基于稀疏表示及上下文信息的PolSAR图像分类

发布时间：2017-10-13 14:38

  本文关键词：基于稀疏表示及上下文信息的PolSAR图像分类

  更多相关文章： 极化合成孔径雷达 分类 特征提取 稀疏表示 上下文信息

【摘要】：极化合成孔径雷达(Pol SAR)能够通过多个通道多种极化组合方式获取丰富全面的地物信息,因此,其在地震学、军事侦察、农林以及水文地理等研究领域起到不可替代的作用。将地物正确分类是Pol SAR图像一个非常重要的应用也是进行后续Pol SAR图像解译的前提和基础。目前,Pol SAR图像的分类仍存在高维非线性等难题。近些年来,在模式识别领域,稀疏表示已经成为一个高效有效的创新性工具。本文的目的主要是从Pol SAR图像本身的特性出发,利用协方差矩阵和相干矩阵提取Pol SAR图像特征,然后结合稀疏表示理论的特点,研究具有更高分类效果和分类效率的Pol SAR图像分类方法,促进Pol SAR图像解译的应用和发展。本文主要包括以下三个方面:首先,本文从Pol SAR图像的特点入手,研究了Pol SAR图像的表征方法包括极化散射矩阵以及二阶极化统计特征矩阵,然后从极化特征和非极化特征两个方面研究了Pol SAR图像特征提取方法。极化特征方面研究了基于散射机理目标分解理论的Pol SAR图像特征提取方法和基于特征值分解的Pol SAR图像提取方法;非极化特征方面研究了基于灰度共生矩阵的Pol SAR图像纹理特征提取方法。然后,本文从信号的稀疏表示、字典的设计、稀疏系数的求解以及稀疏表示的分类模型四个方面研究了稀疏表示基础理论。然后在稀疏表示的基本模型的基础上结合Pol SAR图像的特征提出了基于稀疏表示的Pol SAR图像分类模型并且利用EMISAR的Foulum地区数据、AIRSAR的San Francisco地区以及AIRSAR的Flevoland地区实验数据对其进行验证分析。最后,为了进一步提高稀疏表示分类模型的效率和效果,本文研究了稀疏约束优化模型-拉普拉斯模型和上下文稀疏表示方法,并且提出了基于上下文稀疏表示的Pol SAR图像分类模型。然后利用EMISAR的Foulum地区数据、AIRSAR的San Francisco地区以及AIRSAR的Flevoland地区实验数据对上述理论进行了实验验证,并且给出了结果和定量的分析评价。实验表明,文中提出的算法对于Pol SAR图像分类具有适用性和有效性。
【关键词】：极化合成孔径雷达 分类 特征提取 稀疏表示 上下文信息
【学位授予单位】：哈尔滨工业大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TN957.52
【目录】：

• 摘要4-5
• Abstract5-9
• 第1章 绪论9-17
• 1.1 课题背景及研究的目的和意义9-10
• 1.2 国内外研究现状及分析10-15
• 1.2.1 PolSAR图像特征提取10-12
• 1.2.2 PolSAR图像地物分类12-13
• 1.2.3 稀疏表示理论13-15
• 1.3 主要研究内容及论文结构15-17
• 第2章 PolSAR图像特征分析与提取17-31
• 2.1 引言17
• 2.2 PolSAR图像的表征17-18
• 2.2.1 极化散射矩阵17
• 2.2.2 相干矩阵和协方差矩阵17-18
• 2.3 PolSAR图像特征提取18-24
• 2.3.1 PolSAR图像散射特征提取18-21
• 2.3.2 PolSAR图像极化特征提取21-22
• 2.3.3 PolSAR图像纹理特征提取22-24
• 2.4 实验结果与分析24-29
• 2.4.1 实验数据介绍24-25
• 2.4.2 基于目标分解的PolSAR图像散射特征25-26
• 2.4.3 基于特征值分解的PolSAR图像极化特征26-27
• 2.4.4 基于灰度共生矩阵的PolSAR图像纹理特征27-29
• 2.4.5 PolSAR图像特征分析29
• 2.5 本章小结29-31
• 第3章 稀疏表示基础及PolSAR图像分类31-45
• 3.1 引言31
• 3.2 稀疏表示基础理论31-36
• 3.2.1 信号的稀疏表示31-33
• 3.2.2 字典的设计33-34
• 3.2.3 稀疏系数的求解34-35
• 3.2.4 稀疏表示分类模型35-36
• 3.3 基于稀疏表示的PolSAR图像分类36-44
• 3.3.1 PolSAR图像稀疏表示分类过程36-38
• 3.3.2 分类类别的设定38-39
• 3.3.3 稀疏度对稀疏表示分类的影响39-42
• 3.3.4 基于稀疏表示的PolSAR图像分类结果42-44
• 3.4 本章小结44-45
• 第4章 上下文稀疏表示模型及PolSAR图像分类45-60
• 4.1 引言45
• 4.2 稀疏约束优化模型 -拉普拉斯模型45-47
• 4.3 上下文稀疏表示分类模型47-50
• 4.3.1 数学模型47-49
• 4.3.2 稀疏系数矩阵求解49-50
• 4.4 基于上下文稀疏表示的PolSAR图像分类50-58
• 4.4.1 稀疏度对上下文稀疏表示分类的影响50-54
• 4.4.2 基于上下文稀疏表示的PolSAR图像分类结果54-55
• 4.4.3 CSRC、SRC、SVM三种分类器的比较分析55-58
• 4.5 本章小结58-60
• 结论60-61
• 参考文献61-67
• 攻读硕士学位期间发表的论文及其它成果67-69
• 致谢69

