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

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

【摘要】：合成孔徑雷達(dá)(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(shí)、全天候地達(dá)到監(jiān)測(cè)陸地和海洋的目的。對(duì)SAR圖像的地物目標(biāo)進(jìn)行分類(lèi)無(wú)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(shí),SAR圖像地物目標(biāo)復(fù)雜,針對(duì)不同場(chǎng)景,不同分辨率的SAR圖像設(shè)計(jì)不同特征提取方法費(fèi)時(shí)又費(fèi)力,并且泛化能力較差。最近,深度學(xué)習(xí)方法成為國(guó)內(nèi)外的研究熱點(diǎn),在圖像處理、信號(hào)處理、計(jì)算機(jī)視覺(jué)與模式識(shí)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(duì)SAR圖像地物目標(biāo)進(jìn)行分類(lèi)。克服了傳統(tǒng)方法易受相干斑噪聲影響,設(shè)計(jì)復(fù)雜,泛化能力弱的缺點(diǎn)。具體研究?jī)?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(lèi)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(guò)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(guò)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(lèi)器,加上訓(xùn)練樣本的標(biāo)記信息訓(xùn)練Softmax分類(lèi)器,最后利用訓(xùn)練樣本的標(biāo)記信息對(duì)整個(gè)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(biāo)構(gòu)成的SAR圖像數(shù)據(jù)庫(kù)上進(jìn)行驗(yàn)證,實(shí)驗(yàn)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(biāo)的分類(lèi)精度,即使在小樣本學(xué)習(xí)情況下,仍能得到較高的分類(lèi)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(lèi)方法。該模型的特征提取網(wǎng)絡(luò)的訓(xùn)練過(guò)程是一個(gè)無(wú)監(jiān)督的過(guò)程。通過(guò)無(wú)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(lèi)器部分是一個(gè)有監(jiān)督的過(guò)程。將通過(guò)第一層和第二層稀疏濾波網(wǎng)絡(luò)所提取的稀疏特征進(jìn)行組合,并利用樣本的標(biāo)記信息,用于線(xiàn)性核SVM的訓(xùn)練。該模型性能在由多種地物目標(biāo)構(gòu)成的SAR圖像數(shù)據(jù)庫(kù)上進(jìn)行驗(yàn)證,實(shí)驗(yàn)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(guò)程不受訓(xùn)練樣本標(biāo)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(lèi)效果仍?xún)?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(lèi)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(guò)程先以無(wú)監(jiān)督的方式進(jìn)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(lèi)器進(jìn)行分類(lèi)。該模型性能在由多類(lèi)SAR地物目標(biāo)構(gòu)成的SAR圖像數(shù)據(jù)集上得以驗(yàn)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(lèi)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(xiàn)性變換,以此來(lái)增強(qiáng)模型的判別性。同時(shí),NIN網(wǎng)絡(luò)的全局平均池化可以加強(qiáng)特征圖與類(lèi)別的聯(lián)系,而不需要對(duì)參數(shù)進(jìn)行學(xué)習(xí)。該模型性能在由多種地物目標(biāo)構(gòu)成的SAR圖像數(shù)據(jù)庫(kù)上進(jìn)行驗(yàn)證,實(shí)驗(yàn)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(biāo)的分類(lèi)精度。
【關(guān)鍵詞】：合成孔徑雷達(dá)圖像 分類(lèi) 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(jí)別】：碩士
【學(xué)位授予年份】：2015
【分類(lèi)號(hào)】：TN957.52
【目錄】：

• 摘要5-7
• ABSTRACT7-12
• 符號(hào)對(duì)照表12-13
• 縮略語(yǔ)對(duì)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(lèi)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(lèi)器設(shè)計(jì)22-26
• 1.3.3 深度稀疏網(wǎng)絡(luò)26
• 1.4 研究?jī)?nèi)容與創(chuàng)新點(diǎn)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(lèi)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(shí)驗(yàn)38-42
• 2.3.1 實(shí)驗(yàn)數(shù)據(jù)38
• 2.3.2 仿真實(shí)驗(yàn)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(lèi)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(shí)驗(yàn)50-53
• 3.3.1 實(shí)驗(yàn)內(nèi)容50
• 3.3.2 實(shí)驗(yàn)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(lèi)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(shí)驗(yàn)60-61
• 4.3.1 仿真實(shí)驗(yàn)內(nèi)容60
• 4.3.2 實(shí)驗(yàn)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(lèi)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(shí)驗(yàn)70-73
• 5.3.1 仿真實(shí)驗(yàn)內(nèi)容70-71
• 5.3.2 實(shí)驗(yàn)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(xiàn)76-80
• 致謝80-82
• 作者簡(jiǎn)介82-84

