基于迁移学习的SAR图像分类方法研究

发布时间：2017-10-19 22:28

  本文关键词：基于迁移学习的SAR图像分类方法研究

  更多相关文章： SAR图像 地物分类 迁移学习 SVM分类器

【摘要】：合成孔径雷达(Synthetic Aperture Radar,SAR)图像分类是利用不同地物样本的灰度、纹理、形状、边缘和方向等特征信息在SAR图像中确定其类别,将不同种类地物进行区域划分的图像处技术。随着SAR图像分辨率不断提高,其目标信息呈现爆炸性增长。传统的SAR图像监督分类问题依赖使用大量带标记的观测数据建立分类模型,需要耗费大量的实地考察或人工解译成本。除此之外,传统的SAR图像监督分类问题建立在测试样本与训练样本来自同一概率分布的基本假设下。而实际情况中,学习和应用场景发生迁移将会造成训练样本与测试样本不严格遵从同一概率分布的现象,影响分类结果。所以如何从SAR图像中准确分类地物一直是SAR图像解译的难点。本文将跨领域迁移学习引入到SAR图像分类领域,论文的主要研究内容和创新之处如下:(1)针对传统SAR图像监督分类获取带标记观测样本成本较高以及其学习和应用场景易发生迁移的问题,首先研究了目前较为成熟的跨领域迁移学习理论,其次研究了与主动学习相结合的迁移学习模型。除此之外,还研究了多种应用较广的SAR目标特征提取方法、特征压缩方法以及迁移学习问题中提取最有信息量样本的询问机制。(2)针对传统迁移学习模型在SAR图像分类方面不足的问题,研究了两种适用于SAR图像的迁移学习模型。首先深入分析并讨论了域间差异导致迁移风险的原理,其次研究了判定图像间相似性的度量方法,最后研究了两种现有的适用于遥感图像的迁移学习模型,并将之应用到了SAR图像分类中。(3)针对传统基于SVM分类器的迁移学习算法存储量和计算量不足的问题,从SVM分类器自身特性入手分析,提出了一种基于SVM的样本可重复利用的迁移学习模型,引入了目标域样本回收利用机制和源域无效样本的去除机制。实验结果表明,该方法提高了目标域样本的利用效率,同时优化了SAR图像的分类结果。
【关键词】：SAR图像 地物分类 迁移学习 SVM分类器
【学位授予单位】：电子科技大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TN957.52
【目录】：

• 摘要5-6
• ABSTRACT6-10
• 第一章 绪论10-16
• 1.1 课题研究的目的和意义10-11
• 1.2 相关问题研究现状及分析11-14
• 1.2.1 SAR图像分类问题研究现状及分析12-13
• 1.2.2 迁移学习理论与方法应用现状及分析13-14
• 1.3 本文的结构安排14-16
• 第二章 基于迁移学习的分类方法研究16-30
• 2.1 引言16
• 2.2 迁移学习理论16-18
• 2.2.1 传统迁移学习概念16-17
• 2.2.2 传统迁移学习机制17-18
• 2.3 基于主动学习的迁移学习模型18-29
• 2.3.1 主动学习的概念18-19
• 2.3.2 模型机制19-20
• 2.3.3 特征提取20-22
• 2.3.4 特征压缩22-24
• 2.3.5 询问机制24-25
• 2.3.6 仿真实验与模型分析25-29
• 2.4 本章小结29-30
• 第三章 适用于SAR图像分类的迁移学习模型研究30-44
• 3.1 引言30
• 3.2 迁移学习模型及SAR图像分类问题适应性分析30-31
• 3.3 适用于SAR图像分类的迁移学习模型31-42
• 3.3.1 SAR图像源域训练样本提取31-32
• 3.3.2 Bhattacharyya距离32-33
• 3.3.3 基于Q-与Q+机制的迁移学习方法33-35
• 3.3.4 基于TrAdaboost机制的迁移学习方法35-38
• 3.3.5 仿真试验与分析38-42
• 3.4 本章小结42-44
• 第四章 基于SVM分类器的样本可重复利用型迁移学习方法44-60
• 4.1 引言44
• 4.2 SAR图像分类的常用分类器44-47
• 4.3 基于SVM分类器的SAR图像迁移分类方法研究47-50
• 4.3.1 基于SVM的迁移分类方法缺陷47-48
• 4.3.2 基于SVM的样本可重复利用型迁移分类方法48-50
• 4.4 SAR图像分类仿真试验结果与分析50-58
• 4.5 本章小结58-60
• 第五章 总结与展望60-62
• 5.1 本文工作总结60
• 5.2 未来工作展望60-62
• 致谢62-63
• 参考文献63-68
• 攻读硕士学位期间取得的成果68-69

