一、利用小波尺度共生矩阵和灰度共生矩阵的SAR图像分类（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》文中指出合成孔径雷达（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。
谷丰[2]（2021）在《基于深度学习的SAR图像去噪及弱监督地物分割研究》文中指出合成孔径雷达（Synthetic Aperture Radar,SAR）影像地物分割是SAR影像解译的一个基本环节。传统的地物分割算法存在大量人工干预,复杂度高,在泛化性和时效性上都无法达到要求。近年来,深度学习算法因其强大的特征提取能力在图像分割领域发展迅速。在SAR大数据背景下,深度学习网络模型可以依托海量的标注数据进行权重迭代更新,使得模型输出能够逼近标注结果。深度学习模型的产生是专家知识与经验积累的结果,其推断准确度受限于训练样本库的体量和质量,依赖于劳动密集型的数据标注工作。SAR影像强度信息受相干斑噪声的干扰,同时具有顶底位移、透视收缩等成像特点。特殊的成像机制使得SAR影像样本标注相较于照片或光学遥感影像要复杂得多,难以保证标注的效率和精度。因此,依托SAR大数据进行地物分割任务,需要耗费大量的时间成本来换取准确的全监督像素级地物标签。为解决上述问题,需要降低全监督地物标注的完整程度,改用在地物位置和轮廓信息上均有所损失的弱监督标注方式,如边界框标注,全局类别标注等,这势必会影响地物分割精度。本文既希望借助弱监督标注以大幅减少人工标注成本,又希望弱监督地物分割模型的精度能逼近全监督分割算法。为此,本文在分析SAR图像成像特性的前提下,开展了基于深度学习的SAR图像去噪以及弱监督地物分割研究。其中,前者为弱监督分割提供基础的数据支持,使弱监督分割算法在边界回归上不受噪声影响。后者将具体针对建筑以及船舶两类人造地物展开研究,在超像素聚类算法、概率图模型以及极坐标射线掩膜回归的辅助下得到精确的地物分割掩膜。主要研究内容及创新点如下:1.针对流行去噪方法性能固化的问题,提出基于纹理量化图的深度学习SAR图像去噪方法。在充分分析SAR噪声的空间相干性以及图像局部纹理特性的前提下,提出纹理量化图的概念并设计了一种新颖的二组分深度学习去噪网络。该网络可自动量化纹理特征,并自适应决定局部区域是平滑噪声还是保持细节。利用高分三号超精细条带模式数据进行实验,所提方法获得了29.23的等效视数,0.1183的噪声图均匀性指标以及0.0307的噪声图结构性指标。此外,多源机载和星载SAR数据去噪实验表明所提方法具有较好的泛化性能。与现阶段流行去噪方法相比,所提方法在主观目视评价以及客观指标评价上具备更优异的性能。同时,其为后续弱监督地物分割方法提供有效的数据支持,提升了分割边界的准确性和平滑连续性。2.针对全监督建筑区标注费时的问题,提出基于超像素分割和卷积神经网络（Convolutional Neural Network,CNN）的全极化SAR建筑区弱监督提取方法。该方法首先利用改进简单线性迭代算法自适应决定紧凑度因子以生成贴合地物边界的超像素,然后基于CNN对每个超像素的代表场景进行多尺度特征提取和分类。所提方法在仅依靠图像全局标签的情况下,将基本分割单元从像素上升为超像素,同时充分考虑极化分解特征和像素空间上下文特征,有效提升建筑区提取的效率和精度。基于高分3号全极化条带模式数据进行实验,所提方法的建筑区提取结果达到平均93.25%的总体精度,91.55%的检测率以及7.19%的虚警率。3.针对复杂场景下船舶定位困难的问题,提出一种基于类激活图和条件随机场的船舶弱监督分割算法。受到计算机视觉类激活图注意力机制的启发,着重验证了基于船舶全局标签进行船舶候选区提取的可行性,并深入分析了候选区的多尺度性和弱监督性。同时,引入全连接条件随机场对船舶候选区进行边界回归,形成精细分割掩膜。以高分3号精细条带模式数据作为实验数据,所提方法在多种背景下对船舶目标进行像素级分割,获得了88.54%的船舶检测率,8%的船舶虚警率以及90.412的F1分数。4.针对并排多目标无法进行准确单目标定位的问题,提出基于伪标签与极坐标射线回归的靠泊船舶弱监督分割方法。首先基于3中所提方法对靠泊船舶进行伪标签制作,结合少量全监督标注数据形成训练数据集;然后,把船舶实例分割问题分解为中心回归和射线回归两个子问题;最后构建极坐标下的交并比损失函数和焦点损失函数对网络进行综合训练。所提方法主要基于伪标签进行网络训练,有效解决了样本制作费时费力以及靠泊船舶样本稀少的问题。同时,通过船舶中心回归与掩膜射线回归机制显着提升密集排列船舶的分割能力。利用高分三号超精细条带模式数据进行实验,所提方法获得了90.75%的船舶检测率以及9.24%的虚警率,在对比方法中精度最高。同时对于训练集增广方式的控制变量消融实验表明,在使用了所提训练集扩增方式之后,网络检测率将得到显着提升,且虚警率会有明显下降。
史顺周[3]（2021）在《基于改进深度森林的SAR任务失效成因推理方法研究》文中认为合成孔径雷达（SAR）在地质研究、环境监控、气象预报、灾情预警、资源探测和军事侦察等领域得到广泛应用,成为军事目标侦察的主要装备,机载SAR在执行侦察任务过程中,部件故障、参数错误、环境噪声等都可能导致其侦察任务失效。因此,如何有效提高SAR任务失效成因推理的实时性和准确性对于系统快速排除故障、提高任务成功率具有重大的研究价值。本课题以某型机载SAR装备为研究对象,基于SAR在不同地形、不同参数、不同环境下获得的成像结果数据,在深度森林算法的基础上对任务失效雷达进行成因推理。主要研究内容如下:（1）为提高任务失效成因的推理速度,本文提出了一种基于旋转不变LBP灰度共生矩阵的SAR图像特征提取算法。该方法仅需扫描一次灰度图像即可构建旋转不变LBP灰度共生矩阵,减少了图像扫描的次数和图像信息量的损失,进而提高了灰度共生矩阵在提取SAR图像纹理特征过程中存在的图像灰度信息损失、旋转不变性以及计算复杂度等性能。该算法在多场景下的近三千张SAR图像数据集上进行了实验验证,实验结果表明,该算法在保证推理准确性的同时减少了约25%的耗时,极大地提高了任务失效成因的推理速度。（2）为进一步提高任务失效成因推理的准确性,本文通过在深度森林级联层加入拟合质量特征和增加基学习器多样性,提出了一种基于改进深度森林的SAR任务失效成因推理方法。该方法在每一级联层中对特征的贡献度进行排序,并将具有更高重要性的特征作为拟合质量特征添加到下一层输入,以减少重要特征信息的损失;此外,通过将每层的基学习器从原有的两类扩展至四类,增加了基学习器的多样性,进而提高了深度森林集成模型的整体性能。该算法在包含29类失效成因的近三千张SAR图像数据集进行了验证,实验结果表明,本算法的失效成因推理准确性可达94.3%,优于传统的深度深林及随机森林等方法。
