本文選題：高分SAR圖像 + 流形學習��； 參考：《國土資源遙感》2017年04期

【摘要】：高空間分辨率(簡稱"高分")SAR圖像具有高維非線性特點,以高維空間蘊含的低維流形描述SAR圖像,會更有利于目標識別。將流形學習應用到高維SAR目標識別的特征表達中,提出一種新的高分SAR圖像建筑區(qū)提取方法。首先,對高分SAR圖像進行預處理;然后,采用灰度共生矩陣(gray level co-occurrence matrix,GLCM)提取8種紋理特征,與灰度圖像共同構建SAR圖像的高維特征集;利用自適應鄰域選擇的鄰域保持嵌入(adaptive neighborhood selection neighborhoods preserving embedding,ANSNPE)算法對高維特征集進行特征提取,提取出新的特征;最后,通過閾值分割及后處理提取建筑區(qū),并進行精度評價。選擇Terra SAR-X數(shù)據(jù)進行實驗研究,結果表明,ANSNPE算法能夠從高分SAR圖像中有效提取建筑區(qū),并具有較強的泛化能力;通過訓練數(shù)據(jù)獲得的投影矩陣可直接應用到新樣本中,建筑區(qū)提取精度達85%以上。
[Abstract]:High spatial resolution (abbreviated as "high fraction") SAR images have the characteristics of high dimensional nonlinearity. It is more advantageous for target recognition to describe SAR images with low-dimensional manifolds contained in high-dimensional space. In this paper, manifold learning is applied to feature expression of high-dimensional SAR target recognition, and a new method of building area extraction for high-score SAR images is proposed. Firstly, the high score SAR image is preprocessed, then the gray level co-occurrence matrix GLCM) is used to extract eight texture features, and then the high Vitert solicitation of the SAR image is constructed together with the gray level image. The adaptive neighborhood selection algorithm is used to extract new features from high Viterbi solicitation by using adaptive neighborhood selection neighborhoods preserving embedding ANSNPE algorithm. Finally, the building area is extracted by threshold segmentation and post-processing, and the accuracy is evaluated. Terra SAR-X data are selected for experimental study. The results show that ANSNPE algorithm can effectively extract the building area from high score SAR images, and has a strong generalization ability, and the projection matrix obtained from the training data can be directly applied to new samples. The precision of construction area is more than 85%.
【作者單位】： 中國科學院遙感與數(shù)字地球研究所;中國科學院大學;
【基金】：國家自然科學基金項目“高分辨率SAR圖像典型地物目標樣本特征提取和識別研究”(編號:61372189)資助
【分類號】：TN957.52

【相似文獻】

相關期刊論文 前10條

1 劉輝;楊俊安;王一;;基于流形學習的聲目標特征提取方法研究[J];物理學報;2011年07期

2 張德國;湯一彬;朱昌平;韓慶邦;;改進的流形學習圖像稀疏降噪方法[J];實驗室研究與探索;2013年07期

3 張旋熠;;基于流形學習的SAR目標識別[J];中國新通信;2014年01期

4 薄華,馬縛龍,韓保君;SAR圖像特征數(shù)據(jù)立方體的構造[J];電子科技;2004年02期

5 李坤;邵蕓;張風麗;;基于多極化機載合成孔徑雷達(SAR)數(shù)據(jù)的水稻識別[J];浙江大學學報(農(nóng)業(yè)與生命科學版);2011年02期

6 李勇;李應;余清清;;基于流形學習和SVM的環(huán)境聲音分類[J];計算機工程;2011年07期

7 劉開剛;許梅生;李維;;一種基于雙閾值區(qū)域分割的SAR圖像目標提取方法[J];國外電子測量技術;2008年03期

8 蔡紅;;基于稀疏表示的SAR圖像壓縮方法研究[J];計算機工程與應用;2012年24期

9 孫盡堯,孫洪;自然場景SAR圖像的仿真[J];雷達科學與技術;2003年04期

10 李金;程超;許浩;;無人機機載合成孔徑雷達(SAR)定位方法綜述[J];影像技術;2008年03期

相關會議論文 前10條

1 沈晶;楊學志;;基于邊緣保持分水嶺算法的SAR海冰圖像分割[A];計算機技術與應用進展·2007——全國第18屆計算機技術與應用（CACIS）學術會議論文集[C];2007年

