小样本下的极化SAR图像分类问题研究
发布时间：2023-05-31 19:52
合成孔径雷达(Synthetic Aperture Radar,SAR)系统是一种多通道、多参数的雷达成像系统,相较光学遥感具有全天时、全天候的优势。而极化合成孔径雷达(Polarimetric Synthetic Aperture Radar,PolSAR)因其多极化的特性可以获取更多的目标极化信息,在应用领域的作用也越来越重要,如PolSAR在自然灾害监测、城市规划、植被种类划分、地质勘探、军事探测和海洋监测等众多领域都有着广泛的应用。其中极化SAR图像地物分类作为极化SAR图像理解与解译的重要任务之一,近年来吸引了越来越多的研究者的关注。本文在国家自然科学基金面上项目(基于协同半监督学习和系数表示的极化SAR地物分类,61173092),国家自然科学基金面上项目(基于生成式对抗网络的极化SAR地物分类,61771379)等项目的支持下,借鉴半监督学习理论与深度学习理论,针对极化SAR图像中的小样本问题展开了研究,论文研究成果如下:(1)从无标记样本下极化SAR图像分类问题入手,提出了基于改进快速密度峰值聚类的自适应无监督极化SAR图像分类方法,该方法能够准确的估计无标记样本下的极...
【文章页数】：141 页
【学位级别】：博士
【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 研究的背景和意义
1.2 国内外极化SAR分类方法的研究现状
1.3 半监督学习方法的研究现状
1.4 本文的研究内容与安排
第二章 基于类别估计的自适应无监督极化SAR图像分类方法
2.1 引言
2.2 Yamaguchi分解方法
2.3 K-Wishart分布
2.4 本章方法
2.4.1 初始划分
2.4.2 聚类
2.4.3 本章方法的整个流程
2.5 参数分析
2.5.1 滤波分析
2.5.2 初始分割策略分析
2.5.3 聚类策略分析
2.6 实验结果与分析
2.6.1 L波段美国旧金山地区的分类结果
2.6.2 C波段中国西安地区的分类结果
2.6.3 C波段荷兰地区的分类结果
2.7 小结
第三章 基于改进协同训练的半监督极化SAR图像分类方法
3.1 引言
3.2 极化SAR特征提取与差异性分析
3.2.1 特征提取
3.2.2 差异性分析
3.3 改进的协同训练过程
3.3.1 预选择过程
3.3.2 样本选择策略
3.3.3 选择样本的性能分析
3.4 后处理
3.5 参数分析
3.5.1 两组特征之间充分性和独立性分析
3.5.2 预选择区域分析
3.5.6 协同训练过程中迭代次数分析
3.6 实验结果与分析
3.6.1 AIRSAR L波段荷兰地区的图像分类
3.6.2 Radarsat-2 C波段荷兰地区的图像分类
3.6.3 Radarsat-2 C波段美国旧金山地区的图像分类
3.7 结论
第四章 基于改进Tri-training方法的半监督极化SAR图像分类方法
4.1 引言
4.2 提取高维极化SAR特征
4.3 基于类间离散度和类内离散度比值的序列后向特征选择方法
4.4 基于改进Tri-training方法的半监督极化SAR图像分类方法
4.4.1 建立预选择的样本集
4.4.2 基于改进Tri-training的半监督极化SAR方法的整体过程
4.5 参数分析
4.5.1 预选择区域分析
4.5.2 协同训练过程中迭代次数分析
4.6 实验结果与分析
4.6.1 AIRSAR L波段荷兰地区的图像分类
4.6.2 Radarsat-2 C波段荷兰地区的图像分类
4.6.3 Radarsat-2 C波段美国旧金山地区的图像分类
4.7 结论
第五章 基于邻域最小生成树的半监督极化SAR图像分类方法
5.1 引言
5.2 邻域最小生成树
5.2.1 最小生成树
5.2.2 基于像素点空间邻域信息的邻域最小生成树
5.3 基于邻域最小生成树的半监督分类方法
5.3.1 基于邻域最小生成树的样本选择方法
5.3.2 本章算法流程
5.4 参数分析
5.4.1 最近邻生成树分析
5.4.2 迭代次数分析
5.4.3 不同样本数分析
5.5 实验结果与分析
5.5.1 AIRSAR L波段荷兰地区的图像分类
5.5.2 Radarsat-2 C波段荷兰地区的图像分类
5.5.3 Radarsat-2 C波段美国旧金山地区的图像分类
5.5.4 迭代次数对实验结果的影响
5.6 结论
第六章 基于空间加权和宽度卷积网络的SAR图像分类方法
6.1 引言
6.2 基于标签传播的数据增强方法
6.3 卷积神经网络模型
6.3.1 卷积神经网络的卷积层
6.3.2 卷积神经网络的池化层
6.3.3 卷积神经网络的训练
