本文關(guān)鍵詞：基于稀疏深層網(wǎng)絡(luò)的SAR圖像分類方法

  更多相關(guān)文章： 合成孔徑雷達圖像 分類 特征提取 稀疏特征 深層稀疏網(wǎng)絡(luò)

【摘要】：合成孔徑雷達(SAR)圖像數(shù)據(jù)包含豐富的地物信息,它不受惡劣天氣和夜間的影響,可以全天時、全天候地達到監(jiān)測陸地和海洋的目的。對SAR圖像的地物目標進行分類無論是在民用還是軍用都具有廣泛的用途。然而,SAR圖像具有大量的相干斑噪聲,傳統(tǒng)的方法容易受到相干斑噪聲的影響。同時,SAR圖像地物目標復(fù)雜,針對不同場景,不同分辨率的SAR圖像設(shè)計不同特征提取方法費時又費力,并且泛化能力較差。最近,深度學(xué)習(xí)方法成為國內(nèi)外的研究熱點,在圖像處理、信號處理、計算機視覺與模式識別等領(lǐng)域有許多成功的應(yīng)用。本文挖掘了SAR圖像的稀疏特性,利用稀疏的深層網(wǎng)絡(luò)模型對SAR圖像地物目標進行分類�？朔藗鹘y(tǒng)方法易受相干斑噪聲影響,設(shè)計復(fù)雜,泛化能力弱的缺點。具體研究內(nèi)容如下:(1)提出一種基于分層稀疏自編碼卷積神經(jīng)網(wǎng)絡(luò)的SAR圖像分類方法。首先,利用輸入的SAR圖像塊訓(xùn)練第一層稀疏自編碼模型,其次,通過卷積操作將第一層的稀疏自編碼模型用于整幅的SAR圖像上,提取第一層的稀疏特征,再在第一層稀疏特征圖的基礎(chǔ)上再訓(xùn)練第二層的稀疏自編碼模型,通過卷積操作提取出第二層的稀疏特征,然后將第二層的稀疏特征輸入Softmax分類器,加上訓(xùn)練樣本的標記信息訓(xùn)練Softmax分類器,最后利用訓(xùn)練樣本的標記信息對整個神經(jīng)網(wǎng)絡(luò)的權(quán)值微調(diào),從而得到我們所需的分層稀疏濾波卷積神經(jīng)網(wǎng)絡(luò)。該模型性能在由多種地物目標構(gòu)成的SAR圖像數(shù)據(jù)庫上進行驗證,實驗的結(jié)果表明:該模型可以在一定程度上提高SAR圖像地物目標的分類精度,即使在小樣本學(xué)習(xí)情況下,仍能得到較高的分類效果。(2)提出一種基于分層稀疏濾波卷積神經(jīng)網(wǎng)絡(luò)的SAR圖像分類方法。該模型的特征提取網(wǎng)絡(luò)的訓(xùn)練過程是一個無監(jiān)督的過程。通過無監(jiān)督的方式逐層的訓(xùn)練稀疏濾波器,并以卷積的方式將各層訓(xùn)練獲得的稀疏濾波器用于大幅SAR圖像的特征提取。該模型的分類器部分是一個有監(jiān)督的過程。將通過第一層和第二層稀疏濾波網(wǎng)絡(luò)所提取的稀疏特征進行組合,并利用樣本的標記信息,用于線性核SVM的訓(xùn)練。該模型性能在由多種地物目標構(gòu)成的SAR圖像數(shù)據(jù)庫上進行驗證,實驗的結(jié)果表明:與經(jīng)典的卷積神經(jīng)網(wǎng)絡(luò)相比,該模型的特征提取網(wǎng)絡(luò)的訓(xùn)練過程不受訓(xùn)練樣本標記信息數(shù)量的影響,訓(xùn)練效率高,即使在小樣本學(xué)習(xí)情況下,該模型的分類效果仍優(yōu)于傳統(tǒng)方法。(3)提出一種基于分層3D稀疏濾波卷積神經(jīng)網(wǎng)絡(luò)的SAR圖像分類方法。該模型結(jié)合卷積神經(jīng)網(wǎng)絡(luò)的思想,將3D稀疏濾波特征學(xué)習(xí)算法用于大幅SAR圖像的特征抽取。各層稀疏網(wǎng)絡(luò)的訓(xùn)練過程先以無監(jiān)督的方式進行,再以逐層有監(jiān)督的方式微調(diào),最后再以全局微調(diào)的方式確定特征提取網(wǎng)絡(luò)的參數(shù)。利用Softmax分類器進行分類。該模型性能在由多類SAR地物目標構(gòu)成的SAR圖像數(shù)據(jù)集上得以驗證。(4)提出一種基于分層3D稀疏濾波NIN網(wǎng)絡(luò)的SAR圖像分類方法。該模型在3D稀疏濾波的基礎(chǔ)上,引入NIN網(wǎng)絡(luò)結(jié)構(gòu),在局部感受域引入非線性變換,以此來增強模型的判別性。同時,NIN網(wǎng)絡(luò)的全局平均池化可以加強特征圖與類別的聯(lián)系,而不需要對參數(shù)進行學(xué)習(xí)。該模型性能在由多種地物目標構(gòu)成的SAR圖像數(shù)據(jù)庫上進行驗證,實驗的結(jié)果表明:該模型可以在一定程度上提高SAR圖像地物目標的分類精度。
