一、基于混合双隐层径向基函数网络的高分辨率SAR图像地物分类算法研究（论文文献综述）
吴效莹[1]（2021）在《SAR图像多特征融合与分类算法研究》文中提出合成孔径雷达（Synthetic Aperture Radar,SAR）是一种主动的雷达成像系统,具有全天时、全天候、高分辨率的特点,已被广泛应用于经济、军事等多领域。但是SAR图像中固有斑点噪声的存在严重影响了图像的质量,对SAR图像的理解与解译带来极大挑战。而SAR图像地物分类又是SAR图像理解的重要内容,尽管在该领域的研究取得了丰富的研究成果,但仍然存在着先验知识少、多特征的融合与优化、空间结构信息的有效利用、多特征线性不可分和自适应分类建模等问题,针对上述问题,本文将张量理论、核稀疏表示和自适应核技术有机融合,充分挖掘SAR图像的空间结构信息、利用邻域内的相关性和非邻域内的差异性,对SAR图像多特征提取、融合与分类算法进行深入研究,取得以下研究成果。（1）提出了基于张量分解与聚类的半监督分类算法。基于多特征的SAR图像分类方法存在着空间结构信息缺失问题,如何保留SAR图像结构信息,提高基于特征的识别能力,降低噪声的影响,仍是这一领域的一个挑战。为此,本文首先利用聚类方法来保持图像和张量中的非局部信息,并具有保留空间结构信息的能力。其次,通过分块聚类算法生成多特征SAR图像的多个高阶聚类张量,形成多重流形结构,保留了图像固有的局部与非局部空间结构信息。然后,通过考虑局部结构、标注和未标注的信息,将改进的判别分析和张量分解理论相结合产生簇张量的多个新的投影方向,增强了类内紧致性和类间可分性,提高了基于特征的识别能力。最后基于支持向量机实现SAR图像的分类,并通过实验进行验证分析。（2）提出了一种新的基于多特征和自适应核函数组合的SAR图像分类算法。该算法通过对自适应复合核和复合权重融合策略研究实现对SAR图像的分类。首先,从SAR图像中提取灰度共生,小波能量和属性轮廓特征,构造三个互补的3D特征张量。然后,根据SAR图像的Gamma分布和非负对数似然值,将SAR图像三维特征张量分割成三维特征块,进而利用提出的自适应复合核策略来挖掘每个特征块中的上下文空间信息,并根据每个特征块的空间结构信息自动确定新复合核中的权重。最后,通过构造复合权重的决策融合策略,得到最终的分类结果,并通过对合成和真实SAR图像的实验验证了方法的有效性。（3）提出了基于多特征非局部动态核稀疏表示的SAR图像分类算法。为了解决SAR图像多特征会引起线性不可分问题,该方法首先对SAR图像进行多特征提取,并通过映射和核函数构造不同张量特征的核空间。其次,为了充分利用不同类型特征空间结构信息的局部相似性和非局部信息的差异性,降低非局部信息干扰,对核空间进行张量投影,并基于它构建了多特征非局部动态核稀疏表示模型。然后基于多特征非局部动态核稀疏表示残差构造分类器,实现SAR图像的分类。最后通过仿真和真实的SAR图像进行比较验证。（4）提出基于注意辅助栈式稀疏自编码网络的SAR图像分类算法。为了解决SAR图像标注样本有限、局部空间信息缺失和识别精度问题,首先从原始SAR图像中提取三个不同特征,以此构造注意模块频谱纹理信息特征,且经过降维和Gabor滤波,构成注意模块空间信息。其次,根据真实样本相似性和距离生成虚拟训练样本,解决标注样本不足问题,并和真实样本预训练栈式稀疏自编码网络。然后,通过逻辑回归与栈式稀疏自编码网络结合优化整个深度网络,实现SAR图像的分类。最后通过真实SAR图像进行比较验证。
王贤圆[2]（2021）在《极化合成孔径雷达图像特征表示与目标分类方法研究》文中研究表明极化合成孔径雷达（Synthetic Aperture Radar,SAR）通过主动发射、接收特定的电磁波来获取地物信息,成像不受时间、天气等因素影响。极化SAR图像分类在自然灾害分析、城市规划等军、民领域均有着广泛的应用。随着极化SAR系统的研究与应用,高分辨、多极化SAR图像带来了更丰富的地物信息和更复杂的图像场景,极化SAR数据量也随着极化SAR系统的普及而日益增多。虽然更丰富的极化信息与数据量给极化SAR的解译带来积极作用,但也对解译方法提出了新的挑战。这要求极化SAR数据的特征表示方法能提取多类信息并进行高效融合,此外,也要求分类器在少量有标签和大量无标签数据的情况下进行有效分类。本文在分析上述问题的基础上,以充分利用极化信息与空间信息为出发点,提出了多种适用于极化SAR图像的特征表示与目标分类方法。论文的主要研究工作如下:（1）针对极化特征与空间特征融合问题,提出了一种基于极化-空间特征的复合核函数方法。该方法首先通过多种极化目标分解与数学形态学方法提取一系列极化特征和空间特征,在此基础上根据核函数空间映射性质及Mercer定理,利用权重系数建立两类特征间的主次关系。该方法既弥补了单一特征的缺陷,又挖掘了两类特征间的互补信息,实现了极化特征与空间特征的有效融合。（2）针对非均匀地物空间信息利用问题,提出了一种基于区域特性的多尺度核函数方法。该方法首先根据极化数据的分布特性研究基于Wishart分布的超像素生成算法,将图像划分为由粗到细不同尺度的超像素,在此基础上提取每一尺度下的极化特征并通过多尺度核函数策略整合不同尺度下的极化特征。该方法突破了目标尺度对特征提取的限制,有效地聚合了不同尺度空间下的极化特征。（3）针对联合极化特征间特征冗余问题,提出了一种基于深度学习的联合极化特征挖掘方法。该方法通过一系列基于观测数据的算数变换和目标分解方法构建联合极化特征,在此基础上利用卷积神经网络作为联合极化特征挖掘网络。该方法不仅利用了现有极化特征提取方法对极化数据进行解译,并且避免了高维极化特征冗余的问题,实现了极化信息的深度挖掘,提高了分类的准确性。（4）针对海量无标签数据未有效利用问题,提出了一种自适应锚点图的半监督学习方法。该方法利用极化数据的分布特性推导出Wishart距离度量公式,在此基础上计算样本的局部稠密程度,确定每一样本最佳的最近邻锚点个数,并依据最佳锚点对图像建图。该方法使每一样本灵活地选择其最近邻锚点数,突破了对图像、样本类别及所在数据密度的限制,实现了无标签数据的充分利用。本文所提出的方法已通过真实极化SAR数据验证,结果表明,这些方法可以有效解决极化SAR图像特征表示和目标分类中的主要问题,实现高准确率的地物分类。
纪莉莉[3]（2020）在《基于多尺度卷积稀疏表示的高分辨SAR图像分类》文中提出合成孔径雷达（Synthetic Aperture Radar,SAR）可以全天时、全天候对地物目标进行观测,广泛应用于军事侦察、测绘以及国民经济等领域。图像分类作为SAR图像实际应用的关键环节,具有重要的研究意义。SAR成像技术发展的一个重要趋势是空间分辨率的提高。高空间分辨率的SAR图像可以提供更为丰富的地物信息,但同时也为图像分类问题提出了新的挑战。与中低分辨率的SAR图像相比,高分辨率SAR图像的统计特性发生变化,地物目标信息更加明显,场景更为复杂。图像分类的目的在于更好地解读地物信息,并作以归类或标记。由于高分辨SAR图像的特点,使得很多适用于中低分辨率SAR图像的分类算法无法更好应用在高分辨SAR图像处理中。卷积稀疏表示将二维特征图与相应滤波器的卷积和,代替传统字典与特征向量的乘积和,避免将图像展成一维或者图像分块造成的空间信息的丢失,在图像处理领域得到了广泛关注。基于卷积稀疏表示理论,本文针对高分辨率SAR图像的分类问题进行了研究。论文的主要工作包括以下几个方面:（1）深度学习局部特征提取模型在图像处理领域应用广泛,基于深度学习理论和卷积稀疏表示原理,提出一种多层融合卷积稀疏表示的高分辨SAR图像分类算法。首先,构造一个两层的卷积稀疏编码模型。先对原始SAR图像进行卷积稀疏得到第一层的稀疏特征图;然后,将第一层的特征图输入到第二层卷积稀疏模型中,进行稀疏特征学习,从而获得SAR图像的深层稀疏特征;接着对各个卷积稀疏层提取的特征进行融合,得到图像的高维特征描述。最后训练SVM分类器进行图像分类。经过多组实测SAR图像的实验结果与分析,与多种稀疏表示算法相比,提出的算法可以获得更好的分类效果。（2）SAR图像随着空间分辨率的提高,获得的地物目标信息越来越丰富,能否有效准确地提取这些地物信息,直接影响着图像分类精度,为了提取高分辨SAR场景中丰富的地物纹理与结构信息,提出了一种基于多尺度各向异性卷积稀疏表示的高分辨SAR图像分类算法。该算法将卷积稀疏表示理论与多尺度思想相结合,首先基于SAR图像的低级特征图学习一组各向异性高斯核字典,对整幅特征图进行稀疏分解,获得图像在各个方向的空间结构的稀疏表示;然后基于多尺度高斯卷积核,叠加每个尺度的特征映射,获得高分辨SAR图像在不同尺度空间下的上下文信息,有效抑制斑点噪声的干扰,获得图像的多尺度各向异性卷积稀疏特征描述符,最后训练SVM分类器,实现SAR图像分类。通过三组实测图像的仿真实验与分析,证明该算法相比近几年已有的稀疏表示算法具有更准确的分类精度。