6.4 基于空间加权和宽度卷积神经网络计划SAR图像分类
6.4.1 基于权值的数据预处理
6.4.2 宽度卷积神经网络模型
6.5 参数分析
6.5.1 数据增强分析
6.5.2 选择像素块的大小
6.6 实验结果与分析
6.6.1 AIRSAR L波段1989年荷兰地区的图像分类
6.6.2 AIRSAR L波段1991年荷兰地区的图像分类
6.7 小结
第七章 总结与展望
7.1 研究总结
7.2 工作展望
参考文献
致谢
作者简介
本文编号：3825897
【文章页数】：141 页
【学位级别】：博士
【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 研究的背景和意义
1.2 国内外极化SAR分类方法的研究现状
1.3 半监督学习方法的研究现状
1.4 本文的研究内容与安排
第二章 基于类别估计的自适应无监督极化SAR图像分类方法
2.1 引言
2.2 Yamaguchi分解方法
2.3 K-Wishart分布
2.4 本章方法
2.4.1 初始划分
2.4.2 聚类
2.4.3 本章方法的整个流程
2.5 参数分析
2.5.1 滤波分析
2.5.2 初始分割策略分析
2.5.3 聚类策略分析
2.6 实验结果与分析
2.6.1 L波段美国旧金山地区的分类结果
2.6.2 C波段中国西安地区的分类结果
2.6.3 C波段荷兰地区的分类结果
2.7 小结
第三章 基于改进协同训练的半监督极化SAR图像分类方法
3.1 引言
3.2 极化SAR特征提取与差异性分析
3.2.1 特征提取
3.2.2 差异性分析
3.3 改进的协同训练过程
3.3.1 预选择过程
3.3.2 样本选择策略
3.3.3 选择样本的性能分析
3.4 后处理
3.5 参数分析
3.5.1 两组特征之间充分性和独立性分析
3.5.2 预选择区域分析
3.5.6 协同训练过程中迭代次数分析
3.6 实验结果与分析
3.6.1 AIRSAR L波段荷兰地区的图像分类
3.6.2 Radarsat-2 C波段荷兰地区的图像分类
3.6.3 Radarsat-2 C波段美国旧金山地区的图像分类
3.7 结论
第四章 基于改进Tri-training方法的半监督极化SAR图像分类方法
4.1 引言
4.2 提取高维极化SAR特征
4.3 基于类间离散度和类内离散度比值的序列后向特征选择方法
4.4 基于改进Tri-training方法的半监督极化SAR图像分类方法
4.4.1 建立预选择的样本集
4.4.2 基于改进Tri-training的半监督极化SAR方法的整体过程
4.5 参数分析
4.5.1 预选择区域分析
4.5.2 协同训练过程中迭代次数分析
4.6 实验结果与分析
4.6.1 AIRSAR L波段荷兰地区的图像分类
4.6.2 Radarsat-2 C波段荷兰地区的图像分类
4.6.3 Radarsat-2 C波段美国旧金山地区的图像分类
4.7 结论
第五章 基于邻域最小生成树的半监督极化SAR图像分类方法
5.1 引言
5.2 邻域最小生成树
5.2.1 最小生成树
5.2.2 基于像素点空间邻域信息的邻域最小生成树
5.3 基于邻域最小生成树的半监督分类方法
5.3.1 基于邻域最小生成树的样本选择方法
5.3.2 本章算法流程
5.4 参数分析
5.4.1 最近邻生成树分析
5.4.2 迭代次数分析
5.4.3 不同样本数分析
5.5 实验结果与分析
5.5.1 AIRSAR L波段荷兰地区的图像分类
5.5.2 Radarsat-2 C波段荷兰地区的图像分类
5.5.3 Radarsat-2 C波段美国旧金山地区的图像分类
5.5.4 迭代次数对实验结果的影响
5.6 结论
第六章 基于空间加权和宽度卷积网络的SAR图像分类方法
6.1 引言
6.2 基于标签传播的数据增强方法
6.3 卷积神经网络模型
6.3.1 卷积神经网络的卷积层
6.3.2 卷积神经网络的池化层
6.3.3 卷积神经网络的训练
6.4 基于空间加权和宽度卷积神经网络计划SAR图像分类
6.4.1 基于权值的数据预处理
6.4.2 宽度卷积神经网络模型
6.5 参数分析
6.5.1 数据增强分析
6.5.2 选择像素块的大小
6.6 实验结果与分析
6.6.1 AIRSAR L波段1989年荷兰地区的图像分类
6.6.2 AIRSAR L波段1991年荷兰地区的图像分类
6.7 小结
第七章 总结与展望
7.1 研究总结
7.2 工作展望
参考文献
致谢
作者简介
本文编号：3825897
本文链接：https://www.wllwen.com/kejilunwen/xinxigongchenglunwen/3825897.html
