学位论文 > 优秀研究生学位论文题录展示

基于局部特征表达的高分辨率SAR图像城区场景分类方法研究

作　者: 殷慧
导　师: 孙洪
学　校: 武汉大学
专　业: 通信与信息系统
关键词: 高分辨率合成孔径雷达图像 局部特征表达 机器学习 语义分类 城区场景
分类号: TN957.52
类　型: 博士论文
年　份: 2010年
下　载: 355次
引　用: 0次
阅　读: 论文下载
 

内容摘要


在过去不到10年的时间里,人口增长和城市扩张的速度都在空前增长。城市的扩张对社会经济和环境具有局部性的、区域性的和全球性的影响。因此,对城区场景的研究具有非常重要的意义。本文研究的主要目标是高分辨率SAR图像城区场景的语义分类。SAR图像的分辨率在不断提高。在高分辨率条件下,SAR图像“更像”光学图像,它的空间信息更加丰富,地物目标的几何结构和纹理信息更加明显。早期,对图像的表达采用全局表达,但是全局表达对SAR图像的入射角和叠掩效应等十分敏感。本文提出用局部特征表达描述高分辨率SAR图像。但是从高分辨率SAR图像中提取局部特征,得到的局部特征矢量集合不能直接作为机器学习方法的输入。因为,许多传统的机器学习方法和相似性度量方法默认的输入是矢量。本文用金字塔表达算法将局部特征矢量集合表达成矢量。金字塔表达算法可以描述特征矢量集合在特征空间多个分辨率层次上的分布,因此它包含了丰富的信息。但它同时也包含了大量的冗余信息。AdaBoost可以从金字塔表达矢量中挑选好特征,用于构建分类器。因此,基于金字塔表达的AdaBoost在高分辨率SAR图像城区场景分类中得到了较好的分类结果。在进一步的应用中,发现金字塔表达算法在处理高维局部特征矢量集合时,其表达矢量的区分力下降。为了解决这个问题,本文提出多维金字塔表达。多维金字塔表达在每一维特征上构建金字塔表达,再将得到的金字塔表达连接起来。即使当局部特征是高维特征时,多维金字塔表达可以保证一定的区分力而且计算效率高。因此,在处理高维局部特征矢量集合时,基于多维金字塔表达的AdaBoost仍可以得到较高的分类性能。我们在多维金字塔表达的基础上,提出多维金字塔匹配核,用于度量局部特征矢量集合之间的相似性。它是半正定核,因此可以与SVM结合。在处理高维局部特征矢量集合时,基于多维金字塔匹配核的SVM比基于金字塔匹配核的SVM的分类准确率高。我们在对局部特征矢量集合表达的基础上,使用主题提取算法——LDA(latent dirichlet allocation)提取表达矢量的主题,并与机器学习方法结合,用于高分辨率SAR图像城区场景的语义分类。经过LDA提取主题后,图像用多个主题的分布重新描述。新矢量能够描述图像中隐藏的语义信息。在数据库上的实验显示,bag-of-features表达算法和金字塔表达算法在与LDA结合后,输出矢量的区分力提升。本文还用基于局部特征表达的最近邻算法完成了对城区场景多个类别的细分。我们在高分辨率SAR图像数据集上测试了各种相关算法的分类准确率,并在三张高分辨率SAR图像城区场景上测试并比较了各种算法的分类性能,我们从主观评价和客观评价两个方面对各分类结果进行评价。本文的最后,我们还将基于局部特征表达的分类算法应用于地物分类和城区提取等多种应用中,显示了基于局部特征表达的分类算法的良好性能。