管冬冬[4]（2019）在《高分辨率SAR图像地物分类技术研究》文中提出合成孔径雷达（Synthetic Aperture Radar,SAR）是一种相干微波遥感系统,它可以全天时、全天候地获取感兴趣区域的SAR图像数据。如今,SAR已经进入了高分辨时代。与中低分辨率SAR图像相比,高分辨率SAR图像呈现出丰富的纹理细节和清晰的几何结构,使人们有机会获取更多感兴趣区域的有用信息。然而,机遇与挑战并存,对高分辨率SAR图像进行自动解译需要引入新知识、发展新技术。在此背景下,本文瞄准高分辨率SAR图像自动解译中的地物分类问题,使用机器学习和模式识别等领域的知识,提出了多种不同的策略来提高当前高分辨率SAR图像的地物分类性能。本文的主要工作和贡献如下:1.针对常用的相干斑滤波算法会模糊和破坏高分辨SAR图像中的边缘与纹理细节的问题,提出了一种基于非局部低秩最小化模型的高分辨率SAR图像滤波算法。在交替方向乘子法优化框架之下,算法中涉及到的低秩最小化问题能够被有效的解决,并且保证收敛到局部最小值。仿真SAR图像和高分辨率实测SAR图像上的滤波实验表明,本文提出的滤波算法不仅能够充分地滤除相干斑噪声还能保持图像中的边缘和纹理细节。2.针对基于纹理特征的分类方法易产生类似于“椒盐噪声”的误分类现象的问题,从分类器的角度出发,根据核函数的性质,设计了一种合成内核。合成内核在原有纹理特征内核的基础上引入了新设计的上下文内核。该上下文内核以超像素为邻域来探索自适应的上下文信息,并且计算简单高效。高分辨率实测SAR图像上的分类结果表明,与传统的分类方法相比,基于合成内核的分类方法能够在不显着增加计算时间的情况下产生更加平滑、更加准确的分类结果。3.针对传统的纹理特征对高分辨率SAR图像中不同地物呈现出的纹理辨别能力不足的问题,提出了一种新的纹理协方差特征。考虑到纹理协方差特征属于对称正定矩阵,形成了黎曼流形,欧式空间的分类方法会忽略黎曼流形的几何结构,无法得到最优的分类结果。进一步提出了使用基于Log-Euclidean距离的高斯内核对纹理协方差特征进行分类。既然Log-Euclidean距离是黎曼流行上的测地距离,纹理协方差特征的几何结构在分类过程中得到了保持。高分辨率实测SAR图像上的分类结果证明了所提分类方法的有效性。
张安骏[5]（2020）在《基于卷积神经网络与邻域相关性的SAR图像分类算法研究》文中认为合成孔径雷达（Synthetic Aperture Radar,SAR）具有全天候、全天时成像的能力,在军用与民用方面有着诸多应用。SAR图像分类提供了图像中的地物类别信息,是SAR图像解译的关键环节。SAR图像特征提取对分类精度有着重要的影响。卷积神经网络（Convolutional Neural Network,CNN）能提取具有鲁棒性与判别性的深层次图像特征,因此基于CNN的SAR图像特征提取与分类是一个前沿发展方向。CNN的网络结构缺乏对SAR图像邻域相关性信息的有效利用,限制了CNN的分类精度。针对这一问题,论文围绕SAR图像邻域相关性信息与CNN深度特征相结合这一主题,研究提出了SAR图像分类新算法,论文主要研究工作如下:1)研究提出一种基于自适应邻域CNN（Adaptive Neighborhood-based CNN,AN-CNN）的SAR图像分类算法。针对CNN未充分利用邻域像素点间相关性信息的问题,算法根据输入图像块中的邻域像素点到中心像素点的空间-特征双边距离来构建自适应权重,在此基础上通过特征距离加权来提升边界区域分类精度,通过空间距离加权来提升匀质区域分类精度。实验结果验证了该算法的有效性。2)研究提出了一种将SRAD（Speckle Reduction Anisotropic Diffusion）滤波器与CNN相结合的SAR图像分类算法。针对CNN进行SAR图像分类时边界定位不准确的问题,算法采用SRAD滤波器的结构来构建滤波层,利用输入图像块所包含的邻域相关性信息进行相干斑噪声抑制与边界增强。滤波后的图像块则输入CNN层进行分类。通过对滤波层与CNN层参数的自适应联合调节,实现了SRAD滤波器与CNN的有机结合。实验结果验证了该算法的有效性。3)研究提出了一种结合CNN深度特征与区域MRF（Markov Random Field）的SAR图像分类算法。针对邻接超像素区域间相关性约束关系描述问题,算法利用CNN提取的深度特征构建区域MRF一元能量函数,根据区域间相关性约束关系构建区域MRF二元能量函数,通过结合超像素区域的CNN深度特征与邻接区域间的相关性约束关系,实现了区域级SAR图像分类。实验结果验证了该算法的有效性。
许锐[6]（2018）在《高分辨率遥感影像道路目标识别与提取研究》文中研究表明利用高分辨率遥感影像获取地表信息因其经济高效而受到广泛关注,成为遥感影像信息提取的研究热点。道路地图是一种重要的地理信息资源,其准确性与现势性不仅直接影响空间决策的有效性,对提高影像配准、信息融合与变化检测的精度也具有重要意义。现有文献中针对高分辨率遥感影像道路提取问题提出的方法与已实现的相关算法在适用范围、准确性和实用性等方面存在一定的局限性。本文通过对该问题所涉及的道路基元粗提取、道路基元精提取、路网连接、路口识别、中心线提取等关键技术进行深入研究,探索道路目标识别与提取的新方法和新途径,具体研究内容与成果如下:（1）研究了高分辨率遥感影像的主要特征,设计了一种基于多核学习与多特征融合的道路基元粗提取方法。该方法采用多核学习优化不同特征的权值,实现影像光谱、纹理和方向信息的有效融合,大幅提高了道路基元识别的精度。（2）归纳并研究了道路的形状特征和几何特征,设计了一种道路基元精提取方法。该方法依据道路形状的狭长性、地物的致密度以及地物面积等特征构建道路形状指数进行形状特征滤波,自动滤除非道路噪声的干扰;利用一系列形态学操作解决部分路段存在孔洞、像素间连接松散、结构不完整等问题,平滑和修复道路的结构与形态。（3）结合先验知识以及道路的拓扑特征,提出一种基于知识的道路基元连接算法。该算法通过构建基元连接判罚因子和判罚函数建立道路全局连接模型,实现道路网的拓扑连通。（4）研究并总结了路口的类型和特征,提出一种结合全局探测和局部检测的路口自动识别方法。该方法先在道路骨架整体约束条件下全局获取路口候选点,再通过本文提出的分块矩形旋转模型局部检测影像中的路口。实验结果表明本文提出的方法可大幅提高路口识别的准确性。（5）针对常用中心线提取方法易产生“毛刺”和“偏离”的缺陷,提出一种基于线性结构增强与多元回归的道路中心线提取方法。首先设计了一组多尺度多项式滤波器并与道路二值骨架进行卷积,获得具有线性结构的像素集合,实现对不规则形状的道路骨架规整;在此基础上,把道路中心线提取问题转换为回归问题,利用多元自适应样条回归法提取道路中心线。实验结果表明本文提出的方法能够有效地从不规则的道路骨架中提取平滑准确的中心线。