【参考文献】

中国期刊全文数据库 前10条

1 任国贞;江涛;;基于灰度共生矩阵的纹理提取方法研究[J];计算机应用与软件;2014年11期

2 庄福振;罗平;何清;史忠植;;迁移学习研究进展[J];软件学报;2015年01期

3 唐银凤;黄志明;黄荣娟;姜佳欣;卢昕;;基于多特征提取和SVM分类器的纹理图像分类[J];计算机应用与软件;2011年06期

4 赵越;周萍;;改进的K-means算法在遥感图像分类中的应用[J];国土资源遥感;2011年02期

5 文益民;王耀南;吕宝粮;陈义明;;支持向量机处理大规模问题算法综述[J];计算机科学;2009年07期

6 李庆亭,张连蓬,杨锋杰;高光谱遥感图像最大似然分类问题及解决方法[J];山东科技大学学报(自然科学版);2005年03期

7 徐杰,施鹏飞;基于Gabor小波特征的多姿态人脸图像识别[J];计算机工程与应用;2003年21期

8 骆剑承,王钦敏,马江洪,周成虎,梁怡;遥感图像最大似然分类方法的EM改进算法[J];测绘学报;2002年03期

9 陈华,陈书海,张平,严卫东;K-means算法在遥感分类中的应用[J];红外与激光工程;2000年02期

10 朱建华,刘政凯,俞能海;一种多光谱遥感图象的自适应最小距离分类方法[J];中国图象图形学报;2000年01期

中国博士学位论文全文数据库 前8条

1 冯籍澜;高分辨率SAR图像分割与分类方法研究[D];电子科技大学;2015年

2 顾鑫;跨领域分类学习方法及应用研究[D];江南大学;2014年

3 刘高峰;极化SAR图像特征提取与分类方法研究[D];西安电子科技大学;2014年

4 刘康;基于主动学习的高光谱图像分类技术研究[D];中国矿业大学（北京）;2014年

5 孟佳娜;迁移学习在文本分类中的应用研究[D];大连理工大学;2011年

6 覃姜维;迁移学习方法研究及其在跨领域数据分类中的应用[D];华南理工大学;2011年

7 刘春红;超光谱遥感图像降维及分类方法研究[D];哈尔滨工程大学;2005年

8 计科峰;SAR图像目标特征提取与分类方法研究[D];中国人民解放军国防科学技术大学;2003年

中国硕士学位论文全文数据库 前10条

1 袁立;改进中值滤波算法及其在土壤图像预处理中的应用研究[D];重庆师范大学;2014年

2 蒋韬;基于遗传粒子群优化算法的遥感图像分类方法研究与应用[D];首都师范大学;2013年

3 高馨;基于NMF的SAR图像目标识别方法研究[D];电子科技大学;2013年

4 吕静;基于实例的迁移学习算法研究[D];山西财经大学;2013年

5 张凯歌;基于线性判别分析的人脸识别系统研究与实现[D];广东工业大学;2012年

6 费全花;基于高斯混合模型的参数迁移聚类[D];西安电子科技大学;2012年

7 常昌;图像特征提取方法研究及应用[D];华中科技大学;2009年

8 孙艳丽;遥感图像配准与变化检测中的关键技术研究[D];烟台大学;2009年

9 詹新光;基于支持向量机的SAR图像目标识别[D];西安科技大学;2008年

10 王丽亚;图像的特征提取和分类[D];西安电子科技大学;2006年

，

本文编号：1063721