系统工程与电子技术
繫統工程與電子技術
계통공정여전자기술
SYSTEMS ENGINEERING AND ELECTRONICS
2015年
5期
1042-1046
,共5页
田淞%宋建社%张雄美%任伟龙
田淞%宋建社%張雄美%任偉龍
전송%송건사%장웅미%임위룡
合成孔径雷达图像%变化检测%半监督学习%K-均值聚类%支持向量机
閤成孔徑雷達圖像%變化檢測%半鑑督學習%K-均值聚類%支持嚮量機
합성공경뢰체도상%변화검측%반감독학습%K-균치취류%지지향량궤
synthetic aperture radar (SAR)images%change detection%semi-supervised learning%K-means%support vector machine (SVM)
针对合成孔径雷达(synthetic aperture radar,SAR)图像变化检测获得有标记样本的数量十分有限且困难,传统方法检测率低等问题,提出了一种基于原始特征空间的K均值和支持向量机(K-means and support vector machine,KM-SVM)法SAR图像无监督变化检测.首先,不需要任何先验信息的条件下,利用K-means聚类方法获取差异图像的分类阈值;其次,利用阈值,引入偏移量,自动选取伪训练集和无标签集,并用伪训练集定义SVM的初始决策超平面;最后,用基于统计特征的半监督学习算法和支持向量机相结合对图像进行变化类与非变化类的分类.实验结果表明:该算法优于基于混合高斯分布模型的KI法和基于广义高斯分布模型的KI法,能保持较好的分类、泛化能力和较稳定的检测精度.这些结果表明了文中方法的有效性.
針對閤成孔徑雷達(synthetic aperture radar,SAR)圖像變化檢測穫得有標記樣本的數量十分有限且睏難,傳統方法檢測率低等問題,提齣瞭一種基于原始特徵空間的K均值和支持嚮量機(K-means and support vector machine,KM-SVM)法SAR圖像無鑑督變化檢測.首先,不需要任何先驗信息的條件下,利用K-means聚類方法穫取差異圖像的分類閾值;其次,利用閾值,引入偏移量,自動選取偽訓練集和無標籤集,併用偽訓練集定義SVM的初始決策超平麵;最後,用基于統計特徵的半鑑督學習算法和支持嚮量機相結閤對圖像進行變化類與非變化類的分類.實驗結果錶明:該算法優于基于混閤高斯分佈模型的KI法和基于廣義高斯分佈模型的KI法,能保持較好的分類、汎化能力和較穩定的檢測精度.這些結果錶明瞭文中方法的有效性.
침대합성공경뢰체(synthetic aperture radar,SAR)도상변화검측획득유표기양본적수량십분유한차곤난,전통방법검측솔저등문제,제출료일충기우원시특정공간적K균치화지지향량궤(K-means and support vector machine,KM-SVM)법SAR도상무감독변화검측.수선,불수요임하선험신식적조건하,이용K-means취류방법획취차이도상적분류역치;기차,이용역치,인입편이량,자동선취위훈련집화무표첨집,병용위훈련집정의SVM적초시결책초평면;최후,용기우통계특정적반감독학습산법화지지향량궤상결합대도상진행변화류여비변화류적분류.실험결과표명:해산법우우기우혼합고사분포모형적KI법화기우엄의고사분포모형적KI법,능보지교호적분류、범화능력화교은정적검측정도.저사결과표명료문중방법적유효성.
