基于稀疏深层网络的SAR图像分类方法

发布时间：2017-10-06 13:42

  本文关键词：基于稀疏深层网络的SAR图像分类方法

  更多相关文章： 合成孔径雷达图像 分类 特征提取 稀疏特征 深层稀疏网络

【摘要】：合成孔径雷达(SAR)图像数据包含丰富的地物信息,它不受恶劣天气和夜间的影响,可以全天时、全天候地达到监测陆地和海洋的目的。对SAR图像的地物目标进行分类无论是在民用还是军用都具有广泛的用途。然而,SAR图像具有大量的相干斑噪声,传统的方法容易受到相干斑噪声的影响。同时,SAR图像地物目标复杂,针对不同场景,不同分辨率的SAR图像设计不同特征提取方法费时又费力,并且泛化能力较差。最近,深度学习方法成为国内外的研究热点,在图像处理、信号处理、计算机视觉与模式识别等领域有许多成功的应用。本文挖掘了SAR图像的稀疏特性,利用稀疏的深层网络模型对SAR图像地物目标进行分类。克服了传统方法易受相干斑噪声影响,设计复杂,泛化能力弱的缺点。具体研究内容如下:(1)提出一种基于分层稀疏自编码卷积神经网络的SAR图像分类方法。首先,利用输入的SAR图像块训练第一层稀疏自编码模型,其次,通过卷积操作将第一层的稀疏自编码模型用于整幅的SAR图像上,提取第一层的稀疏特征,再在第一层稀疏特征图的基础上再训练第二层的稀疏自编码模型,通过卷积操作提取出第二层的稀疏特征,然后将第二层的稀疏特征输入Softmax分类器,加上训练样本的标记信息训练Softmax分类器,最后利用训练样本的标记信息对整个神经网络的权值微调,从而得到我们所需的分层稀疏滤波卷积神经网络。该模型性能在由多种地物目标构成的SAR图像数据库上进行验证,实验的结果表明:该模型可以在一定程度上提高SAR图像地物目标的分类精度,即使在小样本学习情况下,仍能得到较高的分类效果。(2)提出一种基于分层稀疏滤波卷积神经网络的SAR图像分类方法。该模型的特征提取网络的训练过程是一个无监督的过程。通过无监督的方式逐层的训练稀疏滤波器,并以卷积的方式将各层训练获得的稀疏滤波器用于大幅SAR图像的特征提取。该模型的分类器部分是一个有监督的过程。将通过第一层和第二层稀疏滤波网络所提取的稀疏特征进行组合,并利用样本的标记信息,用于线性核SVM的训练。该模型性能在由多种地物目标构成的SAR图像数据库上进行验证,实验的结果表明:与经典的卷积神经网络相比,该模型的特征提取网络的训练过程不受训练样本标记信息数量的影响,训练效率高,即使在小样本学习情况下,该模型的分类效果仍优于传统方法。(3)提出一种基于分层3D稀疏滤波卷积神经网络的SAR图像分类方法。该模型结合卷积神经网络的思想,将3D稀疏滤波特征学习算法用于大幅SAR图像的特征抽取。各层稀疏网络的训练过程先以无监督的方式进行,再以逐层有监督的方式微调,最后再以全局微调的方式确定特征提取网络的参数。利用Softmax分类器进行分类。该模型性能在由多类SAR地物目标构成的SAR图像数据集上得以验证。(4)提出一种基于分层3D稀疏滤波NIN网络的SAR图像分类方法。该模型在3D稀疏滤波的基础上,引入NIN网络结构,在局部感受域引入非线性变换,以此来增强模型的判别性。同时,NIN网络的全局平均池化可以加强特征图与类别的联系,而不需要对参数进行学习。该模型性能在由多种地物目标构成的SAR图像数据库上进行验证,实验的结果表明:该模型可以在一定程度上提高SAR图像地物目标的分类精度。
【关键词】：合成孔径雷达图像 分类 特征提取 稀疏特征 深层稀疏网络
【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5-7
• ABSTRACT7-12
• 符号对照表12-13
• 缩略语对照表13-16
• 第一章 绪论16-30
• 1.1 研究背景16
• 1.2 研究现状16-17
• 1.3 SAR图像分类方法和深层稀疏网络概述17-26
• 1.3.1 SAR图像的特征提取方法17-22
• 1.3.2 SAR图像的分类器设计22-26
• 1.3.3 深度稀疏网络26
• 1.4 研究内容与创新点26-28
• 1.5 论文架构安排28-30
• 第二章 基于分层稀疏自编码卷积神经网络的SAR图像分类30-44
• 2.1 稀疏自编码网络模型原理30-31
• 2.2 分层稀疏自编码卷积神经网络31-38
• 2.2.1 训练块的抽取和归一化31-32
• 2.2.2 ZCA白化32
• 2.2.3 字典的构造32
• 2.2.4 卷积网络32-33
• 2.2.5 池化33
• 2.2.6 算法描述33-38
• 2.3 实验38-42
• 2.3.1 实验数据38
• 2.3.2 仿真实验38-42
• 2.4 本章小结42-44
• 第三章 基于分层稀疏滤波卷积神经网络的SAR图像分类44-54
• 3.1 稀疏滤波模型原理44-45
• 3.2 分层稀疏滤波卷积神经网络45-50
• 3.2.1 稀疏滤波字典的构造45
• 3.2.2 卷积网络45-46
• 3.2.3 算法描述46-50
• 3.3 实验50-53
• 3.3.1 实验内容50
• 3.3.2 实验结果与分析50-53
• 3.4 本章小结53-54
• 第四章 基于分层 3D稀疏滤波卷积神经网络的SAR图像分类54-64
• 4.154-55
• 4.1.1 Tuncker分解54
• 4.1.2 3D稀疏滤波算法54-55
• 4.2 分层 3D稀疏滤波卷积神经网络55-60
• 4.2.1 3D稀疏滤波字典的构造55
• 4.2.2 卷积网络55-56
• 4.2.3 算法描述56-60
• 4.3 实验60-61
• 4.3.1 仿真实验内容60
• 4.3.2 实验结果与分析60-61
• 4.4 本章小结61-64
• 第五章 基于分层 3D稀疏滤波NIN网络的SAR图像分类64-74
• 5.1 NIN网络模型64-65
• 5.1.1 MLP卷积层原理64-65
• 5.1.2 全局平均池化层65
• 5.1.3 Network In Network结构65
• 5.2 分层 3D稀疏滤波NIN网络算法描述65-70
• 5.3 实验70-73
• 5.3.1 仿真实验内容70-71
• 5.3.2 实验结果与分析71-73
• 5.4 本章小结73-74
• 第六章 总结与展望74-76
• 6.1 本论文内容总结74-75
• 6.2 工作展望75-76
• 参考文献76-80
• 致谢80-82
• 作者简介82-84

【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

，

本文编号：983100