發(fā)布時間：2017-07-02 16:05

  本文關鍵詞：基于深層特征學習和稀疏表示的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,目前已成為目標探測、城市規(guī)劃等遙感應用領域中重要的信息來源。在SAR圖像應用于各種遙感領域過程中,關鍵問題主要集中在自動和可靠的圖像分類上。因為SAR圖像與自然圖像成像機制完全不同,所以SAR圖像各項參數,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。本文主要從設計合適的特征提取方法和有效的分類決策準則兩方面出發(fā),提出了基于深層特征學習和改進稀疏表示的SAR圖像分類技術,主要分以下三個創(chuàng)新點:(1)提出了基于卷積特征學習的SAR圖像分類技術。對詞袋模型在單幅SAR圖像地物分類的應用中存在的問題進行了改進。由于詞袋模型直接應用于SAR圖像分類時必須對單幅SAR圖像進行初始預分割,使得詞袋模型對SAR圖像的分類效果直接受初始預分割影響,同時視覺詞典的構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行卷積,得到卷積特征,避免了初始預分割同時增強了原有的數據特征,弱化了噪聲,增強了分類性能。(2)提出了基于深層特征學習和分水嶺的SAR圖像分類技術。由于現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確率,同時提取適合于分類的SAR圖像特征表達方式需要大量的專業(yè)技能和經驗基礎,因此在卷積特征的基礎上,利用稀疏自編碼器進行無監(jiān)督特征學習,解放了人力物力的同時,提取了人類很難設計的復雜特征表示方法,有效挖掘了更高級的特征,使得特征提取過程趨于自動化、智能化。實驗結果表明對深層特征進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K_SVD稀疏表示的SAR圖像分類技術。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,因此基于SAR圖像統(tǒng)計分布特性改進了K_SVD目標優(yōu)化函數,并采用改進稀疏表示方法進行重建后選擇重構誤差最小的字典類別作為像素的類別標簽,同時應用分水嶺初始預分割算法,融合多數表決決策準則,進一步抑制了噪聲的影響,提高了分類精度。
【關鍵詞】：卷積特征 深層特征 K_SVD 稀疏自編碼器 分水嶺
【學位授予單位】：西安電子科技大學
【學位級別】：碩士
【學位授予年份】：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 研究背景和意義14-15
• 1.2 研究現狀15-19
• 1.2.1 基于模型驅動的SAR圖像分類方法15-16
• 1.2.2 基于數據驅動的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習的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 基于卷積特征學習的SAR圖像分類24-27
• 2.5 實驗結果與分析27-29
• 2.5.1 實驗仿真結果比較27-28
• 2.5.2 仿真結果分析28-29
• 2.6 本章小結29-30
• 第三章 基于深層特征學習和分水嶺的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 基于深層特征學習的SAR圖像分類34-36
• 3.4 實驗結果與分析36-40
• 3.4.1 實驗仿真結果比較36-38
• 3.4.2 仿真結果分析38-40
• 3.5 本章小結40-42
• 第四章 基于改進K_SVD稀疏表示的SAR圖像分類42-52
• 4.1 改進K_SVD算法43-45
• 4.2 基于改進K_SVD稀疏表示的SAR圖像分類45-47
• 4.3 實驗結果與分析47-50
• 4.3.1 實驗仿真結果比較47-48
• 4.3.2 仿真結果分析48-50
• 4.4 本章小結50-52
• 第五章 總結與展望52-54
• 致謝54-56
• 參考文獻56-60
• 作者簡介60-61

【參考文獻】

中國期刊全文數據庫 前5條

1 王國力;周偉;叢瑜;關鍵;;多尺度自卷積方差顯著性SAR圖像目標檢測[J];應用科學學報;2013年06期

2 王躍;薄華;;基于改進的Bag of Visual Words算法的SAR圖像目標分類[J];電子設計工程;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目標分類方法(英文)[J];中國科學技術大學學報;2013年04期

4 王宇新;郭禾;何昌欽;馮振;賈棋;;用于圖像場景分類的空間視覺詞袋模型[J];計算機科學;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

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

，

本文編號：510554