基于张量分解的极化SAR图像分类

发布时间：2017-07-03 00:12

  本文关键词：基于张量分解的极化SAR图像分类

  更多相关文章： 极化SAR 张量分解 非负张量分解 图像分类

【摘要】：极化合成孔径雷达(PolSAR,Polarimetric Synthetic Aperture Radar)利用不同极化方式交替发射和接收雷达信号,从而使得雷达系统能够获得丰富的地物目标散射特性信息。与传统的SAR系统相比,极化SAR能够根据不同目标的电磁波极化散射特性,得到反映地物目标固有特性的极化复散射矩阵(全极化模式对应全极化复散射矩阵,双极化模式对应极化复散射向量),从而分析、提取和反演目标特征。因此,极化SAR的研究在遥感应用中有重要意义,在军事、民用中都有很广阔的应用前景。本文以极化SAR的应用为主要发展脉络,充分发掘极化SAR中含有的信息并将其应用于目标的分类、检测等研究中。在传统的图像处理方法中,需要将原始数据转换成向量的形式加以处理,但是这样做破环原始数据中临近位置数据间的相互关系,导致原始数据空间结构信息的丢失,为解决这个问题,结合极化SAR数据本身的高维的特点,将张量模型引入到极化SAR图像的分类领域中,利用张量在处理高维数据上的优势来提高算法性能,具体的研究工作主要包括以下几个方面:(1)提出一种基于张量分解的极化SAR图像分类方法。首先对张量的定义以及相关运算做了详细的说明,并建立了极化SAR数据的张量模型。相比现有方法将原始数据转换成向量形式,本章方法将原始数据用张量形式加以表示,保留了原始数据三个通道之间的空间结构信息,充分利用了极化SAR图像三个通道的数据,在提高抗噪声性能的同时,降低了对训练样本数目的要求,提高了分类的准确度。(2)提出一种基于非负张量分解的极化SAR图像分类方法。对非负张量分解加以研究,非负张量分解将张量数据分解为非负的基张量和对应的非负权重,这些非负的基张量具有更好的稀疏性,而且非负张量分解具有分解的唯一性,针对极化SAR原始数据的结构特征,构建张量数据模型,利用非负张量分解算法提取特征,对图像进行初始分类,然后利用复Wishart重新迭代划分,进一步提高了分类精度。
【关键词】：极化SAR 张量分解 非负张量分解 图像分类
【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
• ABSTRACT6-8
• 符号对照表8-9
• 缩略语对照表9-12
• 第一章 绪论12-16
• 1.1 研究背景和意义12-13
• 1.2 极化SAR图像目标分类识别研究现状13-15
• 1.3 本文的研究内容15-16
• 第二章 极化SAR的理论基础16-24
• 2.1 电磁波的极化及其表征16-18
• 2.2 几种基本极化散射机制18-21
• 2.2.1 极化散射矩阵19
• 2.2.2 Muller矩阵19-20
• 2.2.3 Stokes矩阵20
• 2.2.4 极化相干矩阵与极化协方差矩阵20-21
• 2.3 微波成像中几种基本散射机理21-23
• 2.3.1 表面散射21-22
• 2.3.2 漫散射22
• 2.3.3 偶次散射22-23
• 2.3.4 体散射23
• 2.4 本章小结23-24
• 第三章 基于张量分解的极化SAR图像分类24-40
• 3.1 张量及张量代数24-30
• 3.1.1 张量纤维(fibers)与切片(slices)25
• 3.1.2 张量的n阶展开25-26
• 3.1.3 矩阵Kronecker积(Kronecker Product)26
• 3.1.4 矩阵Khatri-Rao积（Khatri-Rao Product）26-27
• 3.1.5 张量的内积、范数和距离27
• 3.1.6 张量外积27
• 3.1.7 张量与矩阵的n模乘积27-28
• 3.1.8 张量分解28-30
• 3.2 基于张量分解的特征提取方法30-32
• 3.2.1 主成分分析法30-31
• 3.2.2 基于张量多线性主元分析31-32
• 3.3 基于张量分解的极化SAR图像分类方法32-35
• 3.3.1 极化SAR数据的张量描述32-34
• 3.3.2 特征提取34-35
• 3.3.3 图像分类35
• 3.4 实验结果与分析35-39
• 3.5 本章小结39-40
• 第四章 基于非负张量分解的极化SAR图像分类方法40-50
• 4.1 非负矩阵分解40-42
• 4.2 非负张量分解42-43
• 4.3 基于非负张量分解的极化SAR图像分类43-45
• 4.3.1 基于非负张量分解的特征提取43-45
• 4.3.2 图像分类45
• 4.4 实验结果和分析45-47
• 4.5 本章小结47-50
• 第五章 总结与展望50-52
• 参考文献52-56
• 致谢56-58
• 作者简介58-59

【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 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

  本文关键词：基于张量分解的极化SAR图像分类

  更多相关文章： 极化SAR 张量分解 非负张量分解 图像分类

，

本文编号：511780