基于聯(lián)合稀疏表示的SAR圖像分類方法研究.pdf_第1頁
已閱讀1頁,還剩62頁未讀 繼續(xù)免費閱讀

下載本文檔

版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進行舉報或認領(lǐng)

文檔簡介

1、合成孔徑雷達( Radar, SARApertureSynthetic)是一種具有高分辨率的遙感成像雷達,其工作方式具有全天候、全天時、多極化、多波段的特點,它不僅可以較詳細準確地獲取地表信息,還可以透過地表和植被收集地下信息,因此近年來得到了快速發(fā)展,在國防、環(huán)境、國民經(jīng)濟等方面具有突出的戰(zhàn)略意義。
  SAR圖像分類是SAR圖像理解與解譯中基礎(chǔ)而又關(guān)鍵的技術(shù)之一,其目的是根據(jù)已有的紋理及樣本信息判斷出給定樣本的所屬類別。由于S

2、AR圖像的成像機理不同于一般的光學(xué)圖像,因此通常適用于普通光學(xué)圖像的分類方法并不能直接應(yīng)用到雷達圖像,針對此問題,本文在總結(jié)傳統(tǒng)SAR圖像分類方法的基礎(chǔ)上,研究了基于聯(lián)合稀疏表示的SAR圖像分類方法,所做的工作包括以下三點:
  (1)詳細闡述了稀疏表示分類(SRC)理論,并對稀疏表示應(yīng)用于SAR圖像分類上的問題做了詳盡的分析,本文提出了將小波及灰度共生矩陣特征提取和稀疏表示結(jié)合起來應(yīng)用于SAR圖像分類的方法,解決了SRC不能直接

3、應(yīng)用于SAR圖像的問題,通過實驗證明該方法可以較好地用來進行SAR圖像分類。
  (2)本文提出了一種基于特征提取的聯(lián)合稀疏表示 SAR圖像分類方法,在訓(xùn)練階段,對輸入的訓(xùn)練樣本進行小波特征與灰度共生矩陣特征提取,構(gòu)建特征矢量并聚類得到相似集合,將不同相似集合在DCT字典上進行聯(lián)合稀疏表示,根據(jù)稀疏系數(shù)進行二級字典重構(gòu);測試階段,對輸入的測試圖像做特征提取,將特征矢量在二級字典上進行投影,通過將測試階段投影系數(shù)與訓(xùn)練階段得到表示系

4、數(shù)進行匹配,從而得到測試圖像的所屬類別,通過實驗,可以證明本方法對于 SAR圖像分類具有較好的效果并且在小樣本情況下依然效果顯著。
  (3)提出了一種基于非局部聯(lián)合稀疏與距離編碼的 SAR圖像分類方法,利用了圖像塊的自相似性信息,通過聯(lián)合稀疏表示使在稀疏域也能保持這種相似性的關(guān)聯(lián)信息,原始的稀疏表示分類利用最小重構(gòu)誤差準則進行分類,沒有充分利用目標(biāo)樣本與其他類別的重構(gòu)誤差信息,在此基礎(chǔ)上,我們把所有類別的殘差都當(dāng)做有用信息,將非

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負責(zé)。
  • 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔(dān)用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論