张演康[4]（2020）在《基于深度卷积生成对抗网络的SAR与可见光融合技术研究》文中研究表明SAR（Synthetic Aperture Radar,合成孔径雷达）与可见光遥感图像的融合技术在地物分类、目标检测、变化检测等领域具有广泛的应用价值。但是,其面临着有效数据源不足,特征提取能力弱等挑战。利用基于深度学习、卷积神经网络等技术对大规模遥感图像进行高质量、高性能的融合,对综合利用多源卫星资源,精确探索地物信息具有重要价值。为了充分利用SAR图像的纹理信息和可见光遥感图像的颜色信息,本文开展基于深度卷积生成对抗网络的SAR与可见光遥感图像融合方法研究。针对中等分辨率的SAR与可见光遥感图像融合任务,本文提出SO-GAN（SAR-Optical Generative Adversarial Network）方法。该方法使用一种基于编解码器结构的卷积神经网络作为融合图像的生成器,利用二分类卷积神经网络构成了评估融合图像质量的判别器。为了学习图像的全局特征及细节特征,SO-GAN采用了一种多感受野并行的特征提取结构。此外,对损失函数进行优化,加入了基于HSV（Hue,Saturation,Value）变换后灰度共生矩阵的损失函数,约束图像的纹理特性,使融合图像更能兼具SAR与可见光图像的信息针对高分辨率SAR与可见光遥感图像融合任务,本文提出一种HRSO-GAN（High Resolution SAR-Optical Generative Adversarial Network）方法,该方法基于多尺度特征图金字塔生成器,结合多个判别器,由低至高逐层生成高分辨率图像。利用合理的上采样方式避免重复性纹理的错误特征,并引入了多任务损失函数进一步丰富细节信息。本文利用Sentinel-1A和GF-3卫星获取的SAR图像,以及Sentinel-2和GF-2获取的可见光图像进行了融合处理实验,并采用峰值信噪比等几个客观的图像质量评价指标对融合图像进行色彩质量评估和纹理质量评估。实验结果证明了本文方法的有效性和准确性。
杨红霞[5]（2020）在《结合显着性检测的SAR流冰分离方法的研究》文中认为海洋浮冰受风力和波浪的影响,其流经区域对船舶航行、港口、海上油气勘探等造成威胁。而流冰区的浮冰大小形状各不相同,有的接触紧密,有的大块浮冰周围存在许多细小碎冰。加上SAR的相干系统会导致图像存在斑噪声,这使得SAR图像中浮冰的分离难以实现。本文针对SAR图像中背景复杂以及多目标浮冰问题,提出了一种基于背景抑制显着性检测的SAR流冰分离方法。并通过实验验证了本文方法的有效性和适用性。本文主要工作和研究内容如下:首先,对SAR海冰数据进行了预处理及数据集的制作,包括对图像进行噪声抑制、感兴趣区域提取、数据集制作以及分类等;然后对SAR海冰数据进行特征提取分析,主要提取了图像的颜色特征（均值和直方图）和纹理特征（灰度共生矩阵和LM滤波器组）,并通过实验分析从中选择了适合SAR海冰图像的特征组成最优特征集来进行后续实验。其次,针对SAR浮冰分离中存在的复杂背景问题以及多目标浮冰的问题,提出了结合显着性检测的SAR流冰区浮冰分离的方法。通过对多种超像素分割方法分析,最终选择简单线性迭代方法（SLIC）来对图像进行多级超像素分割,并学习随机森林回归量来获取初步显着图,但当有疑似浮冰大面积接触图像边界的时候,显着性检测方法的检测精度会降低,针对此问题,本文提出了背景抑制模块,通过边界区域传染来抑制边界疑似冰,弥补了显着性方法在海冰检测中的不足。最后,在SAR海冰数据集上进行了对比实验分析。通过与较为先进的八种显着性检测方法和五种海冰分割方法进行对比实验,并综合PR曲线、Fmeasure、MAE、MIoU和FWIou等评估指标,证明了本文方法对SAR海冰图像中存在的孤立浮冰,小碎冰、边界疑似冰等复杂背景问题和多目标浮冰问题有了显着的改善。
唐艳慧[6]（2020）在《基于光谱信息与纹理信息融合的显微高光谱木材分类》文中认为木材属于天然的有机高分子化合物,在国民经济中,扮演重要角色。是重要的可再生原料同时也是必不可少的生活资源。但是目前市场上木材质量良莠不齐,商家以次充好,且很多木材纹理走势相似,依据肉眼难以辨别。在划分木材质地,鉴别木材种类和真伪中,仍存在许多困难。因此对木材树种的分类方法上仍需不断探索,推陈出新。目前使用的分类算法仍有些许不足,大部分分类过程仅仅依靠所采集的光谱信息,对木材图像纹理信息的挖掘深度不够,没有充分利用显微高光谱图像“图谱合一”的特点。此外,监督分类算法中支持向量机在处理非线性问题方面以及应对维数灾难上发挥特有的优势,但对于核函数的选取和应用较为单一,因此本论文在此基础上,针对上述问题,在复合核的框架下,提出有效的光谱信息与图像纹理信息融合的方法对木材分类。针对二十种木材树种的显微高光谱数据信息,本文的主要内容和工作如下:（1）基于分形理论的显微高光谱图像的图像纹理特征提取将分形理论引入显微高光谱成像的木材分类中,本文提出了应用多重分形谱的显微高光谱木材纹理特征提取方法。采用自适应波段选择和K-L散度两种降维方法挑选特征波长,降低波段数量,减少运算量。