2 郝衛(wèi)東;熊鄴;曲蘭英;周志麗;;一種降低手機SAR的設計[A];2009年全國天線年會論文集（下）[C];2009年

3 方勇;;綜合多視角SAR圖像改正遮蔽區(qū)試驗[A];第十三屆全國遙感技術學術交流會論文摘要集[C];2001年

4 于明成;許稼;彭應寧;;SAR多普勒中心快速解模糊的新方法[A];第十二屆全國信號處理學術年會（CCSP-2005）論文集[C];2005年

5 戴爾燕;金亞秋;;多軌道飛行全極化SAR圖像對目標的立體重構[A];第二屆微波遙感技術研討會摘要全集[C];2006年

6 錢方明;鞏丹超;劉薇;;SAR圖像邊緣特征提取方法研究[A];第二屆“測繪科學前沿技術論壇”論文精選[C];2010年

7 孫偉順;計科峰;朱俊;粟毅;;典型軍用目標SAR圖像預估[A];第六屆全國信息獲取與處理學術會議論文集（2）[C];2008年

8 劉志剛;陳振;張偉;;淺析SAR圖像的判與讀[A];國家安全地球物理叢書（七）——地球物理與核探測[C];2011年

9 陳振林;鄒煥新;鄭鍵;;基于Radon變換和多尺度匹配濾波的SAR艦船尾跡定位方法[A];第十四屆全國圖象圖形學學術會議論文集[C];2008年

10 焦繼超;趙保軍;唐林波;;一種基于FFT和邊緣檢測的SAR圖像配準算法[A];全國第4屆信號和智能信息處理與應用學術會議論文集[C];2010年

相關博士學位論文 前10條

1 張雙喜;高分辨寬測繪帶多通道SAR和動目標成像理論與方法[D];西安電子科技大學;2014年

2 張澤兵;知識輔助的SAR目標索引及特征提取技術研究[D];國防科學技術大學;2014年

3 張鵬;基于統(tǒng)計模型的SAR圖像降斑和分割方法研究[D];西安電子科技大學;2012年

4 王勃;星載全極化SAR海面散射特性及其船目標檢測方法[D];中國海洋大學;2013年

5 倪心強;SAR圖像分類與自動目標識別技術研究[D];中國科學院研究生院（電子學研究所）;2007年

6 周鵬;彈載SAR多種工作模式的成像算法研究[D];西安電子科技大學;2011年

7 趙凌君;高分辨率SAR圖像建筑物提取方法研究[D];國防科學技術大學;2009年

8 陳琪;SAR圖像港口目標提取方法研究[D];國防科學技術大學;2011年

9 韓春明;SAR圖像斑點濾波研究[D];中國科學院研究生院（遙感應用研究所）;2003年

10 梁淮寧;全極化SAR地形高度測量技術研究[D];電子科技大學;2001年

相關碩士學位論文 前10條

1 顧陽陽;基于流形學習的雷達輻射源識別技術[D];西安電子科技大學;2014年

2 賈晶晶;基于流形學習的漢語方言辨識[D];江蘇師范大學;2014年

3 羅新勇;基于流形學習的腦電特征提取方法及應用[D];北京工業(yè)大學;2016年

4 徐玉功;基于流形學習的語音特征提取研究[D];山東大學;2017年

5 王丹丹;最優(yōu)化流形學習在振動信號處理中的應用[D];寧波大學;2013年

6 孫洋;基于稀疏流形學習的振動信號降維特征研究與應用[D];寧波大學;2014年

7 董立亞;SAR圖像去噪的小波和偏微分方程的數(shù)學建模[D];河北聯(lián)合大學;2014年

8 陳海文;基于波數(shù)域的圓周SAR三維成像算法研究[D];哈爾濱工業(yè)大學;2015年

9 眭明;星機雙基地SAR同步技術研究[D];電子科技大學;2014年

10 羅煜川;基于壓縮感知的陣列SAR三維成像方法研究[D];電子科技大學;2015年

，

本文編號：1872325