基于高斯混合模型的參數(shù)遷移聚類(lèi).pdf

1、合成孔徑雷達(dá)(Synthetic Aperture Radar，SAR)具有全天時(shí)、全天候的探測(cè)與偵察等工作能力。它利用脈沖壓縮技術(shù)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(shí)孔徑雷達(dá)在遙感領(lǐng)域具有獨(dú)特的優(yōu)勢(shì)。對(duì)SAR圖像的理解和解譯屬于圖像處理范疇，還涉及到了信號(hào)處理，機(jī)器學(xué)習(xí)及模式識(shí)別等眾多學(xué)科。SAR具有的獨(dú)特作用，使得SAR圖像的理解在國(guó)防和民用領(lǐng)域正受到越來(lái)越廣泛的關(guān)注，SAR圖像分割作為SAR圖像后續(xù)解譯處理的

2、關(guān)鍵環(huán)節(jié)之一，也就顯得愈加重要。聚類(lèi)是SAR圖像分割常用手段，針對(duì)此本論文主要進(jìn)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(lèi)圖像分割。基于Boosting的EM聚類(lèi)集成算法(文中簡(jiǎn)稱(chēng)EMBoost)比傳統(tǒng)的EM聚類(lèi)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(yīng)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(duì)此文中在EMBoost算法基礎(chǔ)上引入了

3、相鄰像素的相對(duì)位置信息和鄰域紋理距離信息所構(gòu)成的空間信息，以進(jìn)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(lèi)算法，應(yīng)用在SAR圖像分割。許多機(jī)器學(xué)習(xí)方法由于都是基于訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù)來(lái)自相同的分布和同一個(gè)特征空間的假設(shè)，因而當(dāng)數(shù)據(jù)分布改變時(shí)，大多數(shù)的機(jī)器學(xué)習(xí)方法需要從頭開(kāi)始學(xué)習(xí)，要求使用者重新收集大量的訓(xùn)練數(shù)據(jù)來(lái)訓(xùn)練模型。而在真實(shí)世界中重新收集數(shù)據(jù)

4、然后標(biāo)記需要花費(fèi)很昂貴的代價(jià)。此外，經(jīng)典機(jī)器學(xué)習(xí)方法EM算法因簡(jiǎn)單、容易實(shí)現(xiàn)而被廣泛使用，但它本身還存在對(duì)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(cuò)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(lèi)方法。在實(shí)際SAR圖像分割中，經(jīng)常遇到大規(guī)模、超高維、復(fù)雜分布的數(shù)據(jù)，對(duì)于這些數(shù)據(jù)，如果用現(xiàn)有的EM算法處理，在時(shí)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(gè)樣本點(diǎn)，而是將圖像劃分成好多