基于统计分布和深度置信网的SAR图像分类

摘要

合成孔径雷达打破了天气、光线和其他条件的限制并且能够获得大量的信息。通过合成孔径雷达获取的信息已经被应用于城市规划、覆被分类、灾害预防、环境风险评估、城市检测与提取等许多方面。在SAR图像的应用方面，图像分类是SAR图像理解和解译的热点分支。 本文提出了一种基于新型深度置信网和超像素分割的SAR图像分类算法。结合SAR图像的统计分布特性，提出了一种新型RBM，采用这种新型RBM进行SAR图像的分类，并引入区域信息，将超像素分割的结果与将DBN初始的分类结果相结合，得到优化后的分类结果。本文所做的主要工作如下： (1)本文使用图像的原始像素值作为输入，通过逐层的无监督学习，充分挖掘图像中所包含的信息，提取得到具有判别性的、适合于SAR图像分类的特征，该方法不需设计复杂的低层特征提取算法，方法简单易行，分类精度高。 (2)提出了一种基于伽马分布的新型RBM模型，并将其应用到SAR图像分类中。首先，推导得出新的RBM模型，其次，利用提出的新型RBM构建深度置信网，对搭建的网络进行训练和微调以适应SAR图像分类的任务。该新型RBM结合了SAR图像统计分布特性和RBM的特点，可以更好的拟合SAR图像数据，实现了较高的分类精度。 (3)提出了基于超像素分割与最大比例校正算法的SAR图像分类方法，首先，将SAR图像进行超像素分割，其次，结合初始的分类结果，执行最大比例校正算法，对超像素内的像素点重新分配类别标签，该方法引入区域信息，进一步减少匀质区域内错分的像素点，进一步提高了分类精度和区域一致性。

目录

第一个书签之前

摘要

ABSTRACT

插图索引

表格索引

符号对照表

缩略语对照表

第一章绪论

1.1研究背景及意义

1.2研究现状和发展趋势

1.2.1SAR图像统计特性

1.2.2SAR图像分类方法

1.2.3深度学习发展概况

1.3论文主要工作及内容安排

1.3.1本文主要工作

1.3.2本文结构安排

第二章SAR图像分类的基础理论

2.1引言

2.2SAR图像的统计特性

2.2.1对数正态分布

2.2.2K分布

2.2.3威布尔分布

2.2.4伽马分布

2.3基于传统方法的SAR图像分类

2.3.1几种常见的底层特征

2.3.2常见分类器

2.4超像素算法

2.5本章小结

第三章基于伽马分布的深度置信网的SAR图像分类

3.1引言

3.2传统的受限玻尔兹曼机及深度置信网络

3.2.1传统受限玻尔兹曼机

3.2.2对比散度算法

3.2.3深度置信网

3.3新型的受限玻尔兹曼机

3.4.1初始特征的提取

3.4.2本方法的实现步骤

3.5实验与分析

3.5.1相关参数分析

3.5.2模拟SAR图像的分类结果与分析

3.5.3真实SAR图像的分类结果与分析

3.6本章小结

第四章基于超像素分割与最大比例校正算法SAR图像分类

4.1引言

4.2基于超像素分割与最大比例校正算法的SAR图像分类

4.2.1SLIC超像素分割算法

4.2.2最大比例校正算法

4.2.3本方法的实验步骤

4.2.4相关参数分析

4.3模拟SAR图像的分类结果与分析

4.4真实SAR图像的分类结果与分析

4.5本章小结

第五章总结与展望

5.1本文的创新之处

5.2SAR图像分类的研究热点与难点

参考文献

致谢

作者简介

1.基本情况

2.教育背景

3.攻读硕士学位期间的研究成果

3.1申请（授权）专利

3.2参与科研项目