日韩成人黄色,透逼一级毛片,狠狠躁天天躁中文字幕,久久久久久亚洲精品不卡,在线看国产美女毛片2019,黄片www.www,一级黄色毛a视频直播

基于分布差異與增量學(xué)習(xí)的時(shí)序sar圖像分類方法

文檔序號:8544065閱讀:319來源:國知局
基于分布差異與增量學(xué)習(xí)的時(shí)序sar圖像分類方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于圖像處理技術(shù)領(lǐng)域,特別設(shè)及一種基于分布差異與增量學(xué)習(xí)的時(shí)序 SAR圖像分類方法。
【背景技術(shù)】
[0002] 近年來,隨著大量時(shí)間序列圖像資源的出現(xiàn),一系列新的理論方法被用于時(shí)間序 列圖像的解譯,其在地表制圖、植被動態(tài)變化監(jiān)測、物候信息提取、出:也利用類型監(jiān)測等諸 多領(lǐng)域得到了廣泛的應(yīng)用,是人們研究和追蹤自然歷史演變軌跡、監(jiān)測環(huán)境和資源動態(tài)變 化的重要且有效的手段。在時(shí)間序列圖像的分類中,從出發(fā)點(diǎn)不同,主要分為兩個主流的方 向:
[0003] 1)利用時(shí)間序列圖像中某幅已知訓(xùn)練集的圖像來對另外的某幅未知訓(xùn)練集的圖 像進(jìn)行分類,如基于域自適應(yīng)的分類方法。該方法利用源域和目標(biāo)域的時(shí)相關(guān)聯(lián)性來對目 標(biāo)域的圖像進(jìn)行分類,一般分為半監(jiān)督分類方法和主動學(xué)習(xí)分類方法。半監(jiān)督分類方法首 先利用源域圖像有效的訓(xùn)練集訓(xùn)練分類器,然后結(jié)合目標(biāo)域圖像中未標(biāo)記的樣本對分類器 的參數(shù)進(jìn)行更新,最后利用更新之后的分類器對目標(biāo)域圖像進(jìn)行分類,即對于目標(biāo)域圖像 中的樣本無人工標(biāo)記的代價(jià)。主動學(xué)習(xí)分類方法將源域圖像的有效的訓(xùn)練集作為目標(biāo)域 圖像初始的訓(xùn)練集,然后根據(jù)一定的準(zhǔn)則函數(shù),通過迭代的方法,選擇出目標(biāo)域中最富有信 息量的未標(biāo)記樣本,并進(jìn)行人工標(biāo)記,加入到初始訓(xùn)練集中,對目標(biāo)域圖像的訓(xùn)練集進(jìn)行優(yōu) 化,最后根據(jù)優(yōu)化后的訓(xùn)練集對目標(biāo)域圖像進(jìn)行分類。
[0004] 2)聯(lián)合時(shí)間序列中多幅圖像的時(shí)間變化性和空間變化性,能夠?qū)崿F(xiàn)對地表覆蓋物 更好的劃分。該類時(shí)間序列圖像分類算法主要包括=個部分:圖像預(yù)處理,特征的提取,分 類器的選擇。不同的特征提取方法和不同的分類器衍生出不同的分類算法。預(yù)處理主要包 括福射定標(biāo)、圖像校準(zhǔn)和圖像的濾波;主流的特征提取方法包括基于生態(tài)學(xué)指數(shù)的特征、基 于后向散射系數(shù)變化的特征、基于圖像相干性的特征和紋理特征等;分類器主要包括最大 似然分類器、SVM、神經(jīng)網(wǎng)絡(luò)、決策樹、集合分類器等。
[0005] 該兩類方法本質(zhì)上都著重于時(shí)間序列圖像的本質(zhì)特征的挖掘和分類器的選擇兩 方面。在該些已有的算法中,分類器的選擇方面已經(jīng)有了多種嘗試,但在分類器的訓(xùn)練過程 中并未充分利用到時(shí)間序列圖像特有的優(yōu)勢。

