基于增量學習和深度稀疏濾波的復雜場景多類標分類.pdf

1、隨著圖像數(shù)據(jù)的爆破增長之勢，作為眾多科學領(lǐng)域的公共研究課題，圖像的場景分類技術(shù)在學術(shù)界越來越受到重視，在處理圖像分析與挖掘的技術(shù)中被廣泛地利用起來。在傳統(tǒng)的圖像分類問題當中，通常來說比較的是內(nèi)容的相似性，而與此不同的是，在圖像的場景分類問題中，關(guān)心的往往并不是內(nèi)容的嚴格一致，而是通過圖像某些表層反映的內(nèi)容來挖掘其內(nèi)部的語義信息。隨著合成孔徑雷達（SAR）技術(shù)的發(fā)展，SAR圖像在分辨率、圖像內(nèi)容和數(shù)量上都達到了一定的高度，其應用也越來越廣

2、泛。但無論是場景分類方法還是圖像檢索領(lǐng)域，所針對的對象都很少涉及到SAR圖像。因此，基于上述技術(shù)空缺。本文首先提出了基于聯(lián)合雙層錨圖與哈希編碼的SAR圖像檢索；隨后又擴充了圖庫數(shù)據(jù)并進行多標簽類標，提出一種基于增量SVM的SAR圖像多類標場景分類方法；然而，由于增量SVM在處理高維、多類別的數(shù)據(jù)時表現(xiàn)出來的疲軟問題，本文又進一步提出一種基于增量LDA和多類標KNN的多類標分類方法。最后，針對多類標特征學習的問題，我們引入了深度學習的知識

3、，提出一種基于深度稀疏濾波的多類標分類方法。本文所取得的主要研究成果有：
　　1.提出了基于增量SVM的SAR圖像多類標場景分類方法，其中包括建立萬級規(guī)模的SAR圖像的數(shù)據(jù)庫；對其中的每一幅圖像以多類標的形式標記；對SAR圖像進行Contourlet變換，求取各個尺度、各個方向上面的形狀、紋理特征；使用多類標增量SVM對特征集進行分類，并通過七種多類標的評估標準來衡量算法的分類性能。
　　2.提出了基于增量LDA的多類標分類

4、方法，其中包括對特征使用增量LDA降維；再將降維后的特征作為訓練樣本輸入到到多類標kNN中訓練，以實現(xiàn)對測試樣本的類別預測；最終通過七種多類標的評估標準來衡量算法的分類性能。
　　3.提出了基于深度集成稀疏濾波的多類標分類方法，其中包括使用深度集成稀疏濾波算法進行特征學習；再將學習過的特征作為訓練樣本輸入到增量SVM中訓練，以實現(xiàn)對測試樣本的類別預測；最通過七種多類標的評估標準來衡量算法的分類性能。
　　4.提出了基于聯(lián)合雙