發(fā)布時(shí)間：2017-09-09 08:41

  本文關(guān)鍵詞：基于集成學(xué)習(xí)和特征選擇的極化SAR地物分類

  更多相關(guān)文章： 極化合成孔徑雷達(dá) 圖像分類 特征選擇 集成學(xué)習(xí)

【摘要】：隨著遙感技術(shù)的不斷發(fā)展以及人們對(duì)遙感地物探測(cè)性能要求的不斷提高,需要處理的問(wèn)題也越來(lái)越復(fù)雜,這就意味著傳統(tǒng)的雷達(dá)已經(jīng)不能完全滿足更高性能的要求。極化合成孔徑雷達(dá)(極化SAR)作為一種較新的遙感雷達(dá)波,可以提供更加豐富的地物散射信息。因此近幾十年來(lái)已成為了遙感領(lǐng)域的一個(gè)研究熱點(diǎn)。極化SAR圖像地物分類作為極化SAR數(shù)據(jù)研究在圖像處理領(lǐng)域的典型應(yīng)用,通過(guò)對(duì)樣本,特征和分類器進(jìn)行研究,做到將不同的地物類型進(jìn)行區(qū)分。對(duì)于極化SAR圖像分類而言,樣本、特征和分類器是決定最終分類結(jié)果的三個(gè)重要因素。簡(jiǎn)言之,如果能夠選擇合適的樣本、特征和分類器,則能夠取得較好的分類結(jié)果。研究表明:極化SAR圖像比一般的SAR圖像蘊(yùn)含更多的物理散射信息,特征信息也更為豐富。但是與此同時(shí),選擇適合的樣本和特征的難度也相應(yīng)增加。并且隨著樣本及特征數(shù)量的增加,雖然所蘊(yùn)含的分類信息也相應(yīng)增加,但是卻也相應(yīng)的增加了分類器的運(yùn)算復(fù)雜度。在大量的樣本和特征中,難免存在一些冗余、相似甚至有害最終分類結(jié)果的信息。為了構(gòu)造一個(gè)更好的極化SAR圖像分類方法,本文圍繞著樣本選擇、特征選擇和分類器構(gòu)造三個(gè)方面對(duì)極化SAR圖像地物分類進(jìn)行了深入的研究,將一些經(jīng)典的極化方法(如Freeman分解)和機(jī)器學(xué)習(xí)算法(如Fisher線性判決和集成算法)結(jié)合在一起,提出了若干基于目標(biāo)分解、樣本選擇、特征選擇和集成算法的極化SAR圖像地物分類方法,主要研究成果有:1.針對(duì)有監(jiān)督極化SAR圖像分類中訓(xùn)練樣本難以提前選取和評(píng)價(jià)的問(wèn)題,提出了一種基于選擇集成的極化SAR圖像分類方法。該方法通過(guò)選擇個(gè)體分類器來(lái)達(dá)到選擇訓(xùn)練樣本的目的,可以有效的減少訓(xùn)練樣本個(gè)數(shù)并選擇出較優(yōu)的樣本從而在減少運(yùn)算時(shí)間的同時(shí)提高分類準(zhǔn)確率。首先,從圖像中選取初始訓(xùn)練樣本集,并隨機(jī)劃分構(gòu)成訓(xùn)練樣本子集。然后,基于不同的訓(xùn)練樣本子集通過(guò)基礎(chǔ)分類器學(xué)習(xí)得到多個(gè)個(gè)體分類器。最后,通過(guò)匹配追蹤選擇集成算法對(duì)個(gè)體分類器進(jìn)行選擇,得到最終的分類結(jié)果。理論分析表明:在分類過(guò)程中,基于較好的訓(xùn)練樣本子集訓(xùn)練得到的個(gè)體分類器,能夠分配較大權(quán)重,而同時(shí)含有一些相似或有害信息的訓(xùn)練樣本將被給予零值而達(dá)到刪除該樣本的目的。實(shí)驗(yàn)結(jié)果表明該章提出的基于選擇集成的極化SAR圖像分類方法可以有效的進(jìn)行樣本選擇,刪除有害或冗余的訓(xùn)練樣本,從而達(dá)到提高分類精度并減少運(yùn)算時(shí)間的目的。2.針對(duì)在極化SAR圖像中由于雷達(dá)角度和地物形狀導(dǎo)致屬于同一類別的像素點(diǎn)可能存在較大的差異性,而不同類別的像素點(diǎn)具有相似的散射形式從而易導(dǎo)致錯(cuò)分的問(wèn)題,提出了一種基于貝葉斯集成框架的極化SAR圖像分類方法和一種基于加權(quán)投票準(zhǔn)則集成的極化SAR圖像分類方法�；谪惾~斯集成框架的極化SAR圖像分類方法是采用貝葉斯集成,通過(guò)學(xué)習(xí)不同個(gè)體獲得的分類面來(lái)改善極化sar圖像分類性能。首先,輸入極化sar圖像,并獲得其對(duì)應(yīng)的極化sar特征。從圖像的每一類中任意選擇像素點(diǎn)作為圖像分類的原始訓(xùn)練樣本,并對(duì)其進(jìn)行隨機(jī)劃分獲得不同的樣本子集。然后,基于獲得的樣本子集構(gòu)造對(duì)應(yīng)極化sar圖像的貝葉斯集成框架。