基于子模字典学习的SAR图像分类

发布时间：2020-04-03 22:57

【摘要】：合成孔径雷达(Synthetic Aperture Radar,SAR)是一种高分辨率雷达体制,其成像基本不受天气、光照等因素的影响,可以全天时、全天候地对目标进行稳定的监测,目前已广泛应用于农业、军事、地质检测等领域。SAR图像分类可以提供图像的整体结构信息,凸显感兴趣区域,在图像理解中具有十分重要的作用。近年来,字典学习与稀疏编码越来越广泛的应用于图像分类。本文主要针对SAR图像的分类任务,提出了一种子模字典学习方法,旨在高效地学习一个紧凑且具有判别性的字典。在研究了传统图像分类相关方法的基础上,本文利用子模理论对部分方法进行了改进:第一,改进了基于稀疏编码的空间金字塔特征计算方法。传统的方法是采用迭代的方式学习字典,迭代的次数越大,字典学习的时间也越长。本文采用子模聚类的方式计算字典,大大减小了字典学习的时间。第二,提出了一个新颖的子模目标函数。该函数包括三项:基于图模型的随机游走熵率,一个判别项和一个平衡项。随机游走熵率可以促使获得一个紧凑、同质的聚类结果;判别项使得每一个聚类簇具有较高的类纯度;平衡项使得每一个聚类簇具有相似的尺寸。第三,改进了字典项的计算方式。本文的字典项采用聚类成员中数量最多的那一个目标类元素的平均值,而非所有成员的平均值,最大程度的使用聚类簇的主要信息,进一步提升了字典的判别性,从视觉上提升了细节信息的分类效果。本文将图论、子模性、字典学习和稀疏编码等理论有机的结合起来,首先对图像进行尺度不变特征变换(Scale Invariant Feature Transform,SIFT)特征提取并获得其对应的空间金字塔描述,然后利用空间金字塔特征来构造图模型,接着最大化一个子模目标函数,对图模型进行聚类并计算字典,最后分别采用支持向量机(Support Vector Machine,SVM)和稀疏编码的方式实现SAR图像的分类。比起传统的方法,通过本方法得到的SAR图像分类效果具有更高的分类准确率,同质区域一致性也更佳。
【图文】：

飞行员,大脑,大脑活动,熟练者

的大脑活动情况，标记为黄色的表示活跃的区域。图 1.1 (a)描，图 1.1 (b)描述了熟练操作的飞行员的大脑。可以看出，熟练。换句话来说，在接收到某个相同的任务时，，熟练者只需要支费较少的能量，就能有效地进行同样的计算。从字典学习、稀说明大脑知道如何对外界的刺激（如指令、任务等）进行稀疏

最优化问题

离散最优化问题是指，函数变量为离散值条件下的求解最值个问题之前，需要先介绍一下连续最优化问题，如图 2.2.1 所示， FRRn: 是一个凸函数，可以被有效的最大化，即具有最大值， FRRn: 是一个凹函数，可以被有效的最小化，即具有最小值，在顶点处取得。
【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】：2018
【分类号】：TN957.52

【参考文献】