| 【中文题名】 | 遗传优化神经网络在SAR图像处理中的研究 |
| 【英文题名】 | SAR Image Processing Based on Genetic Optimization Neural Networks |
| 【学科专业】 | 计算机应用技术 |
| 【论文级别】 | 硕士论文 |
| 【投稿时间】 | 2006-6-12 |
| 【中关键词】 | 纹理分析,BP神经网络,Hopfield神经网络,高阶神经网络,遗传算法, |
| 【英关键词】 | Texture Analysis,Back-Propagation Neural Network （BPNN）,Hopfield Neural Network,Higher-order Neural Network （HONN）,Gegetic algorithm, |
| 【分类导航】 | 工业技术>自动化技术、计算机技术>自动化基础理论>人工智能理论>人工神经网络与计算> |
| 【论文摘要】 | 正直接危害人类健康的各类海洋污染是亟待解决的重要难题,开发能够实时对海洋环境做有效监测的系统是关键技术之一。通过合成孔径雷达(Synthetic Aperture Radar, SAR)这种现代高分辨率微波遥感成像雷达,可以全天候全天时地动态探测海洋油膜并对其成像。本文针对海洋表面溢油监测现状,结合神经网络原理分析利用合成孔径雷达图像,提出了一种基于遗传优化神经网络的海表溢油状况识别的新方法。通过对海面短时间内连续的SAR图像的分析,对于海洋环境污染的防治具有极为重要的意义,为智能海洋环境系统的实现提供了必要条件。
SAR图像已经被广泛的应用在海上溢油监测中,因为海面溢油的平滑效应对雷达波反射起削弱作用,所以在雷达图像上会显示出暗色的阴影区域,而周围的海水却因为表面粗糙作用而显示比较亮。为了精确分类SAR溢油图像,本文提出了纹理分析结合神经网络的方法来分类溢油图像。纹理分析阶段本文采用灰度共生矩阵法计算出对SAR溢油图像最敏感的4个纹理特征值,结合像元的灰度值组成分类图像的特征矢量。考虑到神经网络具有自组织、自适应和联想能力,通过对样本反复训练,能辨别各类样本特征的这一优点,本文选取图像的典型区域... |
| 【论文题纲】 |
|
第1章 绪论 |
10-16 |
|
1.1 研究背景及意义 |
10-11 |
|
1.2 海面溢油监测方法的研究现状 |
11-15 |
|
1.2.1 国内外海面溢油监测的方法 |
11-12 |
|
1.2.2 海面溢油识别技术 |
12-13 |
|
1.2.3 SAR遥感系统监测海面溢油的应用 |
13-15 |
|
1.3 本论文的主要工作 |
15-16 |
|
第2章 SAR图像的预处理 |
16-27 |
|
2.1 概要 |
16-18 |
|
2.2 图像增强 |
18-25 |
|
2.2.1 直方图均衡 |
20-21 |
|
2.2.2 均值滤波 |
21-25 |
|
2.3 边缘检测 |
25-27 |
|
第3章 SAR溢油图像特征提取 |
27-35 |
|
3.1 SAR图像的特征提取 |
27-28 |
|
3.2 纹理分析方法 |
28-32 |
|
3.2.1 纹理 |
28-29 |
|
3.2.2 纹理分析方法 |
29-30 |
|
3.2.3 基于灰度共生矩阵的纹理分析方法 |
30-32 |
|
3.3 纹理特征的提取 |
32-35 |
|
3.3.1 纹理特征的选择 |
32-33 |
|
3.3.2 纹理特征的提取 |
33-34 |
|
3.3.3 图像特征描述 |
34-35 |
|
第4章 SAR图像的神经网络识别技术 |
35-49 |
|
4.1 遥感图像识别 |
35-37 |
|
4.1.1 遥感技术与溢油监测 |
35-36 |
|
4.1.2 遥感图像识别方法 |
36-37 |
|
4.2 人工神经网络识别方法 |
37-41 |
|
4.2.1 人工神经网络概述 |
37-38 |
|
4.2.2 人工神经网络的优点 |
38 |
|
4.2.3 神经网络用于遥感图像分类 |
38-41 |
|
4.3 BP神经网络 |
41-42 |
|
4.4 Hopfield神经网络 |
42-43 |
|
4.5 高阶神经网络 |
43-49 |
|
4.5.1 HoNN网络结构 |
43-45 |
|
4.5.2 高阶神经网络的学习方法 |
45-47 |
|
4.5.3 高阶神经网络的模式分类 |
47-49 |
|
第5章 基于遗传算法优化神经网络的海面溢油图像识别系统 |
49-62 |
|
5.1 遗传算法优化神经网络 |
49-51 |
|
5.1.1 遗传算法 |
49-50 |
|
5.1.2 遗传算法优化神经网络的优点 |
50-51 |
|
5.2 SAR溢油图像分类识别系统结构模型 |
51 |
|
5.3 SAR图像特征值的提取 |
51-52 |
|
5.4 识别SAR溢油图像的遗传优化神经网络 |
52-56 |
|
5.5 遗传神经网络算法的测试 |
56-62 |
|
5.5.1 SAR溢油图像的选择 |
56-57 |
|
5.5.2 溢油分类识别实现与结果分析 |
57-62 |
|
结论 |
62-63 |
|
参考文献 |
63-65 |
|
攻读学位期间公开发表的论文 |
65-67 |
|
研究生履历 |
67 |
|
| 【DOI】 | LunWen.ID:2.2008.387691 |
