基于判别融合特征和邻域信息的SAR图像分类

发布时间：2020-11-06 16:36

　　 合成孔径雷达技术已成为地球观测的重要手段之一。SAR的独特优势使其在测绘、军事、灾害、地质、农业、林业等领域具有十分重要的应用价值,而如何快速准确地解译SAR图像也成为了重要的研究课题。本文针对高分辨SAR图像分类问题,基于判别融合特征和邻域信息改进SAR图像分类方法。该方法利用强度比特征的细节捕捉优势弥补传统纹理特征的不足,并加入上下文邻域信息作为SAR图像后处理方法来优化分类结果。本文主要工作如下:(1)建立了一种基于指数统计的强度比直方图特征提取方法。通过计算图像块的强度比去除了SAR图像特有的乘性噪声。然后对强度比特征分布进行分析,通过合理的加入统计分布以及采用指数间隔直方图统计策略,有效地捕捉到了细节信息,尤其着重采集到边缘信息,改善了Gabor特征和灰度共生矩阵特征边界能力差的缺点。(2)建立了一种基于融合策略的判别特征学习方法。通过强度比直方图特征进行集成学习提取新的判别特征。因同时加入有标签样本和无标签样本共同学习,而使提取的特征更好地作用于分类。同时采用融合特征策略,将判别特征与纹理特征相结合,如此优势互补使均质区域错分像素点大量减少,同时可以保持较好的边缘特性。(3)建立了一种加入邻域上下文信息的SAR图像后处理方法。加入邻域信息的图像后处理方法对边缘保持效果很好,与强度比直方图特征的边缘捕捉能力相结合,二者的联合作用使得地物中细小地物的精度得到显著提升,采用融合特征的方式结合Gabor纹理特征,避免地物特征过于细化,使地物分类中对范围较广的均质性地物和细小地物均有正确的划分,解决了纹理结构特征在SAR图像地物分类中对边缘平滑整齐的地物无法有效捕捉边缘以及对细小地物敏感度低的问题。
【学位单位】：西安电子科技大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：TN957.52
【文章目录】：
摘要
ABSTRACT
符号对照表
缩略语对照表
第一章 绪论
    1.1 课题的背景与意义
    1.2 课题的研究现状
        1.2.1 SAR图像特征提取国内外研究现状
        1.2.2 SAR图像地物分类国内外研究现状
    1.3 本文的结构安排
第二章 SAR图像分类的基础理论
    2.1 引言
    2.2 SAR图像常用统计模型
        2.2.1 对数正态分布
        2.2.2 K分布
        2.2.3 逆高斯分布
        2.2.4 Fisher分布
    2.3 SAR图像传统分类方法
        2.3.1 常用底层特征提取方法
        2.3.2 常用分类器
    2.4 本章小结
第三章 基于指数统计IRLPH特征的SAR图像分类
    3.1 引言
    3.2 强度比特征
    3.3 基于指数统计的IRLPH特征
        3.3.1 经典空间结构纹理特征
        3.3.2 加入统计分布的强度比特征
        3.3.3 基于局部直方图的SIR特征
    3.4 本方法实现步骤
        3.4.1 图像预处理
        3.4.2 特征提取
        3.4.3 分类过程
    3.5 计算成本评估以及复杂性对比
    3.6 实验结果和分析
        3.6.1 相关统计分布的分类效果分析
        3.6.2 常用特征提取方法的分类效果对比与分析
    3.7 本章小结
第四章 基于邻域信息和融合判别特征学习的SAR图像分类
    4.1 引言
    4.2 基于融合策略的判别特征学习
        4.2.1 判别特征学习
        4.2.2 多特征融合
    4.3 基于邻域信息的SAR图像分类
        4.3.1 局部上下文信息
        4.3.2 马尔科夫随机场
    4.4 实验结果与分析
    4.5 本章小结
第五章 总结与展望
    5.1 本文创新之处
    5.2 SAR图像分类展望
参考文献
致谢
作者简介

【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 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

8 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

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

相关博士学位论文 前10条

1 张璐;基于深度空间特征学习的极化SAR图像分类[D];西安电子科技大学;2019年

2 杨宝庆;基于字典学习的图像分类算法及应用研究[D];上海交通大学;2017年

3 唐芃;基于弱监督学习的物体检测及其在图像分类中的应用[D];华中科技大学;2019年

4 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

5 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

6 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

7 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

8 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

9 丁拥科;基于先验信息辅助的高分辨率SAR图像分类方法研究[D];上海交通大学;2017年

10 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

相关硕士学位论文 前10条

1 梁泽志;基于CNN-ELM的冷冻电镜单颗粒图像分类研究[D];湘潭大学;2019年

2 邰旭鸣;基于深度学习的多标签图像分类系统设计与实现[D];南京师范大学;2019年

3 张烨;基于风格迁移的图像分类技术研究[D];哈尔滨工业大学;2019年

4 艾尔（ARERO WARIYO GODANA）;基于区域的卷积神经网络在SAR图像分类中的应用[D];哈尔滨工业大学;2019年

5 付琰;基于样本生成的多任务图像分类方法研究[D];哈尔滨工业大学;2018年

6 林开东;基于网络涉恐数据Logo识别技术的研究与实现[D];重庆邮电大学;2019年

7 万博洋;基于深度学习的烟雾检测算法研究[D];江西科技师范大学;2018年

8 李明;基于深度学习的工业图像分类与检测系统设计[D];西安工程大学;2019年

9 张宇维;城市排水管内窥图像分类与病害智能检测研究[D];广东工业大学;2019年

10 葛可适;基于神经网络和密度峰值聚类的单颗粒冷冻电镜图像分类技术研究[D];国防科技大学;2017年

本文编号：2873383