基于高斯混合模型的參數(shù)遷移聚類.pdf

1、合成孔徑雷達(Synthetic Aperture Radar，SAR)具有全天時、全天候的探測與偵察等工作能力。它利用脈沖壓縮技術和合成孔徑原理獲得高的距離分辨率和方位分辨率，從而相比真實孔徑雷達在遙感領域具有獨特的優(yōu)勢。對SAR圖像的理解和解譯屬于圖像處理范疇，還涉及到了信號處理，機器學習及模式識別等眾多學科。SAR具有的獨特作用，使得SAR圖像的理解在國防和民用領域正受到越來越廣泛的關注，SAR圖像分割作為SAR圖像后續(xù)解譯處理的

2、關鍵環(huán)節(jié)之一，也就顯得愈加重要。聚類是SAR圖像分割常用手段，針對此本論文主要進行了SAR圖像分割方法研究。本論文主要工作如下：
　　 (1)提出了一種基于空間信息的EMBoost聚類圖像分割?；贐oosting的EM聚類集成算法(文中簡稱EMBoost)比傳統(tǒng)的EM聚類算法在精度、初始值敏感方面都有所改善，然而在圖像分割應用中EMBoost算法未考慮到圖像的局部特征，分割效果不理想，針對此文中在EMBoost算法基礎上引入了

3、相鄰像素的相對位置信息和鄰域紋理距離信息所構成的空間信息，以進一步改善分割效果。
　　 (2)提出了一種基于空間信息的高斯混合模型(Gaussian Mixture Model)參數(shù)遷移聚類算法，應用在SAR圖像分割。許多機器學習方法由于都是基于訓練數(shù)據(jù)和測試數(shù)據(jù)來自相同的分布和同一個特征空間的假設，因而當數(shù)據(jù)分布改變時，大多數(shù)的機器學習方法需要從頭開始學習，要求使用者重新收集大量的訓練數(shù)據(jù)來訓練模型。而在真實世界中重新收集數(shù)據(jù)

4、然后標記需要花費很昂貴的代價。此外，經(jīng)典機器學習方法EM算法因簡單、容易實現(xiàn)而被廣泛使用，但它本身還存在對初始值敏感，容易陷入局部最優(yōu)的缺陷，造成圖像分割的不穩(wěn)定以及錯分現(xiàn)象，為此提出該算法以改善。
　　 (3)提出了基于塊參數(shù)遷移聚類方法。在實際SAR圖像分割中，經(jīng)常遇到大規(guī)模、超高維、復雜分布的數(shù)據(jù)，對于這些數(shù)據(jù)，如果用現(xiàn)有的EM算法處理，在時間和分割效果上都顯得力不從心。因此，本章不是立足于單個樣本點，而是將圖像劃分成好多