合成孔徑雷達(dá)技術(shù)已成為地球觀測(cè)的重要手段之一。SAR的獨(dú)特優(yōu)勢(shì)使其在測(cè)繪、軍事、災(zāi)害、地質(zhì)、農(nóng)業(yè)、林業(yè)等領(lǐng)域具有十分重要的應(yīng)用價(jià)值,而如何快速準(zhǔn)確地解譯SAR圖像也成為了重要的研究課題。本文針對(duì)高分辨SAR圖像分類問題,基于判別融合特征和鄰域信息改進(jìn)SAR圖像分類方法。該方法利用強(qiáng)度比特征的細(xì)節(jié)捕捉優(yōu)勢(shì)彌補(bǔ)傳統(tǒng)紋理特征的不足,并加入上下文鄰域信息作為SAR圖像后處理方法來優(yōu)化分類結(jié)果。本文主要工作如下:(1)建立了一種基于指數(shù)統(tǒng)計(jì)的強(qiáng)度比直方圖特征提取方法。通過計(jì)算圖像塊的強(qiáng)度比去除了SAR圖像特有的乘性噪聲。然后對(duì)強(qiáng)度比特征分布進(jìn)行分析,通過合理的加入統(tǒng)計(jì)分布以及采用指數(shù)間隔直方圖統(tǒng)計(jì)策略,有效地捕捉到了細(xì)節(jié)信息,尤其著重采集到邊緣信息,改善了Gabor特征和灰度共生矩陣特征邊界能力差的缺點(diǎn)。(2)建立了一種基于融合策略的判別特征學(xué)習(xí)方法。通過強(qiáng)度比直方圖特征進(jìn)行集成學(xué)習(xí)提取新的判別特征。因同時(shí)加入有標(biāo)簽樣本和無標(biāo)簽樣本共同學(xué)習(xí),而使提取的特征更好地作用于分類。同時(shí)采用融合特征策略,將判別特征與紋理特征相結(jié)合,如此優(yōu)勢(shì)互補(bǔ)使均質(zhì)區(qū)域錯(cuò)分像素點(diǎn)大量減少,同時(shí)可以保持較好的邊緣特性。(3)建立了一種加入鄰域上下文信息的SAR圖像后處理方法。加入鄰域信息的圖像后處理方法對(duì)邊緣保持效果很好,與強(qiáng)度比直方圖特征的邊緣捕捉能力相結(jié)合,二者的聯(lián)合作用使得地物中細(xì)小地物的精度得到顯著提升,采用融合特征的方式結(jié)合Gabor紋理特征,避免地物特征過于細(xì)化,使地物分類中對(duì)范圍較廣的均質(zhì)性地物和細(xì)小地物均有正確的劃分,解決了紋理結(jié)構(gòu)特征在SAR圖像地物分類中對(duì)邊緣平滑整齊的地物無法有效捕捉邊緣以及對(duì)細(xì)小地物敏感度低的問題。
【學(xué)位單位】：西安電子科技大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位年份】：2019
【中圖分類】：TN957.52
【文章目錄】：
摘要
ABSTRACT
符號(hào)對(duì)照表
縮略語對(duì)照表
第一章 緒論
    1.1 課題的背景與意義
    1.2 課題的研究現(xiàn)狀
        1.2.1 SAR圖像特征提取國(guó)內(nèi)外研究現(xiàn)狀
        1.2.2 SAR圖像地物分類國(guó)內(nèi)外研究現(xiàn)狀
    1.3 本文的結(jié)構(gòu)安排
第二章 SAR圖像分類的基礎(chǔ)理論
    2.1 引言
    2.2 SAR圖像常用統(tǒng)計(jì)模型
        2.2.1 對(duì)數(shù)正態(tài)分布
        2.2.2 K分布
        2.2.3 逆高斯分布
        2.2.4 Fisher分布
    2.3 SAR圖像傳統(tǒng)分類方法
        2.3.1 常用底層特征提取方法
        2.3.2 常用分類器
    2.4 本章小結(jié)
第三章 基于指數(shù)統(tǒng)計(jì)IRLPH特征的SAR圖像分類
    3.1 引言
    3.2 強(qiáng)度比特征
    3.3 基于指數(shù)統(tǒng)計(jì)的IRLPH特征
        3.3.1 經(jīng)典空間結(jié)構(gòu)紋理特征
        3.3.2 加入統(tǒng)計(jì)分布的強(qiáng)度比特征
        3.3.3 基于局部直方圖的SIR特征
    3.4 本方法實(shí)現(xiàn)步驟
        3.4.1 圖像預(yù)處理
        3.4.2 特征提取
        3.4.3 分類過程
    3.5 計(jì)算成本評(píng)估以及復(fù)雜性對(duì)比
    3.6 實(shí)驗(yàn)結(jié)果和分析
        3.6.1 相關(guān)統(tǒng)計(jì)分布的分類效果分析
        3.6.2 常用特征提取方法的分類效果對(duì)比與分析
    3.7 本章小結(jié)
第四章 基于鄰域信息和融合判別特征學(xué)習(xí)的SAR圖像分類
    4.1 引言
    4.2 基于融合策略的判別特征學(xué)習(xí)
        4.2.1 判別特征學(xué)習(xí)
        4.2.2 多特征融合
    4.3 基于鄰域信息的SAR圖像分類
        4.3.1 局部上下文信息
        4.3.2 馬爾科夫隨機(jī)場(chǎng)
    4.4 實(shí)驗(yàn)結(jié)果與分析
    4.5 本章小結(jié)
第五章 總結(jié)與展望
    5.1 本文創(chuàng)新之處
    5.2 SAR圖像分類展望
參考文獻(xiàn)
致謝
作者簡(jiǎn)介

