發(fā)布時(shí)間：2020-04-25 11:44

【摘要】：極化合成孔徑雷達(dá)(POLSAR,極化SAR)具有全天時(shí)、全天候的觀察測量功能,是目前最先進(jìn)、最重要的監(jiān)測技術(shù)之一。極化SAR圖像分類是SAR圖像處理中重要和困難的任務(wù)之一,其目的是將每個像素分類到特定的類別。極化SAR圖像分類是理解SAR數(shù)據(jù)的關(guān)鍵步驟,且已被廣泛應(yīng)用于軍事、民用等多個領(lǐng)域。但由于自然地形的復(fù)雜性和多樣性,極化SAR圖像分類仍然是具有挑戰(zhàn)性的任務(wù)。極化SAR圖像分類圖像處理領(lǐng)域的一個重要研究方向,是目前一大研究的熱點(diǎn)和難點(diǎn)。針對極化SAR圖像分類問題,本文提出以下兩種算法:第三章中,本文提出了一種基于多任務(wù)稀疏表示學(xué)習(xí)的極化SAR圖像分類方法。為了提高分類的計(jì)算效率和空間一致性,首先對極化SAR圖像進(jìn)行超像素分割,然后對其提取不同類型的特征,構(gòu)成每個類的特征字典,然后通過多任務(wù)稀疏表示學(xué)習(xí)方法,將目標(biāo)極化SAR的超像素特征向量分類為特定類,從而完成圖像分類任務(wù)。針對本文采用的多任務(wù)稀疏表示學(xué)習(xí)模型,采用了加速近端梯度方法進(jìn)行數(shù)值求解。最后,依據(jù)真實(shí)的極化SAR數(shù)據(jù)的實(shí)驗(yàn)結(jié)果說明,該方法比幾種最先進(jìn)的算法效果更好。第四章中,本文提出了一種基于低秩多任務(wù)學(xué)習(xí)的極化SAR圖像分類方法。本文先對極化SAR圖像進(jìn)行超像素分割處理,將訓(xùn)練樣本和測試樣本分割成許多小塊,再將從不同類別標(biāo)簽的超級像素提取的特征組成每個類別的特征字典,利用基于魯棒低秩表示的多任務(wù)學(xué)習(xí)模型將測試圖像的超像素分到特定類。實(shí)驗(yàn)表明,本文提出的基于魯棒低秩表示的多任務(wù)學(xué)習(xí)方法優(yōu)于基于單一特征的分類方法。
【圖文】：

空大學(xué)碩士學(xué)位論文 第二章 極化 SAR 圖像分類的理 稀疏表示多任務(wù)學(xué)習(xí)機(jī)器學(xué)習(xí)和計(jì)算機(jī)視覺中，當(dāng)要學(xué)習(xí)的任務(wù)共享一些潛在因素時(shí)，任務(wù)關(guān)系可能是有利的。例如，當(dāng)用于學(xué)習(xí)的樣本數(shù)量較少時(shí)，將個任務(wù)轉(zhuǎn)移到另一個任務(wù)可能有利于泛化性能。這就是多任務(wù)學(xué)習(xí)（研究任務(wù)。圖像分類為例，對于每一幅圖像，可以提取K 種不同的特征，如顏理等，對于每一種特征，都可以構(gòu)造一個線性表示模型。傳統(tǒng)的稀法獨(dú)立的訓(xùn)練每一種特征誘導(dǎo)的子空間分類問題。與之相比，多任多個子任務(wù)之間的相互依賴關(guān)系，通過將多個任務(wù)的稀疏表示模型，有效利用了不同任務(wù)之間共享的潛在因素，提升了學(xué)習(xí)的效率和。任務(wù)稀疏表示學(xué)習(xí)的大致流程如圖 2-1 所示：

觀測圖像 低秩部分 稀疏部分圖 2-2 矩陣低秩分解圖將圖像看成一個矩陣，基的數(shù)量越少，基對應(yīng)的線性無關(guān)向量數(shù)量秩就越小。若其遠(yuǎn)小于矩陣秩的大小時(shí)，，圖像就是低秩的。說明矩余信息。利用冗余信息可對圖像信息進(jìn)行恢復(fù)，可去噪聲，還可對息進(jìn)行恢復(fù)。陣恢復(fù)的目標(biāo)是要從觀測矩陣D中恢復(fù)出低秩數(shù)據(jù) A。針對該問題提出了魯棒主成分分析（RPCA)，只要噪聲矩陣E是足夠稀疏，不恢復(fù)出低秩矩陣 A。E為稀疏的大噪聲時(shí)，則恢復(fù)矩陣 A是一個雙目標(biāo)優(yōu)化問題： rankAEstDAEAEmin,.. 0,入折中因子 0 ，將雙目標(biāo)變成單目標(biāo)優(yōu)化問題： rankAEstDAEAEmin .. 0, 式(2-6)中是 NP 難問題，該問題的求解，利用1l 范數(shù)凸松弛，將問題
【學(xué)位授予單位】：南昌航空大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2019
【分類號】：TN957.52

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 陶筱嬌;王鑫;;基于深度學(xué)習(xí)算法的圖像分類方法[J];微型電腦應(yīng)用;2019年03期

2 李會民;馬桂英;王延倉;;基于深度學(xué)習(xí)網(wǎng)絡(luò)的水質(zhì)圖像分類[J];北華航天工業(yè)學(xué)院學(xué)報(bào);2018年04期