【發(fā)明內(nèi)容】

[0006] 本發(fā)明的目的在于針對時(shí)間序列SAR圖像分類問題,提出一種新的基于分布差異 檢測與支持向量機(jī)增量學(xué)習(xí)的時(shí)間序列SAR圖像分類方法。
[0007] 本發(fā)明的技術(shù)方案為一種基于分布差異檢測與支持向量機(jī)增量學(xué)習(xí)的時(shí)間序列 SAR圖像分類方法,包括W下步驟:
[000引步驟1,采用基于分布差異的方法來對時(shí)間序列SAR圖像進(jìn)行變化檢測,實(shí)現(xiàn)如 下,
[0009] 在基于Edgeworth逼近的SAR圖像分布模型估計(jì)中,時(shí)間序列SAR圖像的分布 p(x)表示如下,
[0010]
【主權(quán)項(xiàng)】
1. 一種基于分布差異與增量學(xué)習(xí)的時(shí)序SAR圖像分類方法,其特征在于,包括以下步 驟, 步驟1,采用基于分布差異的方法來對時(shí)間序列SAR圖像進(jìn)行變化檢測,實(shí)現(xiàn)如下, 在基于Edgeworth逼近的SAR圖像分布模型估計(jì)中,時(shí)間序列SAR圖像的分布p (X)表 示如下,
其中,H3(X) = x3_3x,H4(x) = x4_6x2+3,H6(x) = x6-15x4+45x2_15, k3和 1^4分別表示時(shí) 間序列SAR圖像的3階和4階累積量,α (X)表示標(biāo)準(zhǔn)正態(tài)分布,X為時(shí)間序列SAR圖像的 像素; 采用交叉熵方法計(jì)算時(shí)間序列SAR圖像對中的源域圖像分布P1(X)和目標(biāo)域圖像分布 P2OO的差異指數(shù)如下,
規(guī)則化處理后,源域圖像和目標(biāo)域圖像的差異指數(shù)表示如下, KLDedgeworth edgeworth (Χι,X2) +KLedgewQrth (X2,Xi) 得到基于交叉熵的差異指數(shù)圖; 步驟2,某干預(yù)設(shè)的慮《率,自話府地獲取檢測閾值I。如下,
其中,Pfa為給定的虛警率,P (t)為變化檢測的差異指數(shù)圖的分布函數(shù); 當(dāng)?shù)玫綑z測閾值I。后,對步驟1所得差異指數(shù)圖進(jìn)行檢測,得到變化檢測的二值圖,并 從二值圖中得到未變化的樣本; 步驟3,利用源域圖像X1的已知訓(xùn)練集訓(xùn)練初始的SVM分類器,將未變化樣本的標(biāo)簽賦 予目標(biāo)域圖像X2,作為增量樣本;當(dāng)新增的增量樣本引起的變化量滿足條件時(shí),該新樣本被 判斷為支持向量,加入到初始的支持向量集中,并對相關(guān)的分類器參數(shù)進(jìn)行更新;反之,則 不是支持向量,對SVM分類器無貢獻(xiàn),直接丟棄; 通過迭代過程,完成整個增量樣本集的增量學(xué)習(xí)和SVM分類模型的參數(shù)更新,得到適 合于目標(biāo)域圖像X2的SVM分類器。
2. 如權(quán)利要求1所述基于分布差異與增量學(xué)習(xí)的時(shí)序SAR圖像分類方法,其特征在于: 步驟2中CFAR閾值中的虛警率為0. 01。
3. 如權(quán)利要求1或2所述基于分布差異與增量學(xué)習(xí)的時(shí)序SAR圖像分類方法,其特征 在于:新增的增量樣本引起的變化量是否滿足條件,根據(jù)變化量△ α。是否滿足0 <△ α。 < C實(shí)現(xiàn),C為預(yù)設(shè)的懲罰因子。
【專利摘要】一種基于分布差異與增量學(xué)習(xí)的時(shí)序SAR圖像分類方法,包括增量樣本的選取和增量樣本的增量學(xué)習(xí)。首先采用基于分布差異的方法對時(shí)間序列SAR圖像進(jìn)行變化檢測,利用Egdeworth逼近原理估計(jì)源域和目標(biāo)域SAR圖像的統(tǒng)計(jì)分布,計(jì)算圖像分布的交叉熵差異指數(shù),并根據(jù)CFAR方法獲取的檢測閾值得到變化檢測圖,將未變化的區(qū)域作為增量樣本;然后利用源域圖像的已知訓(xùn)練集初始化SVM分類器,并通過迭代過程完成整個增量樣本集的增量學(xué)習(xí)和SVM分類模型的參數(shù)更新。分布差異變化檢測方法和支持向量機(jī)增量學(xué)習(xí)相結(jié)合,能夠完成從源域到目標(biāo)域的域自適應(yīng),從而實(shí)現(xiàn)目標(biāo)域圖像的高精度分類。
【IPC分類】G06K9-62
【公開號】CN104866869
【申請?zhí)枴緾N201510292485
【發(fā)明人】何楚, 康陳瑤, 韓功, 卓桐
【申請人】武漢大學(xué)
【公開日】2015年8月26日
【申請日】2015年5月29日
網(wǎng)友詢問留言 已有0條留言
  • 還沒有人留言評論。精彩留言會獲得點(diǎn)贊!
1