基于无监督域适应和模糊规则的SAR图像检索研究
发布时间：2020-12-30 01:53
通过有效地检索合成孔径雷达(Synthetic Aperture Radar,SAR)图像来获取用户感兴趣的数据是遥感图像领域一项重要且具有挑战性的任务。卷积神经网络(Convolutional Neural Network,CNN)因其优异的图像分类任务性能被广泛应用于遥感图像检索任务中,但需要大量的带标签的样本用于训练或者微调模型,而目前缺乏大量有标签的SAR图像。同时,目前的遥感图像检索方法大多在整个图像数据库中进行检索,但检索数据库中只有部分图像与查询图像相关或者相似,所以对整个图像数据库进行遍历是不合理的。如何利用已有的带标签的遥感图像库,实现无监督的学习SAR图像的检索特征,并提高检索速度是一个亟待解决的问题。本文提出了一种基于无监督域适应和模糊规则的SAR图像检索方法。首先,该方法将对抗域适应思想与模糊图像聚类相结合,借助现有的光学航空图像分类标记信息,学习SAR图像和光学航空图像之间的域不变特征,提取适用于SAR图像的检索特征。然后,该方法利用一种基于模糊规则的确定检索空间方法减少搜索空间。该方法利用无监督对抗域适应模型和改进的模糊聚类确定SAR图像的类别置信度;根据类...
【文章来源】：南昌大学江西省 211工程院校
【文章页数】：59 页
【学位级别】：硕士
【部分图文】：
图２．１基于内容的图像检索基础架构??因此，ＣＢＩＲ方法包含两个主要步骤
面的卷积层使用的卷积核逐层加大，用于捕获图像更复杂，??更抽象的信息；池化层通常跟在卷积层后进行子采样，通过再次提取上一层的特??征，降低特征图像的分辨率，在保留有用信息的同时减少数据量；全连接层一般??在网络输出层之前，它将二维的特征向量变为一维向量，使输出层更好地做分类??处理；在输出层中，将上一层的输入使用ｓｏｆｔｍａｘ函数计算成概率的形式对图像??的类别隶属做出评分，进行分类。??｜??＃征從榷??１?｜?分类《?１??输入层卷枳层池化层卷枳层池化层全连接层输出层??图２．３?ＣＮＮ结构示意图??（１）输入层??ＣＮＮ的输入层用于接收初始数据。原始图像在计算机中以像素矩阵的形式??储存，可以不经过任何处理直接输入到ＣＮＮ中。??（２）卷积层??卷积层主要执行卷积运算，卷积是特征提取的关键步骤，通过使用多个卷积??核对图像进行特征提取，可以避免特征单一化。卷积层的输出称为特征图（ｆｅａｔｕｒｅ??ｍａｐ）。位于网络前面的卷积层只能提取一些低级的特征，如线条、边缘和角等，??随着卷积层数的增多，网络在迭代中能提取更复杂的特征，捕获更加抽象的信息。??卷积层的计算公式如下：??ｚｊ?＝?＾?ｘ／?ｘ?Ｆ［ｊ?＋?ｂ）?（２．２）??ｉｅＭｊ??其中，＃是第〖层第ｙ个卷积核的输出，ｘ／是第／层的第ｉ个输入特征平面，ｆ／；??连接第／层第ｉ个输入特征平面和第ｙ个特征平面的卷积核，即卷积核矩阵。＾是第??ｚ层第ｙ个特征平面的偏置。??然后，会使用激活函数（Ａｃｔｉｖａｔｉｏｎ?Ｆｕｎｃｔｉｏｎ）将卷积层的输出结果限制在给??定的范围内，以避免梯度爆炸等问题。这个函数一般是一个非线性函数（Ｎｏｎ－??ＩＩ?
