基于深度学习与Wishart距离相似性度量的极化SAR分类
发布时间：2021-04-25 15:22
极化合成孔径雷达（Polarimetric Synthetic Aperture Radar,PolSAR）是一种性能优良的获取地物目标散射特性的遥感设备。PolSAR系统在工作过程中不受时间、不受气候的影响,而且,它可以通过主动收发不同极化方式的电磁波去获取所探测地物目标所包含的丰富信息。但是,随着PolSAR系统所探测地物目标的愈加复杂,传统的极化SAR图像处理算法已无法满足军事领域和民用领域越来越高的需求。因此,我们需要在PolSAR图像地物分类过程中充分挖掘极化SAR数据包含的地物信息,于是本文从极化SAR数据的特征提取、极化SAR图像中同一地物的相似性度量准则和极化SAR数据扩容三方面入手。其中特征提取主要是构造一种极化SAR数据新的表示方法,充分挖掘极化SAR图像中的极化信息,接下来,为了充分利用极化SAR数据中的极化信息和空间信息,我们基于马尔科夫随机场（Markov Random Field,MRF）进行改进实现极化SAR图像的分类研究,最后,我们结合Wishart分布和生成模型对于极化特征进行生成,实现极化SAR数据的扩容。具体主要工作如下:（1）提出了一种基于浅层特...
【文章来源】：西安电子科技大学陕西省 211工程院校 教育部直属院校
【文章页数】：94 页
【学位级别】：硕士
【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 研究背景与意义
1.2 极化SAR图像分类研究现状
1.3 极化SAR图像分类的研究难点
1.4 论文内容与安排
第二章 极化SAR及深度学习理论基础
2.1 引言
2.2 极化SAR数据
2.3 极化目标分解
2.3.1 相干目标分解
2.3.2 非相干目标分解
2.4 深度学习概述
2.5 本章小结
第三章 基于浅层特征与T矩阵CNN的极化SAR分类
3.1 引言
3.2 浅层特征的提取
3.3 卷积神经网络
3.3.1 卷积神经网络的优势
3.3.2 卷积神经网络的基本结构
3.4 基于浅层特征与T矩阵CNN的极化SAR分类
3.4.1 数据预处理
3.4.2 构造新的特征表示
3.4.3 CNN的训练过程
3.4.4 实现测试样本分类
3.5 实验结果和分析
3.5.1 数据集说明
3.5.2 分类结果与讨论
3.6 本章小结
第四章 基于WD-MRF模型的极化SAR分类
4.1 引言
4.2 MRF模型简介
4.2.1 图像的邻域系统与基团的概念
4.2.2 MRF的势函数
4.2.3 吉布斯随机场
4.3 基于WD-MRF模型的极化SAR分类
4.3.1 基于Wishart距离构造似然概率函数
4.3.2 基于空间信息构造先验概率函数
4.3.3 基于WD-MRF模型实现极化SAR分类
4.4 分类结果与讨论
4.4.1 数据集说明
4.4.2 分类结果与讨论
4.5 本章小结
第五章 基于FW-DCGAN模型的极化SAR分类
5.1 引言
5.2 GAN的基本介绍
5.3 基于FW-DCGAN模型的极化SAR分类
5.3.1 DCGAN模型的基本介绍
5.3.2 构造FW-DCGAN模型的输入样本
5.3.3 基于FW-DCGAN模型生成极化特征
5.3.4 构造分类模型的输入样本
5.3.5 基于CNN模型实现极化SAR图像分类
5.4 分类结果与讨论
5.4.1 数据集说明
5.4.2 分类结果与讨论
5.5 本章小结
第六章 总结与展望
6.1 总结
6.2 展望
参考文献
致谢
作者简介
【参考文献】：
期刊论文
[1]基于DBN模型的遥感图像分类[J]. 吕启,窦勇,牛新,徐佳庆,夏飞. 计算机研究与发展. 2014(09)
[2]一种利用Cloude-Pottier分解和极化白化滤波的全极化SAR图像分类算法[J]. 杨杰,郎丰铠,李德仁. 武汉大学学报(信息科学版). 2011(01)
[3]机载SAR发展概况[J]. 曲长文,何友,龚沈光. 现代雷达. 2002(01)
博士论文
[1]基于Cloude-Pottier分解的全极化SAR数据非监督分类的算法和实验研究[D]. 曹芳.中国科学院研究生院（电子学研究所） 2007
