基于图的极化SAR影像半监督分类

发布时间：2017-06-06 18:17

  本文关键词：基于图的极化SAR影像半监督分类，，由笔耕文化传播整理发布。

【摘要】：随着极化SAR理论与应用的发展,极化SAR比单极化SAR,一方面能够采集更多的地物信息,另一方面也不容易受到单个极化态的限制,通过采用不同波段来获取目标在不同极化态下的散射特性,以此来得到更好的观测结果。极化SAR影像分类是解译的重要过程之一。半监督分类通过无标记样本和少量有标记样本来提高分类正确率,随着该方法的广泛应用,基于图模型的方法也备受关注,该方法首先使用包括有标记样本和无标记样本作为顶点来构建一个图,每一条顶点之间的边都赋予一个权值,权值表示两个样本之间的相似度。之后,根据优化函数即分类器将类别标记通过边来传播。虽然基于图的分类方法取得了较高的分类正确率,但是仍然存在两个缺点:一是算法在构图过程中,忽视了图像的空间信息,导致对图像的细节划分有误差。二是构图方法时间复杂度高,运算量太大。本论文针对以上问题,提出几种基于图的半监督分类方法,具体研究内容如下:(1)在基于图的基本分类方法的基础上,结合超像素分割,提出一种基于锚点空间图的半监督分类方法来处理极化SAR大数据。首先,借鉴锚点图的思想,根据样本点极化相干矩阵的相似性,使用无监督的Wishart聚类方法先将图像数据聚成多簇,把距离每簇的聚类中心最近的样本点作为锚点,然后利用多特征根据每个样本最近邻的少量锚点构造锚点图,之后结合图像的空间相邻关系构造锚点空间图,最后利用该图进行标签传播实现分类,该方法时间复杂度较低,在处理大数据过程中能够有效缩短处理时间。(2)在单视图分类的基础上,提出了基于多视图的半监督分类方法。根据由图像数据获得的多组特征分别构造图结构,通过优化方法来利用视图之间的相互作用,优势互补,重组多个图结构,提高后续分类的正确率。合成数据和真实极化SAR影像的分类实验均验证了算法的有效性。(3)在锚点图的基础上,利用超像素先将影像进行区域的划分,然后分别使用一个特征向量来表示各个区域中的所有点进行单视图的分类,其对应分类器学习后的类别标签即可表示该区域内所有测试样本点的类别标签。此方法虽然在分类正确率上相比之前对于所有像素点进行的单视图分类有所降低,但运行时间大大减少,有效提高分类的效率。
【关键词】：半监督分类 极化SAR影像 锚点图 地物分类
【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】：2015
【分类号】：TN957.52
【目录】：

• 摘要5-6
• ABSTRACT6-10
• 符号对照表10-11
• 缩略语对照表11-14
• 第一章 绪论14-18
• 1.1 研究背景14-15
• 1.2 研究目的与意义15
• 1.3 论文的主要工作与架构安排15-18
• 第二章 基于图的半监督分类方法18-24
• 2.1 概述18
• 2.2 几种常见的图的构建方法18-20
• 2.3 几种常见的基于图论的半监督分类方法20-22
• 2.4 本章小结22-24
• 第三章 基于锚点空间图的极化SAR影像半监督分类24-46
• 3.1 基于锚点图的半监督分类方法24-25
• 3.2 基于锚点空间图的极化SAR影像半监督分类方法25-30
• 3.2.1 特征加权26-27
• 3.2.2 Wishart聚类27-28
• 3.2.3 构建空间锚点图28
• 3.2.4 构建空间锚点类别图28-29
• 3.2.5 半监督分类29-30
• 3.3 时间复杂度分析30
• 3.4 实验结果与分析30-43
• 3.4.1 合成极化SAR数据实验结果31-37
• 3.4.2 Flevoland（荷兰地区）的AIRSAR数据实验结果37-39
• 3.4.3 Flevoland（荷兰地区）子图数据实验结果39-41
• 3.4.4 Oberpfaffenhofen（德国地区）的E-SAR数据实验结果41-43
• 3.5 参数的讨论43-45
• 3.6 本章小结45-46
• 第四章 基于多视图重组的极化SAR影像半监督分类46-60
• 4.1 基于图的重组学习方法46-48
• 4.2 基于多视图重组的极化SAR影像半监督分类方法48-51
• 4.2.1 基于多视图重组的半监督分类方法48-50
• 4.2.2 具体实现方法50-51
• 4.3 参数的讨论51-53
• 4.4 实验结果与分析53-58
• 4.4.1 合成极化SAR数据实验结果53-55
• 4.4.2 Flevoland（荷兰地区）的城区子AIRSAR数据实验结果55-56
• 4.4.3 Foloum（丹麦地区）的EMISAR数据实验结果56-58
• 4.5 本章小结58-60
• 第五章 基于锚点图的快速极化SAR影像半监督分类60-70
• 5.1 超像素分割60-61
• 5.2 基于锚点图的快速极化SAR影像半监督分类方法61-62
• 5.3 实验结果与分析62-68
• 5.3.1 合成极化SAR数据实验结果62-65
• 5.3.2 Flevoland（荷兰地区）的AIRSAR数据实验结果65-67
• 5.3.3 Oberpfaffenhofen（德国地区）的E-SAR数据实验结果67-68
• 5.4 时间复杂度分析68-69
• 5.5 本章小结69-70
• 第六章 总结与展望70-72
• 6.1 总结70
• 6.2 展望70-72
• 参考文献72-76
• 致谢76-78
• 作者简介78-79