最后通過(guò)構(gòu)造的貝葉斯集成框架對(duì)極化sar圖像進(jìn)行分類�；诩訖�(quán)投票準(zhǔn)則集成的極化sar圖像分類方法是根據(jù)不同訓(xùn)練樣本子集學(xué)習(xí)得到的分類器,并用這些分類器得到預(yù)測(cè)標(biāo)記,從而求得個(gè)體分類器的加權(quán)系數(shù)。最后再用這些加權(quán)系數(shù)對(duì)預(yù)測(cè)標(biāo)記進(jìn)行合并得到最終的分類結(jié)果。實(shí)驗(yàn)結(jié)果證明,所提出的兩種方法均在airsar和radarsat-2數(shù)據(jù)上取得了較好的分類結(jié)果。3.針對(duì)如何更好的使用極化sar圖像數(shù)據(jù)元素特征的問(wèn)題,提出了一種基于特征加權(quán)集成的極化sar圖像分類方法。該方法采用0-1矩陣分解集成方法對(duì)包括不同特征的數(shù)據(jù)集進(jìn)行學(xué)習(xí)獲得相應(yīng)加權(quán)系數(shù),并通過(guò)對(duì)每個(gè)特征集獲得的預(yù)測(cè)結(jié)果進(jìn)行加權(quán)集成來(lái)提高極化sar圖像分類性能。首先輸入極化sar數(shù)據(jù),獲得極化特征作為原始特征集,并對(duì)原始特征集進(jìn)行隨機(jī)抽取得到不同的特征子集。然后,使用0-1矩陣分解集成算法得到對(duì)應(yīng)每個(gè)特征子集的加權(quán)系數(shù);最后通過(guò)對(duì)各個(gè)特征子集的預(yù)測(cè)結(jié)果進(jìn)行集成得到最終極化sar圖像分類結(jié)果。實(shí)測(cè)l波段和c波段極化數(shù)據(jù)的實(shí)驗(yàn)結(jié)果表明,該方法可以有效的提高極化sar圖像分類精度。4.針對(duì)如何更好的使用極化sar圖像數(shù)據(jù)相干矩陣元素作為極化sar圖像分類特征的問(wèn)題,提出了一種基于fisher線性判決的極化sar圖像特征選擇方法和一種基于三分量散射模型改進(jìn)的fisher線性判決的極化sar圖像特征加權(quán)方法。以上兩種方法均選用fisher線性判決對(duì)相干矩陣中的九維特征進(jìn)行選擇處理,從而得到更適合極化sar圖像分類的特征組合�；趂isher線性判決的極化sar圖像特征選擇方法,首先選取訓(xùn)練樣本,計(jì)算出每一類對(duì)應(yīng)的fisher系數(shù)。然后再設(shè)定閾值,將高于閾值的fisher系數(shù)對(duì)應(yīng)的特征保留,其余的特征刪除。最后,將選擇后的特征輸入h/alpha和wishart分類器,得到最終的分類結(jié)果。實(shí)驗(yàn)結(jié)果表明特征選擇可以有效的改善分類結(jié)果�；谌至可⑸淠Ｐ透倪M(jìn)fisher線性判決的極化sar圖像特征加權(quán)方法,首先在各類中選取訓(xùn)練樣本,并用fisher線性判決方法計(jì)算得到各個(gè)特征的系數(shù)。然后這些權(quán)值系數(shù)根據(jù)三分量散射模型分解加以修正,這樣就可以有效的將物理模型和統(tǒng)計(jì)模型結(jié)合在一起,使得該方法更符合極化sar數(shù)據(jù)的內(nèi)在散射機(jī)理。之后再將這些權(quán)值分配給各個(gè)特征。最后用freeman分解和wishart分類器結(jié)合的方法得到最終的分類結(jié)果。實(shí)驗(yàn)結(jié)果證明經(jīng)過(guò)特征加權(quán)之后的分類結(jié)果要優(yōu)于沒(méi)有對(duì)特征進(jìn)行任何處理的分類結(jié)果。5.針對(duì)freeman目標(biāo)散射分解存在能量負(fù)值的問(wèn)題,提出了一種改進(jìn)三分量散射模型的極化sar圖像分解方法。該方法采用熵值和freeman分解中的體散射模型結(jié)合成新的散射模型。首先根據(jù)freeman分解得到體散射模型矩陣。然后計(jì)算得到相應(yīng)的熵值。最后再用計(jì)算得到的熵值對(duì)體散射模型矩陣中的第一個(gè)元素進(jìn)行修改。實(shí)驗(yàn)結(jié)果表明,該方法有效的改善了原始Freeman分解中對(duì)體散射機(jī)制的過(guò)估計(jì),同時(shí)也有效地減少面散射和二次散射中能量負(fù)值的個(gè)數(shù)。
【關(guān)鍵詞】：極化合成孔徑雷達(dá) 圖像分類 特征選擇 集成學(xué)習(xí)
【學(xué)位授予單位】：西安電子科技大學(xué)
【學(xué)位級(jí)別】：博士
【學(xué)位授予年份】：2015
【分類號(hào)】：TN957.52
【目錄】：