提出了三种不同的函数密度函数:图像亮度函数、图像梯度函数、图像的拉普拉斯算子函数,对所选波段对应的纹理图像进行划分,划分成若干个二值图像,使用盒维数的方法对划分后的图像求解其分形维数,即可得到多个分形维数的值,也对应着得到多条分形曲线,最后平均即得到多重分形曲线。提出的多重分形方法相对于传统的纹理提取算法,如灰度共生矩阵以及小波纹理提取,识别精度有大幅度的提升。（2）基于光谱信息和图像纹理信息融合的木材树种分类对显微高光谱图像选取一定大小的感兴趣区域,提取其平均光谱数据。先采用Savitzky-Golary卷积平滑算法、多元散射校正、标准正态变量变化三种光谱预处理方法对其进行降噪及平滑。采用竞争性自适应重加权算法和连续投影算法两种算法对光谱进行降维,挑选出特征波长,提取出二十种木材的光谱信息。针对采集的显微高光谱具有“图谱合一”的特点,在获取图像信息的同时还可以得到对应波段信息。若仅仅采用单一的分类特征并不能充分表示。本文融合木材的图像纹理信息和光谱信息送入分类器,采用应用较多的有监督分类算法支持向量机、相关向量机、BP神经网,最后实验对比分析,支持向量机的分类效果较好,特别是在在处理标记有限的样本时,具有较好分类和泛化能力。因此在复合核函数的框架下,提出五种复合核函数建立图谱信息融合的分类模型,通过与单一特征信息模型对比,采用第二个复合核函数的识别精度最高、分类效果最好,识别率为97.26%。因此采用复合核函数支持向量机对图谱信息进行融合,提升了不同特征间互补的利用率从而提升分类精度。
丁星[7]（2019）在《基于超像素的遥感图像海岸线检测与海岸带地物分类》文中研究表明海岸带监测对于国土资源勘探、海域使用管理等领域具有实际意义,而遥感为海岸带的监测提供重要手段,其中光学遥感和合成孔径雷达（Synthetic Aperture Radar,SAR）图像在中低分辨率下可以具有较大幅度的探测范围。在此前提下,本文围绕海岸带区域的海岸线检测和海岸带分类两个问题展开研究。在海岸线检测方面,SAR图像具有全天候的探测能力,但由于相干斑噪声、海风引起的海浪等复杂性因素,使得海岸线检测研究仍然面临着较大难度。在海岸带分类方面,只依靠光学或SAR图像的解译在中低分辨率下性能有待提高。因此,本文分别从SAR图像出发研究其海岸线检测算法,从图像融合角度出发,研究海岸带区域的SAR图像与光学图像的融合分类算法。本文主要工作如下:（1）给出了一种基于线检测的改进超像素SAR图像海岸线检测算法。该算法从分类的角度解决海岸线检测问题。针对现有超像素对线状物贴合不准的问题,本文给出一种双边滤波器,并将其引入已有光学线检测（Fast line finder,FLF）算法,给出一种基于SAR图像的改进线检测（Improved Line Finder,ILF）算法。然后本文给出一种具有线检测的超像素生成算法,使算法的模型参数受ILF线分布图控制。最后,采用隐马尔科夫模型对得到的超像素分类。实验针对较为复杂海况下的SAR图像展开检测,结果表明本章算法的平均偏移指数小于对比算法,基本可控制在两个像素以内。解决了具有复杂海域情况的SAR图像海岸线检测问题。（2）给出了一种基于均匀性度量的改进可靠性因子的遥感图像融合与海岸带分类算法。其动机在于,已有融合分类算法以不确定性度量传感器数据,对两种传感器不同地物的解译优势利用不够充分,导致在分类精度只有70%左右,仍有上升空间。为了解决这一问题,利用SAR图像灰度共生矩阵纹理来度量图像的均匀性,并结合光学图像的灰度信息以提取人工建筑区域,针对不同区域给出不同的可靠性因子。最后,采用马尔科夫随机场实现对SAR图像与光学图像在海岸带的融合分类。实验采用Sentinel-1图像和Landsat-8图像进行,实验表明改进的融合分类算法相比已有融合分类算法以及单一图像分类方法具有更好的分类性能,分类总体精度可达到87.86%,相比于已有融合分类的实验对比算法,提高了 20%左右。解决了已有算法对各传感器数据利用不充分问题,提高了海岸带的分类性能。
陈富玄[8]（2019）在《基于深度特征提取与条件随机场的高分辨率SAR图像分类》文中提出随着合成孔径雷达（Synthetic Aperture Radar,SAR）成像技术的飞速发展,人们能够获取大量的高分辨率SAR图像。高分辨率SAR图像包含了丰富的信息,能够对图像场景中的细节内容实现更为精细的感知。然而随着SAR图像分辨率的不断提高,各种新的问题与挑战相伴而生,对SAR图像解译提出了更高的要求。SAR图像分类是SAR图像处理和解译的基础问题,也是SAR技术与实际应用结合的关键环节之一,具有重要的意义,其目的在于:通过提取的特征完成分类,为每个像素分配一个标签。SAR图像分类精度对于SAR图像处理的后续阶段具有重大影响,因此SAR图像分类具有至关重要的意义,成为相关学者的研究热点。高分辨率SAR图像分类的主要问题在于:（1）高分辨率SAR图像中,不可避免地受到严重的斑点噪声的污染;（2）高分辨率SAR图像中的语义场景十分复杂,与低级特征之间存在”语义鸿沟”问题。因此,高分辨率SAR图像分类需要高效的特征提取技术对图像进行更好的表征。本文针对高分辨率SAR图像分类问题,对基于深度学习模型实现高级特征的提取以及利用条件随机场模型完成分类结果优化处理进行深入的探索研究。利用深度学习模型提取高级特征,一方面,能够克服高分辨率SAR图像中的“语义鸿沟”问题,对图像场景内容进行良好的表征,另一方面,高级特征鲁棒性和判别性十分出色,可以最大程度的减少斑点噪声的影响。基于深度学习模型提取的特征可以得到初始分类结果,并将其作为先验条件,通过引入条件随机场模型,结合SAR图像中的空间信息进一步提改善分类结果。根据上述理论,针对两种典型的深度学习模型:堆栈自编码网络和卷积神经网络进行深入研究,分析两种深度学习模型分类框架的不足:针对基于堆栈自编码网络分类框架,由于网络结构的限制导致有一定的空间信息丢失,为了解决该问题,本文引入了条件随机场模型用于对高分辨率SAR图像中的局部空间信息加以利用。针对基于卷积神经网络的分类框架无法充分利用高分辨率SAR图像中丰富的空间信息的问题,本文对循环神经网络能够对空间信息进行编码的特性进行分析,利用循环神经网络对卷积神经网络进行改进,以期实现性能更好的高分辨率SAR图像分类框架。最后,本文基于两种改进的分类框架,设计并完成针对高分辨率SAR图像的分类算法。通过三幅真实的高分辨率SAR图像进行实验,分类结果证明改进的分类框架分类性能得以提升,能够实现稳定精确的高分辨率SAR图像分类。
