【摘要】：極化SAR圖像分類作為遙感圖像處理與研究的重要方向之一已日益受到人們的關(guān)注。由于極化SAR數(shù)據(jù)中大量存在的噪聲點會對圖像的進一步處理與研究造成嚴重影響,因此,如何克服噪聲干擾,提取有效特征并進行分類是極化SAR圖像分類面臨的關(guān)鍵問題。為了解決上述問題,本文引入了面向?qū)ο蟮乃枷胍约跋∈璞硎纠碚�。面向�(qū)ο蟮乃枷胪ㄟ^初始分割提取對象進行分類抑制了大量噪聲點的干擾,而稀疏表示理論對噪聲的魯棒性也提高了分類的正確性,兩種算法相結(jié)合可以得到很好的分類結(jié)果。本文的四個主要工作內(nèi)容如下所示:1.對極化SAR圖像進行了初始分割。本文用于初始分割提取對象的算法將紋理信息與統(tǒng)計區(qū)域合并算法相結(jié)合,使用了Bhattacharyya距離合并準則與統(tǒng)計區(qū)域合并準則,可以獲得更為正確的圖像分割結(jié)果。紋理信息的提取是通過改進后的LBP算子:局部一致性LBP算子(RHLBP算子)獲得的,該算子通過設(shè)定閾值能夠更好地區(qū)分不同類別的紋理信息,且可以穩(wěn)定表達相同類別的紋理信息。2.將顏色特征應(yīng)用于面向?qū)ο蟮臉O化SAR圖像分類。極化SAR數(shù)據(jù)并不能表示地物真實顏色信息,傳統(tǒng)分類算法中,顏色信息未被用于提供分類依據(jù),然而極化特征合成的偽彩色圖像可以有效表達地物視覺信息。本文在分類算法中引入了偽彩色圖像中的顏色特征,驗證了顏色特征用于極化SAR圖像分類的有效性。3.提出了一種新的基于原始數(shù)據(jù)的字典更新算法。用于稀疏表示的字典是從已知類別標簽的數(shù)據(jù)中隨機選取字典原子組成的,字典中很大可能會存在噪聲點或者不能很好表示其他同類數(shù)據(jù)的字典原子。為了得到更有效的字典用于稀疏表示分類,本文提出了新的字典更新方法。該方法在原始字典中選取好的字典原子組成新字典,在保證字典大小相同的前提下可以獲得更好的分類結(jié)果。4.提出了改進的聯(lián)合稀疏表示算法。為了減少稀疏表示分類中對單個像素點分類產(chǎn)生的大量計算,本文引入了聯(lián)合稀疏表示算法并對其進行了改進。原始聯(lián)合稀疏表示算法將整體分割區(qū)域所有像素點用于求取共有模式,由于本文算法獲得的分割區(qū)域大小不一致,且多數(shù)分割區(qū)域包含像素點過多,使得聯(lián)合稀疏表示分類結(jié)果并不好。本文將分割區(qū)域內(nèi)像素點分為數(shù)目固定的數(shù)據(jù)集進行聯(lián)合稀疏表示分類,統(tǒng)計分類結(jié)果,根據(jù)統(tǒng)計情況對整體分割區(qū)域進行分類,可以獲得更好的分類結(jié)果。
[Abstract]:Polarization SAR image classification as one of the important directions of remote sensing image processing and research has been paid more and more attention. Since the presence of a large number of noise points in polarized SAR data will seriously affect the further processing and research of the image, how to overcome the noise interference, extract the effective features and classify the polarimetric SAR image is a key problem in the polarimetric SAR image classification. In order to solve the above problems, this paper introduces the idea of object-oriented and sparse representation theory. The idea of object oriented classifies objects by initial segmentation to suppress the interference of a large number of noise points, and the robustness of sparse representation theory to noise also improves the correctness of classification. The combination of the two algorithms can obtain a good classification result. The four main contents of this paper are as follows: 1. The polarimetric SAR image is segmented initially. In this paper, the texture information is combined with the statistical region merging algorithm, and the Bhattacharyya distance merging criterion and the statistical region merging criterion are used to obtain more accurate image segmentation results. The extraction of texture information is obtained through the improved LBP operator, the locally consistent LBP operator (RHLBP operator), which can better distinguish different types of texture information by setting a threshold. And can stably express the same kind of texture information. 2. Color features are applied to object-oriented polarimetric SAR image classification. Polarimetric SAR data can not represent the real color information of ground objects. In the traditional classification algorithm, the color information is not used to provide classification basis. However, the pseudo-color images synthesized by polarization features can effectively express the visual information of ground objects. In this paper, the color feature of pseudo-color image is introduced into the classification algorithm, and the validity of the color feature used in polarimetric SAR image classification is verified. 3. A new dictionary updating algorithm based on raw data is proposed. The dictionary used for sparse representation is composed of dictionary atoms randomly selected from the data of known class labels. It is very likely that there will be noise points in the dictionary or that the dictionary atoms can not well represent other similar data. In order to obtain a more efficient dictionary for sparse representation classification, a new dictionary updating method is proposed in this paper. This method selects good dictionary atoms in the original dictionary to form a new dictionary, and better classification results can be obtained under the premise that the dictionary size is the same. An improved joint sparse representation algorithm is proposed. In order to reduce the amount of computation generated by single pixel classification in sparse representation classification, a joint sparse representation algorithm is introduced and improved. The original joint sparse representation algorithm uses all pixel points in the global segmentation region to obtain common patterns. Because the size of the segmentation region obtained by this algorithm is inconsistent and most of the segmented regions contain too many pixels, The result of joint sparse representation classification is not good. In this paper, the pixel points in the segmented region are divided into a fixed number of data sets for joint sparse representation classification, and the statistical classification results are used to classify the whole segmented region according to the statistics, and better classification results can be obtained.
【學(xué)位授予單位】：電子科技大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：TN957.52

