基于多任务学习的极化SAR图像分类问题研究

发布时间：2020-04-25 11:44

【摘要】：极化合成孔径雷达(POLSAR,极化SAR)具有全天时、全天候的观察测量功能,是目前最先进、最重要的监测技术之一。极化SAR图像分类是SAR图像处理中重要和困难的任务之一,其目的是将每个像素分类到特定的类别。极化SAR图像分类是理解SAR数据的关键步骤,且已被广泛应用于军事、民用等多个领域。但由于自然地形的复杂性和多样性,极化SAR图像分类仍然是具有挑战性的任务。极化SAR图像分类图像处理领域的一个重要研究方向,是目前一大研究的热点和难点。针对极化SAR图像分类问题,本文提出以下两种算法:第三章中,本文提出了一种基于多任务稀疏表示学习的极化SAR图像分类方法。为了提高分类的计算效率和空间一致性,首先对极化SAR图像进行超像素分割,然后对其提取不同类型的特征,构成每个类的特征字典,然后通过多任务稀疏表示学习方法,将目标极化SAR的超像素特征向量分类为特定类,从而完成图像分类任务。针对本文采用的多任务稀疏表示学习模型,采用了加速近端梯度方法进行数值求解。最后,依据真实的极化SAR数据的实验结果说明,该方法比几种最先进的算法效果更好。第四章中,本文提出了一种基于低秩多任务学习的极化SAR图像分类方法。本文先对极化SAR图像进行超像素分割处理,将训练样本和测试样本分割成许多小块,再将从不同类别标签的超级像素提取的特征组成每个类别的特征字典,利用基于鲁棒低秩表示的多任务学习模型将测试图像的超像素分到特定类。实验表明,本文提出的基于鲁棒低秩表示的多任务学习方法优于基于单一特征的分类方法。
【图文】：

空大学硕士学位论文 第二章 极化 SAR 图像分类的理 稀疏表示多任务学习机器学习和计算机视觉中，当要学习的任务共享一些潜在因素时，任务关系可能是有利的。例如，当用于学习的样本数量较少时，将个任务转移到另一个任务可能有利于泛化性能。这就是多任务学习（研究任务。图像分类为例，对于每一幅图像，可以提取K 种不同的特征，如颜理等，对于每一种特征，都可以构造一个线性表示模型。传统的稀法独立的训练每一种特征诱导的子空间分类问题。与之相比，多任多个子任务之间的相互依赖关系，通过将多个任务的稀疏表示模型，有效利用了不同任务之间共享的潜在因素，提升了学习的效率和。任务稀疏表示学习的大致流程如图 2-1 所示：

观测图像 低秩部分 稀疏部分图 2-2 矩阵低秩分解图将图像看成一个矩阵，基的数量越少，基对应的线性无关向量数量秩就越小。若其远小于矩阵秩的大小时，，图像就是低秩的。说明矩余信息。利用冗余信息可对图像信息进行恢复，可去噪声，还可对息进行恢复。阵恢复的目标是要从观测矩阵D中恢复出低秩数据 A。针对该问题提出了鲁棒主成分分析（RPCA)，只要噪声矩阵E是足够稀疏，不恢复出低秩矩阵 A。E为稀疏的大噪声时，则恢复矩阵 A是一个双目标优化问题： rankAEstDAEAEmin,.. 0,入折中因子 0 ，将双目标变成单目标优化问题： rankAEstDAEAEmin .. 0, 式(2-6)中是 NP 难问题，该问题的求解，利用1l 范数凸松弛，将问题
【学位授予单位】：南昌航空大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TN957.52