潘荔君[9]（2019）在《利用COSMO-SkyMed高分辨率SAR影像的西北航道区域海冰分类和可通行性分析》文中研究说明西北航道作为连接大西洋和太平洋最短的航道,具有显着的经济效益和战略意义。广泛分布的海冰是该地区的明显特征,严重影响了船舶航行的安全。为确保冰区航行的安全性,需要分析其可通行性,因此有必要掌握一定程度的海冰信息,如海冰类型、海冰密集度等,一般来说当海冰密集度六成以下,就可以航行。目前针对海冰监测需利用多种工具和仪器,例如浮标、破冰船、飞机等,但这类仪器都难以进行实时的、大范围的海冰监测,所以针对大范围如西北航道这类区域利用的是卫星遥感技术,而其中合成孔径雷达（SAR）以其不受天气影响,可以全天时、全天候、高分辨率地获取数据的优势被广泛应用。海冰监测的手段也多通过人工解译的方式,且由于所用数据分辨率普遍较低,分类效率也不高,难以描述海冰细节,可能会造成误分类的情况。针对这个情况,本文使用COSMOSkyMed的高分辨率SAR数据,进行目标区域的海冰、海水分类;利用分类结果计算目标区域的海冰密集度;结合航道宽度实现对航道区域的可通行性分析。同时使用被广泛用于极地研究的Sentinel-1数据进行对比。主要工作如下:1.筛选出西北航道的巴罗海峡区域作为实验区域,利用COSMO-SkyMed的Level 1C产品（GEC）HH极化的聚束模式（Spotlight）数据以及经过预处理的Sentinel-1数据的1级地距影像（GRD）产品HH极化的超宽幅模式数据;2.利用超像素分割以提高分类效率;3.提取灰度共生矩阵（GLCM）中的对比度、能量、同质性、相关性特征加灰度特征的组合特征方式,作为海冰影像的特征,构建样本集;4.利用支持向量机（SVM）模型对训练样本进行分类,得到分类器模型,到此实现海冰的监督分类;5.利用海冰分类的结果,对实验海域进行海冰密集度计算以分析实验区域的可通行性,具体做法是根据分类结果,按照船舶体量要求的航线宽度划定滑动窗口,统计各窗口的海冰密集度,基于蚁群算法将高于60%判定为障碍,从而实现航道区域的可通行性分析。实验证明,本文提出的组合特征的方式相比于单一使用GLCM或者灰度特征在分类精度上有所提高,组合特征中灰度特征权重为5时,利用组合特征构建样本的方式满足海冰分类的要求;分类的结果可以被用来对冰区进行海冰密集度计算;在特定区域的可通行性问题中,COSMO-SkyMed数据表现出了更好的适用性。
李琳[10]（2019）在《基于判别融合特征和邻域信息的SAR图像分类》文中研究表明合成孔径雷达技术已成为地球观测的重要手段之一。SAR的独特优势使其在测绘、军事、灾害、地质、农业、林业等领域具有十分重要的应用价值,而如何快速准确地解译SAR图像也成为了重要的研究课题。本文针对高分辨SAR图像分类问题,基于判别融合特征和邻域信息改进SAR图像分类方法。该方法利用强度比特征的细节捕捉优势弥补传统纹理特征的不足,并加入上下文邻域信息作为SAR图像后处理方法来优化分类结果。本文主要工作如下:（1）建立了一种基于指数统计的强度比直方图特征提取方法。通过计算图像块的强度比去除了SAR图像特有的乘性噪声。然后对强度比特征分布进行分析,通过合理的加入统计分布以及采用指数间隔直方图统计策略,有效地捕捉到了细节信息,尤其着重采集到边缘信息,改善了Gabor特征和灰度共生矩阵特征边界能力差的缺点。（2）建立了一种基于融合策略的判别特征学习方法。通过强度比直方图特征进行集成学习提取新的判别特征。因同时加入有标签样本和无标签样本共同学习,而使提取的特征更好地作用于分类。同时采用融合特征策略,将判别特征与纹理特征相结合,如此优势互补使均质区域错分像素点大量减少,同时可以保持较好的边缘特性。（3）建立了一种加入邻域上下文信息的SAR图像后处理方法。加入邻域信息的图像后处理方法对边缘保持效果很好,与强度比直方图特征的边缘捕捉能力相结合,二者的联合作用使得地物中细小地物的精度得到显着提升,采用融合特征的方式结合Gabor纹理特征,避免地物特征过于细化,使地物分类中对范围较广的均质性地物和细小地物均有正确的划分,解决了纹理结构特征在SAR图像地物分类中对边缘平滑整齐的地物无法有效捕捉边缘以及对细小地物敏感度低的问题。
二、利用小波尺度共生矩阵和灰度共生矩阵的SAR图像分类（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、利用小波尺度共生矩阵和灰度共生矩阵的SAR图像分类（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）基于深度学习的SAR图像去噪及弱监督地物分割研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 深度学习神经网络研究现状 |
| 1.2.2 SAR图像去噪研究现状 |
| 1.2.3 SAR图像地物分割方法研究现状 |
| 1.2.4 现有不足分析 |
| 1.3 研究内容及技术路线 |
| 1.4 论文组织结构 |
| 第2章 卷积神经网络基本组件及训练 |
| 2.1 卷积神经网络组件 |
| 2.2 梯度下降优化算法 |
| 2.3 本章小结 |
| 第3章 基于纹理量化图的深度学习SAR图像相干斑去除 |
| 3.1 SAR图像噪声建模与深度学习去噪范式分析 |
| 3.1.1 SAR图像噪声建模 |
