基于自适应自编码和超像素的SAR图像分类

发布时间：2017-06-17 07:01

  本文关键词：基于自适应自编码和超像素的SAR图像分类，由笔耕文化传播整理发布。

【摘要】：合成孔径雷达(Synthetic Aperture Radar,SAR)可以全天时和全天候地对地球表面地物成像,而且可以穿透地球的表面。SAR可以获得较高的空间分辨率,因此高分辨SAR图像在军事、农业和医学领域起着越来越重要的作用,近年来SAR图像的分类研究也在民用和军事领域中得到广泛应用。目前对于高分辨SAR图像最大的挑战是提取信息丰富、识别性强和能抑制噪声的特征,虽然研究者们在此方面已做出了很多贡献,但最有效可靠的特征还是未能找到。因此,本文提出了基于Gamma分布的自适应多尺度自编码器的高分辨SAR图像分类方法,以及适用于SAR图像的异质超像素算法,有效应用于SAR图像的分类分割预处理和后期处理,具体的改进思路如下:(1)超像素能够捕获图像冗余信息,降低后续处理任务复杂度,是SAR图像分类分割中广泛受到应用的预处理方法。但由于SAR图像严重的乘性相干斑噪声,多出现弱边界区域,传统的超像素算法已不能有效提取出同质像素块,对后续地分类分割算法有严重干扰,本文提出一种基于Gamma分布的异质超像素SAR图像分割方法,是一种适用于SAR图像分类分割的预处理方法。(2)SAR图像由于严重的乘性相干斑噪声,存在匀质区域、不匀质区域和极不匀质区域,传统的稀疏自编码器对单幅图像像素点的特征训练采用固定的尺度提取,已不能对高分辨率的SAR图像有效地进行特征的表达。本文提出一种基于Gamma分布的自适应多尺度自编码的SAR图像分类方法,在提取无标签图像小块时,利用Gamma分布估计每个像素点及其邻域的异质性,根据异质性不同,自适应地提取多个不同尺度图像小块,再进行特征训练,对图像每个像素点有效进行特征描述,再加入多尺度的特征信息,为SAR图像的分类提供了充分的特征信息。(3)由于稀疏自编码器对像素点特征的训练缺乏了对空间邻域信息的考虑,提出一种将深层特征和改进的空间信息相结合的高分辨SAR图像自编码分类方法,将适用于SAR图像的超像素方法对分类结果进行空间限制。实验结果表明,本文提出的基于异质超像素分割和自适应多尺度稀疏自编码器分类方法可以对高分辨率SAR图像进行较高精度的分类。
【关键词】：图像分类 SAR Gamma分布 超像素 自适应 多尺度
【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14-20
• 1.1 研究背景及意义14-15
• 1.2 SAR图像的分类方法15-16
• 1.3 深度学习发展概况16-17
• 1.4 本文的主要工作及结构安排17-20
• 1.4.1 本文的主要工作17-18
• 1.4.2 本文的结构安排18-20
• 第二章 基于Gamma分布的异质超像素SAR图像预分割方法20-31
• 2.1 引言20
• 2.2 超像素生成算法20-21
• 2.3 Turbopixels超像素生成算法21-23
• 2.4 Turbopixels超像素对SAR图像生成结果和结果分析23-24
• 2.5 Gamma分布24-25
• 2.6 参数估计方法和部分超像素异质性参数估计结果25-27
• 2.6.1 参数估计方法25-26
• 2.6.2 部分超像素异质性估计结果26-27
• 2.7 K均值算法27-28
• 2.8 实验步骤28
• 2.9 实验结果对比与分析28-30
• 2.10 本章小结30-31
• 第三章 基于自适应堆叠自编码器的SAR图像分类算法31-48
• 3.1 引言31
• 3.2 基于自适应堆叠自编码器的SAR图像分类算法31-41
• 3.2.1 自适应稀疏自编码器结构在SAR图像中输入特征的构建31-32
• 3.2.2 PCA降维32
• 3.2.3 自编码器32-35
• 3.2.4 反向传播算法35-37
• 3.2.5 SVM分类器37-40
• 3.2.6 分类算法流程40-41
• 3.3 实验结果与分析41-46
• 3.4 本章小结46-48
• 第四章 基于异质超像素分割和自适应多尺度稀疏自编码器分类方法48-58
• 4.1 引言48
• 4.2 多尺度特征提取和融合48-49
• 4.3 KNN算法49-50
• 4.4 实验步骤50-51
• 4.5 实验结果与分析51-56
• 4.6 本章小结56-58
• 第五章 总结与展望58-62
• 5.1 本文的创新之处58-59
• 5.2 SAR图像分类研究热点与难点59-62
• 参考文献62-66
• 致谢66-68
• 作者简介68-69

【相似文献】

中国期刊全文数据库 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

中国重要会议论文全文数据库 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

中国博士学位论文全文数据库 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 陈博;基于集成学习和特征选择的极化SAR地物分类[D];西安电子科技大学;2015年

4 王晓东;基于稀疏特征学习的复杂图像分类[D];西安电子科技大学;2014年

5 顾迎节;面向图像分类的主动学习算法研究[D];南京理工大学;2015年

6 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

7 杨冰;基于艺术风格的绘画图像分类研究[D];浙江大学;2013年

8 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

9 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

10 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

中国硕士学位论文全文数据库 前10条

1 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

2 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

3 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

4 吴正文;卷积神经网络在图像分类中的应用研究[D];电子科技大学;2015年

5 陈胜喃;基于稀疏编码的图像分类[D];中国石油大学(华东);2014年

6 高翠;特征选择方法在图像分类中的研究与应用[D];中国石油大学(华东);2014年

7 于风格;面向图像分类的特征选择方法[D];北京交通大学;2016年

8 王挺进;基于语义模型的图像分类方法研究[D];解放军信息工程大学;2014年

9 邹晓川;基于多视图学习的大规模图像分类的研究[D];南京大学;2014年

10 陈彤彤;基于多示例学习的图像分类研究[D];鲁东大学;2016年

  本文关键词：基于自适应自编码和超像素的SAR图像分类，由笔耕文化传播整理发布。

，

本文编号：457620