基于集成学习和特征选择的极化SAR地物分类

发布时间：2017-09-09 08:41

  本文关键词：基于集成学习和特征选择的极化SAR地物分类

  更多相关文章： 极化合成孔径雷达 图像分类 特征选择 集成学习

【摘要】：随着遥感技术的不断发展以及人们对遥感地物探测性能要求的不断提高,需要处理的问题也越来越复杂,这就意味着传统的雷达已经不能完全满足更高性能的要求。极化合成孔径雷达(极化SAR)作为一种较新的遥感雷达波,可以提供更加丰富的地物散射信息。因此近几十年来已成为了遥感领域的一个研究热点。极化SAR图像地物分类作为极化SAR数据研究在图像处理领域的典型应用,通过对样本,特征和分类器进行研究,做到将不同的地物类型进行区分。对于极化SAR图像分类而言,样本、特征和分类器是决定最终分类结果的三个重要因素。简言之,如果能够选择合适的样本、特征和分类器,则能够取得较好的分类结果。研究表明:极化SAR图像比一般的SAR图像蕴含更多的物理散射信息,特征信息也更为丰富。但是与此同时,选择适合的样本和特征的难度也相应增加。并且随着样本及特征数量的增加,虽然所蕴含的分类信息也相应增加,但是却也相应的增加了分类器的运算复杂度。在大量的样本和特征中,难免存在一些冗余、相似甚至有害最终分类结果的信息。为了构造一个更好的极化SAR图像分类方法,本文围绕着样本选择、特征选择和分类器构造三个方面对极化SAR图像地物分类进行了深入的研究,将一些经典的极化方法(如Freeman分解)和机器学习算法(如Fisher线性判决和集成算法)结合在一起,提出了若干基于目标分解、样本选择、特征选择和集成算法的极化SAR图像地物分类方法,主要研究成果有:1.针对有监督极化SAR图像分类中训练样本难以提前选取和评价的问题,提出了一种基于选择集成的极化SAR图像分类方法。该方法通过选择个体分类器来达到选择训练样本的目的,可以有效的减少训练样本个数并选择出较优的样本从而在减少运算时间的同时提高分类准确率。首先,从图像中选取初始训练样本集,并随机划分构成训练样本子集。然后,基于不同的训练样本子集通过基础分类器学习得到多个个体分类器。最后,通过匹配追踪选择集成算法对个体分类器进行选择,得到最终的分类结果。理论分析表明:在分类过程中,基于较好的训练样本子集训练得到的个体分类器,能够分配较大权重,而同时含有一些相似或有害信息的训练样本将被给予零值而达到删除该样本的目的。实验结果表明该章提出的基于选择集成的极化SAR图像分类方法可以有效的进行样本选择,删除有害或冗余的训练样本,从而达到提高分类精度并减少运算时间的目的。2.针对在极化SAR图像中由于雷达角度和地物形状导致属于同一类别的像素点可能存在较大的差异性,而不同类别的像素点具有相似的散射形式从而易导致错分的问题,提出了一种基于贝叶斯集成框架的极化SAR图像分类方法和一种基于加权投票准则集成的极化SAR图像分类方法。基于贝叶斯集成框架的极化SAR图像分类方法是采用贝叶斯集成,通过学习不同个体获得的分类面来改善极化sar图像分类性能。首先,输入极化sar图像,并获得其对应的极化sar特征。从图像的每一类中任意选择像素点作为图像分类的原始训练样本,并对其进行随机划分获得不同的样本子集。