| 3.1.2 深度学习去噪范式 |
| 3.2 噪声去相干 |
| 3.3 SAR图像噪声动态建模与二阶段去噪网络 |
| 3.3.1 基于纹理量化图的噪声动态建模 |
| 3.3.2 二阶段去噪网络 |
| 3.4 实验结果与分析 |
| 3.4.1 实验数据和训练数据设置 |
| 3.4.2 模拟SAR图像去噪实验 |
| 3.4.3 真实SAR图像去噪实验 |
| 3.5 本章小结 |
| 第4章 基于超像素分割和卷积神经网络的全极化SAR建筑区弱监督提取方法 |
| 4.1 基于场景分类的建筑区提取模式 |
| 4.2. 基于卷积神经网络的弱监督建筑区提取框架 |
| 4.2.1 极化分解特征集成 |
| 4.2.2 分类网络结构 |
| 4.2.3 改进简单线性迭代超像素聚类算法 |
| 4.2.4 建筑区提取总流程 |
| 4.3 实验结果与分析 |
| 4.3.1 实验数据 |
| 4.3.2 极化分解特征对建筑区提取的影响 |
| 4.3.3 改进SLIC超像素生成 |
| 4.3.4 训练细节与CNN结构设置 |
| 4.3.5 窗口大小对建筑区提取的影响 |
| 4.3.6 建筑区提取精度评价 |
| 4.3.7 与全监督建筑区提取算法的比较 |
| 4.4 本章小结 |
| 第5章 基于类激活图和条件随机场的船舶弱监督分割算法 |
| 5.1 SAR图像船舶场景切片分类 |
| 5.2 类激活图算法 |
| 5.3 基于条件随机场的类激活图边界细化 |
| 5.3.1 概率图模型 |
| 5.3.2 全连接条件随机场边界细化过程 |
| 5.4 实验数据 |
| 5.5 实验结果与分析 |
| 5.5.1 类激活图生成 |
| 5.5.2 类激活图池化层的选择 |
| 5.5.3 条件随机场边界细化结果分析 |
| 5.5.4 船舶检测精度评价 |
| 5.6 本章小结 |
| 第6章 基于伪标签与极坐标射线回归的靠泊船舶弱监督分割方法 |
| 6.1 基于极坐标射线回归的船舶掩膜回归方法 |
| 6.1.1 多尺度融合特征金字塔 |
| 6.1.2 极坐标掩膜回归方式 |
| 6.1.3 极坐标损失函数设计 |
| 6.2 弱监督靠泊船舶数据集制作方法 |
| 6.3 实验结果与分析 |
| 6.3.1 实验区与实验数据 |
| 6.3.2 网络中间结果 |
| 6.3.3 整景影像检测结果分析 |
| 6.3.4 网络敏感性测试 |
| 6.4 本章小结 |
| 第7章 总结与展望 |
| 7.1 总结 |
| 7.2 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 |
（3）基于改进深度森林的SAR任务失效成因推理方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 课题的背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.2 SAR装备不确定性任务失效成因推理 |
| 1.2.3 SAR装备确定性任务失效成因推理 |
| 1.3 本文的研究内容和创新点 |
| 1.3.1 本文研究内容 |
| 1.3.2 本文创新点 |
| 1.4 本章小结 |
| 第二章 SAR图像分类相关理论 |
| 2.1 引言 |
| 2.2 SAR图像纹理特征 |
| 2.2.1 纹理特征的定义 |
| 2.2.2 纹理特征提取方法 |
| 2.2.3 灰度共生矩阵 |
| 2.3 小样本SAR图像分类问题 |
| 2.3.1 小样本学习问题 |
| 2.3.2 小样本学习问题常用解决方法 |
| 2.3.3 深度森林 |
| 2.4 SAR任务失效成因 |
| 2.5 分类问题性能度量指标 |
| 2.6 本章小结 |
| 第三章 基于旋转不变LBP灰度共生矩阵的图像特征提取 |
| 3.1 引言 |
| 3.2 旋转不变LBP灰度共生矩阵 |
| 3.2.1 灰度共生矩阵的缺点 |
| 3.2.2 旋转不变LBP算子 |
| 3.2.3 旋转不变LBP灰度共生矩阵定义 |
| 3.3 基于旋转不变LBP灰度共生矩阵的图像特征提取 |
| 3.3.1 纹理特征值描述 |
| 3.3.2 基于灰度共生矩阵的图像特征提取 |
| 3.3.3 基于旋转不变LBP灰度共生矩阵的图像特征提取 |
| 3.4 实验结果与分析 |
| 3.4.1 实验环境 |
| 3.4.2 实验数据 |
| 3.4.3 实验结果分析 |
| 3.5 本章小结 |
| 第四章 基于改进深度森林的SAR任务失效成因推理 |
| 4.1 引言 |
| 4.2 基于改进深度森林的SAR任务失效成因推理 |
| 4.2.1 定义任务失效成因类型 |
| 4.2.2 提取SAR图像关键特征 |
| 4.2.3 特征变换 |
| 4.2.4 改进深度森林模型 |
| 4.3 实验结果分析 |
| 4.3.1 实验环境 |
| 4.3.2 实验数据 |
| 4.3.3 实验结果分析 |
| 4.4 本章小结 |
| 第五章 全文总结与展望 |
| 5.1 全文总结 |
| 5.2 后续工作展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间取得的成果 |
（4）基于深度卷积生成对抗网络的SAR与可见光融合技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 论文研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 论文结构 |
| 第二章 GAN相关原理介绍 |
| 2.1 神经网络技术与生成对抗网络 |
| 2.2 深度卷积生成对抗网络 |
| 2.3 条件生成对抗网络 |
| 2.4 基于图像金字塔的DCGAN |
| 2.5 本章小结 |
| 第三章 中等分辨率SAR与光学图像融合算法设计 |
