当前位置:主页 > 科技论文 > 网络通信论文 >

基于多层自编码和超像素的极化SAR图像分类

发布时间:2018-06-17 08:46

  本文选题:PolSAR + Pauli分解 ; 参考:《西安电子科技大学》2014年硕士论文


【摘要】:极化合成孔径雷达(Polarimetric Synthetic Aperture Radar,PolSAR)是地球遥感学科中一个重要的研究方向,在农业生产、城市规划、海冰监测等众多领域内具有巨大的应用价值。目前,主要集中在极化散射信息的研究上。寻找更加有效、更加精确的极化SAR图像分类方法一直是全球研究人员的工作重点。本文结合目前已经在语音识别、自然语言处理、自然图像分类等领域显示了巨大的优势的深度学习理论,进行极化SAR图像分类,该方法是结合了基于像素的分类方法和基于区域的分类方法,首先利用了深度自编码结构,从极化SAR相干矩阵中,充分挖掘矩阵元素之间的非线性关系,对极化SAR图像进行初始分类,然后结合超像素预分割技术,引入区域信息,优化分类结果,实现PolSAR图像地物分类算法。本论文所做的主要工作如下:1.本文第三章提出了一种基于多层自编码结构的极化SAR图像分类方法。该算法的主要思想是:首先,为多层自编码结构应用到Pol SAR图像中寻找到了一种合理的输入,在PolSAR图像数据中的一个点不再代表一个简单的实值,而是一个含有复数的2×2矩阵,而多层自编码结构应用在传统的自然图像时,输入的训练数据是自然图像中的原始像素值,不需要添加任何人工特征,该结构强调的是自动的逐层提取图像的结构。因此,如果我们应用极化SAR目标分解得到的元素作为多层自编码的输入数据,就不能充分体会该结构的功能。然后,搭建合理的多层自编码结构,利用多层自编码结构对于极化SAR输入数据自动特征提取的独特优势,发掘相干矩阵元素间的非线性关系。该算法的特征提取过程是基于像素的无监督算法,分类过程采用Softmax分类器,本算法思想简单,取得了很好的分类效果。2.本文第四章提出了一种新的基于多层自编码结构和超像素的极化SAR图像分类算法。该算法是基于像素的极化SAR分类与基于区域的极化SAR分类相结合的分类方法。首先,根据第三章的算法,获得了PolSAR图像的初始分割结果,该步骤是基于像素的分类结果,然后,根据Pauli基构造的伪彩图,引入超像素算法,对图像进行过分割,得到过分割的图像块,最后,根据最近邻聚类算法,在每个过分割的图像块内进行统计,并且结合强度信息,得到最终的分类结果,该步骤是考虑了基于区域的极化SAR图像分类。本算法考虑到了像素点之间的空间相关性,在基于自编码的初始分割基础上,进一步优化分类结果,很好的保留了边缘的细节完整性,取得了较高的分类精度。论文得到了国家自然科学基金(No.61072106,61271302)的资助和国家“973”计划(No.2013CB329402)的支持。
[Abstract]:Polarimetric synthetic Aperture radar (PolSAR) is an important research direction in the field of earth remote sensing. It has great application value in many fields such as agricultural production, urban planning, sea ice monitoring and so on. At present, the study of polarization scattering information is mainly focused on. Searching for more effective and accurate polarimetric SAR image classification methods has been the focus of researchers all over the world. In this paper, polarimetric SAR image classification is based on the depth learning theory, which has shown great advantages in speech recognition, natural language processing, natural image classification and so on. This method combines the pixel based classification method and the region based classification method. Firstly, using the depth self-coding structure, the nonlinear relationship between the matrix elements is fully mined from the polarimetric SAR coherence matrix. The initial classification of polarimetric SAR images is carried out, and then the region information is introduced and the classification results are optimized by using the super-pixel presegmentation technique to realize the classification algorithm for PolSAR images. The main work of this paper is as follows: 1. In chapter 3, a polarimetric SAR image classification method based on multilayer self coding structure is proposed. The main idea of the algorithm is as follows: firstly, a reasonable input is found for the multi-layer self-coding structure applied to Pol SAR images. A point in PolSAR image data no longer represents a simple real value, but a 2 脳 2 matrix with complex number. When the multi-layer self-coding structure is applied to the traditional natural image, the input training data is the original pixel value of the natural image, and it does not need to add any artificial features. This structure emphasizes the structure of automatically extracting the image layer by layer. Therefore, if we use the elements of polarimetric SAR target decomposition as multi-layer self-coding input data, we can not fully understand the function of the structure. Then a reasonable multi-layer self-coding structure is built and the unique advantage of multi-layer self-coding structure for automatic feature extraction of polarimetric SAR input data is used to explore the nonlinear relationship between the elements of coherent matrix. The feature extraction process of this algorithm is based on pixel unsupervised algorithm. Softmax classifier is used in the classification process. In chapter 4, a new polarimetric SAR image classification algorithm based on multi-layer self-coding structure and super-pixel is proposed. The algorithm is a combination of polarimetric SAR classification based on pixel and polarimetric SAR classification based on region. Firstly, according to the algorithm in Chapter 3, the initial segmentation result of PolSAR image is obtained, which is based on the classification result of pixels. Then, according to the pseudo-color image constructed by Pauli basis, the super-pixel algorithm is introduced to over-segment the image. Finally, according to the nearest neighbor clustering algorithm, statistics are carried out in each over-segmented image block, and the final classification results are obtained by combining the intensity information. This step is to consider the region-based polarimetric SAR image classification. Considering the spatial correlation between pixels, the algorithm further optimizes the classification results based on the initial segmentation based on self-coding, which preserves the integrity of the edge details and achieves high classification accuracy. The paper is supported by the National Natural Science Foundation No. 61072106 (No. 61271302) and the National 973 Program No. 2013CB329402).
【学位授予单位】:西安电子科技大学
【学位级别】:硕士
【学位授予年份】:2014
【分类号】:TN957.52