【關(guān)鍵詞】：合成孔徑雷達圖像 分類 特征提取 稀疏特征 深層稀疏網(wǎng)絡(luò)
【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5-7
• ABSTRACT7-12
• 符號對照表12-13
• 縮略語對照表13-16
• 第一章 緒論16-30
• 1.1 研究背景16
• 1.2 研究現(xiàn)狀16-17
• 1.3 SAR圖像分類方法和深層稀疏網(wǎng)絡(luò)概述17-26
• 1.3.1 SAR圖像的特征提取方法17-22
• 1.3.2 SAR圖像的分類器設(shè)計22-26
• 1.3.3 深度稀疏網(wǎng)絡(luò)26
• 1.4 研究內(nèi)容與創(chuàng)新點26-28
• 1.5 論文架構(gòu)安排28-30
• 第二章 基于分層稀疏自編碼卷積神經(jīng)網(wǎng)絡(luò)的SAR圖像分類30-44
• 2.1 稀疏自編碼網(wǎng)絡(luò)模型原理30-31
• 2.2 分層稀疏自編碼卷積神經(jīng)網(wǎng)絡(luò)31-38
• 2.2.1 訓(xùn)練塊的抽取和歸一化31-32
• 2.2.2 ZCA白化32
• 2.2.3 字典的構(gòu)造32
• 2.2.4 卷積網(wǎng)絡(luò)32-33
• 2.2.5 池化33
• 2.2.6 算法描述33-38
• 2.3 實驗38-42
• 2.3.1 實驗數(shù)據(jù)38
• 2.3.2 仿真實驗38-42
• 2.4 本章小結(jié)42-44
• 第三章 基于分層稀疏濾波卷積神經(jīng)網(wǎng)絡(luò)的SAR圖像分類44-54
• 3.1 稀疏濾波模型原理44-45
• 3.2 分層稀疏濾波卷積神經(jīng)網(wǎng)絡(luò)45-50
• 3.2.1 稀疏濾波字典的構(gòu)造45
• 3.2.2 卷積網(wǎng)絡(luò)45-46
• 3.2.3 算法描述46-50
• 3.3 實驗50-53
• 3.3.1 實驗內(nèi)容50
• 3.3.2 實驗結(jié)果與分析50-53
• 3.4 本章小結(jié)53-54
• 第四章 基于分層 3D稀疏濾波卷積神經(jīng)網(wǎng)絡(luò)的SAR圖像分類54-64
• 4.154-55
• 4.1.1 Tuncker分解54
• 4.1.2 3D稀疏濾波算法54-55
• 4.2 分層 3D稀疏濾波卷積神經(jīng)網(wǎng)絡(luò)55-60
• 4.2.1 3D稀疏濾波字典的構(gòu)造55
• 4.2.2 卷積網(wǎng)絡(luò)55-56
• 4.2.3 算法描述56-60
• 4.3 實驗60-61
• 4.3.1 仿真實驗內(nèi)容60
• 4.3.2 實驗結(jié)果與分析60-61
• 4.4 本章小結(jié)61-64
• 第五章 基于分層 3D稀疏濾波NIN網(wǎng)絡(luò)的SAR圖像分類64-74
• 5.1 NIN網(wǎng)絡(luò)模型64-65
• 5.1.1 MLP卷積層原理64-65
• 5.1.2 全局平均池化層65
• 5.1.3 Network In Network結(jié)構(gòu)65
• 5.2 分層 3D稀疏濾波NIN網(wǎng)絡(luò)算法描述65-70
• 5.3 實驗70-73
• 5.3.1 仿真實驗內(nèi)容70-71
• 5.3.2 實驗結(jié)果與分析71-73
• 5.4 本章小結(jié)73-74
• 第六章 總結(jié)與展望74-76
• 6.1 本論文內(nèi)容總結(jié)74-75
• 6.2 工作展望75-76
• 參考文獻76-80
• 致謝80-82
• 作者簡介82-84

【相似文獻】

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(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

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

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：983100