【相似文献】

中国期刊全文数据库 前10条

1 李映;张艳宁;许星;;基于信号稀疏表示的形态成分分析:进展和展望[J];电子学报;2009年01期

2 赵瑞珍;王飞;罗阿理;张彦霞;;基于稀疏表示的谱线自动提取方法[J];光谱学与光谱分析;2009年07期

3 杨蜀秦;宁纪锋;何东健;;基于稀疏表示的大米品种识别[J];农业工程学报;2011年03期

4 史加荣;杨威;魏宗田;;基于非负稀疏表示的人脸识别[J];计算机工程与设计;2012年05期

5 高志荣;熊承义;笪邦友;;改进的基于残差加权的稀疏表示人脸识别[J];中南民族大学学报(自然科学版);2012年03期

6 朱杰;杨万扣;唐振民;;基于字典学习的核稀疏表示人脸识别方法[J];模式识别与人工智能;2012年05期

7 耿耀君;张军英;袁细国;;一种基于稀疏表示系数的特征相关性测度[J];模式识别与人工智能;2013年01期

8 张疆勤;廖海斌;李原;;基于因子分析与稀疏表示的多姿态人脸识别[J];计算机工程与应用;2013年05期

9 李正周;王会改;刘梅;丁浩;金钢;;基于形态成分稀疏表示的红外小弱目标检测[J];弹箭与制导学报;2013年04期

10 胡正平;赵淑欢;李静;;基于块稀疏递推残差分析的稀疏表示遮挡鲁棒识别算法研究[J];模式识别与人工智能;2014年01期

中国重要会议论文全文数据库 前3条

1 何爱香;刘玉春;魏广芬;;基于稀疏表示的煤矸界面识别研究[A];虚拟运营与云计算——第十八届全国青年通信学术年会论文集（上册）[C];2013年

2 樊亚翔;孙浩;周石琳;邹焕新;;基于元样本稀疏表示的多视角目标识别[A];2013年中国智能自动化学术会议论文集（第五分册）[C];2013年

3 葛凤翔;任岁玲;郭鑫;郭良浩;孙波;;微弱信号处理及其研究进展[A];中国声学学会水声学分会2013年全国水声学学术会议论文集[C];2013年

中国博士学位论文全文数据库 前10条

1 李进明;基于稀疏表示的图像超分辨率重建方法研究[D];重庆大学;2015年

2 王亚宁;基于信号稀疏表示的电机故障诊断研究[D];河北工业大学;2014年

3 姚明海;视频异常事件检测与认证方法研究[D];东北师范大学;2015年

4 李小薪;稀疏表示的分段匹配寻踪方法[D];华南理工大学;2009年

5 何艳敏;稀疏表示在图像压缩和去噪中的应用研究[D];电子科技大学;2011年

6 宋相法;基于稀疏表示和集成学习的若干分类问题研究[D];西安电子科技大学;2013年

7 匡金骏;基于稀疏表示的图像分类与目标跟踪研究[D];重庆大学;2013年

8 李海山;基于稀疏表示理论的地震信号处理方法研究[D];中国石油大学（华东）;2013年

9 邓承志;图像稀疏表示理论及其应用研究[D];华中科技大学;2008年

10 路锦正;基于稀疏表示的图像超分辨率重构技术研究[D];电子科技大学;2013年

中国硕士学位论文全文数据库 前10条

1 王道文;基于稀疏表示的目标跟踪算法研究[D];华南理工大学;2015年

2 李哲;基于稀疏表示和LS-SVM的心电信号分类[D];河北大学;2015年

3 孙雪青;Shearlet变换和稀疏表示相结合的甲状腺结节图像融合[D];河北大学;2015年

4 吴丽璇;基于稀疏表示的微聚焦X射线图像去噪方法[D];华南理工大学;2015年

5 赵孝磊;基于图像分块稀疏表示的人脸识别算法研究[D];南京信息工程大学;2015年

6 黄志明;基于辨别式稀疏字典学习的视觉追踪算法研究[D];华南理工大学;2015年

7 张铃华;非约束环境下的稀疏表示人脸识别算法研究[D];南京信息工程大学;2015年

8 贺妍斐;基于稀疏表示与自适应倒易晶胞的遥感图像复原方法研究[D];南京信息工程大学;2015年

9 杨烁;电能质量扰动信号的稀疏表示/压缩采样研究[D];西南交通大学;2015年

10 应艳丽;基于低秩稀疏表示的目标跟踪算法研究[D];西南交通大学;2015年

，

本文编号：1025401