【相似文献】

相关期刊论文 前10条

1 陈戏墨,徐红兵,李志铭,谢铉洋,李曦,李扬彬;数据挖掘在医学图像分类中的应用[J];现代计算机(专业版);2005年01期

2 冀翠萍;孟祥增;;基于内容的图像分类体系[J];电脑知识与技术(学术交流);2007年07期

3 杨杰;陈晓云;;图像分类方法比较研究[J];微计算机应用;2007年06期

4 杨文潮;姜志坚;;图像分类技术研究[J];福建电脑;2008年08期

5 葛寒娟;邱桃荣;王剑;卢强;李北;刘韬;聂斌;;一种基于相容信息粒原理的图像分类方法[J];广西师范大学学报(自然科学版);2008年03期

6 王军;王员云;;粒计算及其在图像分类中的应用研究[J];计算机工程与科学;2009年03期

7 吴军;王士同;;基于正负模糊规则的相结合的图像分类[J];计算机应用;2011年01期

8 吴军;王士同;赵鑫;;正负模糊规则系统、极限学习机与图像分类[J];中国图象图形学报;2011年08期

9 郝永宽;王威;聂维同;王德强;;图像分类与聚类分析[J];数字技术与应用;2011年12期

10 蒋玲芳;张伟;司梦;;基于词袋模型的电子报图像分类方法研究[J];信阳师范学院学报(自然科学版);2013年01期

相关会议论文 前10条

1 郑海红;曾平;;一种基于图像分类的逆半调算法[A];’2004计算机应用技术交流会议论文集[C];2004年

2 文振q;欧阳杰;朱为总;;基于语义特征与支持向量机的图像分类[A];中国电子学会第十六届信息论学术年会论文集[C];2009年

3 王海峰;管亮;;基于颜色特征的图像分类技术在油品分析中的应用[A];中国仪器仪表学会第六届青年学术会议论文集[C];2004年

4 陈思坤;吴洪;;基于图分块并利用空间金字塔的医学图像分类[A];第六届和谐人机环境联合学术会议(HHME2010)、第19届全国多媒体学术会议(NCMT2010)、第6届全国人机交互学术会议(CHCI2010)、第5届全国普适计算学术会议(PCC2010)论文集[C];2010年