• 摘要5-8
• ABSTRACT8-15
• 符號(hào)對(duì)照表15-16
• 縮略語(yǔ)對(duì)照表16-20
• 第一章 緒論20-32
• 1.1 研究背景20-21
• 1.2 極化SAR發(fā)展現(xiàn)狀21
• 1.3 極化SAR圖像分類方法的發(fā)展和現(xiàn)狀21-23
• 1.4 極化數(shù)據(jù)矩陣及典型目標(biāo)散射機(jī)理23-27
• 1.5 機(jī)器學(xué)習(xí)及集成學(xué)習(xí)27-29
• 1.6 本文的主要工作和論文安排29-32
• 第二章 基于選擇集成的極化SAR圖像分類32-74
• 2.1 引言32-34
• 2.2 極化SAR散射矩陣及熵34-35
• 2.3 SVM與集成算法35-36
• 2.3.1 SVM算法35
• 2.3.2 MPOEC算法35-36
• 2.4 基于選擇集成的極化SAR圖像分類方法36-38
• 2.5 對(duì)比實(shí)驗(yàn)與結(jié)果分析38-72
• 2.5.1 含有三類地物類型數(shù)據(jù)實(shí)驗(yàn)結(jié)果（多組）39-62
• 2.5.2 含有多類地物類型數(shù)據(jù)實(shí)驗(yàn)結(jié)果（多組）62-72
• 2.6 小結(jié)72-74
• 第三章 基于貝葉斯集成框架的極化SAR圖像分類方法74-86
• 3.1 引言74-75
• 3.2 貝葉斯集成算法75-76
• 3.3 基于貝葉斯集成的極化SAR分類方法76-77
• 3.4 對(duì)比實(shí)驗(yàn)與結(jié)果分析77-85
• 3.4.1 AIRSAR L波段 舊金山圖像實(shí)驗(yàn)結(jié)果78-80
• 3.4.2 Radarsat-2 C波段 舊金山圖像實(shí)驗(yàn)結(jié)果80-82
• 3.4.3 Radarsat-2 C波段 舊金山圖像實(shí)驗(yàn)結(jié)果82-83
• 3.4.4 AIRSAR L波段Flevoland圖像實(shí)驗(yàn)結(jié)果83-85
• 3.5 小結(jié)85-86
• 第四章 基于加權(quán)投票準(zhǔn)則集成的極化SAR圖像分類方法86-96
• 4.1 引言86
• 4.2 加權(quán)投票準(zhǔn)則86-87
• 4.3 基于加權(quán)投票準(zhǔn)則集成的極化SAR分類方法87-89
• 4.4 對(duì)比實(shí)驗(yàn)與結(jié)果分析89-95
• 4.4.1 AIRSAR L波段 舊金山圖像實(shí)驗(yàn)結(jié)果89-91
• 4.4.2 Radarsat-2 C波段 舊金山圖像實(shí)驗(yàn)結(jié)果91-92
• 4.4.3 Radarsat-2 C波段 舊金山圖像實(shí)驗(yàn)結(jié)果92-94
• 4.4.4 Radarsat-2 C波段 西安地區(qū)圖像實(shí)驗(yàn)結(jié)果94-95
• 4.5 小結(jié)95-96
• 第五章 基于奇異值矩陣分解集成特征加權(quán)的極化SAR圖像分類96-106
• 5.1 引言96-97
• 5.2 奇異值分解和基于奇異值分解的加權(quán)集成97-98
• 5.3 基于 0-1 矩陣分解的極化SAR特征加權(quán)方法98-101
• 5.4 對(duì)比實(shí)驗(yàn)與結(jié)果分析101-105
• 5.4.1 AIRSAR L波段 舊金山實(shí)驗(yàn)結(jié)果102-103
• 5.4.2 Radarsat-2 C波段 舊金山實(shí)驗(yàn)結(jié)果103-104
• 5.4.3 Radarsat-2 C波段 西安地區(qū)實(shí)驗(yàn)結(jié)果104-105
• 5.5 小結(jié)105-106
• 第六章 基于改進(jìn)Fisher線性判決的極化SAR圖像特征選擇方法106-124
• 6.1 引言106-107
• 6.2 Fisher線性判決107-109
• 6.2.1 Fisher線性判決107-108
• 6.2.2 Freeman分解108-109
• 6.3 基于Fisher線性判決的特征選擇109
• 6.4 基于Freeman改進(jìn)的Fisher線性判決109-113
• 6.5 對(duì)比實(shí)驗(yàn)結(jié)果及分析113-123
• 6.5.1 AIRSAR L波段 舊金山圖像實(shí)驗(yàn)結(jié)果113-114
• 6.5.2 AIRSAR L波段 舊金山圖像實(shí)驗(yàn)結(jié)果114-117
• 6.5.3 Radarsat-2 C波段 舊金山圖像實(shí)驗(yàn)結(jié)果117-120
• 6.5.4 Radarsat-2 C波段 舊金山圖像實(shí)驗(yàn)結(jié)果120-123
• 6.6 小結(jié)123-124
• 第七章 基于改進(jìn)三分量散射模型的極化SAR圖像分解124-140
• 7.1 引言124
• 7.2 Freeman分解和去取向理論124-125
• 7.2.1 Freeman分解124-125
• 7.2.2 去取向理論及熵125
• 7.3 改進(jìn)三分量散射模型分解125-126
• 7.4 對(duì)比實(shí)驗(yàn)與結(jié)果分析126-139
• 7.4.1 AIRSAR L波段 舊金山圖像實(shí)驗(yàn)結(jié)果127-129
• 7.4.2 Radarsat-2 C波段 舊金山圖像實(shí)驗(yàn)結(jié)果129-132
• 7.4.3 Radarsat-2 C波段 舊金山圖像實(shí)驗(yàn)結(jié)果132-134
• 7.4.4 Radarsat-2 C波段 西安地區(qū)圖像實(shí)驗(yàn)結(jié)果134-136
• 7.4.5 Radarsat-2 C波段 西安地區(qū)圖像實(shí)驗(yàn)結(jié)果136-137
• 7.4.6 ESAR L波段Oberpfaffenhofen地區(qū)圖像實(shí)驗(yàn)結(jié)果137-139
• 7.5 小結(jié)139-140
• 第八章 結(jié)論和展望140-144
• 8.1 研究結(jié)論140-142
• 8.2 研究展望142-144
• 參考文獻(xiàn)144-156
• 致謝156-158
• 作者簡(jiǎn)介158-160