常是ｓｉｇｍｏｉｄ、ｔａｎｈ和ＲｅＬｔ／等函数。它的定义如下：??／（２？）?＝?ｘｌ＋１?＝?ｙｊ?（２．３）??其中，ｙｊ是第／层第）个特征平面。丨＋?１层的输入特征平面Ｗ＋１是由第Ｚ层的特??征平面的卷积输出经过激活函数处理后得到的，既〖层输出的特征平面。对于一??张ａｘ?ａ像素大小的图像，卷积核的大小为ｍｘｎ，卷积核移动的步长为ｓ，那么??卷积之后的特征图大小为：??（ａ?—?ｍ?＋?１）?ｘ?（ａ?—?ｎ?＋?１）??ｃ?＝??（厶??ｓ??一般ｍ?＝?ｎ。例如图２．４所不，设输入网络的是一张７?ｘ?７像素大小的图片，??卷积核的大小为４ｘ４，卷积过程中卷积核移动的步长为１，那么经过１６次运算??可以得到一张大小为４?ｘ?４的特征图。??１ｘ１?０ｘ１?０ｘ１?１ｘ１?１ｘ１?０＊１?０ｘ１?１ｘ１??ＯｋＩ??Ｉ?０＊１?ｌｘｌ?Ｉｊ．１?Ｏｘｌ?０ｘ１?１＊１?Ｕ＼?０？１??琢始?Ｍ?如?〇Ｋｌ?Ｏｘ丨?ｌＫｌ?３６?０ｘ１?Ｏｉｌ?〇Ｒｌ??＝ｔ＞?ｃ＝＝＞??ｉ?４松运算１?卷枳运其２??ｒ?卷枳运蛑ｊ??ｉ?：?３６?３５?２４?ｉ?２１?Ｊ??１０?０?１?４３?３０?３５?３０??卷枳核?０?１?１?（）?３０?３９?３２?２７??４ｘ４?０?１?＂?Ｕ？??０?０?０１??图２．４卷积运算示意图??（３）池化层??池化层一般跟在卷积层之后，用于减少参数数量，消除特征图中的冗余。其??通常由多个特征平面组成，平面数量与上一层的平面一致且一一对应。它的输入??是卷积层的输出，神经元也与其输入层的局部接受域相连，不同神经元局部接受??域不重叠。池化
【参考文献】：
期刊论文
[1]基于小波变换的图像纹理特征提取技术[J]. 刘俊梅. 计算机工程与设计. 2007(13)
[2]基于内容图像检索中的“语义鸿沟”问题[J]. 温超,耿国华. 西北大学学报(自然科学版). 2005(05)
[3]基于颜色直方图的图像检索技术[J]. 窦建军,文俊,刘重庆. 红外与激光工程. 2005(01)
本文编号：2946743
【文章来源】：南昌大学江西省 211工程院校
【文章页数】：59 页
【学位级别】：硕士
【部分图文】：
图２．１基于内容的图像检索基础架构??因此，ＣＢＩＲ方法包含两个主要步骤
面的卷积层使用的卷积核逐层加大，用于捕获图像更复杂，??更抽象的信息；池化层通常跟在卷积层后进行子采样，通过再次提取上一层的特??征，降低特征图像的分辨率，在保留有用信息的同时减少数据量；全连接层一般??在网络输出层之前，它将二维的特征向量变为一维向量，使输出层更好地做分类??处理；在输出层中，将上一层的输入使用ｓｏｆｔｍａｘ函数计算成概率的形式对图像??的类别隶属做出评分，进行分类。??｜??＃征從榷??１?｜?分类《?１??输入层卷枳层池化层卷枳层池化层全连接层输出层??图２．３?ＣＮＮ结构示意图??（１）输入层??ＣＮＮ的输入层用于接收初始数据。原始图像在计算机中以像素矩阵的形式??储存，可以不经过任何处理直接输入到ＣＮＮ中。??（２）卷积层??卷积层主要执行卷积运算，卷积是特征提取的关键步骤，通过使用多个卷积??核对图像进行特征提取，可以避免特征单一化。卷积层的输出称为特征图（ｆｅａｔｕｒｅ??ｍａｐ）。位于网络前面的卷积层只能提取一些低级的特征，如线条、边缘和角等，??随着卷积层数的增多，网络在迭代中能提取更复杂的特征，捕获更加抽象的信息。??卷积层的计算公式如下：??ｚｊ?＝?＾?ｘ／?ｘ?Ｆ［ｊ?＋?ｂ）?（２．２）??ｉｅＭｊ??其中，＃是第〖层第ｙ个卷积核的输出，ｘ／是第／层的第ｉ个输入特征平面，ｆ／；??连接第／层第ｉ个输入特征平面和第ｙ个特征平面的卷积核，即卷积核矩阵。＾是第??ｚ层第ｙ个特征平面的偏置。??然后，会使用激活函数（Ａｃｔｉｖａｔｉｏｎ?Ｆｕｎｃｔｉｏｎ）将卷积层的输出结果限制在给??定的范围内，以避免梯度爆炸等问题。这个函数一般是一个非线性函数（Ｎｏｎ－??ＩＩ?
