基于深层特征学习和稀疏表示的SAR图像分类

发布时间：2017-07-02 16:05

  本文关键词：基于深层特征学习和稀疏表示的SAR图像分类，由笔耕文化传播整理发布。

【摘要】：由于SAR图像自身的特殊性能,目前已成为目标探测、城市规划等遥感应用领域中重要的信息来源。在SAR图像应用于各种遥感领域过程中,关键问题主要集中在自动和可靠的图像分类上。因为SAR图像与自然图像成像机制完全不同,所以SAR图像各项参数,噪声模型均与自然图像完全不同,从而给SAR图像理解与解译带来了很大困难。本文主要从设计合适的特征提取方法和有效的分类决策准则两方面出发,提出了基于深层特征学习和改进稀疏表示的SAR图像分类技术,主要分以下三个创新点:(1)提出了基于卷积特征学习的SAR图像分类技术。对词袋模型在单幅SAR图像地物分类的应用中存在的问题进行了改进。由于词袋模型直接应用于SAR图像分类时必须对单幅SAR图像进行初始预分割,使得词袋模型对SAR图像的分类效果直接受初始预分割影响,同时视觉词典的构建极易受初始化等因素的影响。将低层特征与完备的视觉词典进行卷积,得到卷积特征,避免了初始预分割同时增强了原有的数据特征,弱化了噪声,增强了分类性能。(2)提出了基于深层特征学习和分水岭的SAR图像分类技术。由于现有的词袋模型均为提取中层特征,而良好的特征表示方式能够提高分类的准确率,同时提取适合于分类的SAR图像特征表达方式需要大量的专业技能和经验基础,因此在卷积特征的基础上,利用稀疏自编码器进行无监督特征学习,解放了人力物力的同时,提取了人类很难设计的复杂特征表示方法,有效挖掘了更高级的特征,使得特征提取过程趋于自动化、智能化。实验结果表明对深层特征进行分类能够获得更好的分类性能,提高分类精度。(3)提出了改进K_SVD稀疏表示的SAR图像分类技术。由于传统的稀疏表示方法以自然图像的加性高斯白噪声为理论基础,因此基于SAR图像统计分布特性改进了K_SVD目标优化函数,并采用改进稀疏表示方法进行重建后选择重构误差最小的字典类别作为像素的类别标签,同时应用分水岭初始预分割算法,融合多数表决决策准则,进一步抑制了噪声的影响,提高了分类精度。
【关键词】：卷积特征 深层特征 K_SVD 稀疏自编码器 分水岭
【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 研究背景和意义14-15
• 1.2 研究现状15-19
• 1.2.1 基于模型驱动的SAR图像分类方法15-16
• 1.2.2 基于数据驱动的SAR图像分类方法16-18
• 1.2.3 基于词袋模型的SAR图像分类18-19
• 1.3 论文的主要工作和安排19-20
• 第二章 基于卷积中层特征学习的SAR图像分类20-30
• 2.1 Gabor滤波器介绍20-22
• 2.2 K_SVD算法介绍22-24
• 2.3 卷积特征提取和空间池化24
• 2.4 基于卷积特征学习的SAR图像分类24-27
• 2.5 实验结果与分析27-29
• 2.5.1 实验仿真结果比较27-28
• 2.5.2 仿真结果分析28-29
• 2.6 本章小结29-30
• 第三章 基于深层特征学习和分水岭的SAR图像分类30-42
• 3.1 稀疏自编码器31-33
• 3.2 分水岭算法介绍33-34
• 3.3 基于深层特征学习的SAR图像分类34-36
• 3.4 实验结果与分析36-40
• 3.4.1 实验仿真结果比较36-38
• 3.4.2 仿真结果分析38-40
• 3.5 本章小结40-42
• 第四章 基于改进K_SVD稀疏表示的SAR图像分类42-52
• 4.1 改进K_SVD算法43-45
• 4.2 基于改进K_SVD稀疏表示的SAR图像分类45-47
• 4.3 实验结果与分析47-50
• 4.3.1 实验仿真结果比较47-48
• 4.3.2 仿真结果分析48-50
• 4.4 本章小结50-52
• 第五章 总结与展望52-54
• 致谢54-56
• 参考文献56-60
• 作者简介60-61

【参考文献】

中国期刊全文数据库 前5条

1 王国力;周伟;丛瑜;关键;;多尺度自卷积方差显著性SAR图像目标检测[J];应用科学学报;2013年06期

2 王跃;薄华;;基于改进的Bag of Visual Words算法的SAR图像目标分类[J];电子设计工程;2013年12期

3 李雪莹;尹东;张荣;;基于稀疏表示与空域金字塔环形描述的SAR目标分类方法(英文)[J];中国科学技术大学学报;2013年04期

4 王宇新;郭禾;何昌钦;冯振;贾棋;;用于图像场景分类的空间视觉词袋模型[J];计算机科学;2011年08期

5 袁礼海;宋建社;薛文通;郑永安;;利用灰度和纹理特征的SAR图像分类研究[J];电光与控制;2007年04期

  本文关键词：基于深层特征学习和稀疏表示的SAR图像分类，由笔耕文化传播整理发布。

，

本文编号：510554