张蕴灵[7]（2017）在《基于单幅高分辨率星载SAR影像的交通灾害信息提取方法研究》文中研究表明遥感技术在突发性地质灾害的灾后应急救援中发挥着越来越重要的作用,然而,由于灾害发生区域在灾后常伴随有云雾、阴雨等天气,极大的影响了光学遥感影像发挥的作用。SAR影像具有穿透云层的特性,能够不受天气影响,对受灾区域进行观测。随着SAR影像分辨率不断提高,使得对于关键的交通灾害对象,类似于桥梁、机场、滑坡、堰塞湖、倒塌建筑区域等重要的交通相关受灾地物的监测成为可能,监测结果可为交通应急指挥部门等单位的辅助决策。近年,基于SAR影像对灾后信息提取成为研究的热点,其中大多基于震前震后影像,然而从实际应用角度出发,震前震后影像获取困难,提高针对单幅高分辨率SAR影像的交通灾害信息的提取水平,对于提升整个交通行业的灾后应急处置能力,有着重要的影响、价值和意义。本文针对实际应用中遇到的若干问题,将灾害监测目标根据几何特征（点、线、面）分成几类,利用TerraSAR和高分3号卫星数据,开展以下灾害目标信息提取工作:（1）针对SAR图像相干斑噪声严重的问题,研究一种自适应的SAR图像相干斑噪声抑制方法,基于支持向量回归（SVR）的非线性拟合,在图像的对数域中分析支持向量回归误差与噪声类型参数之间的关联性,使噪声抑制模型能够根据每幅图像自身不同的噪声分布进行滤波。（2）针对目前SAR图像分类算法中经常出现的“分类结果整体最优与局部最优”无法同时满足的难点,研究支持向量机（SVM）在灰度共生矩阵和Gabor滤波两种纹理特征空间下的SAR影像分类,再引入RGAC模型,获得能够兼顾全局最优与局部精度的SAR图像分类方法。（3）针对交通灾害信息提取的应用需求及目前灾后应急工作中存在的困难,以2阶段RGAC模型影像分类算法为基础,结合不同地物几何、结构特点,开展枢纽节点类（包括桥梁、机场）、面状区域类（包括滑坡体、堰塞湖、倒塌建筑区）两大类目标的信息提取和分析工作,并对提取结果进行验证与精度评估。本文创新点总结如下:（1）在降噪阶段,提出一种能够根据SAR图像中相干斑噪声分布变化进行自适应调整的滤波算法。（2）图像分类阶段,提出一种改进的2阶段RGAC模型。通过引入机器视觉领域的RGAC模型,针对SAR影像改善其模型的初值与分类器,提高SAR图像的分类精度,尤其是分类边界上的提取精度。（3）特征提取阶段,结合SAR图像的散射特征、待提取目标的几何特征以及改进后的RGAC分类算法,在单幅高分辨率星载SAR图像中展开了多个具有重要实际应用价值的目标提取,取得了较好的提取结果。（4）数据源方面,除了使用TerraSAR卫星数据,还用到了高分3号卫星数据。
段一平[8]（2017）在《基于层次视觉计算和统计模型的SAR图像分割与理解》文中研究说明合成孔径雷达（Synthetic Aperture Radar，SAR）具有全天时、全天候、分辨率高等优点，已经成为现代监测地面活动的主要手段。从目前的研究来看，海量的SAR图像和迫切的应用之间存在着严重的不匹配。因此，如何从海量的SAR图像提取有用的信息，自动的理解和解译SAR图像是一个刻不容缓的任务。而图像分割和理解是SAR图像解译的重要环节，因此SAR图像分割和理解对于促进SAR图像处理技术的发展具有重要的意义。本论文中，建立了基于层次视觉计算和统计模型的SAR图像处理框架，即结合了基于Marr计算视觉理论的语义空间和基于统计模型的像素空间用于SAR图像的分割和理解。其中，我们团队基于Marr的视觉计算理论，针对SAR图像，提出了SAR图像的层次视觉语义模型并构建了SAR图像的层次语义空间;在语义空间的指导下，设计了结合SAR图像语义信息的统计模型用于像素空间的分割;挖掘和利用了SAR图像本身的先验信息和领域知识，提出了语义空间和像素空间交互作用的SAR图像理解新方法。在此框架下，论文的主要工作包括:（1）针对MRF（Markov Random Field）模型忽略了SAR图像几何结构的问题，提出了基于素描模型和高阶邻域MRF模型的SAR图像分割方法。在该方法中，设计了高阶邻域MRF模型来捕获SAR图像复杂的空间上下文关系。并用SAR图像的素描模型表示SAR图像的几何结构，根据高阶邻域内素描信息的变化，提出了区分匀质邻域和异质邻域的方法，且对不同特性的邻域设计了不同的能量函数。其中，对匀质邻域设计了考虑区域一致性的能量函数，对异质邻域设计了基于素描信息的自适应的能量函数，提高了模型的能力，改善了SAR图像分割的效果。（2）考虑到多项式隐模型在捕获图像上下文信息时忽略了SAR图像中存在的各向异性的关系，并且单一的尺度限制了模型捕获全局信息的能力，提出了基于自适应层次多项式隐模型和混合核函数的SAR图像分割方法。其中，设计了结合高斯径向基函数和ridgelet函数的混合核函数自适应的表示SAR图像中各向同性和各向异性的关系;设计了自适应层次多项式隐模型用于不同特性区域的SAR图像分割。实验结果表明，所提出的方法提高了分割结果区域一致性的同时保留了图像的细节信息。（3）SAR成像系统在描述高于地面的目标时总是出现成对的亮区域和暗区域，例如建筑物和它的阴影，树和它的阴影。许多建筑物聚集在一起形成了城区，许多树木聚集在一起形成了森林。这就意味着成对的亮区域和暗区域总是存在这些聚集的场景中。传统的无监督分割方法总是简单的根据SAR图像的灰度将亮区域分成一类，暗区域分成另一类。事实上，把他们分成一致的整体的区域对SAR图像分割来说更有意义。为了提高分割结果的语义一致性，提出了基于层次视觉语义和自适应邻域多项式隐模型的SAR图像分割方法。该方法中，根据SAR图像的层次视觉语义，把SAR图像划分成了聚集区域、结构区域和匀质区域。在划分结果的基础上，设计了自适应的分割方法进行分割。此外，为了提取SAR图像中的线目标，设计了视觉语义规则提取线目标。与已有的相关算法相比，结合了层次视觉语义的SAR图像分割方法得到了具有语义一致性的分割结果，大大促进了SAR图像分割的进展。（4）SAR成像系统是一种对地观测的设备，意味着SAR图像中存在着丰富的结构信息。为了自动的学习SAR图像的特征，提出了基于卷积小波神经网络（Convolutional-wavelet Neural Network，CWNN）和MRF模型的SAR图像分割方法。其中设计和提出了一种具有小波池化约束的卷积小波神经网络，将小波池化引入卷积神经网络，去除了特征图中的噪声，同时保持了特征图的结构。通过逐块扫描得到SAR图像的分割结果，并设计了用于提升CWNN分割结果的两个标记策略，即超像素标记策略和MRF模型标记策略。实验表明，学习的特征能较好的表示SAR图像，有利于SAR图像的分割。（5）SAR图像理解是对SAR图像场景的一种高层的描述，它给出SAR图像区域划分结果的同时，指定了区域的地势类型。为了进行精确的SAR图像的理解，提出了基于语义条件随机场和贝叶斯网络的SAR图像理解方法。其中设计了一种语义空间和像素空间信息交互的SAR图像理解框架，即语义空间指导像素空间和像素空间反馈到语义空间。在语义空间指导像素空间时，将语义空间信息传递到像素空间，把像素空间划分为结构相对单一的区域，为挖掘丰富的冗余的像素空间的信息提供指导。具体来说，设计了语义条件随机场进行分割。在分割结果的基础上，构建了基于SAR图像先验信息和领域知识的贝叶斯网络，推理分割区域的地势类型;在像素空间反馈到语义空间时，SAR图像理解的结果反馈到语义空间得到更高层的语义，构成一个信息交互的良性系统。实验表明，提出的语义分割方法提高了区域一致性同时精确的定位了图像的边界。提出的SAR图像理解方法以概率的方式给出了部分区域的地势类型。
韩佳敏[9]（2014）在《基于深度RBF网络的SAR影像地物分类》文中进行了进一步梳理目前大部分的SAR（Synthetic Aperture Radar）影像地物分类算法可以看作是通过对浅层学习的特征进行分类,学习到的特征比较低级,分类准确率不高,因此复杂分类器的设计成为人们的研究热点。本文基于深度学习的思想,提出了一个基于RBF（Radial Base Function）网络的含三个隐含层的数据分类模型,其通过第一个隐含层将输入数据变换到高维空间,使之成为线性的,可分类的特征,然后通过第二个隐含层的自我学习,提取出高级的可分特征,最后再把高级的可分特征变换到更高维度的空间,将得到更高级的线性特征用来实现分类。将这个深度RBF网络模型及其改进和优化后的算法应用在UCI数据库、SAR影像地物数据以及多特征多类别的纹理图像的分类问题上,都获得比浅层学习方法SVM（Support Vector Machine）和RBF更高的鲁棒性和分类准确率。所取得的主要研究成果为:（1）提出了一种基于RBF网络和SAE（Sparse Auto Encoder）网络的SAR影像地物分类方法,主要解决现有的浅层机器学习的方法特征提取不优,分类准确率低的问题。