3 彭娟;;特征選擇和聚類分析的圖像分類模型[J];現(xiàn)代電子技術(shù);2017年19期

4 田凱;杜鵬;;基于C#的圖像分類系統(tǒng)實(shí)現(xiàn)[J];數(shù)碼世界;2017年08期

5 王科平;張志剛;;基于特征加權(quán)的自動圖像分類方法[J];微型電腦應(yīng)用;2014年01期

6 汪煜浩;華瑞林;;山地衛(wèi)星圖像分類制圖方法研究[J];遙感信息;1987年04期

7 武慧瓊;張素蘭;張繼福;胡立華;;一種基于三支決策的花卉圖像分類[J];小型微型計(jì)算機(jī)系統(tǒng);2019年07期

8 吳健;賈宏宇;;基于遷移學(xué)習(xí)的圖像分類方法研究[J];河南科技;2018年31期

9 林澤文;;深度學(xué)習(xí)及其在圖像分類識別中的運(yùn)用探討[J];信息與電腦(理論版);2018年12期

10 李舒;吳磊;;數(shù)據(jù)挖掘在醫(yī)學(xué)圖像分類中的應(yīng)用[J];醫(yī)學(xué)信息學(xué)雜志;2014年08期

相關(guān)會議論文 前10條

1 吳楠;李曉曦;宋方敏;;圖像挖掘及其在醫(yī)學(xué)圖像分類中的應(yīng)用[A];2006年全國理論計(jì)算機(jī)科學(xué)學(xué)術(shù)年會論文集[C];2006年

2 朱松豪;劉佳偉;胡榮林;;一種圖像分類的新方法[A];第26屆中國控制與決策會議論文集[C];2014年

3 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

4 武文;李昊;王曉軍;吳永輝;;極化誤差對圖像分類的影響分析[A];全國第20屆計(jì)算機(jī)技術(shù)與應(yīng)用學(xué)術(shù)會議（CACIS·2009）暨全國第1屆安全關(guān)鍵技術(shù)與應(yīng)用學(xué)術(shù)會議論文集（上冊）[C];2009年

5 范海地;謝鳳英;;基于卷積神經(jīng)網(wǎng)絡(luò)的皮膚鏡圖像分類[A];第十五屆中國體視學(xué)與圖像分析學(xué)術(shù)會議論文集[C];2017年

6 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[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(bào)告篇）[C];2007年

7 蘆穎;倪維平;嚴(yán)衛(wèi)東;邊輝;;基于改進(jìn)極化目標(biāo)分解算法的POLSAR圖像分類[A];國家安全地球物理叢書（十一）——地球物理應(yīng)用前沿[C];2015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(bào)告篇）[C];2003年

9 佘杰;;基于BP神經(jīng)網(wǎng)絡(luò)的煤巖圖像分類識別[A];第23屆全國煤礦自動化與信息化學(xué)術(shù)會議暨第5屆中國煤礦信息化與自動化高層論壇論文集[C];2013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

相關(guān)博士學(xué)位論文 前10條

1 侯賽輝;圖像物體的精細(xì)化分類方法研究[D];中國科學(xué)技術(shù)大學(xué);2019年

2 鄭昱;面向大規(guī)模圖像分類的層次化多任務(wù)學(xué)習(xí)算法研究[D];西安電子科技大學(xué);2017年

3 郭雨薇;基于超像素表征和模糊特征學(xué)習(xí)的圖像分類與識別[D];西安電子科技大學(xué);2017年

4 李曉;基于遷移學(xué)習(xí)的跨域圖像分類方法研究[D];西安電子科技大學(xué);2017年

5 滑文強(qiáng);小樣本下的極化SAR圖像分類問題研究[D];西安電子科技大學(xué);2018年

6 張姝茵;基于判別性特征學(xué)習(xí)的極化SAR圖像分類[D];西安電子科技大學(xué);2018年

7 胡慧君;帶鋼缺陷圖像分類中的智能算法研究[D];武漢大學(xué);2015年

8 常合友;基于字典學(xué)習(xí)的圖像分類研究[D];南京理工大學(xué);2017年

9 羅長志;多類別圖像分類的關(guān)鍵技術(shù)研究[D];合肥工業(yè)大學(xué);2017年

10 謝雯;基于判別字典學(xué)習(xí)和自編碼網(wǎng)絡(luò)的極化SAR圖像分類[D];西安電子科技大學(xué);2017年

相關(guān)碩士學(xué)位論文 前10條

1 朱國家;基于興趣域檢測的圖像分類方法研究[D];武漢工程大學(xué);2018年

2 付永欽;基于深度學(xué)習(xí)的蛇類圖像分類問題研究[D];浙江大學(xué);2019年

3 王曼;輕量級卷積網(wǎng)絡(luò)的構(gòu)建及其在圖像分類中的應(yīng)用[D];西安理工大學(xué);2019年

4 焦鵬飛;基于深度學(xué)習(xí)和稀疏表示的圖像分類與檢索方法研究[D];西安理工大學(xué);2019年

5 李盈;基于多任務(wù)學(xué)習(xí)的極化SAR圖像分類問題研究[D];南昌航空大學(xué);2019年

6 鄭欣悅;基于深度學(xué)習(xí)的少樣本圖像分類方法[D];中國科學(xué)院大學(xué)(中國科學(xué)院國家空間科學(xué)中心);2019年

7 李安亞;基于深度學(xué)習(xí)的多標(biāo)簽場景圖像分類研究[D];西安石油大學(xué);2019年

8 周韜;基于卷積神經(jīng)網(wǎng)絡(luò)的圖像分類與目標(biāo)檢測[D];廣西師范大學(xué);2019年

9 李漢乾;基于深度聚類網(wǎng)絡(luò)和層次化學(xué)習(xí)的大規(guī)模圖像分類[D];廈門大學(xué);2018年

10 胡鐸;基于多尺度屬性圖核的小樣本圖像集分類方法研究[D];安徽大學(xué);2019年

本文編號：2640208