论文部分内容阅读
这些年来,随着遥感技术的发展,SAR图像在很多领域得到了广泛的应用,SAR图像处理的基础是SAR图像分割,然而由于SAR图像成像的特殊性,其极不匀质区域一直是分割的难点。目前有使用人工提出特征的方式进行分割,但是这需要专业的背景知识,成本与效率都比较高。在机器学习中,贝叶斯学习模型可以利用先验知识进行推断,能够自适应的学习数据的特征,可以利用该模型来学习极不匀质区域的特征。因此针对这些情况,本文提出了G~0分布随机梯度变分贝叶斯学习模型的SAR图像分割方法,该方法的主要创新如下所示:(1)提出了G~0分布随机梯度变分贝叶斯模型。贝叶斯网络需要对隐变量和近似后验概率进行概率假设,而光学图像中常用的高斯分布不能很好的拟合SAR图像数据,所以不能有效的学习SAR图像的特征。而G~0分布能够很好的刻画SAR图像的统计特征,所以本文结合贝叶斯网络以及G~0分布,对网络中概率分布的假设均使用G~0分布,从而构造出G~0分布变分贝叶斯学习模型,然后对G~0分布n(28)1和n?1两种情况,分别推导出相应学习模型中变分下界的解析形式,从而为后续学习SAR图像混合像素子空间中极不匀质区域的特征提供模型框架。(2)提出了G~0分布随机梯度变分贝叶斯模型的SAR图像分割方法。针对SAR图像语义空间中的混合像素子空间,使用(1)中设计的G~0分布变分贝叶斯学习模型学习极不匀质区域的特征,然后利用学习到的特征,对混合像素子空间进行分割。首先是对每个极不匀质区域都构造一个G~0分布变分贝叶斯学习模型,并且根据每个区域得到的概率密度函数,得到一组相应的矩阵,用该矩阵作为每个区域学习模型的初始化权值。然后将训练后的权值作为对应区域的特征。接下来是根据特征袋的思路,将所有区域学习到的特征连接到一起构成码本,并且计算每个区域到它的投影,通过最大值汇聚的方法得出表征相应区域的特征。最后通过层次聚类得出这些特征的分类,也就是相应极不匀质区域的分类,即混合像素子空间的分割结果。(3)对于(1)中提出的网络,分析了网络中的两个参数。一个是输入神经元个数,也就是输入图像块大小,另一个是隐层神经元个数。首先对于要分析的参数,使用不同值训练(1)中网络,然后对于学习到的特征,使用聚类的方法分析其特征聚类个数,聚类个数的多少反映了特征之间的差异性,也就是说聚类后的个数越多则表示学习到的特征越多。