5 张淑雅;赵晓宇;赵一鸣;李均利;;基于SVM的图像分类[A];第十三届全国图象图形学学术会议论文集[C];2006年

6 李博;韩萍;;基于压缩感知和SVM的极化SAR图像分类[A];第二十七届中国(天津)2013IT、网络、信息技术、电子、仪器仪表创新学术会议论文集[C];2013年

7 朱松豪;胡娟娟;孙伟;;基于非欧空间高阶统计的图像分类方法[A];第25届中国控制与决策会议论文集[C];2013年

8 潘海为;李建中;张炜;;基于像素聚类的脑部医学图像分类[A];第二十届全国数据库学术会议论文集(研究报告篇)[C];2003年

9 吴霜;张一飞;修非;王大玲;鲍玉斌;于戈;;基于兴趣点特征提取的医学图像分类[A];第二十四届中国数据库学术会议论文集(研究报告篇)[C];2007年

10 武进;尹恺;王长明;张家才;;SVDM在蔬菜病害图像分类中的应用[A];图像图形技术与应用进展——第三届图像图形技术与应用学术会议论文集[C];2008年

相关博士学位论文 前10条

1 胡尧;基于低秩矩阵估计的机器学习算法分析[D];浙江大学;2015年

2 李昌英(Ri ChangYong);基于上下文信息的语义图像分类研究[D];浙江大学;2014年

3 赵鑫;图像分类中的判别性增强研究[D];中国科学技术大学;2013年

4 杨冰;基于艺术风格的绘画图像分类研究[D];浙江大学;2013年

5 丁建睿;基于多示例学习的浅表器官超声图像分类方法研究[D];哈尔滨工业大学;2012年

6 贾世杰;基于内容的商品图像分类方法研究[D];大连理工大学;2013年

7 李晓旭;基于概率主题模型的图像分类和标注的研究[D];北京邮电大学;2012年

8 王海江;极化SAR图像分类方法研究[D];电子科技大学;2008年

9 韩东峰;图像分类识别中特征及模型的若干问题研究[D];吉林大学;2008年

10 白有茂;基于张量流形学习的图像分类技术研究[D];中国矿业大学(北京);2013年

相关硕士学位论文 前10条

1 张明静;基于改进遗传算法的分块综合特征加权图像分类研究[D];华南理工大学;2015年

2 李函怡;融合主动学习的半监督技术在图像分类中的应用研究[D];西南大学;2015年

3 王亚凤;基于多特征的主动学习方法在图像分类中的应用研究[D];河北工程大学;2015年

4 陈荣安;基于改进的Bag-of-Features模型的图像分类研究[D];兰州大学;2015年

5 钟畏丹;基于HSV和纹理特征的图像分类[D];华中师范大学;2015年

6 焦阳;基于主动学习的多标签图像分类方法研究[D];苏州大学;2015年

7 王腾川;基于主动学习的SAR图像分类方法研究[D];上海交通大学;2015年

8 NGUYEN QUANG KHANH;基于极化SAR目标信息提取与SVM分类[D];哈尔滨工业大学;2015年

9 王朔琛;基于半监督支持向量机的图像分类方法研究[D];陕西师范大学;2015年

10 杨东坡;基于深度学习的商品图像分类[D];大连交通大学;2015年



本文编号:2030440

资料下载
论文发表

本文链接:https://www.wllwen.com/kejilunwen/wltx/2030440.html


Copyright(c)文论论文网All Rights Reserved | 网站地图 |

版权申明:资料由用户06263***提供,本站仅收录摘要或目录,作者需要删除请E-mail邮箱bigeng88@qq.com