本文關(guān)鍵詞：基于遷移學(xué)習(xí)的SAR圖像分類(lèi)方法研究

  更多相關(guān)文章： SAR圖像 地物分類(lèi) 遷移學(xué)習(xí) SVM分類(lèi)器

【摘要】：合成孔徑雷達(dá)(Synthetic Aperture Radar,SAR)圖像分類(lèi)是利用不同地物樣本的灰度、紋理、形狀、邊緣和方向等特征信息在SAR圖像中確定其類(lèi)別,將不同種類(lèi)地物進(jìn)行區(qū)域劃分的圖像處技術(shù)。隨著SAR圖像分辨率不斷提高,其目標(biāo)信息呈現(xiàn)爆炸性增長(zhǎng)。傳統(tǒng)的SAR圖像監(jiān)督分類(lèi)問(wèn)題依賴使用大量帶標(biāo)記的觀測(cè)數(shù)據(jù)建立分類(lèi)模型,需要耗費(fèi)大量的實(shí)地考察或人工解譯成本。除此之外,傳統(tǒng)的SAR圖像監(jiān)督分類(lèi)問(wèn)題建立在測(cè)試樣本與訓(xùn)練樣本來(lái)自同一概率分布的基本假設(shè)下。而實(shí)際情況中,學(xué)習(xí)和應(yīng)用場(chǎng)景發(fā)生遷移將會(huì)造成訓(xùn)練樣本與測(cè)試樣本不嚴(yán)格遵從同一概率分布的現(xiàn)象,影響分類(lèi)結(jié)果。所以如何從SAR圖像中準(zhǔn)確分類(lèi)地物一直是SAR圖像解譯的難點(diǎn)。本文將跨領(lǐng)域遷移學(xué)習(xí)引入到SAR圖像分類(lèi)領(lǐng)域,論文的主要研究?jī)?nèi)容和創(chuàng)新之處如下:(1)針對(duì)傳統(tǒng)SAR圖像監(jiān)督分類(lèi)獲取帶標(biāo)記觀測(cè)樣本成本較高以及其學(xué)習(xí)和應(yīng)用場(chǎng)景易發(fā)生遷移的問(wèn)題,首先研究了目前較為成熟的跨領(lǐng)域遷移學(xué)習(xí)理論,其次研究了與主動(dòng)學(xué)習(xí)相結(jié)合的遷移學(xué)習(xí)模型。除此之外,還研究了多種應(yīng)用較廣的SAR目標(biāo)特征提取方法、特征壓縮方法以及遷移學(xué)習(xí)問(wèn)題中提取最有信息量樣本的詢問(wèn)機(jī)制。(2)針對(duì)傳統(tǒng)遷移學(xué)習(xí)模型在SAR圖像分類(lèi)方面不足的問(wèn)題,研究了兩種適用于SAR圖像的遷移學(xué)習(xí)模型。首先深入分析并討論了域間差異導(dǎo)致遷移風(fēng)險(xiǎn)的原理,其次研究了判定圖像間相似性的度量方法,最后研究了兩種現(xiàn)有的適用于遙感圖像的遷移學(xué)習(xí)模型,并將之應(yīng)用到了SAR圖像分類(lèi)中。(3)針對(duì)傳統(tǒng)基于SVM分類(lèi)器的遷移學(xué)習(xí)算法存儲(chǔ)量和計(jì)算量不足的問(wèn)題,從SVM分類(lèi)器自身特性入手分析,提出了一種基于SVM的樣本可重復(fù)利用的遷移學(xué)習(xí)模型,引入了目標(biāo)域樣本回收利用機(jī)制和源域無(wú)效樣本的去除機(jī)制。實(shí)驗(yàn)結(jié)果表明,該方法提高了目標(biāo)域樣本的利用效率,同時(shí)優(yōu)化了SAR圖像的分類(lèi)結(jié)果。
【關(guān)鍵詞】：SAR圖像 地物分類(lèi) 遷移學(xué)習(xí) SVM分類(lèi)器
【學(xué)位授予單位】：電子科技大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類(lèi)號(hào)】：TN957.52
【目錄】：