其算法思想是基于深度学习,将单层的RBF网络与SAE网络结合扩展成三层结构的深度神经网络模型,将提取的SAR影像纹元特征通过该深度神经网络模型训练分类,得到比浅层学习算法（SVM、RBF）更高的分类精度,证实了该方法的可行性与高效性。（2）提出了一种基于RBF网络和RBM（Restricted Boltzmann Machines）网络的深度RBF分类器,基于SAE网络提取特征的局限性,特别是在多特征多样本数据分类问题上准确率不如浅层分类方法的缺陷,我们把SAE网络替换成RBM网络,该分类器应用在多类别多特征的UCI数据集、纹理图像集和SAR影像地物分类问题时,获得比基于RBF网络和SAE网络的SAR影像地物分类方法及浅层学习算法（SVM、RBF）更高的准确率,仿真实验说明了该分类器提取到更优的分类特征。（3）完成了进化深度神经网络的学习与优化。为了解决基于RBF网络和RBM网络的深度RBF分类器学习时间长以及参数调节复杂等劣势,提出了基于遗传算法的深度RBF分类器优化方法,基于粒子群优化算法的深度RBF分类器优化方法以及基于免疫的深度RBF分类器优化方法,通过进化深度神经网络的学习对RBF网络的聚类中心和中心范围进行优化,获得了更好的数据分类性能,更短的训练时间及更低的参数调节复杂度。
孙书进[10]（2011）在《基于MRF模型和统计建模的SAR图像地物分类方法研究》文中认为合成孔径雷达（Synthetic Aperture Radar,SAR）作为一种信息获取手段,在国防、环境等方面具有突出的战略意义。SAR图像地物分类是SAR图像解译的重要内容,基于马尔可夫随机场（Markov Random Field,MRF）和统计建模的SAR图像地物分类方法充分利用了图像中的上下文信息和图像灰度统计分布特征,在图像处理中得到了广泛的应用。本文系统研究了基于MRF和统计建模的SAR图像地物分类方法。首先,作为全文研究的理论基础,深入分析了SAR图像杂波的统计模型。文中全面概括了现有SAR图像杂波统计模型,深入研究了基于Mellin变换的参数估计方法,总结了该参数估计方法在已有分布模型中的参数求解方程。为了满足高分辨率条件下的数据建模需求,文中重点研究分析了一种基于字典集的SAR图像统计建模方法（DSEM）。为了完成多极化SAR数据建模,研究了多通道数据建模工具:copula连接函数。其次,研究了基于MRF模型和统计建模的单极化SAR图像分类方法。文中研究了MRF模型应用于图像分类的理论框架,并结合SAR图像统计建模基础知识,研究了SAR图像分类方法以及求解最优标记矩阵的优化算法。基于copulas理论提出一种首先建立灰度数据空间和对比度纹理数据空间的联合分布,然后基于MRF模型完成单极化图像分类的方法。最后,研究了基于MRF模型和统计建模的多极化SAR图像分类方法。文中研究了基于copulas函数多极化SAR图像统计建模方法,并借鉴字典集的思想提出了一种基于字典集的混合copulas建模方法。实验证实,对于多极化SAR图像统计分布建模,该方法有更好的数据描述能力。同时也验证了,与单极化SAR图像分类相比较,多极化SAR图像分类由于综合利用了多通道数据信息,能够取得更好的分类结果。
二、基于混合双隐层径向基函数网络的高分辨率SAR图像地物分类算法研究（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、基于混合双隐层径向基函数网络的高分辨率SAR图像地物分类算法研究（论文提纲范文）
（1）SAR图像多特征融合与分类算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 特征提取研究现状 |
| 1.2.2 分类方法研究现状 |
| 1.3 研究内容与结构安排 |
| 第二章 相关基础知识 |
| 2.1 SAR图像统计分布 |
| 2.1.1 对数正态分布 |
| 2.1.2 威布尔分布 |
| 2.1.3 K分布 |
| 2.1.4 伽马(Gamma)分布 |
| 2.2 SAR图像特征 |
| 2.2.1 灰度共生矩阵 |
| 2.2.2 属性轮廓 |
| 2.2.3 Gabor特征 |
| 2.3 支持向量机 |
| 2.4 小波分解原理 |
| 2.5 稀疏表示与分类 |
| 2.5.1 稀疏表示分类 |
| 2.5.2 联合稀疏表示分类 |
| 2.5.3 核稀疏表示分类 |
| 2.6 分类性能评价指标 |
| 2.7 本章小结 |
| 第三章 基于张量分解与聚类的SAR图像半监督分类算法 |
| 3.1 引言 |
| 3.2 基于张量分解与聚类的SAR图像半监督分类算法 |
| 3.2.1 张量构造 |
| 3.2.2 张量投影 |
| 3.2.3 SAR图像分类 |
| 3.3 实验结果与分析 |
| 3.3.1 实验设置 |
| 3.3.2 算法要素分类性能分析 |
| 3.3.3 仿真SAR图像结果分析 |
| 3.3.4 真实SAR图像分类结果分析 |
| 3.4 本章小结 |
| 第四章 基于多特征和自适应核函数组合的SAR图像分类算法 |
| 4.1 引言 |
| 4.2 基于自适应核函数的SAR图像分类算法 |
| 4.2.1 特征张量的构建和分块 |
| 4.2.2 上下文空间信息提取 |
| 4.2.3 自适应核函数构造 |
| 4.2.4 基于自适应核函数的SAR图像分类与优化 |
| 4.3 实验结果与分析 |
| 4.3.1 实验设置 |
| 4.3.2 算法要素分类性能分析 |
| 4.3.3 仿真SAR图像的实验结果分析 |
| 4.3.4 真实SAR图像的实验结果分析 |
| 4.4 本章小结 |
| 第五章 基于多特征非局部动态核稀疏表示的SAR图像分类算法 |
| 5.1 引言 |
| 5.2 基于非局部动态核稀疏表示的SAR图像分类算法 |
| 5.2.1 特征的表示和核变换 |
| 5.2.2 多特征的局部动态核稀疏表示 |
| 5.2.3 基于张量投影的非局部动态核稀疏表示与SAR图像分类 |
| 5.3 实验结果与分析 |
| 5.3.1 实验设置 |
| 5.3.2 参数对分类性能影响分析 |
| 5.3.3 仿真SAR图像实验结果分析 |
| 5.3.4 真实SAR图像实验结果分析 |
| 5.4 三种方法的比较分析 |
| 5.5 本章小结 |
| 第六章 基于注意辅助栈式稀疏自编码网络的SAR图像分类算法 |
| 6.1 引言 |
| 6.2 注意辅助的栈式稀疏自编码网络 |
| 6.2.1 注意模块特征提取 |
| 6.2.2 虚拟样本生成 |
| 6.2.3 栈式稀疏自编码网络 |
| 6.3 实验结果与分析 |
| 6.3.1 实验设置 |
| 6.3.2 真实SAR图像的实验结果分析 |
| 6.4 本章小结 |
| 第七章 总结和展望 |
| 7.1 研究总结 |
| 7.2 研究展望 |
| 参考文献 |
| 攻读学位期间发表的学术论文 |
| 致谢 |
（2）极化合成孔径雷达图像特征表示与目标分类方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 缩略词表 |
| 第一章 绪论 |
| 1.1 研究工作的背景和意义 |
| 1.2 国内外研究现状及存在问题 |
| 1.2.1 极化SAR图像特征表示研究现状 |
| 1.2.2 极化SAR图像目标分类研究现状 |
| 1.2.3 存在问题 |
| 1.3 本文内容和章节安排 |
| 1.3.1 本文内容 |
| 1.3.2 章节安排 |
| 第二章 基于复合核函数的极化-空间特征融合方法 |
| 2.1 引言 |
| 2.2 极化SAR图像数据描述方法 |
| 2.2.1 极化散射矩阵 |
| 2.2.2 相干矩阵和协方差矩阵 |
| 2.3 极化SAR图像的极化特征及其表示方法 |
| 2.3.1 基于观测数据简单算数运算的极化特征表示 |
| 2.3.2 基于极化目标分解的极化特征表示 |
| 2.3.3 本文选取的极化特征 |
| 2.4 极化SAR图像的空间特征及其表示方法 |
| 2.4.1 极化SAR图像散射功率计算 |
| 2.4.2 极化SAR图像空间特征提取 |
| 2.4.3 本文选取的空间特征 |