| 3.1 SO-GAN原理阐述 |
| 3.1.1 算法原理与思路 |
| 3.1.2 算法整体框架 |
| 3.1.3 算法特点与优势 |
| 3.2 SO-GAN算法设计 |
| 3.2.1 生成器网络结构 |
| 3.2.2 判别器网络结构 |
| 3.2.3 损失函数设计 |
| 3.2.4 训练与预测 |
| 3.3 本章小结 |
| 第四章 高分辨率SAR与光学图像融合算法设计 |
| 4.1 HRSO-GAN原理阐述 |
| 4.1.1 高分辨率图像生成任务的挑战 |
| 4.1.2 算法整体框架 |
| 4.1.3 算法特点与优势 |
| 4.2 HRSO-GAN算法设计 |
| 4.2.1 生成器网络结构 |
| 4.2.2 判别器网络结构 |
| 4.2.3 损失函数设计 |
| 4.2.4 训练与预测 |
| 4.3 本章小结 |
| 第五章 图像融合实验与分析 |
| 5.1 数据集 |
| 5.1.1 数据集基本情况 |
| 5.1.2 高分辨率数据集的配准 |
| 5.1.3 高分辨率数据集的增强 |
| 5.2 图像质量评价指标 |
| 5.2.1 融合图像色彩化质量评价指标 |
| 5.2.2 融合图像纹理信息评价指标 |
| 5.3 实验步骤及参数 |
| 5.3.1 中等分辨率图像融合实验 |
| 5.3.2 高分辨率图像融合实验 |
| 5.3.3 基于小波变换的图像融合实验 |
| 5.4 结果分析与讨论 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表的学术论文目录 |
（5）结合显着性检测的SAR流冰分离方法的研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 选题背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 基于传统非监督方法海冰分割的研究现状 |
| 1.2.2 基于机器学习监督方法海冰分割的研究现状 |
| 1.2.3 基于图像显着性检测的研究现状 |
| 1.3 研究思路及流程图 |
| 1.4 章节安排 |
| 2 数据预处理及数据集制作 |
| 2.1 数据处理的总体研究思路 |
| 2.2 数据预处理 |
| 2.2.1 数据预处理流程 |
| 2.2.2 噪声抑制方法及比较 |
| 2.2.3 Pauli分解 |
| 2.3 数据集制作 |
| 2.3.1 数据集制作流程 |
| 2.3.2 LableMe简介 |
| 2.4 本章小结 |
| 3 SAR海冰图像的特征分析 |
| 3.1 SAR海冰图像特征分析的研究思路 |
| 3.2 纹理特征 |
| 3.2.1 纹理特征提取方法 |
| 3.2.2 SAR海冰图像灰度共生矩阵特征分析 |
| 3.2.3 SAR海冰图像LM滤波器组特征分析 |
| 3.3 颜色特征 |
| 3.3.1 颜色空间 |
| 3.3.2 SAR海冰图像颜色均值特征分析 |
| 3.3.3 SAR海冰图像颜色直方图特征分析 |
| 3.4 本章小结 |
| 4 基于背景抑制显着性检测的SAR流冰分离方法 |
| 4.1 超像素分割方法 |
| 4.1.1 基于图论的超像素分割方法 |
| 4.1.2 基于梯度下降的超像素分割方法 |
| 4.1.3 基于SAR海冰图像的超像素分割实验 |
| 4.2 基于随机森林的显着性检测方法 |
| 4.2.1 区域描述符 |
| 4.2.2 随机森林训练 |
| 4.2.3 多级显着图融合 |
| 4.3 融合背景抑制模块的显着性检测 |
| 4.4 基于OTSU阈值的显着目标分割 |
| 4.5 本章小结 |
| 5 实验结果与分析 |
| 5.1 主观效果和定量分析 |
| 5.2 鲁棒性分析 |
| 5.3 实验结果有效性分析 |
| 5.4 本章小结 |
| 6 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 作者简历及攻读硕士学位期间的科研成果 |
（6）基于光谱信息与纹理信息融合的显微高光谱木材分类（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 基于光谱技术的木材树种分类研究现状 |
| 1.2.2 基于图像纹理的木材树种分类研究现状 |
| 1.2.3 基于光谱和纹理融合的木材树种分类研究现状 |
| 1.3 论文章节安排 |
| 1.4 论文的创新点 |
| 2 相关理论及方法介绍 |
| 2.1 显微高光谱成像技术 |
| 2.2 显微高光谱的光谱预处理 |
| 2.2.1 Savitzky-Golary卷积平滑算法 |
| 2.2.2 多元散射校正 |
| 2.2.3 标准正态变量变换 |
| 2.3 显微高光谱的数据降维方法 |
| 2.3.1 主成分分析 |
| 2.3.2 自适应波段选择 |
| 2.3.3 K-L散度 |
| 2.3.4 竞争性自适应重加权算法 |
| 2.3.5 连续投影算法 |
| 2.4 显微高光谱的图像纹理提取方法 |
| 2.4.1 分形纹理提取 |
| 2.4.2 灰度共生矩阵 |
| 2.4.3 小波纹理提取 |
| 2.5 显微高光谱分类模型算法 |
| 2.5.1 BP神经网络 |
| 2.5.2 支持向量机 |
| 2.5.3 相关向量机 |
| 2.6 本章小结 |
| 3 基于多重分形的显微高光谱图像纹理分类 |
| 3.1 实验数据 |
| 3.2 基于多重分形的显微高光谱图像纹理信息提取 |
| 3.3 实验结果与分析 |
| 3.3.1 计算时间分析 |
| 3.3.2 不同分类器性能分析 |
| 3.3.3 不同纹理提取方法分析 |
| 3.4 本章小结 |
| 4 基于光谱和图像纹理信息融合的显微高光谱木材分类 |
| 4.1 实验数据 |
