基于自适应自步学习的SAR图像变化检测

发布时间：2020-10-24 22:49

　　 SAR图像变化检测是从两幅来自不同时相同一地域的SAR图像中计算出发生变化的区域。抑制SAR图像中各种噪声的影响,得到更加准确的变化检测结果是目前研究的重要课题。自步学习是模拟人类的学习过程,从简单到复杂逐渐学习样本,该方法能够避免模型的学习陷入局部最优,有效的抑制噪声的影响,但是存在参数难以调节的问题。本文研究了基于粒子群优化算法的自适应自步学习,并针对现有SAR图像变化检测的不足,提出了基于自适应自步学习的SAR图像变化检测,主要完成了以下三项工作:针对自步学习年龄参数难以调节的问题,提出了基于粒子群优化的自适应自步学习,用粒子群优化算法对年龄参数进行优化,使得年龄参数能够自适应地调节。通过分析年龄参数的特点,提出了一种新的编码方法用于年龄参数的编码,缩小搜索的可行域空间,提高算法的收敛速度。分析自步学习的目标函数,设计了一个用于评价年龄参数编码的适应度函数。在矩阵分解和动作识别两个实验上证明了,提出的算法有效地解决了年龄参数的调节问题,同时能够找到更优秀的年龄参数,使得算法的学习效果显著地优于传统的自步学习方法。考虑到现有的变化检测方法中噪声对变化检测结果的影响问题。将自适应自步学习方法应用于SAR图像变化检测,提高算法对于噪声的抑制能力,提出了基于自步学习和对称卷积耦合网络的SAR图像变化检测。将自步学习用于选择SAR图像中的像素点来进行对称卷积耦合网络的训练,使得网络优先学习简单的像素点,然后逐渐学习复杂的像素点,让对称卷积耦合网络对SAR图像的学习更加符合机器学习的路径,避免了网络的学习陷入局部最优。同时在理论上对该算法进行了分析,提出了算法需要优化的目标函数,以及目标函数的优化步骤。实验证明了本文提出的算法对噪声的抑制能力比现有的SAR图像变化检测算法更好。针对现有的基于深度神经网络的SAR变化检测方法,在选取训练样本时,可能会选取到分类错误的训练样本,从而误导网络的训练。本文提出了基于多样性自步学习和PCANet的SAR图像变化检测,利用FCM算法对两幅SAR图像进行联合分类,得到初始的变化检测结果,从初始结果中选择训练样本,对训练样本用FCM算法进行分组,用自适应自步学习来训练一个PCANet神经网络模型,得到最终的变化检测结果。算法优先学习简单的像素点,然后逐渐学习复杂的像素点,能够减少分类错误的训练样本对神经网络的误导,同时考虑到了样本的多样性,使得样本在训练的时候更加合理。在多组SAR图像数据上证明了本文提出的算法的有效性。
【学位单位】：西安电子科技大学
【学位级别】：硕士
【学位年份】：2018
【中图分类】：TP751
【部分图文】：

自步学习是受到人类的动物的学习过程的启发，模型人类和动物的认知机理，先??学习简单易懂的知识，慢慢增加知识的难度，然后能够学习到更加复杂易懂的知识［气??如图１．２所示，我们在学习一个小狗图片的模型时候。右边的小狗图片被各种环境所??遮挡，具有复杂的背景，小狗只有部分头部露出，机器学习起来会有一定的难度，但??是左边的图片比较清晰，背景简单，容易辨别。因此机器在学习的时候，我们设计让??它先学习左边的简单样本，在具有一定的学习基础之后，我们逐渐加大学习的难度，??最终能够学习到右边的比较复杂的样本。??简单???复杂?、??翁．???ｉ?＾自步学习＾ｉ???简单易学的样本ｊ?＃复杂难以辨别的样本??图１．２自步学习的学习过程??自步学习从提出发展到现在，越来越受到研宄人员的关注。在机器视角、模式识??别等诸多领域中有着越来越多的应用。??１．３．２?自步学习的研宄现状??Ｂｅｎｇｉｏ教授等人在研宄人类和动物的学习行为时发现，当我们有组织有计划地??去安排学习一些东西时，要比我们随机地选择内容学习，其学习的效率更高［２７］。我们??６??

?西安电子科技大学硕士学位论文????习步长。一般的，年龄参数随着自步学习算法的迭代而不断增大，整个自步学需要一个递增的年龄序列。因此，在自步学习的前期，年龄参数一般会比较小，??“简单”的样本会被选择加入学习，机器会通过学习简单的知识，初步建立一识基础，为学习复杂的样本做准备。在自步学习的中期，年龄参数增大，一些杂”的样本会被加入机器学习，这些复杂的样本通常有着丰富的知识和很多的息，机器能够学习到更丰富的知识。在自步学习的后期，年龄参数很大，一些、无意义的、具有很大噪声的样本会被选择加入机器进行学习，这些样本会误学习好的机器，为机器学习的表现产生“负”的影响［４４］。??因此年龄参数不仅控制着自步学习的学习步长，同时影响着模型优化的路径。示了四种不同的年龄序列在矩阵分解问题上的学习过程。使用的数据集以及详细参数设置与２．４．１小节的矩阵分解实验相同。其中横轴是自步学习的迭代纵轴是矩阵分解结果的均方误差（ＲＭＳＥ）。从图中可以看出，不同的年龄参数有着不同的优化路径，得到的学习结果也有很大的差异。??