| 2.5 核函数模型 |
| 2.5.1 SVM概述 |
| 2.5.2 核函数概述 |
| 2.6 基于复合核函数的极化-空间特征融合研究 |
| 2.6.1 基于矢量叠加的特征融合 |
| 2.6.2 基于直接核函数的特征融合 |
| 2.6.3 基于复合核函数的特征融合 |
| 2.6.4 算法步骤 |
| 2.7 对比实验结果与分析 |
| 2.7.1 参数设置 |
| 2.7.2 分类精度评价 |
| 2.7.3 AIRSAR Flevoland数据 |
| 2.7.4 E-SAR Oberpfaffenhofen数据 |
| 2.8 本章小结 |
| 第三章 基于区域特性的多尺度核函数生成算法 |
| 3.1 引言 |
| 3.2 极化SAR图像超像素生成基本理论 |
| 3.2.1 SLIC超像素生成算法 |
| 3.2.2 基于极化SAR图像的SLIC超像素生成算法 |
| 3.3 基于单尺度超像素的核函数生成算法 |
| 3.4 基于多尺度超像素的核函数生成算法 |
| 3.4.1 多尺度核函数生成算法 |
| 3.4.2 算法步骤 |
| 3.5 对比实验结果与分析 |
| 3.5.1 参数设置 |
| 3.5.2 AIRSAR Flevoland数据 |
| 3.5.3 E-SAR Oberpfaffenhofen数据 |
| 3.6 本章小结 |
| 第四章 基于深度学习的联合极化特征挖掘方法 |
| 4.1 引言 |
| 4.2 卷积神经网络的基本理论 |
| 4.2.1 CNN的网络结构 |
| 4.2.2 CNN的激活函数 |
| 4.2.3 CNN的训练过程 |
| 4.3 基于观测数据与CNN的特征提取及分类 |
| 4.4 基于联合极化特征与CNN的深层特征挖掘 |
| 4.4.1 联合极化特征提取 |
| 4.4.2 深层特征挖掘 |
| 4.4.3 算法步骤 |
| 4.4.4 后处理 |
| 4.5 对比实验结果与分析 |
| 4.5.1 参数设置 |
| 4.5.2 AIRSAR Flevoland数据 |
| 4.5.3 E-SAR Oberpfaffenhofen数据 |
| 4.6 本章小结 |
| 第五章 基于自适应锚点图的极化SAR图像半监督分类方法 |
| 5.1 引言 |
| 5.2 图的半监督学习理论 |
| 5.2.1 图的构建 |
| 5.2.2 分类算法 |
| 5.3 锚点图的构建 |
| 5.3.1 锚点生成 |
| 5.3.2 锚点图的构建 |
| 5.4 自适应锚点图的构建 |
| 5.4.1 基于极化数据分布特性的锚点生成算法 |
| 5.4.2 自适应锚点图的构建 |
| 5.4.3 基于自适应锚点建图的半监督分类 |
| 5.4.4 算法步骤 |
| 5.5 对比实验结果与分析 |
| 5.5.1 参数设置 |
| 5.5.2 AIRSAR Flevoland数据 |
| 5.5.3 E-SAR Oberpfaffenhofen数据 |
| 5.6 本章小结 |
| 第六章 总结与展望 |
| 6.1 全文工作总结 |
| 6.2 后续工作展望 |
| 致谢 |
| 参考文献 |
| 攻读博士学位期间取得的成果 |
（3）基于多尺度卷积稀疏表示的高分辨SAR图像分类（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 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 国内外研究现状及发展趋势 |
| 1.3 论文结构 |
| 第二章 卷积稀疏表示及SVM分类的基本理论 |
| 2.1 稀疏表示基本理论 |
| 2.1.1 稀疏表示数学模型 |
| 2.1.2 稀疏表示分类 |
| 2.1.3 稀疏求解方法 |
| 2.2 卷积稀疏表示理论 |
| 2.3 卷积稀疏表示优化方法 |
| 2.3.1 求解卷积稀疏系数 |
| 2.3.2 求解卷积字典 |
| 2.4 SVM分类方法 |
| 2.4.1 SVM分类器原理 |
| 2.4.2 SVM分类器分类流程 |
| 2.5 本章小结 |
| 第三章 基于多层融合卷积稀疏表示的高分辨SAR图像分类 |
| 3.1 研究思路与算法框图 |
| 3.2 多层融合卷积稀疏表示 |
| 3.2.1 多层卷积稀疏表示 |
| 3.2.2 多层融合卷积稀疏表示特征提取 |
| 3.2.3 算法求解 |
| 3.3 仿真实验及分析 |
| 3.3.1 实验数据 |
| 3.3.2 实验参数设置 |
| 3.3.3 卷积字典个数对分类精度的影响 |
| 3.3.4 训练样本大小对分类精度的影响 |
| 3.3.5 分类结果对比与分析 |
| 3.4 本章小结 |
| 第四章 基于多尺度各向异性卷积稀疏表示的高分辨SAR图像分类 |
| 4.1 研究思路与算法框图 |
| 4.2 多尺度各向异性卷积稀疏表示算法 |
| 4.2.1 各向异性卷积稀疏表示 |
| 4.2.2 多尺度各向异性卷积稀疏表示特征提取 |
| 4.2.3 算法优化求解 |
| 4.3 仿真分析与讨论 |
| 4.3.1 实验设置 |
| 4.3.2 尺度因子和方向因子对分类结果的影响 |
| 4.3.3 训练样本大小对分类结果的影响 |
| 4.3.4 仿真结果对比 |
| 4.4 本章小结 |
| 第五章 总结与展望 |
| 5.1 本论文内容总结 |
| 5.2 工作展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（4）高分辨率SAR图像地物分类技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 课题研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 预处理算法 |
| 1.2.2 特征提取 |
| 1.2.3 分类算法 |
| 1.3 本文主要工作及组织结构 |
| 1.3.1 论文主要工作 |
| 1.3.2 论文组织结构 |
| 第二章 相关知识和理论 |
| 2.1 不同地物的散射特性 |
| 2.1.1 自然地物的散射特性 |
| 2.1.2 建筑物的散射特性 |
| 2.2 SAR图像相关知识 |
| 2.2.1 等效视数 |
| 2.2.2 SAR图像统计模型 |
| 2.2.3 SAR图像产品及基本处理 |
| 2.3 多类分类问题相关知识 |
| 2.3.1 多类别分类策略 |
| 2.3.2 模型选择 |
| 2.3.3 分类结果评价 |
| 2.4 本章小结 |
| 第三章 基于非局部低秩最小化模型的高分辨率SAR图像滤波算法 |
| 3.1 引言 |
| 3.2 低秩最小化 |
| 3.3 基于非局部低秩最小化模型的相干斑滤波算法 |
| 3.3.1 非局部图像块组构造 |
| 3.3.2 基于Fisher-Tippett分布的低秩最小化模型 |
| 3.3.3 优化求解方法 |
| 3.3.4 收敛性分析 |
| 3.3.5 时间复杂度分析 |
| 3.4 实验结果与分析 |
| 3.4.1 参数设置 |
| 3.4.2 仿真SAR图像滤波实验 |
| 3.4.3 实测SAR图像滤波实验 |
| 3.4.4 算法运行时间对比 |
| 3.5 本章小结 |
| 第四章 基于自适应上下文信息的高分辨率SAR图像分类算法 |
| 4.1 引言 |
| 4.2 超像素生成算法 |
| 4.2.1 简单线性迭代算法 |
| 4.2.2 本章提出的SLIC-EC超像素生成算法 |
| 4.3 基于自适应上下文信息的合成内核分类方法 |
| 4.3.1 基于核技巧的SVM分类方法 |
| 4.3.2 Mercer内核的性质 |
| 4.3.3 基于自适应上下文信息的合成内核分类方法 |
| 4.4 实验结果与分析 |
| 4.4.1 实验配置 |
| 4.4.2 参数设置 |
| 4.4.3 分类结果 |
| 4.5 本章小结 |
| 第五章 基于纹理协方差特征的高分辨率SAR图像分类算法 |
| 5.1 引言 |
| 5.2 纹理协方差描述符特征 |