• 摘要5-6
• ABSTRACT6-10
• 第一章 緒論10-16
• 1.1 課題研究的目的和意義10-11
• 1.2 相關(guān)問(wèn)題研究現(xiàn)狀及分析11-14
• 1.2.1 SAR圖像分類(lèi)問(wèn)題研究現(xiàn)狀及分析12-13
• 1.2.2 遷移學(xué)習(xí)理論與方法應(yīng)用現(xiàn)狀及分析13-14
• 1.3 本文的結(jié)構(gòu)安排14-16
• 第二章 基于遷移學(xué)習(xí)的分類(lèi)方法研究16-30
• 2.1 引言16
• 2.2 遷移學(xué)習(xí)理論16-18
• 2.2.1 傳統(tǒng)遷移學(xué)習(xí)概念16-17
• 2.2.2 傳統(tǒng)遷移學(xué)習(xí)機(jī)制17-18
• 2.3 基于主動(dòng)學(xué)習(xí)的遷移學(xué)習(xí)模型18-29
• 2.3.1 主動(dòng)學(xué)習(xí)的概念18-19
• 2.3.2 模型機(jī)制19-20
• 2.3.3 特征提取20-22
• 2.3.4 特征壓縮22-24
• 2.3.5 詢問(wèn)機(jī)制24-25
• 2.3.6 仿真實(shí)驗(yàn)與模型分析25-29
• 2.4 本章小結(jié)29-30
• 第三章 適用于SAR圖像分類(lèi)的遷移學(xué)習(xí)模型研究30-44
• 3.1 引言30
• 3.2 遷移學(xué)習(xí)模型及SAR圖像分類(lèi)問(wèn)題適應(yīng)性分析30-31
• 3.3 適用于SAR圖像分類(lèi)的遷移學(xué)習(xí)模型31-42
• 3.3.1 SAR圖像源域訓(xùn)練樣本提取31-32
• 3.3.2 Bhattacharyya距離32-33
• 3.3.3 基于Q-與Q+機(jī)制的遷移學(xué)習(xí)方法33-35
• 3.3.4 基于TrAdaboost機(jī)制的遷移學(xué)習(xí)方法35-38
• 3.3.5 仿真試驗(yàn)與分析38-42
• 3.4 本章小結(jié)42-44
• 第四章 基于SVM分類(lèi)器的樣本可重復(fù)利用型遷移學(xué)習(xí)方法44-60
• 4.1 引言44
• 4.2 SAR圖像分類(lèi)的常用分類(lèi)器44-47
• 4.3 基于SVM分類(lèi)器的SAR圖像遷移分類(lèi)方法研究47-50
• 4.3.1 基于SVM的遷移分類(lèi)方法缺陷47-48
• 4.3.2 基于SVM的樣本可重復(fù)利用型遷移分類(lèi)方法48-50
• 4.4 SAR圖像分類(lèi)仿真試驗(yàn)結(jié)果與分析50-58
• 4.5 本章小結(jié)58-60
• 第五章 總結(jié)與展望60-62
• 5.1 本文工作總結(jié)60
• 5.2 未來(lái)工作展望60-62
• 致謝62-63
• 參考文獻(xiàn)63-68
• 攻讀碩士學(xué)位期間取得的成果68-69

【參考文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前10條

1 任國(guó)貞;江濤;;基于灰度共生矩陣的紋理提取方法研究[J];計(jì)算機(jī)應(yīng)用與軟件;2014年11期

2 莊福振;羅平;何清;史忠植;;遷移學(xué)習(xí)研究進(jìn)展[J];軟件學(xué)報(bào);2015年01期

3 唐銀鳳;黃志明;黃榮娟;姜佳欣;盧昕;;基于多特征提取和SVM分類(lèi)器的紋理圖像分類(lèi)[J];計(jì)算機(jī)應(yīng)用與軟件;2011年06期

4 趙越;周萍;;改進(jìn)的K-means算法在遙感圖像分類(lèi)中的應(yīng)用[J];國(guó)土資源遙感;2011年02期

5 文益民;王耀南;呂寶糧;陳義明;;支持向量機(jī)處理大規(guī)模問(wèn)題算法綜述[J];計(jì)算機(jī)科學(xué);2009年07期

6 李慶亭,張連蓬,楊鋒杰;高光譜遙感圖像最大似然分類(lèi)問(wèn)題及解決方法[J];山東科技大學(xué)學(xué)報(bào)(自然科學(xué)版);2005年03期

