基于光學(xué)遙感圖像的艦船目標(biāo)識別研究.pdf

1、艦船作為海上重要的載體，對其進(jìn)行自動檢測和識別具有重大意義，尤其是隨著光學(xué)遙感技術(shù)的日益發(fā)展，如何快速地從大數(shù)據(jù)光學(xué)遙感圖像中自動檢測和識別出艦船目標(biāo)是一項(xiàng)極具挑戰(zhàn)性的工作。圍繞這一主題，本文從艦船目標(biāo)識別的實(shí)際需求出發(fā)，以大于4m分辨率的光學(xué)遙感圖像為研究對象，對基于光學(xué)遙感圖像的艦船目標(biāo)識別展開了研究，本文的主要工作和創(chuàng)新點(diǎn)體現(xiàn)在以下幾個方面：
　　（1）針對艦船目標(biāo)分割問題，設(shè)計(jì)了一種基于局部熵驅(qū)動的Chan-Vese（CV

2、）分割模型。基于曲線上局部鄰域的計(jì)算和信息熵作為曲線內(nèi)外區(qū)域在目標(biāo)能量函數(shù)中的權(quán)重的表示方式，加快了曲線的演化速度與演化的自主性。在CV模型的初始輪廓提取中，引入了一種基于視覺顯著性機(jī)制的先驗(yàn)知識的提取方法，改進(jìn)了霍夫（Hough）圓檢測算法。提出了一種基于局部盒濾波技巧的二維最大類間方差（Otsu）閾值分割算法，降低了算法的時間復(fù)雜度；改進(jìn)的Hough變換中，通過自定義的不等式組來對圖像輪廓的邊緣點(diǎn)進(jìn)行篩選判斷，降低了算法的計(jì)算量。<

3、br>　?。?）為選擇最具影響力的目標(biāo)屬性，研究了三種屬性約簡算法，基于信息熵的約簡算法、粗糙集約簡算法、基于多目標(biāo)演化方式的約簡算法，提出了基于優(yōu)勢關(guān)系鄰域粗糙集理論的半監(jiān)督屬性約簡算法。而基于信息熵的約簡算法采用了鄰域互信息知識，豐富了算法的可用信息源；基于優(yōu)勢關(guān)系鄰域粗糙集理論的半監(jiān)督屬性約簡算法通過定義優(yōu)勢關(guān)系的有序?qū)傩约▋?yōu)勢集），節(jié)省了算法的計(jì)算時間；多目標(biāo)演化方式的屬性約簡算法綜合運(yùn)用了復(fù)合交叉算子和K近鄰賦值策略，加快了

4、算法的收斂速度。
　?。?）基于設(shè)計(jì)高效的目標(biāo)分類器的考量，研究了兩種算法和四種模型。為提高算法的分類精度，引用了基于流形近似度的距離度量標(biāo)準(zhǔn)，提出了基于流形空間表示的近鄰傳播算法；為避免依靠人為經(jīng)驗(yàn)值來判斷某節(jié)點(diǎn)是否停止分裂的主觀性，增強(qiáng)算法的自適應(yīng)性，引用了信息熵的節(jié)點(diǎn)分裂度量指標(biāo)，提出了基于信息熵的層次判別回歸算法；為提升模型的分類性能，采用了基于流形近似度的距離度量標(biāo)準(zhǔn)，并對參與后續(xù)分類計(jì)算的鄰居節(jié)點(diǎn)的數(shù)量進(jìn)行了限制，提出

5、了基于變分推理的動態(tài)概率生成模型；為縮短算法的運(yùn)行時間，改進(jìn)了算法初始化計(jì)算過程，運(yùn)用積分技巧的盒濾波技術(shù)計(jì)算各聚類中心的均值，完善了基于逆狄利克雷分布的有限混合模型；為加速算法的迭代進(jìn)程，簡化計(jì)算過程，通過定義基于優(yōu)勢關(guān)系的約簡規(guī)則，構(gòu)建了有序?qū)傩詢?yōu)勢集，改進(jìn)了基于優(yōu)勢關(guān)系鄰域粗糙集理論的協(xié)同分類模型；為提高學(xué)習(xí)模型的分類性能，改進(jìn)了樣本差異度的計(jì)算方式，根據(jù)重新定義的基于流形結(jié)構(gòu)表征的樣本差異度的概念，完善了基于流形結(jié)構(gòu)表征的主動式