然后,基于获得的样本子集构造对应极化sar图像的贝叶斯集成框架。最后通过构造的贝叶斯集成框架对极化sar图像进行分类。基于加权投票准则集成的极化sar图像分类方法是根据不同训练样本子集学习得到的分类器,并用这些分类器得到预测标记,从而求得个体分类器的加权系数。最后再用这些加权系数对预测标记进行合并得到最终的分类结果。实验结果证明,所提出的两种方法均在airsar和radarsat-2数据上取得了较好的分类结果。3.针对如何更好的使用极化sar图像数据元素特征的问题,提出了一种基于特征加权集成的极化sar图像分类方法。该方法采用0-1矩阵分解集成方法对包括不同特征的数据集进行学习获得相应加权系数,并通过对每个特征集获得的预测结果进行加权集成来提高极化sar图像分类性能。首先输入极化sar数据,获得极化特征作为原始特征集,并对原始特征集进行随机抽取得到不同的特征子集。然后,使用0-1矩阵分解集成算法得到对应每个特征子集的加权系数;最后通过对各个特征子集的预测结果进行集成得到最终极化sar图像分类结果。实测l波段和c波段极化数据的实验结果表明,该方法可以有效的提高极化sar图像分类精度。4.针对如何更好的使用极化sar图像数据相干矩阵元素作为极化sar图像分类特征的问题,提出了一种基于fisher线性判决的极化sar图像特征选择方法和一种基于三分量散射模型改进的fisher线性判决的极化sar图像特征加权方法。以上两种方法均选用fisher线性判决对相干矩阵中的九维特征进行选择处理,从而得到更适合极化sar图像分类的特征组合。基于fisher线性判决的极化sar图像特征选择方法,首先选取训练样本,计算出每一类对应的fisher系数。然后再设定阈值,将高于阈值的fisher系数对应的特征保留,其余的特征删除。最后,将选择后的特征输入h/alpha和wishart分类器,得到最终的分类结果。实验结果表明特征选择可以有效的改善分类结果。基于三分量散射模型改进fisher线性判决的极化sar图像特征加权方法,首先在各类中选取训练样本,并用fisher线性判决方法计算得到各个特征的系数。然后这些权值系数根据三分量散射模型分解加以修正,这样就可以有效的将物理模型和统计模型结合在一起,使得该方法更符合极化sar数据的内在散射机理。之后再将这些权值分配给各个特征。最后用freeman分解和wishart分类器结合的方法得到最终的分类结果。实验结果证明经过特征加权之后的分类结果要优于没有对特征进行任何处理的分类结果。5.针对freeman目标散射分解存在能量负值的问题,提出了一种改进三分量散射模型的极化sar图像分解方法。该方法采用熵值和freeman分解中的体散射模型结合成新的散射模型。首先根据freeman分解得到体散射模型矩阵。然后计算得到相应的熵值。最后再用计算得到的熵值对体散射模型矩阵中的第一个元素进行修改。实验结果表明,该方法有效的改善了原始Freeman分解中对体散射机制的过估计,同时也有效地减少面散射和二次散射中能量负值的个数。
【关键词】：极化合成孔径雷达 图像分类 特征选择 集成学习
【学位授予单位】：西安电子科技大学
【学位级别】：博士
【学位授予年份】：2015
【分类号】：TN957.52
【目录】：