图２．３均匀增加样本示意图??这种年龄参数设置方法会保证每次学习都会有新的样本加入训练，但是一般情况??下，样本的难易程度并不是均匀分布的，如图２．３所示，按照每次加入两个样本来训??练模型，在一次新的训练中，样本的难易程度可能突然增加很大，也可能变化很小，??或者是不发生变化。??（２）按照等比增加年龄参数，根据年龄参数选择样本加入训练。比如按照公式??ｚｌ?＝?／／Ａ来增加年龄参数，其中；Ｉ表示自步学习的年龄参数，Ｐ表示更新权重。??这种年龄参数设置方法会保证年龄参数按照一定的比例增加，也就是被选择样本??的困难程度会按照一定的比例增加。如图２．４所示，选择的样本的困难程度会按照一??定的比例增加，由于样本的难易程度并不是按照等比增加的，所以在一次新的训练中，??有可能一个新样本也没有被选择加入到模型训练，也有可能一次加入了大量的样本进??行训练。??．？？？Ｗ???＊??
【相似文献】

相关期刊论文 前10条

1 眭海刚;冯文卿;李文卓;孙开敏;徐川;;多时相遥感影像变化检测方法综述[J];武汉大学学报(信息科学版);2018年12期

2 谢馨娴;岳彩荣;霍鹏;;森林变化检测方法比较[J];四川林业科技;2018年03期

3 王娜;张景发;;SAR图像变化检测技术方法综述[J];地壳构造与地壳应力文集;2016年01期

4 宋英旭;牛瑞卿;张景发;李永生;罗毅;冯时;陈艳;;遥感影像变化检测方法对比[J];地壳构造与地壳应力文集;2016年02期

5 李强;张景发;;变化检测技术在震害信息提取中的应用[J];地理空间信息;2014年02期

6 龙玄耀;李培军;;基于图像分割的城市变化检测[J];地球信息科学;2008年01期

7 于跃龙,卢焕章;以统计变化检测为基础的实时分割视频对象新方法[J];中国图象图形学报;2005年01期

8 孙扬;朱凌;修田雨;;基于国产卫星影像的协同分割变化检测[J];北京建筑大学学报;2018年04期

9 王鑫;;聚类分析观点下的分散式最快变化检测[J];南京理工大学学报;2014年02期

10 沈壁川;毛期俭;吕翊;;基于巴氏距离的视频流场景变化检测(英文)[J];重庆邮电大学学报(自然科学版);2009年01期

相关博士学位论文 前10条

1 刘博宇;时序NDVI数据集螺线型构建及多形状参数变化检测[D];吉林大学;2018年

2 郑耀国;基于结构化表示学习的遥感图像分类及变化检测[D];西安电子科技大学;2016年

3 苏临之;基于像素信息和深度学习的遥感图像变化检测技术[D];西安电子科技大学;2016年

4 贾璐;基于核理论的遥感影像变化检测算法研究[D];西安电子科技大学;2016年

5 李瑜;基于特征学习的SAR图像变化检测方法研究[D];西安电子科技大学;2016年

6 李振轩;基于差分测度的高分辨率遥感影像可靠性变化检测方法研究[D];中国矿业大学;2018年

7 庞世燕;三维信息辅助的建筑物自动变化检测若干关键技术研究[D];武汉大学;2015年

8 何鹏飞;基于不确定性分析的遥感影像变化检测方法研究[D];中国矿业大学;2017年

9 杜晓敏;热红外遥感煤火探测方法及煤火变化检测[D];中国矿业大学(北京);2015年

10 石娟;基于无人机影像的变化检测关键技术研究[D];武汉大学;2015年

相关硕士学位论文 前10条

1 祝章智;基于子空间的高光谱影像覆被类型变化检测[D];福州大学;2017年

2 徐超;基于相似性测度的高光谱影像变化检测[D];福州大学;2017年

3 张大臣;基于自适应自步学习的SAR图像变化检测[D];西安电子科技大学;2018年

4 初照;基于地理本体的遥感影像地表覆盖分类与变化检测方法[D];辽宁工程技术大学;2016年

5 纪超南;多时相卫星影像变化检测中关键问题研究[D];山东大学;2018年

6 刘春成;基于点云数据的柱状目标变化检测[D];北京建筑大学;2018年

7 刘波;基于SVDD特征选择的随机森林高分辨率遥感影像变化检测[D];兰州交通大学;2018年

8 虢英杰;一种目标级高分辨率遥感影像的频域变化检测方法研究[D];昆明理工大学;2018年

9 李延金;影像相关性分析在遥感变化检测中的应用研究[D];长安大学;2018年

10 袁玉;基于SAR图像相干变化检测的建筑物震害信息提取研究[D];防灾科技学院;2018年

本文编号：2855083