基于稀疏特征学习的SAR图像分割与半监督分类方法研究

《基于稀疏特征学习的SAR图像分割与半监督分类方法研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、謂似專＿博士学位论文ＩＩ（ｎＩ．＾ｔ基于稀疏特征学习的ＳＡＲ图像分割与半监督分类方翻宄作者姓名古晶’指导教师姓名、职称王力波教授申请学位类别工学博士学校代码10701学号1012110192分类号TP751密级公开西安电子科技大学博士学位论文基于稀疏特征学习的SAR图像分割与半监督分类方法研究作者姓名：古晶一级学科：控制科学与工程二级学科：模式识别与智能系统学位类别：工学博士指导教师姓名、职称：王力波教授学院：电子工程学院提交日期：2016年9月SparseFeatureLearningbase

2、dSARImagesSegmentationandSemi-supervisedClassificationAdissertationsubmittedtoXIDIANUNIVERSITYinpartialfulfillmentoftherequirementsforthedegreeofDoctorofPhilosophyinPatternRecognitionandIntelligentSystemByJingGuSupervisor:LiboWangTitle:ProfessorSeptember2016西安电子科技大学学位论文独创性（

3、或创新性）声明秉承学校严谨的学风和优良的科学道德，本人声明所呈交的论文是我个人在导师指导下进行的研究工作及取得的研究成果ａ尽我所知，除了文中特别加以标注和致谢中所罗列的内容以外，论文中不包含其他人已经发表或撰写过的研究成果；也不包含为获得西安电子科技大学或其它教育机构的学位或证书而使用过的材料一。与我同工作的同事对本研究所做的任何贡献均已在论文中作了明确的说明并表示了谢意。学位论文若有不实之处一，本人承担切法律责任。：：本人签名曰期西安电子科技大学关于论文使用授权的说明本人完全了解西安电子科技大学有关

4、保留和使用学位论文的规定，即：研究生在校攻读学位期间论文工作的知识产权属于西安电子科技大学。学校有权保留送交论文的复印件，允许查阅、借阋论文；学校可以公布论文的全部或部分内容，允许采用影印、缩印或其它复制手段保存论文。同时本人保证，结合学位论文研究成果完成的论文，、发明专利等成果署名单位为西安电子科技大学。保密的学位论文在年解密后适用本授权书。主本人签名：名知导师签名：卢术、日期：日期：一心入巧摘要摘要合成孔径雷达（SAR）具有穿透云层和植被、全天候、全天时、能获得高分辨率图像的优势，已经在军事和民用领域

5、中得到了广泛应用。随着SAR系统的迅猛发展，大量的SAR图像数据被获得，从而对SAR图像的理解和解译就变得尤为重要。SAR图像的分割和分类是SAR图像理解与解译的基础部分，近些年来已经受到很多国内外学者的广泛关注。稀疏表示方法作为一种分析大规模数据稀疏性的有效工具，已成为近几年的研究热点，并被成功地应用于各种领域的实际问题。本论文根据SAR图像的独有特点，利用稀疏表示方法的优势，对SAR图像的分割和分类问题进行了深入研究。现将本论文的主要研究内容总结如下：1.针对SAR图像本身具有相干斑噪声的特点，在对其进行分割和分类前，先将SAR图像过分割得到

6、超像素。超像素作为本论文算法的基本操作单元，不仅有效地削弱了SAR图像中的相干斑噪声，还显著提高了算法的运行效率。为了进一步降低超像素的数目以及与原始图像的无缝联接，还给出了超像素的粗合并与边界处理方法。接着，提取超像素多种类型的特征，全面、准确地描述SAR图像中的不同目标。2.提出了一种基于多核联合稀疏图的SAR图像分割和半监督分类方法。首先，通过使用一个新的多核稀疏表示模型，得到超像素多种特征在高维核空间上的稀疏表示，它能反映超像素的全局相似性。接着，挖掘出超像素的局部邻域空间关系，并将其与全局相似性相结合，来构造多核联合稀疏图的邻接矩阵，进

7、而提升分割性能。由于多核联合稀疏图集成了超像素的全局和局部结构信息，所以它在分割和分类含有相干斑噪声的SAR图像时，表现出良好的类别区分能力。通过在仿真和真实SAR图像上的一系列实验，可以看出，提出的多核联合稀疏图在SAR图像分割和分类领域中，与其它方法相比具有一定的优势。3.提出了一种基于随机子空间的集成稀疏表示方法，并应用于SAR图像的分割和半监督分类。对于高维数据，随机子空间方法不仅能降低数据的维度，而且能充分利用数据中的有效信息。然后，利用一个联合稀疏表示模型来获取每个随机子空间中样本集的稀疏表示。再通过一种简单的方式，将多个随机子空间中

8、的稀疏表示被整合为一个集成稀疏表示。最后，将获得的基于随机子空间的集成稀疏表示应用于经典的谱聚类和半监督分类问题中。基于随机子空间的集成