【相似文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 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(lèi)中的應(yīng)用[J];現(xiàn)代計(jì)算機(jī)(專(zhuān)業(yè)版);2005年01期

2 冀翠萍;孟祥增;;基于內(nèi)容的圖像分類(lèi)體系[J];電腦知識(shí)與技術(shù)(學(xué)術(shù)交流);2007年07期

3 楊杰;陳曉云;;圖像分類(lèi)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(lèi)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(lèi)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(lèi)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(lèi)[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(lèi)[J];中國(guó)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(lèi)與聚類(lèi)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(mèng);;基于詞袋模型的電子報(bào)圖像分類(lèi)方法研究[J];信陽(yáng)師范學(xué)院學(xué)報(bào)(自然科學(xué)版);2013年01期

中國(guó)重要會(huì)議論文全文數(shù)據(jù)庫(kù) 前10條

1 鄭海紅;曾平;;一種基于圖像分類(lèi)的逆半調(diào)算法[A];’2004計(jì)算機(jī)應(yīng)用技術(shù)交流會(huì)議論文集[C];2004年

2 文振q;歐陽(yáng)杰;朱為總;;基于語(yǔ)義特征與支持向量機(jī)的圖像分類(lèi)[A];中國(guó)電子學(xué)會(huì)第十六屆信息論學(xué)術(shù)年會(huì)論文集[C];2009年

3 王海峰;管亮;;基于顏色特征的圖像分類(lèi)技術(shù)在油品分析中的應(yīng)用[A];中國(guó)儀器儀表學(xué)會(huì)第六屆青年學(xué)術(shù)會(huì)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(lèi)[A];第六屆和諧人機(jī)環(huán)境聯(lián)合學(xué)術(shù)會(huì)議（HHME2010)、第19屆全國(guó)多媒體學(xué)術(shù)會(huì)議（NCMT2010）、第6屆全國(guó)人機(jī)交互學(xué)術(shù)會(huì)議（CHCI2010）、第5屆全國(guó)普適計(jì)算學(xué)術(shù)會(huì)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(lèi)[A];第十三屆全國(guó)圖象圖形學(xué)學(xué)術(shù)會(huì)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(lèi)[A];第二十七屆中國(guó)（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(huì)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(lèi)方法[A];第25屆中國(guó)控制與決策會(huì)議論文集[C];2013年

8 潘海為;李建中;張煒;;基于像素聚類(lèi)的腦部醫(yī)學(xué)圖像分類(lèi)[A];第二十屆全國(guó)數(shù)據(jù)庫(kù)學(xué)術(shù)會(huì)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(lèi)[A];第二十四屆中國(guó)數(shù)據(jù)庫(kù)學(xué)術(shù)會(huì)議論文集（研究報(bào)告篇）[C];2007年

10 武進(jìn);尹愷;王長(zhǎng)明;張家才;;SVDM在蔬菜病害圖像分類(lèi)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(huì)議論文集[C];2008年

中國(guó)博士學(xué)位論文全文數(shù)據(jù)庫(kù) 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(yǔ)義圖像分類(lèi)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(lèi)[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(lèi)[D];西安電子科技大學(xué);2014年

5 顧迎節(jié);面向圖像分類(lèi)的主動(dòng)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(lèi)中的判別性增強(qiáng)研究[D];中國(guó)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(huà)圖像分類(lèi)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(lèi)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(lèi)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(lèi)和標(biāo)注的研究[D];北京郵電大學(xué);2012年

中國(guó)碩士學(xué)位論文全文數(shù)據(jù)庫(kù) 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(lèi)研究[D];華南理工大學(xué);2015年

2 李函怡;融合主動(dòng)學(xué)習(xí)的半監(jiān)督技術(shù)在圖像分類(lèi)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(dòng)學(xué)習(xí)方法在圖像分類(lèi)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(lèi)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(lèi)[D];華中師范大學(xué);2015年

6 焦陽(yáng);基于主動(dòng)學(xué)習(xí)的多標(biāo)簽圖像分類(lèi)方法研究[D];蘇州大學(xué);2015年

7 王騰川;基于主動(dòng)學(xué)習(xí)的SAR圖像分類(lèi)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(lèi)[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(lèi)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(lèi)[D];大連交通大學(xué);2015年

，

本文編號(hào)：983100