本文關鍵詞：基于遷移學習的SAR圖像分類方法研究

  更多相關文章： SAR圖像 地物分類 遷移學習 SVM分類器

【摘要】：合成孔徑雷達(Synthetic Aperture Radar,SAR)圖像分類是利用不同地物樣本的灰度、紋理、形狀、邊緣和方向等特征信息在SAR圖像中確定其類別,將不同種類地物進行區(qū)域劃分的圖像處技術。隨著SAR圖像分辨率不斷提高,其目標信息呈現(xiàn)爆炸性增長。傳統(tǒng)的SAR圖像監(jiān)督分類問題依賴使用大量帶標記的觀測數(shù)據(jù)建立分類模型,需要耗費大量的實地考察或人工解譯成本。除此之外,傳統(tǒng)的SAR圖像監(jiān)督分類問題建立在測試樣本與訓練樣本來自同一概率分布的基本假設下。而實際情況中,學習和應用場景發(fā)生遷移將會造成訓練樣本與測試樣本不嚴格遵從同一概率分布的現(xiàn)象,影響分類結果。所以如何從SAR圖像中準確分類地物一直是SAR圖像解譯的難點。本文將跨領域遷移學習引入到SAR圖像分類領域,論文的主要研究內容和創(chuàng)新之處如下:(1)針對傳統(tǒng)SAR圖像監(jiān)督分類獲取帶標記觀測樣本成本較高以及其學習和應用場景易發(fā)生遷移的問題,首先研究了目前較為成熟的跨領域遷移學習理論,其次研究了與主動學習相結合的遷移學習模型。除此之外,還研究了多種應用較廣的SAR目標特征提取方法、特征壓縮方法以及遷移學習問題中提取最有信息量樣本的詢問機制。(2)針對傳統(tǒng)遷移學習模型在SAR圖像分類方面不足的問題,研究了兩種適用于SAR圖像的遷移學習模型。首先深入分析并討論了域間差異導致遷移風險的原理,其次研究了判定圖像間相似性的度量方法,最后研究了兩種現(xiàn)有的適用于遙感圖像的遷移學習模型,并將之應用到了SAR圖像分類中。(3)針對傳統(tǒng)基于SVM分類器的遷移學習算法存儲量和計算量不足的問題,從SVM分類器自身特性入手分析,提出了一種基于SVM的樣本可重復利用的遷移學習模型,引入了目標域樣本回收利用機制和源域無效樣本的去除機制。實驗結果表明,該方法提高了目標域樣本的利用效率,同時優(yōu)化了SAR圖像的分類結果。
【關鍵詞】：SAR圖像 地物分類 遷移學習 SVM分類器
【學位授予單位】：電子科技大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：TN957.52
【目錄】：

• 摘要5-6
• ABSTRACT6-10
• 第一章 緒論10-16
• 1.1 課題研究的目的和意義10-11
• 1.2 相關問題研究現(xiàn)狀及分析11-14
• 1.2.1 SAR圖像分類問題研究現(xiàn)狀及分析12-13
• 1.2.2 遷移學習理論與方法應用現(xiàn)狀及分析13-14
• 1.3 本文的結構安排14-16
• 第二章 基于遷移學習的分類方法研究16-30
• 2.1 引言16
• 2.2 遷移學習理論16-18
• 2.2.1 傳統(tǒng)遷移學習概念16-17
• 2.2.2 傳統(tǒng)遷移學習機制17-18
• 2.3 基于主動學習的遷移學習模型18-29
• 2.3.1 主動學習的概念18-19
• 2.3.2 模型機制19-20
• 2.3.3 特征提取20-22
• 2.3.4 特征壓縮22-24
• 2.3.5 詢問機制24-25
• 2.3.6 仿真實驗與模型分析25-29
• 2.4 本章小結29-30
• 第三章 適用于SAR圖像分類的遷移學習模型研究30-44
• 3.1 引言30
• 3.2 遷移學習模型及SAR圖像分類問題適應性分析30-31
• 3.3 適用于SAR圖像分類的遷移學習模型31-42
• 3.3.1 SAR圖像源域訓練樣本提取31-32
• 3.3.2 Bhattacharyya距離32-33
• 3.3.3 基于Q-與Q+機制的遷移學習方法33-35
• 3.3.4 基于TrAdaboost機制的遷移學習方法35-38
• 3.3.5 仿真試驗與分析38-42
• 3.4 本章小結42-44
• 第四章 基于SVM分類器的樣本可重復利用型遷移學習方法44-60
• 4.1 引言44
• 4.2 SAR圖像分類的常用分類器44-47
• 4.3 基于SVM分類器的SAR圖像遷移分類方法研究47-50
• 4.3.1 基于SVM的遷移分類方法缺陷47-48
• 4.3.2 基于SVM的樣本可重復利用型遷移分類方法48-50
• 4.4 SAR圖像分類仿真試驗結果與分析50-58
• 4.5 本章小結58-60
• 第五章 總結與展望60-62
• 5.1 本文工作總結60
• 5.2 未來工作展望60-62
• 致謝62-63
• 參考文獻63-68
• 攻讀碩士學位期間取得的成果68-69

