G~0分布的随机梯度变分贝叶斯学习模型研究及应用

发布时间：2020-12-07 23:30

　　这些年来,随着遥感技术的发展,SAR图像在很多领域得到了广泛的应用,SAR图像处理的基础是SAR图像分割,然而由于SAR图像成像的特殊性,其极不匀质区域一直是分割的难点。目前有使用人工提出特征的方式进行分割,但是这需要专业的背景知识,成本与效率都比较高。在机器学习中,贝叶斯学习模型可以利用先验知识进行推断,能够自适应的学习数据的特征,可以利用该模型来学习极不匀质区域的特征。因此针对这些情况,本文提出了G~0分布随机梯度变分贝叶斯学习模型的SAR图像分割方法,该方法的主要创新如下所示:(1)提出了G~0分布随机梯度变分贝叶斯模型。贝叶斯网络需要对隐变量和近似后验概率进行概率假设,而光学图像中常用的高斯分布不能很好的拟合SAR图像数据,所以不能有效的学习SAR图像的特征。而G~0分布能够很好的刻画SAR图像的统计特征,所以本文结合贝叶斯网络以及G~0分布,对网络中概率分布的假设均使用G~0分布,从而构造出G~0分布变分贝叶斯学习模型,然后对G~0分布n(28)1和n?1两种情况,分别推导出相应学习模型中变分下界的解析形式,从而为后续学习SAR图像混合像素子空间中极不匀质区域的特征提供模型框... 

【文章来源】：西安电子科技大学陕西省 211工程院校 教育部直属院校

【文章页数】：85 页

【学位级别】：硕士

【部分图文】：

SAR图像素描图以及区域图

（a） PYRAMID 混合像素子空间 （b）PYRAMID 区域编号图 3.1 PYRAMID 混合像素子空间以及相对应的区域编号表 3.1 PYRAMID 区域 2 和 5 的部分原图与重构图PYRAMID 区域 2 PYRAMID 区域 5原图像块 重构图像块 原图像块 重构图像块

本部分的实验数据为 PYRAMID 和 PIPERIVER 图像，如图 3.2 所示。为了说明本文方法的有效性，本文的对比方法是将数据先假设为高斯分布，该假设前提下计算出变分下界，网络中的权值和偏置均进行随机初始化，然后训变分贝叶斯网络，下文均用高斯模型来进行表述；本文的方法将数据假设为0G 分网络的权值用 3.2.2 介绍的方法进行初始化，然后训练变分贝叶斯网络，下文均用文模型进行表述。（a） PIPERIVER 混合像素子空间 （b）PIPERIVER 区域编号图

【参考文献】：
期刊论文
[1]图像分割方法综述研究[J]. 周莉莉,姜枫.  计算机应用研究. 2017(07)
[2]基于模糊阈值的自适应图像分割方法[J]. 张永梅,巴德凯,邢阔.  计算机测量与控制. 2016(04)
[3]自适应蚁群和模糊聚类的SAR图像分割[J]. 鲍义东,周改云,赵伟艇.  测绘科学. 2016(08)
[4]贝叶斯机器学习前沿进展综述[J]. 朱军,胡文波.  计算机研究与发展. 2015(01)
[5]基于模糊水平集的SAR图像分割方法[J]. 毛万峰,张红,张波,王超.  中国科学院研究生院学报. 2013(02)
[6]基于MRF模型和形态学运算的SAR图像分割[J]. 倪维平,严卫东,边辉,吴俊政,芦颖,王培忠.  电光与控制. 2011(01)
[7]一种基于G~0分布的水平集SAR图像分割方法[J]. 冯籍澜,曹宗杰,皮亦鸣.  现代雷达. 2010(12)
[8]邻域平衡密度聚类算法[J]. 武佳薇,李雄飞,孙涛,李巍.  计算机研究与发展. 2010(06)
[9]基于Mellin变换的G~0分布参数估计方法[J]. 时公涛,高贵,周晓光,匡纲要,蒋咏梅.  自然科学进展. 2009(06)
[10]基于脉内特征的雷达信号分选新方法[J]. 张治海,秦开兵,张元发.  现代防御技术. 2009(02)

硕士论文
[1]基于Primal Sketch Map和语义信息分类的SAR图像分割[D]. 袁嘉林.西安电子科技大学 2013



本文编号：2904069