基于迁移学习的SAR图像分类方法研究

摘要

合成孔径雷达（Synthetic Aperture Radar，SAR）图像分类是利用不同地物样本的灰度、纹理、形状、边缘和方向等特征信息在SAR图像中确定其类别，将不同种类地物进行区域划分的图像处技术。
　　随着SAR图像分辨率不断提高，其目标信息呈现爆炸性增长。传统的SAR图像监督分类问题依赖使用大量带标记的观测数据建立分类模型，需要耗费大量的实地考察或人工解译成本。除此之外，传统的SAR图像监督分类问题建立在测试样本与训练样本来自同一概率分布的基本假设下。而实际情况中，学习和应用场景发生迁移将会造成训练样本与测试样本不严格遵从同一概率分布的现象，影响分类结果。
　　所以如何从SAR图像中准确分类地物一直是SAR图像解译的难点。
　　本文将跨领域迁移学习引入到SAR图像分类领域，论文的主要研究内容和创新之处如下：
　　(1)针对传统SAR图像监督分类获取带标记观测样本成本较高以及其学习和应用场景易发生迁移的问题，首先研究了目前较为成熟的跨领域迁移学习理论，其次研究了与主动学习相结合的迁移学习模型。除此之外，还研究了多种应用较广的SAR目标特征提取方法、特征压缩方法以及迁移学习问题中提取最有信息量样本的询问机制。
　　(2)针对传统迁移学习模型在SAR图像分类方面不足的问题，研究了两种适用于SAR图像的迁移学习模型。首先深入分析并讨论了域间差异导致迁移风险的原理，其次研究了判定图像间相似性的度量方法，最后研究了两种现有的适用于遥感图像的迁移学习模型，并将之应用到了SAR图像分类中。
　　(3)针对传统基于SVM分类器的迁移学习算法存储量和计算量不足的问题，从SVM分类器自身特性入手分析，提出了一种基于SVM的样本可重复利用的迁移学习模型，引入了目标域样本回收利用机制和源域无效样本的去除机制。实验结果表明，该方法提高了目标域样本的利用效率，同时优化了SAR图像的分类结果。

目录

封面

声明

中文摘要

英文摘要

目录

第一章 绪 论

1.1课题研究的目的和意义

1.2相关问题研究现状及分析

1.3本文的结构安排

第二章 基于迁移学习的分类方法研究

2.1引言

2.2迁移学习理论

2.3基于主动学习的迁移学习模型

2.4本章小结

第三章 适用于SAR图像分类的迁移学习模型研究

3.1 引言

3.2 迁移学习模型及SAR图像分类问题适应性分析

3.3 适用于SAR图像分类的迁移学习模型

3.4 本章小结

第四章 基于SVM分类器的样本可重复利用型迁移学习方法

4.1 引言

4.2 SAR图像分类的常用分类器

4.3 基于SVM分类器的SAR图像迁移分类方法研究

4.4 SAR图像分类仿真试验结果与分析

4.5 本章小结

第五章 总结与展望

5.1 本文工作总结

5.2 未来工作展望

致谢

参考文献

攻读硕士学位期间取得的成果