| 4.2 数据预处理 |
| 4.3 基于CARS和SPA的光谱数据降维方法 |
| 4.4 基于复合核函数的光谱-纹理融合分类方法 |
| 4.5 实验结果与分析 |
| 4.5.1 不同光谱预处理结果分析 |
| 4.5.2 不同降维方法分析 |
| 4.5.3 采用复合核函数的光谱-纹理信息融合分析 |
| 4.6 本章小结 |
| 结论 |
| 参考文献 |
| 附录 |
| 攻读学位期间发表的学术论文 |
| 致谢 |
（7）基于超像素的遥感图像海岸线检测与海岸带地物分类（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 课题的研究背景及意义 |
| 1.2 国内外发展现状 |
| 1.2.1 海岸线检测算法研究现状 |
| 1.2.2 海岸带地物分类研究现状 |
| 1.3 本文的主要工作和结构安排 |
| 2 超像素基本原理与分析 |
| 2.1 超像素的基本概念及优势 |
| 2.2 已有超像素算法原理与分析 |
| 2.2.1 基于图论的超像素算法 |
| 2.2.2 基于梯度下降的超像素算法 |
| 2.3 超像素性能指标 |
| 2.4 实验对比与性能分析 |
| 2.5 本章小结 |
| 3 一种基于线检测的改进超像素SAR图像海岸线检测算法 |
| 3.1 基于双边窗的改进线检测算法分析 |
| 3.2 基于改进超像素的SAR图像海岸线检测算法理论分析 |
| 3.2.1 线分布图引导的改进SLIC超像素算法 |
| 3.2.2 基于超像素的改进海岸线检测算法 |
| 3.2.3 改进算法参数对性能的影响理论分析 |
| 3.3 基于线检测的改进超像素SAR图像海岸线检测算法描述 |
| 3.4 实验对比与分析 |
| 3.4.1 研究区域、数据和海岸线检测性能指标 |
| 3.4.2 Envisat-1图像检测结果对比与分析 |
| 3.4.3 Sentinel-1图像检测结果对比与分析 |
| 3.4.4 性能对比与分析 |
| 3.5 本章小结 |
| 4 一种均匀性度量的改进可靠性因子遥感图像融合与海岸带分类算法 |
| 4.1 遥感图像融合优势和已有算法分析 |
| 4.2 已有可靠性因子的遥感图像融合算法理论分析 |
| 4.3 基于均匀性度量的改进遥感图像融合分类算法理论分析 |
| 4.3.1 基于Sentinel-1 SAR图像与Landsat-8 OLI光学图像配准 |
| 4.3.2 基于均匀性度量的改进融合分类算法理论分析 |
| 4.4 改进算法描述 |
| 4.5 实验对比与分析 |
| 4.5.1 研究区域、数据和性能指标 |
| 4.5.2 改进算法与对比算法的参数设置 |
| 4.5.3 实验对比与分析 |
| 4.5.4 性能对比与分析 |
| 4.5.5 参数对性能的影响 |
| 4.6 本章小结 |
| 结论 |
| 参考文献 |
| 致谢 |
| 作者简历及攻读硕士学位期间的科研成果 |
（8）基于深度特征提取与条件随机场的高分辨率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 论文研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.3 本文研究内容与篇章结构 |
| 第二章 深度学习与条件随机场的理论基础 |
| 2.1 深度学习应用模型 |
| 2.1.1 自编码器 |
| 2.1.2 稀疏性与堆栈自编码神经网络 |
| 2.1.3 卷积神经网络 |
| 2.2 条件随机场理论简介 |
| 2.2.1 条件随机场发展与应用 |
| 2.2.2 条件随机场定义与推理 |
| 2.3 本章小结 |
| 第三章 基于堆栈自编码网络的高分辨率SAR图像分类 |
| 3.1 SAR图像特征提取方法 |
| 3.1.1 灰度共生矩阵纹理提取方法 |
| 3.1.2 Gabor特征提取方法 |
| 3.2 基于堆栈自编码网络的特征优化方法 |
| 3.2.1 堆栈自编码网络分类框架结构 |
| 3.2.2 数据介绍 |
| 3.2.3 堆栈自编码网络分类实验结果与分析 |
| 3.3 基于堆栈自编码网络的条件随机场优化分类方法 |
| 3.3.1 条件随机场模型 |
| 3.3.2 堆栈自编码网络结合条件随机场的实验结果与分析 |
| 3.4 本章小结 |
| 第四章 基于卷积神经网络的高分辨率SAR图像分类 |
| 4.1 基于卷积神经网络的分类方法 |
| 4.1.1 卷积神经网络分类框架结构 |
| 4.1.2 卷积神经网络的实验结果与分析 |
| 4.2 基于改进卷积神经网络的分类方法 |
| 4.2.1 循环神经网络简介 |
| 4.2.2 改进的卷积神经网络结构 |
| 4.2.3 改进的卷积神经网络的实验结果与分析 |
| 4.3 基于改进卷积神经网络的条件随机场优化分类方法 |
| 4.3.1 算法流程 |
| 4.3.2 实验结果与分析 |
| 4.4 本章小结 |
| 第五章 总结与展望 |
| 5.1 全文工作总结 |
| 5.2 进一步研究展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（9）利用COSMO-SkyMed高分辨率SAR影像的西北航道区域海冰分类和可通行性分析（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 选题背景与研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 海冰监测研究现状 |
| 1.2.2 SAR影像的海冰分类研究现状 |
| 1.2.3 海冰密集度研究现状 |
| 1.3 研究内容 |
| 1.3.1 研究内容与方法 |
| 1.3.2 技术路线与文章结构 |
| 1.4 本章小结 |
| 2 实验区概况与实验数据介绍 |