| 5.2.1 区域协方差描述符 |
| 5.2.2 协方差描述符的统计解释 |
| 5.2.3 本章提出的纹理协方差描述符 |
| 5.3 SPD矩阵的内核方法 |
| 5.3.1 SPD矩阵的距离测度 |
| 5.3.2 定义在黎曼流形上的正定内核 |
| 5.4 实验结果与分析 |
| 5.4.1 SAR数据集描述 |
| 5.4.2 实验设置 |
| 5.4.3 参数分析 |
| 5.4.4 几何结构的重要性 |
| 5.4.5 与其他分类方法的对比 |
| 5.5 本章小结 |
| 第六章 结束语 |
| 6.1 工作总结 |
| 6.2 未来工作展望 |
| 致谢 |
| 参考文献 |
| 作者在学期间取得的学术成果 |
（5）基于卷积神经网络与邻域相关性的SAR图像分类算法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 SAR成像的基本原理与特性 |
| 1.2.1 SAR成像基本原理 |
| 1.2.2 SAR图像的基本特性 |
| 1.3 SAR图像分类研究现状 |
| 1.3.1 基于传统方法的SAR图像分类研究现状 |
| 1.3.2 基于深度学习的SAR图像分类研究现状 |
| 1.4 研究目的与贡献 |
| 1.4.1 研究目的 |
| 1.4.2 本文贡献 |
| 1.5 论文组织结构 |
| 第二章 卷积神经网络基础与发展 |
| 2.1 卷积神经网络基础 |
| 2.1.1 卷积层 |
| 2.1.2 池化层 |
| 2.1.3 全连接层 |
| 2.2 卷积神经网络发展 |
| 2.3 本章小结 |
| 第三章 基于自适应邻域卷积神经网络的SAR图像分类算法 |
| 3.1 引言 |
| 3.2 相干斑噪声对卷积神经网络分类精度的影响 |
| 3.2.1 含噪声图像与无噪声图像分类精度对比 |
| 3.2.2 噪声水平对分类精度的影响 |
| 3.2.3 噪声抑制预处理对分类精度的影响 |
| 3.3 基于AN-CNN的SAR图像分类算法 |
| 3.3.1 AN-CNN模型 |
| 3.3.2 自适应邻域的构建 |
| 3.3.3 AN-CNN参数训练 |
| 3.4 实验结果与讨论 |
| 3.4.1 参数设置与数据集 |
| 3.4.2 仿真SAR图像上的实验结果与讨论 |
| 3.4.3 Radarsat-2 SF-Bay真实SAR图像上的实验结果与讨论 |
| 3.4.4 Radarsat-2 Flevoland真实SAR图像上的实验结果与讨论 |
| 3.4.5 训练样本选取方式讨论 |
| 3.5 本章小结 |
| 第四章 结合SRAD滤波与CNN的 SAR图像分类算法 |
| 4.1 引言 |
| 4.2 相干斑抑制各向异性扩散滤波 |
| 4.3 SRAD-CNN模型及参数训练 |
| 4.3.1 SRAD-CNN模型的结构 |
| 4.3.2 SRAD-CNN模型参数的训练 |
| 4.4 实验结果与讨论 |
| 4.4.1 参数设置与实验数据 |
| 4.4.2 合成SAR图像上的实验与讨论 |
| 4.4.3 Radarsat-2 SF-Bay真实SAR图像上的实验结果与讨论 |
| 4.4.4 Radarsat-2 Flevoland真实SAR图像上的实验结果与讨论 |
| 4.4.5 Terra SAR-X高分辨率真实SAR图像上的实验结果与讨论 |
| 4.4.6 SRAD-CNN的特征可视化 |
| 4.5 本章小结 |
| 第五章 基于深度特征及区域间相关性约束的SAR图像分类算法 |
| 5.1 引言 |
| 5.2 背景知识 |
| 5.2.1 MRF模型介绍 |
| 5.2.2 IRGS算法与MAGIC系统 |
| 5.3 基于RCC-MRF的区域级SAR图像分类 |
| 5.3.1 算法工作流程 |
| 5.3.2 区域类别标签初始化 |
| 5.3.3 RCC-MRF模型构建 |
| 5.4 实验结果与讨论 |
| 5.4.1 参数与实验数据集 |
| 5.4.2 合成SAR图像上的实验结果与讨论 |
| 5.4.3 Radarsat-2 SF-Bay真实SAR图像上的实验结果与讨论 |
| 5.4.4 Radarsat-2 Flevoland真实SAR图像上的实验结果与讨论 |
| 5.4.5 RCC项有效性讨论 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 本文总结 |
| 6.2 工作展望 |
| 参考文献 |
| 攻读博士学位期间的学术活动及成果情况 |
（6）高分辨率遥感影像道路目标识别与提取研究（论文提纲范文）
| 摘要 |
| Abstract |
| 主要符号表 |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 影像数据中道路的特征与道路网模型 |
| 1.2.1 影像数据的类型 |
| 1.2.2 遥感影像数据中的道路特征 |
| 1.2.3 道路网模型 |
| 1.3 道路提取方法研究综述 |
| 1.3.1 道路基元提取方法 |
| 1.3.2 道路网连接方法 |
| 1.3.3 道路中心线提取方法 |
| 1.3.4 研究现状与存在问题 |
| 1.4 研究目标与研究内容 |
| 1.5 技术路线 |
| 1.6 论文结构安排 |
| 第二章 高分辨率遥感影像特征分析 |
| 2.1 光谱特征分析 |
| 2.1.1 统计特征 |
| 2.1.2 归一化植被指数 |
| 2.1.3 势函数直方图 |
| 2.2 纹理特征分析 |
| 2.2.1 统计法 |
| 2.2.2 结构法 |
| 2.2.3 频谱法 |
| 2.3 边缘特征分析 |
| 2.3.1 一阶微分算子 |
| 2.3.2 二阶微分算子 |
| 2.3.3 最优算子 |
| 2.3.4 参数化核图割 |
| 2.4 本章小结 |
| 第三章 基于多级框架的道路骨架提取 |
| 3.1 引言 |
| 3.2 基于多核学习的方法研究 |
| 3.2.1 核函数与支持向量机 |
| 3.2.2 基于多核学习的特征融合 |
| 3.3 基于多特征融合的道路基元粗提取 |
| 3.3.1 纹理特征提取 |
| 3.3.2 颜色特征提取 |
| 3.3.3 道路基元粗提取 |
| 3.4 基于形状特征与形态学的道路基元精提取 |
| 3.4.1 道路基元形状特征滤波 |
| 3.4.2 道路基元形态学滤波 |
| 3.4.3 道路基元精提取 |
| 3.5 基于知识的道路骨架连通 |
| 3.5.1 道路基元连接规则 |
| 3.5.2 邻近基元连接 |
| 3.6 实验与分析 |
| 3.6.1 实验一 |
| 3.6.2 实验二 |
| 3.7 本章小结 |
| 第四章 基于全局探测和局部检测的路口识别 |
| 4.1 引言 |
| 4.2 路口类型 |
| 4.3 路口特征 |
| 4.4 路口识别 |
| 4.4.1 基于相干滤波的路口边缘增强 |
| 4.4.2 基于空间自相关的路口同质特征提取 |
| 4.4.3 基于颜色矩的颜色特征提取 |
| 4.4.4 结合全局探测和局部检测的路口提取方法 |
| 4.5 实验与分析 |
| 4.6 本章小结 |
| 第五章 基于线性结构增强与多元回归的道路中心线提取 |
| 5.1 引言 |
| 5.2 道路骨架局限及其对中心线提取的影响 |
| 5.2.1 “冗余”现象 |
| 5.2.2 “缺失”现象 |
| 5.2.3 “混合”现象 |
| 5.3 基于结构元素的骨架规整方法 |
| 5.4 基于线性结构增强的骨架规整方法 |
| 5.5 基于多元回归的道路中心线提取 |
| 5.5.1 多元自适应样条回归 |
| 5.5.2 道路中心线提取算法流程 |
| 5.6 实验与分析 |
| 5.7 本章小结 |
| 结论与展望 |
| 一、结论 |
| 二、论文创新点 |
| 三、研究展望 |
| 参考文献 |
| 致谢 |
| 个人简历 |
| 在学期间的研究成果及发表的学术论文 |
