本文關(guān)鍵詞：基于深層特征學(xué)習(xí)和稀疏表示的SAR圖像分類，由筆耕文化傳播整理發(fā)布。

【摘要】：由于SAR圖像自身的特殊性能,目前已成為目標(biāo)探測(cè)、城市規(guī)劃等遙感應(yīng)用領(lǐng)域中重要的信息來源。在SAR圖像應(yīng)用于各種遙感領(lǐng)域過程中,關(guān)鍵問題主要集中在自動(dòng)和可靠的圖像分類上。因?yàn)镾AR圖像與自然圖像成像機(jī)制完全不同,所以SAR圖像各項(xiàng)參數(shù),噪聲模型均與自然圖像完全不同,從而給SAR圖像理解與解譯帶來了很大困難。本文主要從設(shè)計(jì)合適的特征提取方法和有效的分類決策準(zhǔn)則兩方面出發(fā),提出了基于深層特征學(xué)習(xí)和改進(jìn)稀疏表示的SAR圖像分類技術(shù),主要分以下三個(gè)創(chuàng)新點(diǎn):(1)提出了基于卷積特征學(xué)習(xí)的SAR圖像分類技術(shù)。對(duì)詞袋模型在單幅SAR圖像地物分類的應(yīng)用中存在的問題進(jìn)行了改進(jìn)。由于詞袋模型直接應(yīng)用于SAR圖像分類時(shí)必須對(duì)單幅SAR圖像進(jìn)行初始預(yù)分割,使得詞袋模型對(duì)SAR圖像的分類效果直接受初始預(yù)分割影響,同時(shí)視覺詞典的構(gòu)建極易受初始化等因素的影響。將低層特征與完備的視覺詞典進(jìn)行卷積,得到卷積特征,避免了初始預(yù)分割同時(shí)增強(qiáng)了原有的數(shù)據(jù)特征,弱化了噪聲,增強(qiáng)了分類性能。(2)提出了基于深層特征學(xué)習(xí)和分水嶺的SAR圖像分類技術(shù)。由于現(xiàn)有的詞袋模型均為提取中層特征,而良好的特征表示方式能夠提高分類的準(zhǔn)確率,同時(shí)提取適合于分類的SAR圖像特征表達(dá)方式需要大量的專業(yè)技能和經(jīng)驗(yàn)基礎(chǔ),因此在卷積特征的基礎(chǔ)上,利用稀疏自編碼器進(jìn)行無監(jiān)督特征學(xué)習(xí),解放了人力物力的同時(shí),提取了人類很難設(shè)計(jì)的復(fù)雜特征表示方法,有效挖掘了更高級(jí)的特征,使得特征提取過程趨于自動(dòng)化、智能化。實(shí)驗(yàn)結(jié)果表明對(duì)深層特征進(jìn)行分類能夠獲得更好的分類性能,提高分類精度。(3)提出了改進(jìn)K_SVD稀疏表示的SAR圖像分類技術(shù)。由于傳統(tǒng)的稀疏表示方法以自然圖像的加性高斯白噪聲為理論基礎(chǔ),因此基于SAR圖像統(tǒng)計(jì)分布特性改進(jìn)了K_SVD目標(biāo)優(yōu)化函數(shù),并采用改進(jìn)稀疏表示方法進(jìn)行重建后選擇重構(gòu)誤差最小的字典類別作為像素的類別標(biāo)簽,同時(shí)應(yīng)用分水嶺初始預(yù)分割算法,融合多數(shù)表決決策準(zhǔn)則,進(jìn)一步抑制了噪聲的影響,提高了分類精度。
【關(guān)鍵詞】：卷積特征 深層特征 K_SVD 稀疏自編碼器 分水嶺
【學(xué)位授予單位】：西安電子科技大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2015
【分類號(hào)】：TN957.52
【目錄】：

• 摘要5-6
• ABSTRACT6-10
• 符號(hào)對(duì)照表10-11
• 縮略語對(duì)照表11-14
• 第一章 緒論14-20
• 1.1 研究背景和意義14-15
• 1.2 研究現(xiàn)狀15-19
• 1.2.1 基于模型驅(qū)動(dòng)的SAR圖像分類方法15-16
• 1.2.2 基于數(shù)據(jù)驅(qū)動(dòng)的SAR圖像分類方法16-18
• 1.2.3 基于詞袋模型的SAR圖像分類18-19
• 1.3 論文的主要工作和安排19-20
• 第二章 基于卷積中層特征學(xué)習(xí)的SAR圖像分類20-30
• 2.1 Gabor濾波器介紹20-22
• 2.2 K_SVD算法介紹22-24
• 2.3 卷積特征提取和空間池化24
• 2.4 基于卷積特征學(xué)習(xí)的SAR圖像分類24-27
• 2.5 實(shí)驗(yàn)結(jié)果與分析27-29
• 2.5.1 實(shí)驗(yàn)仿真結(jié)果比較27-28
• 2.5.2 仿真結(jié)果分析28-29
• 2.6 本章小結(jié)29-30
• 第三章 基于深層特征學(xué)習(xí)和分水嶺的SAR圖像分類30-42
• 3.1 稀疏自編碼器31-33
• 3.2 分水嶺算法介紹33-34
• 3.3 基于深層特征學(xué)習(xí)的SAR圖像分類34-36
• 3.4 實(shí)驗(yàn)結(jié)果與分析36-40
• 3.4.1 實(shí)驗(yàn)仿真結(jié)果比較36-38
• 3.4.2 仿真結(jié)果分析38-40
• 3.5 本章小結(jié)40-42
• 第四章 基于改進(jìn)K_SVD稀疏表示的SAR圖像分類42-52
• 4.1 改進(jìn)K_SVD算法43-45
• 4.2 基于改進(jìn)K_SVD稀疏表示的SAR圖像分類45-47
• 4.3 實(shí)驗(yàn)結(jié)果與分析47-50
• 4.3.1 實(shí)驗(yàn)仿真結(jié)果比較47-48
• 4.3.2 仿真結(jié)果分析48-50
• 4.4 本章小結(jié)50-52
• 第五章 總結(jié)與展望52-54
• 致謝54-56
• 參考文獻(xiàn)56-60
• 作者簡(jiǎn)介60-61

【參考文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前5條

1 王國(guó)力;周偉;叢瑜;關(guān)鍵;;多尺度自卷積方差顯著性SAR圖像目標(biāo)檢測(cè)[J];應(yīng)用科學(xué)學(xué)報(bào);2013年06期

2 王躍;薄華;;基于改進(jìn)的Bag of Visual Words算法的SAR圖像目標(biāo)分類[J];電子設(shè)計(jì)工程;2013年12期

3 李雪瑩;尹東;張榮;;基于稀疏表示與空域金字塔環(huán)形描述的SAR目標(biāo)分類方法(英文)[J];中國(guó)科學(xué)技術(shù)大學(xué)學(xué)報(bào);2013年04期

4 王宇新;郭禾;何昌欽;馮振;賈棋;;用于圖像場(chǎng)景分類的空間視覺詞袋模型[J];計(jì)算機(jī)科學(xué);2011年08期

5 袁禮海;宋建社;薛文通;鄭永安;;利用灰度和紋理特征的SAR圖像分類研究[J];電光與控制;2007年04期

  本文關(guān)鍵詞：基于深層特征學(xué)習(xí)和稀疏表示的SAR圖像分類，由筆耕文化傳播整理發(fā)布。

，

本文編號(hào)：510554