【相似文献】

相关期刊论文 前10条

1 陶筱娇;王鑫;;基于深度学习算法的图像分类方法[J];微型电脑应用;2019年03期

2 李会民;马桂英;王延仓;;基于深度学习网络的水质图像分类[J];北华航天工业学院学报;2018年04期

3 彭娟;;特征选择和聚类分析的图像分类模型[J];现代电子技术;2017年19期

4 田凯;杜鹏;;基于C#的图像分类系统实现[J];数码世界;2017年08期

5 王科平;张志刚;;基于特征加权的自动图像分类方法[J];微型电脑应用;2014年01期

6 汪煜浩;华瑞林;;山地卫星图像分类制图方法研究[J];遥感信息;1987年04期

7 武慧琼;张素兰;张继福;胡立华;;一种基于三支决策的花卉图像分类[J];小型微型计算机系统;2019年07期

8 吴健;贾宏宇;;基于迁移学习的图像分类方法研究[J];河南科技;2018年31期

9 林泽文;;深度学习及其在图像分类识别中的运用探讨[J];信息与电脑(理论版);2018年12期

10 李舒;吴磊;;数据挖掘在医学图像分类中的应用[J];医学信息学杂志;2014年08期

相关会议论文 前10条

1 吴楠;李晓曦;宋方敏;;图像挖掘及其在医学图像分类中的应用[A];2006年全国理论计算机科学学术年会论文集[C];2006年

2 朱松豪;刘佳伟;胡荣林;;一种图像分类的新方法[A];第26届中国控制与决策会议论文集[C];2014年

3 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

4 武文;李昊;王晓军;吴永辉;;极化误差对图像分类的影响分析[A];全国第20届计算机技术与应用学术会议（CACIS·2009）暨全国第1届安全关键技术与应用学术会议论文集（上册）[C];2009年

5 范海地;谢凤英;;基于卷积神经网络的皮肤镜图像分类[A];第十五届中国体视学与图像分析学术会议论文集[C];2017年

6 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

7 芦颖;倪维平;严卫东;边辉;;基于改进极化目标分解算法的POLSAR图像分类[A];国家安全地球物理丛书（十一）——地球物理应用前沿[C];2015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 佘杰;;基于BP神经网络的煤岩图像分类识别[A];第23届全国煤矿自动化与信息化学术会议暨第5届中国煤矿信息化与自动化高层论坛论文集[C];2013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

相关博士学位论文 前10条

1 侯赛辉;图像物体的精细化分类方法研究[D];中国科学技术大学;2019年

2 郑昱;面向大规模图像分类的层次化多任务学习算法研究[D];西安电子科技大学;2017年

3 郭雨薇;基于超像素表征和模糊特征学习的图像分类与识别[D];西安电子科技大学;2017年

4 李晓;基于迁移学习的跨域图像分类方法研究[D];西安电子科技大学;2017年

5 滑文强;小样本下的极化SAR图像分类问题研究[D];西安电子科技大学;2018年

6 张姝茵;基于判别性特征学习的极化SAR图像分类[D];西安电子科技大学;2018年

7 胡慧君;带钢缺陷图像分类中的智能算法研究[D];武汉大学;2015年

8 常合友;基于字典学习的图像分类研究[D];南京理工大学;2017年

9 罗长志;多类别图像分类的关键技术研究[D];合肥工业大学;2017年

10 谢雯;基于判别字典学习和自编码网络的极化SAR图像分类[D];西安电子科技大学;2017年

相关硕士学位论文 前10条

1 朱国家;基于兴趣域检测的图像分类方法研究[D];武汉工程大学;2018年

2 付永钦;基于深度学习的蛇类图像分类问题研究[D];浙江大学;2019年

3 王曼;轻量级卷积网络的构建及其在图像分类中的应用[D];西安理工大学;2019年

4 焦鹏飞;基于深度学习和稀疏表示的图像分类与检索方法研究[D];西安理工大学;2019年

5 李盈;基于多任务学习的极化SAR图像分类问题研究[D];南昌航空大学;2019年

6 郑欣悦;基于深度学习的少样本图像分类方法[D];中国科学院大学(中国科学院国家空间科学中心);2019年

7 李安亚;基于深度学习的多标签场景图像分类研究[D];西安石油大学;2019年

8 周韬;基于卷积神经网络的图像分类与目标检测[D];广西师范大学;2019年

9 李汉乾;基于深度聚类网络和层次化学习的大规模图像分类[D];厦门大学;2018年

10 胡铎;基于多尺度属性图核的小样本图像集分类方法研究[D];安徽大学;2019年

本文编号：2640208