冗余信息,降低后續(xù)處理任務(wù)復(fù)雜度,是SAR圖像分類分割中廣泛受到應(yīng)用的預(yù)處理方法。但由于SAR圖像嚴(yán)重的乘性相干斑噪聲,多出現(xiàn)弱邊界區(qū)域,傳統(tǒng)的超像素算法已不能有效提取出同質(zhì)像素塊,對后續(xù)地分類分割算法有嚴(yán)重干擾,本文提出一種基于Gamma分布的異質(zhì)超像素SAR圖像分割方法,是一種適用于SAR圖像分類分割的預(yù)處理方法。(2)SAR圖像由于嚴(yán)重的乘性相干斑噪聲,存在勻質(zhì)區(qū)域、不勻質(zhì)區(qū)域和極不勻質(zhì)區(qū)域,傳統(tǒng)的稀疏自編碼器對單幅圖像像素點(diǎn)的特征訓(xùn)練采用固定的尺度提取,已不能對高分辨率的SAR圖像有效地進(jìn)行特征的表達(dá)。本文提出一種基于Gamma分布的自適應(yīng)多尺度自編碼的SAR圖像分類方法,在提取無標(biāo)簽圖像小塊時(shí),利用Gamma分布估計(jì)每個(gè)像素點(diǎn)及其鄰域的異質(zhì)性,根據(jù)異質(zhì)性不同,自適應(yīng)地提取多個(gè)不同尺度圖像小塊,再進(jìn)行特征訓(xùn)練,對圖像每個(gè)像素點(diǎn)有效進(jìn)行特征描述,再加入多尺度的特征信息,為SAR圖像的分類提供了充分的特征信息。(3)由于稀疏自編碼器對像素點(diǎn)特征的訓(xùn)練缺乏了對空間鄰域信息的考慮,提出一種將深層特征和改進(jìn)的空間信息相結(jié)合的高分辨SAR圖像自編碼分類方法,將適用于SAR圖像的超像素方法對分類結(jié)果進(jìn)行空間限制。實(shí)驗(yàn)結(jié)果表明,本文提出的基于異質(zhì)超像素分割和自適應(yīng)多尺度稀疏自編碼器分類方法可以對高分辨率SAR圖像進(jìn)行較高精度的分類。
【關(guān)鍵詞】：圖像分類 SAR Gamma分布 超像素 自適應(yīng) 多尺度
【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】：2015
【分類號】：TN957.52
【目錄】：

• 摘要5-6
• ABSTRACT6-10
• 符號對照表10-11
• 縮略語對照表11-14
• 第一章 緒論14-20
• 1.1 研究背景及意義14-15
• 1.2 SAR圖像的分類方法15-16
• 1.3 深度學(xué)習(xí)發(fā)展概況16-17
• 1.4 本文的主要工作及結(jié)構(gòu)安排17-20
• 1.4.1 本文的主要工作17-18
• 1.4.2 本文的結(jié)構(gòu)安排18-20
• 第二章 基于Gamma分布的異質(zhì)超像素SAR圖像預(yù)分割方法20-31
• 2.1 引言20
• 2.2 超像素生成算法20-21
• 2.3 Turbopixels超像素生成算法21-23
• 2.4 Turbopixels超像素對SAR圖像生成結(jié)果和結(jié)果分析23-24
• 2.5 Gamma分布24-25
• 2.6 參數(shù)估計(jì)方法和部分超像素異質(zhì)性參數(shù)估計(jì)結(jié)果25-27
• 2.6.1 參數(shù)估計(jì)方法25-26
• 2.6.2 部分超像素異質(zhì)性估計(jì)結(jié)果26-27
• 2.7 K均值算法27-28
• 2.8 實(shí)驗(yàn)步驟28
• 2.9 實(shí)驗(yàn)結(jié)果對比與分析28-30
• 2.10 本章小結(jié)30-31
• 第三章 基于自適應(yīng)堆疊自編碼器的SAR圖像分類算法31-48
• 3.1 引言31
• 3.2 基于自適應(yīng)堆疊自編碼器的SAR圖像分類算法31-41
• 3.2.1 自適應(yīng)稀疏自編碼器結(jié)構(gòu)在SAR圖像中輸入特征的構(gòu)建31-32
• 3.2.2 PCA降維32
• 3.2.3 自編碼器32-35
• 3.2.4 反向傳播算法35-37
• 3.2.5 SVM分類器37-40
• 3.2.6 分類算法流程40-41
• 3.3 實(shí)驗(yàn)結(jié)果與分析41-46
• 3.4 本章小結(jié)46-48
• 第四章 基于異質(zhì)超像素分割和自適應(yīng)多尺度稀疏自編碼器分類方法48-58
• 4.1 引言48
• 4.2 多尺度特征提取和融合48-49
• 4.3 KNN算法49-50
• 4.4 實(shí)驗(yàn)步驟50-51
• 4.5 實(shí)驗(yàn)結(jié)果與分析51-56
• 4.6 本章小結(jié)56-58
• 第五章 總結(jié)與展望58-62
• 5.1 本文的創(chuàng)新之處58-59
• 5.2 SAR圖像分類研究熱點(diǎn)與難點(diǎn)59-62
• 參考文獻(xiàn)62-66
• 致謝66-68
• 作者簡介68-69