【相似文獻】

相關(guān)期刊論文 前10條

1 李映;張艷寧;許星;;基于信號稀疏表示的形態(tài)成分分析:進展和展望[J];電子學(xué)報;2009年01期

2 趙瑞珍;王飛;羅阿理;張彥霞;;基于稀疏表示的譜線自動提取方法[J];光譜學(xué)與光譜分析;2009年07期

3 楊蜀秦;寧紀鋒;何東健;;基于稀疏表示的大米品種識別[J];農(nóng)業(yè)工程學(xué)報;2011年03期

4 史加榮;楊威;魏宗田;;基于非負稀疏表示的人臉識別[J];計算機工程與設(shè)計;2012年05期

5 高志榮;熊承義;笪邦友;;改進的基于殘差加權(quán)的稀疏表示人臉識別[J];中南民族大學(xué)學(xué)報(自然科學(xué)版);2012年03期

6 朱杰;楊萬扣;唐振民;;基于字典學(xué)習(xí)的核稀疏表示人臉識別方法[J];模式識別與人工智能;2012年05期

7 耿耀君;張軍英;袁細國;;一種基于稀疏表示系數(shù)的特征相關(guān)性測度[J];模式識別與人工智能;2013年01期

8 張疆勤;廖海斌;李原;;基于因子分析與稀疏表示的多姿態(tài)人臉識別[J];計算機工程與應(yīng)用;2013年05期

9 李正周;王會改;劉梅;丁浩;金鋼;;基于形態(tài)成分稀疏表示的紅外小弱目標檢測[J];彈箭與制導(dǎo)學(xué)報;2013年04期

10 胡正平;趙淑歡;李靜;;基于塊稀疏遞推殘差分析的稀疏表示遮擋魯棒識別算法研究[J];模式識別與人工智能;2014年01期

相關(guān)會議論文 前3條

1 何愛香;劉玉春;魏廣芬;;基于稀疏表示的煤矸界面識別研究[A];虛擬運營與云計算——第十八屆全國青年通信學(xué)術(shù)年會論文集（上冊）[C];2013年

2 樊亞翔;孫浩;周石琳;鄒煥新;;基于元樣本稀疏表示的多視角目標識別[A];2013年中國智能自動化學(xué)術(shù)會議論文集（第五分冊）[C];2013年

3 葛鳳翔;任歲玲;郭鑫;郭良浩;孫波;;微弱信號處理及其研究進展[A];中國聲學(xué)學(xué)會水聲學(xué)分會2013年全國水聲學(xué)學(xué)術(shù)會議論文集[C];2013年

相關(guān)博士學(xué)位論文 前10條

1 李進明;基于稀疏表示的圖像超分辨率重建方法研究[D];重慶大學(xué);2015年

2 王亞寧;基于信號稀疏表示的電機故障診斷研究[D];河北工業(yè)大學(xué);2014年

3 姚明海;視頻異常事件檢測與認證方法研究[D];東北師范大學(xué);2015年

4 黃國華;蛋白質(zhì)翻譯后修飾位點與藥物適應(yīng)癥預(yù)測方法研究[D];上海大學(xué);2015年

5 王瑾;基于稀疏表示的數(shù)據(jù)收集、復(fù)原與壓縮研究[D];北京工業(yè)大學(xué);2015年

6 王文卿;基于融合框架與稀疏表示的遙感影像銳化[D];西安電子科技大學(xué);2015年

7 解虎;高維小樣本陣列自適應(yīng)信號處理方法研究[D];西安電子科技大學(xué);2015年

8 秦振濤;基于稀疏表示及字典學(xué)習(xí)遙感圖像處理關(guān)鍵技術(shù)研究[D];成都理工大學(xué);2015年

9 薛明;基于稀疏表示的在線目標跟蹤研究[D];上海交通大學(xué);2014年

10 孫樂;空譜聯(lián)合先驗的高光譜圖像解混與分類方法[D];南京理工大學(xué);2014年

相關(guān)碩士學(xué)位論文 前10條

1 王道文;基于稀疏表示的目標跟蹤算法研究[D];華南理工大學(xué);2015年

2 李哲;基于稀疏表示和LS-SVM的心電信號分類[D];河北大學(xué);2015年

3 孫雪青;Shearlet變換和稀疏表示相結(jié)合的甲狀腺結(jié)節(jié)圖像融合[D];河北大學(xué);2015年

4 吳麗璇;基于稀疏表示的微聚焦X射線圖像去噪方法[D];華南理工大學(xué);2015年

5 趙孝磊;基于圖像分塊稀疏表示的人臉識別算法研究[D];南京信息工程大學(xué);2015年

6 黃志明;基于辨別式稀疏字典學(xué)習(xí)的視覺追蹤算法研究[D];華南理工大學(xué);2015年

7 張鈴華;非約束環(huán)境下的稀疏表示人臉識別算法研究[D];南京信息工程大學(xué);2015年

8 賀妍斐;基于稀疏表示與自適應(yīng)倒易晶胞的遙感圖像復(fù)原方法研究[D];南京信息工程大學(xué);2015年

9 楊爍;電能質(zhì)量擾動信號的稀疏表示/壓縮采樣研究[D];西南交通大學(xué);2015年

10 應(yīng)艷麗;基于低秩稀疏表示的目標跟蹤算法研究[D];西南交通大學(xué);2015年

，

本文編號：2420288