通過有效地檢索合成孔徑雷達(Synthetic Aperture Radar,SAR)圖像來獲取用戶感興趣的數(shù)據(jù)是遙感圖像領(lǐng)域一項重要且具有挑戰(zhàn)性的任務。卷積神經(jīng)網(wǎng)絡(Convolutional Neural Network,CNN)因其優(yōu)異的圖像分類任務性能被廣泛應用于遙感圖像檢索任務中,但需要大量的帶標簽的樣本用于訓練或者微調(diào)模型,而目前缺乏大量有標簽的SAR圖像。同時,目前的遙感圖像檢索方法大多在整個圖像數(shù)據(jù)庫中進行檢索,但檢索數(shù)據(jù)庫中只有部分圖像與查詢圖像相關(guān)或者相似,所以對整個圖像數(shù)據(jù)庫進行遍歷是不合理的。如何利用已有的帶標簽的遙感圖像庫,實現(xiàn)無監(jiān)督的學習SAR圖像的檢索特征,并提高檢索速度是一個亟待解決的問題。本文提出了一種基于無監(jiān)督域適應和模糊規(guī)則的SAR圖像檢索方法。首先,該方法將對抗域適應思想與模糊圖像聚類相結(jié)合,借助現(xiàn)有的光學航空圖像分類標記信息,學習SAR圖像和光學航空圖像之間的域不變特征,提取適用于SAR圖像的檢索特征。然后,該方法利用一種基于模糊規(guī)則的確定檢索空間方法減少搜索空間。該方法利用無監(jiān)督對抗域適應模型和改進的模糊聚類確定SAR圖像的類別置信度;根據(jù)類... 

【文章來源】：南昌大學江西省 211工程院校

【文章頁數(shù)】：59 頁

【學位級別】：碩士

【部分圖文】：

圖２．１基于內(nèi)容的圖像檢索基礎(chǔ)架構(gòu)??因此，ＣＢＩＲ方法包含兩個主要步驟

面的卷積層使用的卷積核逐層加大，用于捕獲圖像更復雜，??更抽象的信息；池化層通常跟在卷積層后進行子采樣，通過再次提取上一層的特??征，降低特征圖像的分辨率，在保留有用信息的同時減少數(shù)據(jù)量；全連接層一般??在網(wǎng)絡輸出層之前，它將二維的特征向量變?yōu)橐痪S向量，使輸出層更好地做分類??處理；在輸出層中，將上一層的輸入使用ｓｏｆｔｍａｘ函數(shù)計算成概率的形式對圖像??的類別隸屬做出評分，進行分類。??｜??＃征從榷??１?｜?分類《?１??輸入層卷枳層池化層卷枳層池化層全連接層輸出層??圖２．３?ＣＮＮ結(jié)構(gòu)示意圖??（１）輸入層??ＣＮＮ的輸入層用于接收初始數(shù)據(jù)。原始圖像在計算機中以像素矩陣的形式??儲存，可以不經(jīng)過任何處理直接輸入到ＣＮＮ中。??（２）卷積層??卷積層主要執(zhí)行卷積運算，卷積是特征提取的關(guān)鍵步驟，通過使用多個卷積??核對圖像進行特征提取，可以避免特征單一化。卷積層的輸出稱為特征圖（ｆｅａｔｕｒｅ??ｍａｐ）。位于網(wǎng)絡前面的卷積層只能提取一些低級的特征，如線條、邊緣和角等，??隨著卷積層數(shù)的增多，網(wǎng)絡在迭代中能提取更復雜的特征，捕獲更加抽象的信息。??卷積層的計算公式如下：??ｚｊ?＝?＾?ｘ／?ｘ?Ｆ［ｊ?＋?ｂ）?（２．２）??ｉｅＭｊ??其中，＃是第〖層第ｙ個卷積核的輸出，ｘ／是第／層的第ｉ個輸入特征平面，ｆ／；??連接第／層第ｉ個輸入特征平面和第ｙ個特征平面的卷積核，即卷積核矩陣。＾是第??ｚ層第ｙ個特征平面的偏置。??然后，會使用激活函數(shù)（Ａｃｔｉｖａｔｉｏｎ?Ｆｕｎｃｔｉｏｎ）將卷積層的輸出結(jié)果限制在給??定的范圍內(nèi)，以避免梯度爆炸等問題。這個函數(shù)一般是一個非線性函數(shù)（Ｎｏｎ－??ＩＩ?

常是ｓｉｇｍｏｉｄ、ｔａｎｈ和ＲｅＬｔ／等函數(shù)。它的定義如下：??／（２？）?＝?ｘｌ＋１?＝?ｙｊ?（２．３）??其中，ｙｊ是第／層第）個特征平面。丨＋?１層的輸入特征平面Ｗ＋１是由第Ｚ層的特??征平面的卷積輸出經(jīng)過激活函數(shù)處理后得到的，既〖層輸出的特征平面。對于一??張ａｘ?ａ像素大小的圖像，卷積核的大小為ｍｘｎ，卷積核移動的步長為ｓ，那么??卷積之后的特征圖大小為：??（ａ?—?ｍ?＋?１）?ｘ?（ａ?—?ｎ?＋?１）??ｃ?＝??（厶??ｓ??一般ｍ?＝?ｎ。例如圖２．４所不，設(shè)輸入網(wǎng)絡的是一張７?ｘ?７像素大小的圖片，??卷積核的大小為４ｘ４，卷積過程中卷積核移動的步長為１，那么經(jīng)過１６次運算??可以得到一張大小為４?ｘ?４的特征圖。??１ｘ１?０ｘ１?０ｘ１?１ｘ１?１ｘ１?０＊１?０ｘ１?１ｘ１??ＯｋＩ??Ｉ?０＊１?ｌｘｌ?Ｉｊ．１?Ｏｘｌ?０ｘ１?１＊１?Ｕ＼?０？１??琢始?Ｍ?如?〇Ｋｌ?Ｏｘ丨?ｌＫｌ?３６?０ｘ１?Ｏｉｌ?〇Ｒｌ??＝ｔ＞?ｃ＝＝＞??ｉ?４松運算１?卷枳運其２??ｒ?卷枳運蛑ｊ??ｉ?：?３６?３５?２４?ｉ?２１?Ｊ??１０?０?１?４３?３０?３５?３０??卷枳核?０?１?１?（）?３０?３９?３２?２７??４ｘ４?０?１?＂?Ｕ？??０?０?０１??圖２．４卷積運算示意圖??（３）池化層??池化層一般跟在卷積層之后，用于減少參數(shù)數(shù)量，消除特征圖中的冗余。其??通常由多個特征平面組成，平面數(shù)量與上一層的平面一致且一一對應。它的輸入??是卷積層的輸出，神經(jīng)元也與其輸入層的局部接受域相連，不同神經(jīng)元局部接受??域不重疊。池化

【參考文獻】：
期刊論文
[1]基于小波變換的圖像紋理特征提取技術(shù)[J]. 劉俊梅.  計算機工程與設(shè)計. 2007(13)
[2]基于內(nèi)容圖像檢索中的“語義鴻溝”問題[J]. 溫超,耿國華.  西北大學學報(自然科學版). 2005(05)
[3]基于顏色直方圖的圖像檢索技術(shù)[J]. 竇建軍,文俊,劉重慶.  紅外與激光工程. 2005(01)



本文編號：2946743