【相似文献】

中国期刊全文数据库 前10条

1 葛咏;白鹤翔;李三平;李德玉;;粗糙集理论进行遥感图像监督分类的样本质量评价的研究(英文)[J];Geo-Spatial Information Science;2008年02期

2 刘建南;冷亮;杨国东;;遥感影像平行六面体法则监督分类与目视识别的对比分析[J];才智;2009年19期

3 孔令富;李海涛;;基于免疫无监督分类的老年人行为分析[J];吉林大学学报(工学版);2011年06期

4 王丽丽;余代俊;白铁勇;;基于RS和GIS土地利用现状调查[J];地理空间信息;2009年06期

5 郑明国,秦明周;利用众数滤波对监督分类训练样本纯化的研究[J];信阳师范学院学报(自然科学版);2003年03期

6 曾招城;李利伟;王正海;雷莉萍;;基于监督分类的震后高分辨率影像倒塌房屋快速识别[J];遥感信息;2011年05期

7 宋爽;李宏伟;;图像监督分类[J];电脑编程技巧与维护;2007年01期

8 易文斌;冒亚明;慎利;;利用概率主题模型的遥感影像半监督分类[J];计算机工程与应用;2013年10期

9 王成业,李夏;遥感图象数据的无监督分类后处理及精度分析[J];计算机工程与应用;1984年05期

10 巢宁佳;;遥感影像监督分类[J];江西测绘;2007年04期

中国重要会议论文全文数据库 前5条

1 马平燕;;基于ERDAS的土地利用监督分类探讨[A];江苏省测绘学会2007年学术年会论文集[C];2008年

2 马平燕;;基于ERDAS的土地利用监督分类探讨[A];江苏省测绘学会2007'学术年会论文集[C];2008年

3 赵伟颖;;极化SAR监督分类方法对植被分类效果比较分析[A];第九届长三角科技论坛（测绘分论坛）论文集[C];2012年

4 袁金国;;遥感影像监督分类方法的应用研究[A];科技、工程与经济社会协调发展——中国科协第五届青年学术年会论文集[C];2004年

5 王强;孙洪;;基于支持向量机的多极化SAR图像监督分类[A];第十二届全国信号处理学术年会（CCSP-2005）论文集[C];2005年

中国博士学位论文全文数据库 前3条

1 王春阳;基于信息熵的自训练半监督高光谱遥感影像分类研究[D];河南理工大学;2015年

2 可婷;部分监督分类问题的研究[D];中国农业大学;2014年

3 黄东山;特征选择及半监督分类方法研究[D];华中科技大学;2011年

中国硕士学位论文全文数据库 前8条

1 王艺恺;基于图的极化SAR影像半监督分类[D];西安电子科技大学;2015年

2 贾敏;脑机接口中半监督分类方法研究[D];燕山大学;2012年

3 张兴娟;石家庄市绿地调查研究与分析[D];辽宁工程技术大学;2009年

4 韩花;基于监督分类的土地利用动态变化监测及其信息自动提取[D];长安大学;2012年

5 蒋霞;极化SAR图像无监督分类方法研究[D];电子科技大学;2015年

6 吕浩然;基于树分解的大规模半监督分类算法[D];华南理工大学;2012年

7 陆广泉;半监督分类技术及其算法研究[D];广西师范大学;2011年

8 石瑞超;关系网络数据的半监督分类方法研究[D];哈尔滨工业大学;2013年

  本文关键词：基于图的极化SAR影像半监督分类，由笔耕文化传播整理发布。

本文编号：427163