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 陶筱嬌;王鑫;;基于深度學(xué)習(xí)算法的圖像分類方法[J];微型電腦應(yīng)用;2019年03期

2 李會(huì)民;馬桂英;王延倉(cāng);;基于深度學(xué)習(xí)網(wǎng)絡(luò)的水質(zhì)圖像分類[J];北華航天工業(yè)學(xué)院學(xué)報(bào);2018年04期

3 彭娟;;特征選擇和聚類分析的圖像分類模型[J];現(xiàn)代電子技術(shù);2017年19期

4 田凱;杜鵬;;基于C#的圖像分類系統(tǒng)實(shí)現(xiàn)[J];數(shù)碼世界;2017年08期

5 王科平;張志剛;;基于特征加權(quán)的自動(dòng)圖像分類方法[J];微型電腦應(yīng)用;2014年01期

6 汪煜浩;華瑞林;;山地衛(wèi)星圖像分類制圖方法研究[J];遙感信息;1987年04期

7 吳健;賈宏宇;;基于遷移學(xué)習(xí)的圖像分類方法研究[J];河南科技;2018年31期

8 武慧瓊;張素蘭;張繼福;胡立華;;一種基于三支決策的花卉圖像分類[J];小型微型計(jì)算機(jī)系統(tǒng);2019年07期

9 林澤文;;深度學(xué)習(xí)及其在圖像分類識(shí)別中的運(yùn)用探討[J];信息與電腦(理論版);2018年12期

10 李舒;吳磊;;數(shù)據(jù)挖掘在醫(yī)學(xué)圖像分類中的應(yīng)用[J];醫(yī)學(xué)信息學(xué)雜志;2014年08期

相關(guān)博士學(xué)位論文 前10條

1 張璐;基于深度空間特征學(xué)習(xí)的極化SAR圖像分類[D];西安電子科技大學(xué);2019年

2 楊寶慶;基于字典學(xué)習(xí)的圖像分類算法及應(yīng)用研究[D];上海交通大學(xué);2017年

3 唐芃;基于弱監(jiān)督學(xué)習(xí)的物體檢測(cè)及其在圖像分類中的應(yīng)用[D];華中科技大學(xué);2019年

4 鄭昱;面向大規(guī)模圖像分類的層次化多任務(wù)學(xué)習(xí)算法研究[D];西安電子科技大學(xué);2017年

5 郭雨薇;基于超像素表征和模糊特征學(xué)習(xí)的圖像分類與識(shí)別[D];西安電子科技大學(xué);2017年

6 李曉;基于遷移學(xué)習(xí)的跨域圖像分類方法研究[D];西安電子科技大學(xué);2017年

7 滑文強(qiáng);小樣本下的極化SAR圖像分類問題研究[D];西安電子科技大學(xué);2018年

8 張姝茵;基于判別性特征學(xué)習(xí)的極化SAR圖像分類[D];西安電子科技大學(xué);2018年

9 丁擁科;基于先驗(yàn)信息輔助的高分辨率SAR圖像分類方法研究[D];上海交通大學(xué);2017年

10 侯賽輝;圖像物體的精細(xì)化分類方法研究[D];中國(guó)科學(xué)技術(shù)大學(xué);2019年

相關(guān)碩士學(xué)位論文 前10條

1 梁澤志;基于CNN-ELM的冷凍電鏡單顆粒圖像分類研究[D];湘潭大學(xué);2019年

2 邰旭鳴;基于深度學(xué)習(xí)的多標(biāo)簽圖像分類系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[D];南京師范大學(xué);2019年

3 張燁;基于風(fēng)格遷移的圖像分類技術(shù)研究[D];哈爾濱工業(yè)大學(xué);2019年

4 艾爾（ARERO WARIYO GODANA）;基于區(qū)域的卷積神經(jīng)網(wǎng)絡(luò)在SAR圖像分類中的應(yīng)用[D];哈爾濱工業(yè)大學(xué);2019年

5 付琰;基于樣本生成的多任務(wù)圖像分類方法研究[D];哈爾濱工業(yè)大學(xué);2018年

6 林開東;基于網(wǎng)絡(luò)涉恐?jǐn)?shù)據(jù)Logo識(shí)別技術(shù)的研究與實(shí)現(xiàn)[D];重慶郵電大學(xué);2019年

7 萬博洋;基于深度學(xué)習(xí)的煙霧檢測(cè)算法研究[D];江西科技師范大學(xué);2018年

8 李明;基于深度學(xué)習(xí)的工業(yè)圖像分類與檢測(cè)系統(tǒng)設(shè)計(jì)[D];西安工程大學(xué);2019年

9 張宇維;城市排水管內(nèi)窺圖像分類與病害智能檢測(cè)研究[D];廣東工業(yè)大學(xué);2019年

10 葛可適;基于神經(jīng)網(wǎng)絡(luò)和密度峰值聚類的單顆粒冷凍電鏡圖像分類技術(shù)研究[D];國(guó)防科技大學(xué);2017年

本文編號(hào)：2873383