高分辨率SAR图像目标快速提取算法研究

摘要

本文主要研究了高分辨率合成孔径雷达（synthetic aperture radar,SAR）图像目标快速提取技术。传统的基于边缘和区域的SAR图像目标提取方法通常被认为是自底向上的计算过程，即只能依赖于图像本身获取的低层信息，且低层的计算误差传播到高层后没有任何修正机会，容易受图像噪声等复杂因素的影响。为了解决这一问题，本文提出了采用主动轮廓模型的高层理解、视觉显著性模型的显著区域快速提取以及深度神经网络的无监督学习能力相结合的SAR图像目标提取思路。按照这一思路，在主动轮廓模型对SAR图像乘性噪声的鲁棒性、主动轮廓模型在SAR图像处理中收敛到全局极小值（即能量泛函的凸优化）、主动轮廓模型对大尺寸SAR图像目标提取的快速性、视觉显著性模型对大尺寸SAR图像目标提取的自适应性、大尺寸SAR图像目标切片提取鉴别分类中的无监督特征学习等方面展开了系统的研究。所作工作主要包含以下五个方面：
　　（1）主动轮廓模型对SAR图像乘性噪声的鲁棒性。从理论和实验的角度分析了经典主动轮廓模型在具有乘性相干斑噪声的SAR图像目标提取中失效的原因，为此本文提出了用轮廓内部和外部区域的概率密度函数来定义区域之间相似性的比率距离，设计了适合在乘性噪声模型下度量区域之间相似性的能量泛函，即MCV（modified Chan and Vese）模型。并且参考LGIF（local and global intensity fitting）模型的构造模式将所提的MCV模型与RSF模型进行线性加权组合，提出了改进的LGIF模型，即MLGIF（modified LGIF）模型。该模型使得RSF模型提供的局部强度拟合力和MCV模型提供的全局强度拟合力相互补充，在SAR图像目标提取中能够更好地引导轮廓的演化。
　　（2）主动轮廓模型在SAR图像处理中收敛到全局极小值。给出了经典主动轮廓模型（包括MLGIF模型）能量泛函的一般形式，对这些模型最小化求解的一般方法作了理论分析，指出了其容易陷入局部极小值的根本原因，即非凸的能量泛函。为了寻求凸优化的方法，本文对非凸泛函的凸优化方法进行了总结和理论分析，给出了凸优化方法能保证主动轮廓模型具有全局最小解的证明，提出了对MLGIF模型进行凸优化的新能量泛函，即GMLGIF（global minimization of the MLGIF）模型。最后给出了GMLGIF模型能量泛函为凸泛函的证明，并给出了采用对偶公式法来进行GMLGIF模型最小化求解的迭代算法（即算法3.1）。
　　（3）主动轮廓模型对大尺寸 SAR图像目标提取的快速性。针对前文所提的GMLGIF模型在大尺寸高分辨率SAR图像目标提取上计算效率较低的问题，提出了GMLGIF模型与SR（spectral residual）视觉显著性模型相结合的显著性目标切片提取算法（即算法4.3），并与其他鉴别、分类方法一起构建了新的SAR ATR（automatic target recognition）框架（如图4.11），该框架具有借助SR视觉显著性模型快速发现显著性目标区域的优点，使得所提框架在目标检测阶段更高效；而多尺度间隙度特征则增加了不同种类目标切片的差异，相比传统的单尺度间隙度特征更有利于目标鉴别；另外，借助对乘性噪声更鲁棒的GMLGIF模型所得到的更加准确的目标轮廓，采用具有仿射不变性的AIFD（affine-invariant fourier descriptor）形状描述子来描述目标的轮廓特征，并结合相应的上下文特征来共同进行目标分类，在基于形状特征的目标分类领域也是一个创造性的尝试。
　　（4）视觉显著性模型对大尺寸SAR图像目标提取的自适应性。针对前文所提的SAR ATR框架（如图4.11）所采用的SR模型只能检测较小显著性区域、且显著性区域的选取非常依赖人工的阈值设置，以及GMLGIF模型耗时仍然较多的问题，提出了多尺度自适应视觉显著性模型（即(5-12)式–(5-19)式）以及采用ROEWA算子和更加高效的split Bregman迭代方法的 SBGILGIF（global minimization of the improved LGIF model adopting split Bregman）主动轮廓模型（即算法5.1）相结合的大尺寸SAR图像目标快速提取算法（算法5.2），使得所提算法在大尺寸SAR图像目标处理中更加高效和更具适应性。
　　（5）大尺寸SAR图像目标切片鉴别分类中的无监督特征学习。针对前文所提的SAR ATR框架（如图4.11）和目标快速提取算法（算法5.2）在切片鉴别、分类以及期望的显著区域提取上都依赖人工进行特征设计和选取的问题，将更加智能、学习能力更强的无监督深度神经网络与前文所提的多尺度显著性模型（算法5.2）相结合，提出了一种无需人工设计目标特征的大尺寸SAR图像目标切片快速自动提取方法（如图6.6），实验也验证了该方法在目标提取过程中具有无监督、高效和准确的特点。

目录

声明

第一章 绪论

1.1 课题的背景及意义

1.2 高分辨率大尺寸SAR图像目标提取的研究现状

1.3 论文主要工作及结构安排

第二章 经典主动轮廓模型应用于SAR图像目标提取时的问题分析及其改进

2.1 引言

2.2 经典主动轮廓模型应用于SAR图像分割的问题分析

2.3 比率距离对于乘性噪声的鲁棒性分析

2.4 所提的基于比率距离和分布度量改进的主动轮廓模型

2.5 实验结果与分析

2.6 本章小结

第三章 基于能量泛函凸优化的主动轮廓模型

3.1 引言

3.2 非凸主动轮廓模型及其分析

3.3 能量泛函凸优化模型及其最小化的数值计算方法

3.4 所提的凸主动轮廓模型及其数值计算方法

3.5 实验结果与分析

3.6 本章小结

第四章 基于视觉显著性模型与主动轮廓模型的目标提取和目标识别

4.1 引言

4.2 基于视觉显著性模型与主动轮廓模型的目标提取

4.3 基于视觉显著性模型与主动轮廓模型的自动目标识别

4.4 实验结果与分析

4.5 本章小结

第五章 基于多尺度自适应视觉显著性模型和采用split Bregman 迭代的主动轮廓模型的目标快速自动提取

5.1 引言

5.2 所提的用于SAR图像切片目标提取的快速SBGILGIF模型

5.3 所提的用于大尺寸高分辨率SAR图像的目标快速提取算法

5.4 实验结果与分析

5.5 本章小结

第六章 基于深度神经网络和多尺度视觉显著性模型的目标切片快速自动提取

6.1 引言

6.2 深度神经网络

6.3 所提的大尺寸SAR图像目标切片快速自动提取方法

6.4 实验结果与分析

6.5 本章小结

第七章 结论与展望

致谢

参考文献

作者在学期间取得的学术成果