本文關(guān)鍵詞：基于張量分解的極化SAR圖像分類

  更多相關(guān)文章： 極化SAR 張量分解 非負(fù)張量分解 圖像分類

【摘要】：極化合成孔徑雷達(dá)(PolSAR,Polarimetric Synthetic Aperture Radar)利用不同極化方式交替發(fā)射和接收雷達(dá)信號,從而使得雷達(dá)系統(tǒng)能夠獲得豐富的地物目標(biāo)散射特性信息。與傳統(tǒng)的SAR系統(tǒng)相比,極化SAR能夠根據(jù)不同目標(biāo)的電磁波極化散射特性,得到反映地物目標(biāo)固有特性的極化復(fù)散射矩陣(全極化模式對應(yīng)全極化復(fù)散射矩陣,雙極化模式對應(yīng)極化復(fù)散射向量),從而分析、提取和反演目標(biāo)特征。因此,極化SAR的研究在遙感應(yīng)用中有重要意義,在軍事、民用中都有很廣闊的應(yīng)用前景。本文以極化SAR的應(yīng)用為主要發(fā)展脈絡(luò),充分發(fā)掘極化SAR中含有的信息并將其應(yīng)用于目標(biāo)的分類、檢測等研究中。在傳統(tǒng)的圖像處理方法中,需要將原始數(shù)據(jù)轉(zhuǎn)換成向量的形式加以處理,但是這樣做破環(huán)原始數(shù)據(jù)中臨近位置數(shù)據(jù)間的相互關(guān)系,導(dǎo)致原始數(shù)據(jù)空間結(jié)構(gòu)信息的丟失,為解決這個問題,結(jié)合極化SAR數(shù)據(jù)本身的高維的特點,將張量模型引入到極化SAR圖像的分類領(lǐng)域中,利用張量在處理高維數(shù)據(jù)上的優(yōu)勢來提高算法性能,具體的研究工作主要包括以下幾個方面:(1)提出一種基于張量分解的極化SAR圖像分類方法。首先對張量的定義以及相關(guān)運算做了詳細(xì)的說明,并建立了極化SAR數(shù)據(jù)的張量模型。相比現(xiàn)有方法將原始數(shù)據(jù)轉(zhuǎn)換成向量形式,本章方法將原始數(shù)據(jù)用張量形式加以表示,保留了原始數(shù)據(jù)三個通道之間的空間結(jié)構(gòu)信息,充分利用了極化SAR圖像三個通道的數(shù)據(jù),在提高抗噪聲性能的同時,降低了對訓(xùn)練樣本數(shù)目的要求,提高了分類的準(zhǔn)確度。(2)提出一種基于非負(fù)張量分解的極化SAR圖像分類方法。對非負(fù)張量分解加以研究,非負(fù)張量分解將張量數(shù)據(jù)分解為非負(fù)的基張量和對應(yīng)的非負(fù)權(quán)重,這些非負(fù)的基張量具有更好的稀疏性,而且非負(fù)張量分解具有分解的唯一性,針對極化SAR原始數(shù)據(jù)的結(jié)構(gòu)特征,構(gòu)建張量數(shù)據(jù)模型,利用非負(fù)張量分解算法提取特征,對圖像進(jìn)行初始分類,然后利用復(fù)Wishart重新迭代劃分,進(jìn)一步提高了分類精度。
【關(guān)鍵詞】：極化SAR 張量分解 非負(fù)張量分解 圖像分類
【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
• ABSTRACT6-8
• 符號對照表8-9
• 縮略語對照表9-12
• 第一章 緒論12-16
• 1.1 研究背景和意義12-13
• 1.2 極化SAR圖像目標(biāo)分類識別研究現(xiàn)狀13-15
• 1.3 本文的研究內(nèi)容15-16
• 第二章 極化SAR的理論基礎(chǔ)16-24
• 2.1 電磁波的極化及其表征16-18
• 2.2 幾種基本極化散射機(jī)制18-21
• 2.2.1 極化散射矩陣19
• 2.2.2 Muller矩陣19-20
• 2.2.3 Stokes矩陣20
• 2.2.4 極化相干矩陣與極化協(xié)方差矩陣20-21
• 2.3 微波成像中幾種基本散射機(jī)理21-23
• 2.3.1 表面散射21-22
• 2.3.2 漫散射22
• 2.3.3 偶次散射22-23
• 2.3.4 體散射23
• 2.4 本章小結(jié)23-24
• 第三章 基于張量分解的極化SAR圖像分類24-40
• 3.1 張量及張量代數(shù)24-30
• 3.1.1 張量纖維(fibers)與切片(slices)25
• 3.1.2 張量的n階展開25-26
• 3.1.3 矩陣Kronecker積(Kronecker Product)26
• 3.1.4 矩陣Khatri-Rao積（Khatri-Rao Product）26-27
• 3.1.5 張量的內(nèi)積、范數(shù)和距離27
• 3.1.6 張量外積27
• 3.1.7 張量與矩陣的n模乘積27-28
• 3.1.8 張量分解28-30
• 3.2 基于張量分解的特征提取方法30-32
• 3.2.1 主成分分析法30-31
• 3.2.2 基于張量多線性主元分析31-32
• 3.3 基于張量分解的極化SAR圖像分類方法32-35
• 3.3.1 極化SAR數(shù)據(jù)的張量描述32-34
• 3.3.2 特征提取34-35
• 3.3.3 圖像分類35
• 3.4 實驗結(jié)果與分析35-39
• 3.5 本章小結(jié)39-40
• 第四章 基于非負(fù)張量分解的極化SAR圖像分類方法40-50
• 4.1 非負(fù)矩陣分解40-42
• 4.2 非負(fù)張量分解42-43
• 4.3 基于非負(fù)張量分解的極化SAR圖像分類43-45
• 4.3.1 基于非負(fù)張量分解的特征提取43-45
• 4.3.2 圖像分類45
• 4.4 實驗結(jié)果和分析45-47
• 4.5 本章小結(jié)47-50
• 第五章 總結(jié)與展望50-52
• 參考文獻(xiàn)52-56
• 致謝56-58
• 作者簡介58-59

【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(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];微計算機(jī)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(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(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(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;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

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(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 張明靜;基于改進(jìn)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(jìn)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(jī)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

  本文關(guān)鍵詞：基于張量分解的極化SAR圖像分類

  更多相關(guān)文章： 極化SAR 張量分解 非負(fù)張量分解 圖像分類

，

本文編號：511780