基于字典學習的無監(jiān)督遷移聚類及其在SAR圖像分割中的應用.pdf

1、SAR(合成孔徑雷達)成像技術具有全天時全天候成像能力，這使得SAR圖像解譯技術在國防和民用領域受到越來越多的重視，而作為圖像理解技術的第一步SAR圖像分割也就愈加顯得重要。結合SAR圖像標記數據稀缺、相干斑噪聲嚴重等問題以致SAR圖像分割困難的現實，采用無監(jiān)督遷移學習策略，用于SAR圖像分割。同時將研究課題結合數據稀疏表示字典學習方法，數據的稀疏表示字典學習方法可以方便直接的與遷移學習思想結合實現知識的遷移，同時字典學習方法用于分類識

2、別可以較好的抑制噪聲帶來的不良影響。圍繞無監(jiān)督遷移學習及其在SAR圖像分割中的應用課題主要做以下三個方面研究。
　　 (1)基于字典學習的無監(jiān)督樣本遷移聚類算法針對部分SAR圖像由于分辨率低、噪聲嚴重等原因造成的可分性較差的問題，依靠目標SAR圖像數據經初始劃分得到的目標聚類中心，從單幅源域SAR圖像中遷移可分性較好的樣本，并用其來構建具有良好分類能力的分類器以引導和改善目標分類器，實現目標SAR圖像數據的更好的分割，通過紋理圖

3、像和SAR圖像分割實驗證實了算法的有效性。
　　 (2)基于字典學習的無監(jiān)督特征遷移聚類算法，與樣本相比特征具有更加廣泛的知識表示能力。數據稀疏表示字典學習算法用于分類的關鍵是增強字典的判別能力，所以通過首先找到目標數據字典中的判別性原子，然后依據初始目標聚類中心從源域中尋找與目標判別性原子相似的特征知識，將其遷移到目標任務的字典中，增強目標字典的判別性，得到目標數據更好的劃分，同時從單源域擴展到多個源域，增加源域的知識存儲，降

4、低負遷移發(fā)生的可能性。然后在紋理圖像和SAR圖像數據上測試了算法，得到了較好的實驗結果。
　　 (3)為了加強對部分數據樣本個體特異性的重視，引進動態(tài)集成選擇算法，但是動態(tài)集成選擇在數據測試過程對每一樣本動態(tài)的進行集成選擇速度較慢，通過結合數據的稀疏表示，不再需要對每一個測試樣本動態(tài)集成選擇，而是對從訓練數據獲得字典中的每一個原子進行動態(tài)集成選擇，同時結合測試數據利用該字典進行稀疏表示之后得到的稀疏系數作為原子對應集成的權重，間