| 2.1 西北航道关键区域 |
| 2.2 实验区域选择 |
| 2.3 COSMO-SkyMed数据与Sentinel-1 数据介绍 |
| 2.3.1 COSMO-SkyMed数据 |
| 2.3.2 Sentinel-1 数据 |
| 2.4 COSMO-SkyMed数据在海冰和海水的具体表现 |
| 2.5 本章小结 |
| 3 多特征融合的海冰图像分类 |
| 3.1 数据预处理 |
| 3.1.1 辐射定标 |
| 3.1.2 斑点去噪 |
| 3.1.3 几何校正 |
| 3.2 超像素处理 |
| 3.3 训练样本的构建 |
| 3.3.1 灰度共生矩阵 |
| 3.3.2 灰度特征 |
| 3.3.3 组合特征 |
| 3.4 利用支持向量机模型进行海冰分类 |
| 3.4.1 二分类 |
| 3.4.2 多分类 |
| 3.4.3 核函数 |
| 3.5 本章小结 |
| 4 航道区域可通行性分析 |
| 4.1 航道设计标准 |
| 4.2 主要北极航行船舶介绍 |
| 4.3 海冰密集度的计算 |
| 4.4 利用海冰密集度信息进行航道可通行性分析 |
| 4.4.1 密集度判断 |
| 4.4.2 蚁群算法介绍 |
| 4.4.3 基于蚁群算法的可通行性分析 |
| 4.5 本章小结 |
| 5 实验分析 |
| 5.1 灰度共生矩阵(GLCM)特征参数调节 |
| 5.2 不同特征提取方式的分类结果 |
| 5.3 分类精度的验证 |
| 5.4 不同数据的分类结果比较 |
| 5.4.1 COSMO-SkyMed数据海冰分类 |
| 5.4.2 Sentinel-1 数据海冰分类 |
| 5.4.3 不同数据的分类比较分析 |
| 5.5 不同数据的可通行性比较分析 |
| 5.5.1 不同数据的可通行性分析 |
| 5.5.2 COSMO-SkyMed航线规划适应性实验 |
| 5.5.3 Sentinel-1 航线规划适应性实验 |
| 5.6 本章小结 |
| 6 总结与展望 |
| 6.1 研究内容总结 |
| 6.2 主要创新点与贡献 |
| 6.3 后续工作与展望 |
| 致谢 |
| 参考文献 |
（10）基于判别融合特征和邻域信息的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 课题的背景与意义 |
| 1.2 课题的研究现状 |
| 1.2.1 SAR图像特征提取国内外研究现状 |
| 1.2.2 SAR图像地物分类国内外研究现状 |
| 1.3 本文的结构安排 |
| 第二章 SAR图像分类的基础理论 |
| 2.1 引言 |
| 2.2 SAR图像常用统计模型 |
| 2.2.1 对数正态分布 |
| 2.2.2 K分布 |
| 2.2.3 逆高斯分布 |
| 2.2.4 Fisher分布 |
| 2.3 SAR图像传统分类方法 |
| 2.3.1 常用底层特征提取方法 |
| 2.3.2 常用分类器 |
| 2.4 本章小结 |
| 第三章 基于指数统计IRLPH特征的SAR图像分类 |
| 3.1 引言 |
| 3.2 强度比特征 |
| 3.3 基于指数统计的IRLPH特征 |
| 3.3.1 经典空间结构纹理特征 |
| 3.3.2 加入统计分布的强度比特征 |
| 3.3.3 基于局部直方图的SIR特征 |
| 3.4 本方法实现步骤 |
| 3.4.1 图像预处理 |
| 3.4.2 特征提取 |
| 3.4.3 分类过程 |
| 3.5 计算成本评估以及复杂性对比 |
| 3.6 实验结果和分析 |
| 3.6.1 相关统计分布的分类效果分析 |
| 3.6.2 常用特征提取方法的分类效果对比与分析 |
| 3.7 本章小结 |
| 第四章 基于邻域信息和融合判别特征学习的SAR图像分类 |
| 4.1 引言 |
| 4.2 基于融合策略的判别特征学习 |
| 4.2.1 判别特征学习 |
| 4.2.2 多特征融合 |
| 4.3 基于邻域信息的SAR图像分类 |
| 4.3.1 局部上下文信息 |
| 4.3.2 马尔科夫随机场 |
| 4.4 实验结果与分析 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 5.1 本文创新之处 |
| 5.2 SAR图像分类展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
四、利用小波尺度共生矩阵和灰度共生矩阵的SAR图像分类（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]基于深度学习的SAR图像去噪及弱监督地物分割研究[D]. 谷丰. 中国科学院大学(中国科学院空天信息创新研究院), 2021(01)
- [3]基于改进深度森林的SAR任务失效成因推理方法研究[D]. 史顺周. 电子科技大学, 2021(01)
- [4]基于深度卷积生成对抗网络的SAR与可见光融合技术研究[D]. 张演康. 北京邮电大学, 2020(05)
- [5]结合显着性检测的SAR流冰分离方法的研究[D]. 杨红霞. 大连海事大学, 2020(01)
- [6]基于光谱信息与纹理信息融合的显微高光谱木材分类[D]. 唐艳慧. 东北林业大学, 2020(02)
- [7]基于超像素的遥感图像海岸线检测与海岸带地物分类[D]. 丁星. 大连海事大学, 2019(06)
- [8]基于深度特征提取与条件随机场的高分辨率SAR图像分类[D]. 陈富玄. 西安电子科技大学, 2019(02)
- [9]利用COSMO-SkyMed高分辨率SAR影像的西北航道区域海冰分类和可通行性分析[D]. 潘荔君. 中国地质大学(北京), 2019(02)
- [10]基于判别融合特征和邻域信息的SAR图像分类[D]. 李琳. 西安电子科技大学, 2019(02)