• 摘要5-8
• ABSTRACT8-15
• 符号对照表15-16
• 缩略语对照表16-20
• 第一章 绪论20-32
• 1.1 研究背景20-21
• 1.2 极化SAR发展现状21
• 1.3 极化SAR图像分类方法的发展和现状21-23
• 1.4 极化数据矩阵及典型目标散射机理23-27
• 1.5 机器学习及集成学习27-29
• 1.6 本文的主要工作和论文安排29-32
• 第二章 基于选择集成的极化SAR图像分类32-74
• 2.1 引言32-34
• 2.2 极化SAR散射矩阵及熵34-35
• 2.3 SVM与集成算法35-36
• 2.3.1 SVM算法35
• 2.3.2 MPOEC算法35-36
• 2.4 基于选择集成的极化SAR图像分类方法36-38
• 2.5 对比实验与结果分析38-72
• 2.5.1 含有三类地物类型数据实验结果（多组）39-62
• 2.5.2 含有多类地物类型数据实验结果（多组）62-72
• 2.6 小结72-74
• 第三章 基于贝叶斯集成框架的极化SAR图像分类方法74-86
• 3.1 引言74-75
• 3.2 贝叶斯集成算法75-76
• 3.3 基于贝叶斯集成的极化SAR分类方法76-77
• 3.4 对比实验与结果分析77-85
• 3.4.1 AIRSAR L波段 旧金山图像实验结果78-80
• 3.4.2 Radarsat-2 C波段 旧金山图像实验结果80-82
• 3.4.3 Radarsat-2 C波段 旧金山图像实验结果82-83
• 3.4.4 AIRSAR L波段Flevoland图像实验结果83-85
• 3.5 小结85-86
• 第四章 基于加权投票准则集成的极化SAR图像分类方法86-96
• 4.1 引言86
• 4.2 加权投票准则86-87
• 4.3 基于加权投票准则集成的极化SAR分类方法87-89
• 4.4 对比实验与结果分析89-95
• 4.4.1 AIRSAR L波段 旧金山图像实验结果89-91
• 4.4.2 Radarsat-2 C波段 旧金山图像实验结果91-92
• 4.4.3 Radarsat-2 C波段 旧金山图像实验结果92-94
• 4.4.4 Radarsat-2 C波段 西安地区图像实验结果94-95
• 4.5 小结95-96
• 第五章 基于奇异值矩阵分解集成特征加权的极化SAR图像分类96-106
• 5.1 引言96-97
• 5.2 奇异值分解和基于奇异值分解的加权集成97-98
• 5.3 基于 0-1 矩阵分解的极化SAR特征加权方法98-101
• 5.4 对比实验与结果分析101-105
• 5.4.1 AIRSAR L波段 旧金山实验结果102-103
• 5.4.2 Radarsat-2 C波段 旧金山实验结果103-104
• 5.4.3 Radarsat-2 C波段 西安地区实验结果104-105
• 5.5 小结105-106
• 第六章 基于改进Fisher线性判决的极化SAR图像特征选择方法106-124
• 6.1 引言106-107
• 6.2 Fisher线性判决107-109
• 6.2.1 Fisher线性判决107-108
• 6.2.2 Freeman分解108-109
• 6.3 基于Fisher线性判决的特征选择109
• 6.4 基于Freeman改进的Fisher线性判决109-113
• 6.5 对比实验结果及分析113-123
• 6.5.1 AIRSAR L波段 旧金山图像实验结果113-114
• 6.5.2 AIRSAR L波段 旧金山图像实验结果114-117
• 6.5.3 Radarsat-2 C波段 旧金山图像实验结果117-120
• 6.5.4 Radarsat-2 C波段 旧金山图像实验结果120-123
• 6.6 小结123-124
• 第七章 基于改进三分量散射模型的极化SAR图像分解124-140
• 7.1 引言124
• 7.2 Freeman分解和去取向理论124-125
• 7.2.1 Freeman分解124-125
• 7.2.2 去取向理论及熵125
• 7.3 改进三分量散射模型分解125-126
• 7.4 对比实验与结果分析126-139
• 7.4.1 AIRSAR L波段 旧金山图像实验结果127-129
• 7.4.2 Radarsat-2 C波段 旧金山图像实验结果129-132
• 7.4.3 Radarsat-2 C波段 旧金山图像实验结果132-134
• 7.4.4 Radarsat-2 C波段 西安地区图像实验结果134-136
• 7.4.5 Radarsat-2 C波段 西安地区图像实验结果136-137
• 7.4.6 ESAR L波段Oberpfaffenhofen地区图像实验结果137-139
• 7.5 小结139-140
• 第八章 结论和展望140-144
• 8.1 研究结论140-142
• 8.2 研究展望142-144
• 参考文献144-156
• 致谢156-158
• 作者简介158-160