（7）基于单幅高分辨率星载SAR影像的交通灾害信息提取方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 选题背景 |
| 1.1.2 选题意义 |
| 1.2 国内外研究现状 |
| 1.2.1 SAR卫星及传感器发展现状 |
| 1.2.2 SAR图像噪声抑制现状 |
| 1.2.3 SAR图像分类现状 |
| 1.2.4 SAR图像交通灾害特征检测提取研究现状 |
| 1.3 本文实验区域与数据 |
| 1.4 研究目标与方法 |
| 1.4.1 研究对象 |
| 1.4.2 研究目标 |
| 1.4.3 研究内容 |
| 1.4.4 研究方法与技术路线 |
| 第2章 基于支持向量回归的噪声抑制算法研究 |
| 2.1 相干斑噪声的产生机理及其统计特性 |
| 2.1.1 相干斑噪声产生机理 |
| 2.1.2 单视SAR图像的统计特性 |
| 2.1.3 多视SAR图像的统计特性 |
| 2.2 SAR图像降噪算法概述 |
| 2.2.1 基于局部统计特性的空间域自适应滤波 |
| 2.2.2 小波域的SAR图像降噪方法 |
| 2.2.3 基于马尔可夫随机场（MRF）模型的SAR图像降噪方法 |
| 2.3 支持向量回归(SVR)原理 |
| 2.3.1 回归问题的数学描述 |
| 2.3.2 e-支持向量回归机 |
| 2.4 SAR图像支持向量回归(SVR)降噪方法 |
| 2.4.1 基于回归距的降噪滤波器 |
| 2.4.2 小波支持向量机（WSVM） |
| 2.4.3 算法流程及步骤 |
| 2.5 实验结果与分析 |
| 2.5.1 一维信号SVR滤波实验 |
| 2.5.2 SAR图像SVR滤波实验结果 |
| 2.6 本章小节 |
| 第3章 基于改进RGAC模型的分类方法研究 |
| 3.1 基于灰度共生矩阵的SAR影像纹理分析 |
| 3.1.1 灰度共生矩阵（GLCM）纹理 |
| 3.1.2 GLCM纹理参量 |
| 3.1.3 SAR图像GLCM纹理分析实验结果 |
| 3.2 基于Gabor滤波器响应的SAR图像纹理特征 |
| 3.2.1 一维Gabor变换和Gabor基函数 |
| 3.2.2 二维Gabor滤波器 |
| 3.2.3 基于Gabor滤波器响应的纹理特征计算实验 |
| 3.3 基于纹理分析与支持向量机（SVM）的SAR图像分类 |
| 3.3.1 基于支持向量机（SVM）的纹理分类方法概述 |
| 3.3.2 用于SAR图像纹理分类的SVM分类器的构建 |
| 3.3.3 基于SVM分类实验计算与分析 |
| 3.4 引入SVM的两阶段RGAC模型的SAR图像纹理分类 |
| 3.4.1 主动轮廓模型概述 |
| 3.4.2 水平集函数描述 |
| 3.4.3 能量函数描述 |
| 3.4.4 Lankton模型 |
| 3.4.5 改进的两阶段RGAC模型 |
| 3.4.6 实验结果与分析 |
| 3.5 本章小结 |
| 第4章 枢纽节点目标提取方法研究 |
| 4.1 桥梁目标参数提取方法研究 |
| 4.1.1 桥梁高度、宽度等参数估计 |
| 4.1.2 拱形结构参数估计 |
| 4.2 机场目标搜索及提取方法研究 |
| 4.2.1 机场目标搜索 |
| 4.2.2 机场特征参数计算 |
| 4.2.3 基于支持向量机(SVM)的SAR图像机场识别方法 |
| 4.2.4 实验流程与步骤 |
| 4.2.5 实验结果与分析 |
| 4.3 本章小结 |
| 第5章 受灾区域体提取方法研究 |
| 5.1 堰塞湖判定与提取 |
| 5.2 滑坡体判定与提取 |
| 5.3 倒塌建筑物判定与提取 |
| 5.3.1 建筑物在SAR影像上的成像分析 |
| 5.3.2 建筑物高度实验结果与分析 |
| 5.3.3 建筑区域提取 |
| 5.4 本章小结 |
| 第6章 结论与展望 |
| 参考文献 |
| 致谢 |
| 作者简历及攻读学位期间发表的学术论文与研究成果 |
（8）基于层次视觉计算和统计模型的SAR图像分割与理解（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号对照表 |
| 缩略语对照表 |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.1.1 SAR图像分割和理解的研究背景 |
| 1.1.2 SAR图像分割和理解的研究意义 |
| 1.2 SAR图像分割和理解的研究现状及进展 |
| 1.2.1 SAR图像分割和理解的难点 |
| 1.2.2 SAR图像分割和理解的研究现状 |
| 1.3 本论文工作 |
| 第二章 基于素描模型和高阶邻域MRF的SAR图像分割 |
| 2.1 SAR图像的素描模型 |
| 2.2 基于MRF模型的图像分割 |
| 2.2.1 MRF理论 |
| 2.2.2 MRF-MAP估计 |
| 2.3 基于素描模型和高阶邻域MRF模型的SAR图像分割 |
| 2.3.1 创建高阶邻域 |
| 2.3.2 区分同质邻域和异质邻域 |
| 2.3.3 创建势能函数 |
| 2.4 实验结果和分析 |
| 2.4.1 实验数据 |
| 2.4.2 参数分析 |
| 2.4.3 合成SAR图像的实验结果 |
| 2.4.4 真实SAR图像的实验结果 |
| 2.5 总结 |
| 第三章 基于自适应层次多项式隐模型和混合核函数的SAR图像分割 |
| 3.1 引言 |
| 3.2 多项式隐模型 |
| 3.3 基于自适应层次多项式隐模型和混合核函数的SAR图像分割方法 |
| 3.3.1 SAR图像划分 |
| 3.3.2 构建混合核函数 |
| 3.3.3 非结构区域的分割 |
| 3.3.4 结构区域的分割 |
| 3.4 实验结果和分析 |
| 3.4.1 实验数据 |
| 3.4.2 参数分析 |
| 3.4.3 合成SAR图像的分割结果 |
| 3.4.4 真实SAR图像的分割结果 |
| 3.5 结论 |
| 第四章 基于层次视觉语义和自适应邻域多项式隐模型的SAR图像分割 |
| 4.1 引言 |
| 4.2 SAR图像的层次视觉语义模型 |
| 4.3 基于层次视觉语义和自适应邻域多项式隐模型的SAR图像分割 |
| 4.3.1 聚集区域的分割 |
| 4.3.2 结构区域和匀质区域的分割 |
| 4.4 实验结果和分析 |
| 4.4.1 数据集 |
| 4.4.2 合成SAR图像的分割 |
| 4.4.3 真实SAR图像的分割 |
| 4.5 结论 |
| 4.6 附录 |
| 第五章 基于卷积小波神经网络和MRF的SAR图像分割 |
| 5.1 引言 |
| 5.2 卷积小波神经网络 |
| 5.2.1 卷积神经网络 |
| 5.2.2 卷积小波神经网络 |
| 5.3 标记策略 |
| 5.4 本章算法分割过程 |
| 5.5 实验结果和分析 |
| 5.5.1 实验数据集 |
| 5.5.2 纹理图像的分割结果 |
| 5.5.3 真实SAR图像的分割结果 |
| 5.5.4 参数分析 |
| 5.5.5 计算复杂性 |
| 5.6 结论 |
| 第六章 基于语义条件随机场和贝叶斯网络的SAR图像理解 |
| 6.1 引言 |
| 6.2 基于语义条件随机场的SAR图像分割 |
| 6.2.1 条件随机场模型 |
| 6.2.2 语义条件随机场模型 |
| 6.2.3 语义条件随机场的分段训练 |
| 6.3 基于贝叶斯网络推理的SAR图像理解 |
| 6.4 实验结果和分析 |
| 6.4.1 实验数据 |
| 6.4.2 真实SAR图像上语义分割的结果 |
| 6.4.3 真实SAR图像理解结果 |
| 6.5 结论 |
| 第七章 总结和展望 |
| 7.1 论文主要工作总结 |
| 7.2 未来工作展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（9）基于深度RBF网络的SAR影像地物分类（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 缩略语对照表 |
| 第一章 绪论 |
| 1.1 合成孔径雷达的研究进展 |