常是ｓｉｇｍｏｉｄ、ｔａｎｈ和ＲｅＬｔ／等函数。它的定义如下：??／（２？）?＝?ｘｌ＋１?＝?ｙｊ?（２．３）??其中，ｙｊ是第／层第）个特征平面。丨＋?１层的输入特征平面Ｗ＋１是由第Ｚ层的特??征平面的卷积输出经过激活函数处理后得到的，既〖层输出的特征平面。对于一??张ａｘ?ａ像素大小的图像，卷积核的大小为ｍｘｎ，卷积核移动的步长为ｓ，那么??卷积之后的特征图大小为：??（ａ?—?ｍ?＋?１）?ｘ?（ａ?—?ｎ?＋?１）??ｃ?＝??（厶??ｓ??一般ｍ?＝?ｎ。例如图２．４所不，设输入网络的是一张７?ｘ?７像素大小的图片，??卷积核的大小为４ｘ４，卷积过程中卷积核移动的步长为１，那么经过１６次运算??可以得到一张大小为４?ｘ?４的特征图。??１ｘ１?０ｘ１?０ｘ１?１ｘ１?１ｘ１?０＊１?０ｘ１?１ｘ１??ＯｋＩ??Ｉ?０＊１?ｌｘｌ?Ｉｊ．１?Ｏｘｌ?０ｘ１?１＊１?Ｕ＼?０？１??琢始?Ｍ?如?〇Ｋｌ?Ｏｘ丨?ｌＫｌ?３６?０ｘ１?Ｏｉｌ?〇Ｒｌ??＝ｔ＞?ｃ＝＝＞??ｉ?４松运算１?卷枳运其２??ｒ?卷枳运蛑ｊ??ｉ?：?３６?３５?２４?ｉ?２１?Ｊ??１０?０?１?４３?３０?３５?３０??卷枳核?０?１?１?（）?３０?３９?３２?２７??４ｘ４?０?１?＂?Ｕ？??０?０?０１??图２．４卷积运算示意图??（３）池化层??池化层一般跟在卷积层之后，用于减少参数数量，消除特征图中的冗余。其??通常由多个特征平面组成，平面数量与上一层的平面一致且一一对应。它的输入??是卷积层的输出，神经元也与其输入层的局部接受域相连，不同神经元局部接受??域不重叠。池化
【参考文献】：
期刊论文
[1]基于小波变换的图像纹理特征提取技术[J]. 刘俊梅. 计算机工程与设计. 2007(13)
[2]基于内容图像检索中的“语义鸿沟”问题[J]. 温超,耿国华. 西北大学学报(自然科学版). 2005(05)
[3]基于颜色直方图的图像检索技术[J]. 窦建军,文俊,刘重庆. 红外与激光工程. 2005(01)
本文编号：2946743
本文链接：https://www.wllwen.com/kejilunwen/xinxigongchenglunwen/2946743.html