硕士论文
[1]基于极化特征的海面漂浮小目标检测方法[D]. 蒲佳.西安电子科技大学 2018
[2]全极化SAR图像分类的深度自步学习方法[D]. 陈文帅.西安电子科技大学 2018
[3]基于联合稀疏的全极化SAR图像分类[D]. 王朋.西安电子科技大学 2017
[4]SAR图像的变化检测及毁伤分析应用[D]. 熊礼平.西安电子科技大学 2013
[5]基于Freeman分解的极化SAR图像分类研究[D]. 裴静静.西安电子科技大学 2012
本文编号：3159622
【文章来源】：西安电子科技大学陕西省 211工程院校 教育部直属院校
【文章页数】：94 页
【学位级别】：硕士
【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 研究背景与意义
1.2 极化SAR图像分类研究现状
1.3 极化SAR图像分类的研究难点
1.4 论文内容与安排
第二章 极化SAR及深度学习理论基础
2.1 引言
2.2 极化SAR数据
2.3 极化目标分解
2.3.1 相干目标分解
2.3.2 非相干目标分解
2.4 深度学习概述
2.5 本章小结
第三章 基于浅层特征与T矩阵CNN的极化SAR分类
3.1 引言
3.2 浅层特征的提取
3.3 卷积神经网络
3.3.1 卷积神经网络的优势
3.3.2 卷积神经网络的基本结构
3.4 基于浅层特征与T矩阵CNN的极化SAR分类
3.4.1 数据预处理
3.4.2 构造新的特征表示
3.4.3 CNN的训练过程
3.4.4 实现测试样本分类
3.5 实验结果和分析
3.5.1 数据集说明
3.5.2 分类结果与讨论
3.6 本章小结
第四章 基于WD-MRF模型的极化SAR分类
4.1 引言
4.2 MRF模型简介
4.2.1 图像的邻域系统与基团的概念
4.2.2 MRF的势函数
4.2.3 吉布斯随机场
4.3 基于WD-MRF模型的极化SAR分类
4.3.1 基于Wishart距离构造似然概率函数
4.3.2 基于空间信息构造先验概率函数
4.3.3 基于WD-MRF模型实现极化SAR分类
4.4 分类结果与讨论
4.4.1 数据集说明
4.4.2 分类结果与讨论
4.5 本章小结
第五章 基于FW-DCGAN模型的极化SAR分类
5.1 引言
5.2 GAN的基本介绍
5.3 基于FW-DCGAN模型的极化SAR分类
5.3.1 DCGAN模型的基本介绍
5.3.2 构造FW-DCGAN模型的输入样本
5.3.3 基于FW-DCGAN模型生成极化特征
5.3.4 构造分类模型的输入样本
5.3.5 基于CNN模型实现极化SAR图像分类
5.4 分类结果与讨论
5.4.1 数据集说明
5.4.2 分类结果与讨论
5.5 本章小结
第六章 总结与展望
6.1 总结
6.2 展望
参考文献
致谢
作者简介
【参考文献】：
期刊论文
[1]基于DBN模型的遥感图像分类[J]. 吕启,窦勇,牛新,徐佳庆,夏飞. 计算机研究与发展. 2014(09)
[2]一种利用Cloude-Pottier分解和极化白化滤波的全极化SAR图像分类算法[J]. 杨杰,郎丰铠,李德仁. 武汉大学学报(信息科学版). 2011(01)
[3]机载SAR发展概况[J]. 曲长文,何友,龚沈光. 现代雷达. 2002(01)
博士论文
[1]基于Cloude-Pottier分解的全极化SAR数据非监督分类的算法和实验研究[D]. 曹芳.中国科学院研究生院（电子学研究所） 2007
硕士论文
[1]基于极化特征的海面漂浮小目标检测方法[D]. 蒲佳.西安电子科技大学 2018
[2]全极化SAR图像分类的深度自步学习方法[D]. 陈文帅.西安电子科技大学 2018
[3]基于联合稀疏的全极化SAR图像分类[D]. 王朋.西安电子科技大学 2017
[4]SAR图像的变化检测及毁伤分析应用[D]. 熊礼平.西安电子科技大学 2013
[5]基于Freeman分解的极化SAR图像分类研究[D]. 裴静静.西安电子科技大学 2012
本文编号：3159622
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3159622.html