【相似文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前10條

1 陳戲墨,徐紅兵,李志銘,謝鉉洋,李曦,李揚(yáng)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(jì)算機(jī)(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(jì)算機(jī)應(yīng)用;2007年06期

4 楊文潮;姜志堅(jiān);;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(qiáng);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(bào)(自然科學(xué)版);2008年03期

6 王軍;王員云;;粒計(jì)算及其在圖像分類中的應(yīng)用研究[J];計(jì)算機(jī)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(jì)算機(jī)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(jī)與圖像分類[J];中國圖象圖形學(xué)報(bào);2011年08期

9 郝永寬;王威;聶維同;王德強(qiáng);;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(bào)圖像分類方法研究[J];信陽師范學(xué)院學(xué)報(bào)(自然科學(xué)版);2013年01期

中國重要會議論文全文數(shù)據(jù)庫 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(jì)算機(jī)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(jī)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(jī)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(jī)交互學(xué)術(shù)會議（CHCI2010）、第5屆全國普適計(jì)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(jì)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(bào)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(diǎn)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(bào)告篇）[C];2007年

10 武進(jìn);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(jìn)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

中國博士學(xué)位論文全文數(shù)據(jù)庫 前10條

1 胡堯;基于低秩矩陣估計(jì)的機(jī)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 陳博;基于集成學(xué)習(xí)和特征選擇的極化SAR地物分類[D];西安電子科技大學(xué);2015年

4 王曉東;基于稀疏特征學(xué)習(xí)的復(fù)雜圖像分類[D];西安電子科技大學(xué);2014年

5 顧迎節(jié);面向圖像分類的主動學(xué)習(xí)算法研究[D];南京理工大學(xué);2015年

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

7 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

8 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

9 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

10 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

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前10條

1 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

2 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

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

4 吳正文;卷積神經(jīng)網(wǎng)絡(luò)在圖像分類中的應(yīng)用研究[D];電子科技大學(xué);2015年

5 陳勝喃;基于稀疏編碼的圖像分類[D];中國石油大學(xué)(華東);2014年

6 高翠;特征選擇方法在圖像分類中的研究與應(yīng)用[D];中國石油大學(xué)(華東);2014年

7 于風(fēng)格;面向圖像分類的特征選擇方法[D];北京交通大學(xué);2016年

8 王挺進(jìn);基于語義模型的圖像分類方法研究[D];解放軍信息工程大學(xué);2014年

9 鄒曉川;基于多視圖學(xué)習(xí)的大規(guī)模圖像分類的研究[D];南京大學(xué);2014年

10 陳彤彤;基于多示例學(xué)習(xí)的圖像分類研究[D];魯東大學(xué);2016年

  本文關(guān)鍵詞：基于自適應(yīng)自編碼和超像素的SAR圖像分類，由筆耕文化傳播整理發(fā)布。

，

本文編號：457620