论文部分内容阅读
SAR图像的分割是SAR图像处理的关键环节,其分割结果将直接影响后续的目标检测和识别等操作。传统的SAR图像分割主要分为基于空间域的方法和基于特征域的方法,但是由于SAR图像中存在大量的乘性相干斑噪声,而且具有高维异构、混杂等特点,所以传统方法提取出的特征往往费时费力。我们团队在SAR图像语义信息的基础上提出了SAR图像的层次语义空间;在层次语义空间的指导下,本文使用反卷积网络学习SAR图像的结构特征;然后使用初始素描模型提取图像结构特征中的可素描信息,利用语义信息结合本文的图像分割算法进行SAR图像的分割,主要研究成果如下:1)设计了曲线波反卷积网络,以固定角度为间隔,选择不同方向的曲线波滤波器对反卷积网络进行初始化,得到曲线波反卷积网络。曲线波滤波器中包含有方向、尺度、位置等结构信息,能够更好的匹配图像中的结构特征。相比于随机初始化或使用高斯初始化滤波器集合,使用曲线波滤波器初始化反卷积网络可以帮助网络学习得到更好的图像特征,同时本方法根据选择不同方向的滤波器进行初始化保证了其可以匹配图像中不同方向结构的地物目标,学习速度也大大提高。2)本文提出了一种基于反卷积网络和素描线方向约束的混合像素子空间分割方法。在SAR图像的层次语义空间的指导下,将SAR图像划分为混合像素子空间、结构像素子空间和匀质像素子空间。首先,为混合像素子空间中各个极不匀质区域分别训练一个曲线波反卷积网络,通过学习得到每个区域的滤波器集合。其次,使用初始素描模型对滤波器进行可素描信息的稀疏表示,得到滤波器对应的素描块。再其次,根据滤波器素描块中的素描线段设计方向特征向量用以表示滤波器的方向特征。然后提出了基于方向特征向量和异或操作的方向聚类方法对滤波器集合进行方向聚类。最后将所有极不匀质区域方向聚类后的滤波器集合拼接成一个码本,提出了基于方向约束的码本映射方法得到每个区域的结构特征向量,使用层次聚类实现混合像素子空间的分割。3)本文提出了一种视觉语义和反卷积网络学习模型的SAR图像分割方法。针对混合像素子空间提出了基于反卷积网络和素描线方向约束的混合像素子空间分割方法;针对结构像素子空间,分别采用基于语义规则的线目标分割方法和基于素描线聚拢特征的独立目标分割方法;对于匀质像素子空间,采用基于自适应邻域多项式隐模型的分割方法。最后将各个像素子空间的分割结果进行融合,得到SAR图像的最终分割结果。