全文目录


摘要  6-8
Abstract  8-10
目录  10-14
引言  14-15
第一章 绪论  15-27
  1.1 课题的背景及意义  15-19
    1.1.1 课题研究的背景  15-18
    1.1.2 课题研究意义  18-19
  1.2 高分辨率SAR图像城区场景分类的回顾和前瞻  19-23
  1.3 论文的主要工作及创新  23-27
    1.3.1 主要工作  23-25
    1.3.2 论文的创新点  25-27
第二章 基于局部特征表达的高分辨率SAR图像城区场景语义分类框架  27-43
  2.1 高分辨率SAR图像城区场景类别  27-29
  2.2 自顶向下的逐层分类框架  29-31
  2.3 语义分类相关技术综述  31-35
    2.3.1 语义信息在文本处理的应用  32-33
    2.3.2 语义信息在光学图像处理的应用  33-34
    2.3.3 语义信息在光学遥感图像处理的应用  34-35
  2.4 技术概要  35-43
    2.4.1 局部特征表达技术概要  35-37
    2.4.2 中间语义表达技术概要  37-39
    2.4.3 隐语义表达技术概要  39-40
    2.4.4 分类技术综述  40-43
第三章 基于金字塔表达和AdaBoost的高分辨率SAR图像城区场景语义分类  43-65
  3.1 PR-AdaBoost的分类框架  43-45
  3.2 金字塔表达算法  45-47
  3.3 基于金字塔表达的AdaBoost  47-48
  3.4 在高分辨率SAR图像数据集上分类的实验结果  48-54
    3.4.1 数据集简介  48
    3.4.2 确定子块大小的实验  48-50
    3.4.3 9种算法在SAR图像数据集上分类的结果  50-54
  3.5 在高分辨率SAR图像上分类的实验结果  54-62
    3.5.1 在第一个高分辨率SAR城区场景上三种算法的分类结果  55-58
    3.5.2 在第二个高分辨率SAR城区场景上三种算法的分类结果  58-60
    3.5.3 在第三个高分辨率SAR城区场景上三种算法的分类结果  60-62
  3.6 金字塔表达存在的缺点  62-63
  3.7 本章小结  63-65
第四章 基于多维金字塔表达和AdaBoost的高分辨率SAR图像城区场景语义分类  65-85
  4.1 前言  65-68
  4.2 多维金字塔表达算法  68-69
  4.3 基于多维金字塔表达的AdaBoost  69-70
  4.4 在高分辨率SAR图像数据集上的实验结果  70-76
    4.4.1 局部特征为低维特征时的实验结果  70-72
    4.4.2 局部特征为高维特征时的实验结果  72-76
  4.5 在高分辨率SAR图像上的实验结果  76-83
    4.5.1 在第一个高分辨率SAR城区场景上三种算法的分类结果  76-78
    4.5.2 在第二个高分辨率SAR图像城区场景上的分类结果  78-81
    4.5.3 在第三个高分辨率SAR图像城区场景上的分类结果  81-83
  4.6 本章小结  83-85
第五章 基于多维金字塔匹配核和SVM的高分辨率SAR图像城区场景语义分类  85-100
  5.1 前言  85-86
  5.2 多维金字塔匹配核  86-90
  5.3 基于多维金字塔匹配核的SVM  90-91
  5.4 在高分辨率SAR图像数据集上的实验结果  91-94
    5.4.1 比较两种算法处理低维特征的实验结果  91-92
    5.4.2 比较两种算法处理高维特征的实验结果  92-94
  5.5 在高分辨率SAR图像上的实验结果  94-98
    5.5.1 在第一个高分辨率SAR城区场景上两种算法的分类结果  94-95
    5.5.2 在第二个高分辨率SAR城区场景上两种算法的分类结果  95-97
    5.5.3 在第三个高分辨率SAR城区场景上两种算法的分类结果  97-98
  5.6 本章小结  98-100
第六章 基于中间表达和LDA的高分辨率SAR图像城区场景语义分类  100-118
  6.1 基于中间表达和LDA的分类框架  100-102
  6.2 LDA算法  102-104
  6.3 在高分辨率SAR图像数据集上分类的实验结果  104-111
    6.3.1 当局部特征为低维特征时18种算法的分类结果  105-108
    6.3.2 当局部特征为高维特征时18种算法的分类结果  108-111
  6.4 在高分辨率SAR图像上分类的实验结果  111-116
    6.4.1 在第一个高分辨率SAR城区场景上三种算法的分类结果  112
    6.4.2 在第二个高分辨率SAR城区场景上三种算法的分类结果  112-114
    6.4.3 在第三个高分辨率SAR城区场景上三种算法的分类结果  114-116
  6.5 本章小结  116-118
第七章 基于局部特征表达和最近邻分类器的高分辨率SAR图像城区场景二级地物分类  118-125
  7.1 前言  118-119
  7.2 在高分辨率SAR图像上对二级地物分类的实验结果  119-123
    7.2.1 对居住地的二级地物分类的实验结果  119-121
    7.2.2 对公共设施用地的二级地物分类的实验结果  121-122
    7.2.3 对道路广场用地的二级地物分类的实验结果  122-123
  7.3 本章小结  123-125
第八章 局部特征表达在高分辨率SAR图像城区场景的其他应用  125-131
  8.1 基于局部特征表达的分类方法的鲁棒性  125-128
    8.1.1 在中国广州某城区分类的结果  125-126
    8.1.2 在日本东京某城区分类的结果  126-128
  8.2 基于局部特征表达的高分辨率SAR图像地物分类  128
  8.3 基于局部特征表达的高分辨率SAR图像城区提取  128-130
  8.4 本章小结  130-131
第九章 总结与展望  131-134
参考文献  134-143
攻读博士学位期间发表的相关科研成果  143-144
致谢  144

相似论文

  1. 基于数据分布特征的文本分类研究,TP391.1
  2. 基于条件随机场的中文分词技术的研究与实现,TP391.1
  3. 领域知识指导的半监督学习和主动学习倾向性分类研究,TP181
  4. Android恶意软件静态检测方案的研究,TP309
  5. 监督主题模型的研究与应用,TP391.1
  6. 基于失真效应的图像质量评价与分类,TP391.41
  7. 基于学习的逆向运动学人体运动合成,TP391.41
  8. 基于内容的网页恶意代码检测的研究与实现,TP393.092
  9. 学术主页信息抽取系统的研究,TP393.092
  10. 社会化网络中的推荐算法及其应用,TP391.3
  11. 数据挖掘在邮件反垃圾系统中的应用,TP393.098
  12. 基于自学习的社会关系抽取的研究,TP391.1
  13. 基于统计与图模型的若干机器学习算法及其应用,TP181
  14. P2P流量识别方法研究,TP393.06
  15. 基于粗糙集和SVM的国防生综合素质测评方法研究,E075
  16. 基于SIFT特征和SVM的场景分类,TP391.41
  17. 基于稀疏编码与机器学习的图像内容识别算法研究,TP391.41
  18. 随机森林特征选择,TP311.13
  19. 互联网流量应用基准分类技术的研究,TP393.06
  20. 基于丰富特征和多核学习的蛋白质关系抽取,Q51
  21. 弥散张量成像的脑连接模式分析,R445.2

中图分类: > 工业技术 > 无线电电子学、电信技术 > 雷达 > 雷达设备、雷达站 > 雷达接收设备 > 数据、图像处理及录取
© 2012 www.xueweilunwen.com