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 任國貞;江濤;;基于灰度共生矩陣的紋理提取方法研究[J];計算機應用與軟件;2014年11期

2 莊福振;羅平;何清;史忠植;;遷移學習研究進展[J];軟件學報;2015年01期

3 唐銀鳳;黃志明;黃榮娟;姜佳欣;盧昕;;基于多特征提取和SVM分類器的紋理圖像分類[J];計算機應用與軟件;2011年06期

4 趙越;周萍;;改進的K-means算法在遙感圖像分類中的應用[J];國土資源遙感;2011年02期

5 文益民;王耀南;呂寶糧;陳義明;;支持向量機處理大規(guī)模問題算法綜述[J];計算機科學;2009年07期

6 李慶亭,張連蓬,楊鋒杰;高光譜遙感圖像最大似然分類問題及解決方法[J];山東科技大學學報(自然科學版);2005年03期

7 徐杰,施鵬飛;基于Gabor小波特征的多姿態(tài)人臉圖像識別[J];計算機工程與應用;2003年21期

8 駱劍承,王欽敏,馬江洪,周成虎,梁怡;遙感圖像最大似然分類方法的EM改進算法[J];測繪學報;2002年03期

9 陳華,陳書海,張平,嚴衛(wèi)東;K-means算法在遙感分類中的應用[J];紅外與激光工程;2000年02期

10 朱建華,劉政凱,俞能海;一種多光譜遙感圖象的自適應最小距離分類方法[J];中國圖象圖形學報;2000年01期

中國博士學位論文全文數(shù)據(jù)庫 前8條

1 馮籍瀾;高分辨率SAR圖像分割與分類方法研究[D];電子科技大學;2015年

2 顧鑫;跨領域分類學習方法及應用研究[D];江南大學;2014年

3 劉高峰;極化SAR圖像特征提取與分類方法研究[D];西安電子科技大學;2014年

4 劉康;基于主動學習的高光譜圖像分類技術研究[D];中國礦業(yè)大學（北京）;2014年

5 孟佳娜;遷移學習在文本分類中的應用研究[D];大連理工大學;2011年

6 覃姜維;遷移學習方法研究及其在跨領域數(shù)據(jù)分類中的應用[D];華南理工大學;2011年

7 劉春紅;超光譜遙感圖像降維及分類方法研究[D];哈爾濱工程大學;2005年

8 計科峰;SAR圖像目標特征提取與分類方法研究[D];中國人民解放軍國防科學技術大學;2003年

中國碩士學位論文全文數(shù)據(jù)庫 前10條

1 袁立;改進中值濾波算法及其在土壤圖像預處理中的應用研究[D];重慶師范大學;2014年

2 蔣韜;基于遺傳粒子群優(yōu)化算法的遙感圖像分類方法研究與應用[D];首都師范大學;2013年

3 高馨;基于NMF的SAR圖像目標識別方法研究[D];電子科技大學;2013年

4 呂靜;基于實例的遷移學習算法研究[D];山西財經大學;2013年

5 張凱歌;基于線性判別分析的人臉識別系統(tǒng)研究與實現(xiàn)[D];廣東工業(yè)大學;2012年

6 費全花;基于高斯混合模型的參數(shù)遷移聚類[D];西安電子科技大學;2012年

7 常昌;圖像特征提取方法研究及應用[D];華中科技大學;2009年

8 孫艷麗;遙感圖像配準與變化檢測中的關鍵技術研究[D];煙臺大學;2009年

9 詹新光;基于支持向量機的SAR圖像目標識別[D];西安科技大學;2008年

10 王麗亞;圖像的特征提取和分類[D];西安電子科技大學;2006年

，

本文編號：1063721