【相似文献】

中国期刊全文数据库 前10条

1 陈戏墨,徐红兵,李志铭,谢铉洋,李曦,李扬彬;数据挖掘在医学图像分类中的应用[J];现代计算机(专业版);2005年01期

2 冀翠萍;孟祥增;;基于内容的图像分类体系[J];电脑知识与技术(学术交流);2007年07期

3 杨杰;陈晓云;;图像分类方法比较研究[J];微计算机应用;2007年06期

4 杨文潮;姜志坚;;图像分类技术研究[J];福建电脑;2008年08期

5 葛寒娟;邱桃荣;王剑;卢强;李北;刘韬;聂斌;;一种基于相容信息粒原理的图像分类方法[J];广西师范大学学报(自然科学版);2008年03期

6 王军;王员云;;粒计算及其在图像分类中的应用研究[J];计算机工程与科学;2009年03期

7 吴军;王士同;;基于正负模糊规则的相结合的图像分类[J];计算机应用;2011年01期

8 吴军;王士同;赵鑫;;正负模糊规则系统、极限学习机与图像分类[J];中国图象图形学报;2011年08期

9 郝永宽;王威;聂维同;王德强;;图像分类与聚类分析[J];数字技术与应用;2011年12期

10 蒋玲芳;张伟;司梦;;基于词袋模型的电子报图像分类方法研究[J];信阳师范学院学报(自然科学版);2013年01期

中国重要会议论文全文数据库 前10条

1 郑海红;曾平;;一种基于图像分类的逆半调算法[A];’2004计算机应用技术交流会议论文集[C];2004年

2 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

3 王海峰;管亮;;基于颜色特征的图像分类技术在油品分析中的应用[A];中国仪器仪表学会第六届青年学术会议论文集[C];2004年

4 陈思坤;吴洪;;基于图分块并利用空间金字塔的医学图像分类[A];第六届和谐人机环境联合学术会议（HHME2010)、第19届全国多媒体学术会议（NCMT2010）、第6届全国人机交互学术会议（CHCI2010）、第5届全国普适计算学术会议（PCC2010）论文集[C];2010年

5 张淑雅;赵晓宇;赵一鸣;李均利;;基于SVM的图像分类[A];第十三届全国图象图形学学术会议论文集[C];2006年

6 李博;韩萍;;基于压缩感知和SVM的极化SAR图像分类[A];第二十七届中国（天津）2013IT、网络、信息技术、电子、仪器仪表创新学术会议论文集[C];2013年

7 朱松豪;胡娟娟;孙伟;;基于非欧空间高阶统计的图像分类方法[A];第25届中国控制与决策会议论文集[C];2013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 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

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

中国博士学位论文全文数据库 前10条

1 胡尧;基于低秩矩阵估计的机器学习算法分析[D];浙江大学;2015年

2 李昌英(Ri ChangYong);基于上下文信息的语义图像分类研究[D];浙江大学;2014年

3 陈博;基于集成学习和特征选择的极化SAR地物分类[D];西安电子科技大学;2015年

4 王晓东;基于稀疏特征学习的复杂图像分类[D];西安电子科技大学;2014年

5 赵鑫;图像分类中的判别性增强研究[D];中国科学技术大学;2013年

6 杨冰;基于艺术风格的绘画图像分类研究[D];浙江大学;2013年

7 丁建睿;基于多示例学习的浅表器官超声图像分类方法研究[D];哈尔滨工业大学;2012年

8 贾世杰;基于内容的商品图像分类方法研究[D];大连理工大学;2013年

9 李晓旭;基于概率主题模型的图像分类和标注的研究[D];北京邮电大学;2012年

10 王海江;极化SAR图像分类方法研究[D];电子科技大学;2008年

中国硕士学位论文全文数据库 前10条

1 张明静;基于改进遗传算法的分块综合特征加权图像分类研究[D];华南理工大学;2015年

2 李函怡;融合主动学习的半监督技术在图像分类中的应用研究[D];西南大学;2015年

3 王亚凤;基于多特征的主动学习方法在图像分类中的应用研究[D];河北工程大学;2015年

4 陈荣安;基于改进的Bag-of-Features模型的图像分类研究[D];兰州大学;2015年

5 钟畏丹;基于HSV和纹理特征的图像分类[D];华中师范大学;2015年

6 焦阳;基于主动学习的多标签图像分类方法研究[D];苏州大学;2015年

7 王腾川;基于主动学习的SAR图像分类方法研究[D];上海交通大学;2015年

8 NGUYEN QUANG KHANH;基于极化SAR目标信息提取与SVM分类[D];哈尔滨工业大学;2015年

9 王朔琛;基于半监督支持向量机的图像分类方法研究[D];陕西师范大学;2015年

10 杨东坡;基于深度学习的商品图像分类[D];大连交通大学;2015年

，

本文编号：819424