| 1.2 SAR影像地物分类技术的研究进展 |
| 1.3 本文内容安排 |
| 第二章 RBF神经网络与深度学习理论基础 |
| 2.1 RBF神经网络基本思想与基本特点 |
| 2.1.1 RBF网络基本介绍 |
| 2.1.2 RBF网络的分类原理 |
| 2.1.3 RBF网络的训练 |
| 2.2 深度学习理论基础 |
| 2.2.1 深度学习研究背景 |
| 2.2.2 深度学习研究现状 |
| 2.3 深度学习的应用 |
| 2.3.1 深度学习的应用 |
| 2.3.2 深度学习的前景 |
| 第三章 基于RBF和SAE的深度神经网络模型及学习算法 |
| 3.1 基于深度学习的SAR影像分类 |
| 3.2 基于RBF的SAR影像分类 |
| 3.3 SAE神经网络基本原理 |
| 3.3.1 AE神经网络 |
| 3.3.2 SAE神经网络 |
| 3.4 基于RBF和SAE的深度神经网络模型及学习算法 |
| 3.4.1 基于RBF和SAE的深度神经网络模型 |
| 3.4.2 深度神经网络模型的算法步骤 |
| 3.4.3 实验及实验结果分析 |
| 3.5 基于RBF和SAE的深度神经网络模型仿真实验 |
| 3.5.1 实验数据 |
| 3.5.2 实验结果及分析 |
| 第四章 基于RBF和RBM的深度神经网络分类器的实现 |
| 4.1 RBM基本原理 |
| 4.1.1 RBM网络结构 |
| 4.1.2 RBM的学习原理 |
| 4.1.3 RBM的训练过程 |
| 4.1.4 RBM的参数设置问题及评估方法 |
| 4.1.5 RBM的发展趋势 |
| 4.2 基于RBF和RBM的深度RBF分类器的设计与实现 |
| 4.2.1 基于RBF和RBM的深度RBF分类器模型 |
| 4.2.2 基于RBF和RBM的深度RBF分类器算法步骤 |
| 4.2.3 实验及结果分析 |
| 第五章 进化深度神经网络的学习与优化 |
| 5.1 进化计算的概述 |
| 5.2 遗传算法的优化原理 |
| 5.2.1 遗传算法概述 |
| 5.2.2 遗传算法的实现 |
| 5.2.3 遗传算法的应用 |
| 5.3 基于PSO的深度RBF网络的优化 |
| 5.3.1 粒子群算法基本知识 |
| 5.3.2 粒子群优化算法的实现 |
| 5.4 基于IA的深度RBF网络的优化 |
| 5.4.1 免疫算法概述 |
| 5.4.2 免疫算法的实现 |
| 5.5 进化神经网络的学习与优化 |
| 5.5.1 优化算法原理 |
| 5.5.2 深度RBF网络的优化算法步骤 |
| 5.5.3 实验及结果分析 |
| 第六章 结论与讨论 |
| 6.1 研究结论 |
| 6.2 研究展望 |
| 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 |
（10）基于MRF模型和统计建模的SAR图像地物分类方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 特征提取算法 |
| 1.2.2 分类算法 |
| 1.3 论文研究内容和完成的主要工作 |
| 1.3.1 论文的研究重点 |
| 1.3.2 基本研究思路 |
| 1.3.3 论文的章节安排 |
| 第二章 SAR图像统计建模基础理论 |
| 2.1 引言 |
| 2.2 SAR 图像统计模型概述 |
| 2.2.1 经验分布 |
| 2.2.2 由乘积发展的统计模型 |
| 2.2.3 由广义中心极限定理发展的统计模型 |
| 2.2.4 联合分布模型 |
| 2.3 基于Mellin 变换的参数估计方法 |
| 2.3.1 经典参数估计方法 |
| 2.3.2 基于Mellin 变换的参数估计方法 |
| 2.3.3 MoLC 应用于分布的参数估计 |
| 2.4 基于字典集的SAR 图像统计建模方法 |
| 2.4.1 有限混合模型 |
| 2.4.2 EM 算法 |
| 2.4.3 基于字典集的有限混合模型 |
| 2.5 copula 函数理论 |
| 2.5.1 copula 定义及Sklar’s 定理 |
| 2.5.2 相关性度量 |
| 2.5.3 copula 函数类型 |
| 2.6 实验结果及分析 |
| 2.6.1 单分布模型地物分布拟合结果与分析 |
| 2.6.2 混合模型地物分布拟合结果与分析 |
| 2.7 本章小结 |
| 第三章 基于MRF模型和统计建模单极化SAR图像分类 |
| 3.1 引言 |
| 3.2 MRF 理论概述 |
| 3.2.1 MRF 模型基础理论 |
| 3.2.2 Gibbs 分布 |
| 3.2.3 Hammers-Clifford 定理 |
| 3.3 基于MRF 模型和灰度统计的单极化SAR 图像分类 |
| 3.3.1 基于MRF 模型图像分类 |
| 3.3.2 MMD 算法 |
| 3.3.3 分类精度评价 |
| 3.4 基于MRF 模型和特征联接的单极化SAR 图像分类 |
| 3.4.1 图像纹理特征提取 |
| 3.4.2 基于copulas 的特征联接MRF 单极化SAR 图像分类 |
| 3.4.3 copula 函数的选取 |
| 3.4.4 分类实现步骤 |
| 3.5 实验结果及分析 |
| 3.5.1 基于MRF 模型和灰度统计的单极化SAR 图像分类实验 |
| 3.5.2 基于MRF 模型和特征联接的单极化SAR 图像分类实验 |
| 3.6 本章小结 |
| 第四章 基于MRF模型和统计建模多极化SAR图像分类 |
| 4.1 引言 |
| 4.2 一种多极化SAR 图像数据统计建模方法 |
| 4.2.1 传统多极化SAR 图像数据统计建模方法 |
| 4.2.2 基于copula 的多极化SAR 图像数据统计建模 |
| 4.3 基于混合copulas 的多极化SAR 图像数据建模 |
| 4.3.1 混合copulas 理论 |
| 4.3.2 混合copulas 参数估计 |
| 4.3.3 基于字典集的混合copulas 多极化SAR 图像数据建模 |
| 4.4 基于MRF 模型多极化SAR 图像分类 |
| 4.5 实验结果及分析 |
| 4.5.1 基于单copula 多极化SAR 图像分类实验 |
| 4.5.2 基于字典集混合copulas 多极化SAR 图像分类实验 |
| 4.6 本章小结 |
| 第五章 结束语 |
| 5.1 全文工作总结 |
| 5.2 未来工作展望 |
| 致谢 |
| 参考文献 |
| 作者在学期间取得的学术成果 |
| 附录A Mellin变换基本性质的证明 |
| 附录B MoLC方法应用于G0分布参数估计 |
四、基于混合双隐层径向基函数网络的高分辨率SAR图像地物分类算法研究（论文参考文献）
- [1]SAR图像多特征融合与分类算法研究[D]. 吴效莹. 天津理工大学, 2021(08)
- [2]极化合成孔径雷达图像特征表示与目标分类方法研究[D]. 王贤圆. 电子科技大学, 2021(01)
- [3]基于多尺度卷积稀疏表示的高分辨SAR图像分类[D]. 纪莉莉. 西安电子科技大学, 2020(05)
- [4]高分辨率SAR图像地物分类技术研究[D]. 管冬冬. 国防科技大学, 2019(01)
- [5]基于卷积神经网络与邻域相关性的SAR图像分类算法研究[D]. 张安骏. 合肥工业大学, 2020(01)
- [6]高分辨率遥感影像道路目标识别与提取研究[D]. 许锐. 福州大学, 2018(03)
- [7]基于单幅高分辨率星载SAR影像的交通灾害信息提取方法研究[D]. 张蕴灵. 中国科学院大学(中国科学院遥感与数字地球研究所), 2017(10)
- [8]基于层次视觉计算和统计模型的SAR图像分割与理解[D]. 段一平. 西安电子科技大学, 2017(01)
- [9]基于深度RBF网络的SAR影像地物分类[D]. 韩佳敏. 西安电子科技大学, 2014(03)
- [10]基于MRF模型和统计建模的SAR图像地物分类方法研究[D]. 孙书进. 国防科学技术大学, 2011(07)