【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)圖像分類中的應(yīng)用[J];現(xiàn)代計(jì)算機(jī)(專業(yè)版);2005年01期

2 冀翠萍;孟祥增;;基于內(nèi)容的圖像分類體系[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[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[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);;圖像分類與聚類分析[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[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[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[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[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;;基于像素聚類的腦部醫(yī)學(xué)圖像分類[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[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[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[D];西安電子科技大學(xué);2014年

5 趙鑫;圖像分類中的判別性增強(qiáng)研究[D];中國(guó)科學(xué)技術(shù)大學(xué);2013年

6 楊冰;基于藝術(shù)風(fēng)格的繪畫(huà)圖像分類研究[D];浙江大學(xué);2013年

7 丁建睿;基于多示例學(xué)習(xí)的淺表器官超聲圖像分類方法研究[D];哈爾濱工業(yè)大學(xué);2012年

8 賈世杰;基于內(nèi)容的商品圖像分類方法研究[D];大連理工大學(xué);2013年

9 李曉旭;基于概率主題模型的圖像分類和標(biāo)注的研究[D];北京郵電大學(xué);2012年

10 王海江;極化SAR圖像分類方法研究[D];電子科技大學(xué);2008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[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[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[D];大連交通大學(xué);2015年

，

本文編號(hào)：819424