7 徐杰,施鵬飛;基于Gabor小波特征的多姿態(tài)人臉圖像識(shí)別[J];計(jì)算機(jī)工程與應(yīng)用;2003年21期

8 駱劍承,王欽敏,馬江洪,周成虎,梁怡;遙感圖像最大似然分類(lèi)方法的EM改進(jìn)算法[J];測(cè)繪學(xué)報(bào);2002年03期

9 陳華,陳書(shū)海,張平,嚴(yán)衛(wèi)東;K-means算法在遙感分類(lèi)中的應(yīng)用[J];紅外與激光工程;2000年02期

10 朱建華,劉政凱,俞能海;一種多光譜遙感圖象的自適應(yīng)最小距離分類(lèi)方法[J];中國(guó)圖象圖形學(xué)報(bào);2000年01期

中國(guó)博士學(xué)位論文全文數(shù)據(jù)庫(kù) 前8條

1 馮籍瀾;高分辨率SAR圖像分割與分類(lèi)方法研究[D];電子科技大學(xué);2015年

2 顧鑫;跨領(lǐng)域分類(lèi)學(xué)習(xí)方法及應(yīng)用研究[D];江南大學(xué);2014年

3 劉高峰;極化SAR圖像特征提取與分類(lèi)方法研究[D];西安電子科技大學(xué);2014年

4 劉康;基于主動(dòng)學(xué)習(xí)的高光譜圖像分類(lèi)技術(shù)研究[D];中國(guó)礦業(yè)大學(xué)（北京）;2014年

5 孟佳娜;遷移學(xué)習(xí)在文本分類(lèi)中的應(yīng)用研究[D];大連理工大學(xué);2011年

6 覃姜維;遷移學(xué)習(xí)方法研究及其在跨領(lǐng)域數(shù)據(jù)分類(lèi)中的應(yīng)用[D];華南理工大學(xué);2011年

7 劉春紅;超光譜遙感圖像降維及分類(lèi)方法研究[D];哈爾濱工程大學(xué);2005年

8 計(jì)科峰;SAR圖像目標(biāo)特征提取與分類(lèi)方法研究[D];中國(guó)人民解放軍國(guó)防科學(xué)技術(shù)大學(xué);2003年

中國(guó)碩士學(xué)位論文全文數(shù)據(jù)庫(kù) 前10條

1 袁立;改進(jìn)中值濾波算法及其在土壤圖像預(yù)處理中的應(yīng)用研究[D];重慶師范大學(xué);2014年

2 蔣韜;基于遺傳粒子群優(yōu)化算法的遙感圖像分類(lèi)方法研究與應(yīng)用[D];首都師范大學(xué);2013年

3 高馨;基于NMF的SAR圖像目標(biāo)識(shí)別方法研究[D];電子科技大學(xué);2013年

4 呂靜;基于實(shí)例的遷移學(xué)習(xí)算法研究[D];山西財(cái)經(jīng)大學(xué);2013年

5 張凱歌;基于線性判別分析的人臉識(shí)別系統(tǒng)研究與實(shí)現(xiàn)[D];廣東工業(yè)大學(xué);2012年

6 費(fèi)全花;基于高斯混合模型的參數(shù)遷移聚類(lèi)[D];西安電子科技大學(xué);2012年

7 常昌;圖像特征提取方法研究及應(yīng)用[D];華中科技大學(xué);2009年

8 孫艷麗;遙感圖像配準(zhǔn)與變化檢測(cè)中的關(guān)鍵技術(shù)研究[D];煙臺(tái)大學(xué);2009年

9 詹新光;基于支持向量機(jī)的SAR圖像目標(biāo)識(shí)別[D];西安科技大學(xué);2008年

10 王麗亞;圖像的特征提取和分類(lèi)[D];西安電子科技大學(xué);2006年

，

本文編號(hào)：1063721