基于语义空间和曲线波卷积结构学习模型的SAR图像分割方法

摘要

SAR是高分辨成像雷达的一种，在军事和民用等多个领域都应用广泛。SAR图像分割将SAR图像的理解与解译紧密联系在一起，在SAR图像工程中有着举足轻重的地位。通常，分割结果越好，之后图像分析、理解的质量更高，效率更快。传统的特征提取方法有通过人工提取特征，也有通过现有的深度学习模型提取特征。其中人工提取的特征依赖于大量的工作经验和知识背景，因此人工提取特征的好坏决定了图像分割的效果。而深度学习算法虽然可以直接学习到图像中的特征，但是使用的滤波器不一定适用于 SAR图像。与此同时，传统的 SAR图像分割方法分割时没有引入SAR图像的语义信息，导致细节丢失。因此针对上述问题，本文提出了一种基于语义空间和曲线波卷积结构学习模型的SAR图像分割方法。具体的主要创新点如下：
　　（1）首先以层次视觉语义空间中的区域图为基础，将SAR图像划分为混合像素子空间、匀质像素子空间和结构像素子空间。对于混合像素子空间中的极不匀质区域，由于曲线波原子可以很好的检测和匹配具有不规则拓扑结构的地物，因此本文提出以曲线波原子作为曲线波滤波器，针对每个极不匀质区域构造曲线波滤波器集合，以曲线波滤波器提取极不匀质区域的结构特征。
　　（2）原图像块与曲线波滤波器卷积后的特征图越逼近，说明曲线波滤波器的结构与原图像块的结构越匹配。因此本文提出极不匀质区域的曲线波卷积结构学习模型和方法，该模型以曲线波滤波器提取特征，以原图像与特征图的Frobenius范数设计目标函数指导滤波器更新，同时用SAR图像的素描图抓取结构信息，设计结构保真项，以结构保真项作为原图和特征图结构一致的判别条件来判断曲线波滤波器是否更新完毕。对混合像素子空间中互不连通的极不匀质区域，用曲线波卷积结构学习模型对其进行特征学习，就可以得到各区域的特征表示。对于这些特征，本文采用基于学习特征及最大值汇聚编码的混合像素子空间无监督分割方法进行分割，该方法将代表各区域的特征集合进行特征编码，得到各个极不匀质区域的结构特征向量，对结构特征向量进行层次聚类，得到混合像素子空间的分割结果。
　　（3）对于结构像素子空间中的独立目标，本文根据独立目标的成像特点，提出了结构像素子空间中的独立目标分割方法，该方法首先对结构像素子空间中的素描线进行筛选，之后将筛选所得素描线集合中距离相近的素描线进行连接，再以素描线中每两条素描线段的夹角小于180度的素描线标记为具有聚拢特征的素描线，这些素描线就是疑似独立目标素描线，用分水岭分割算法对疑似独立目标素描线周围进行超像素分割，最后根据独立目标成像特点确定属于独立目标的超像素，将属于独立目标的超像素进行合并，从而完成SAR图像独立目标的分割。对结构像素子空间中的线目标和匀质像素子空间进行分割后，将这三个像素子空间的分割结果合并起来，就得到SAR图像的最终分割结果。

目录

声明

插图索引

表格索引

符号对照表

缩略语对照表

第一章 绪论

1.1研究背景及意义

1.2 SAR图像分割与解译的研究现状

1.3图像语义分割的研究现状

1.4深度学习的研究现状

1.5论文的研究内容和安排

第二章 相关工作

2.1马尔的视觉计算理论

2.2初始素描模型及素描图的获取方法

2.3 SAR图像素描模型及SAR图像素描图的获取方法

2.4 SAR图像的语义空间

2.5基于区域图的像素子空间划分

第三章 极不匀质区域的曲线波卷积结构学习模型和方法

3.1引言

3.2曲线波滤波器集合构造方法

3.3曲线波卷积结构学习模型

3.4基于曲线波卷积结构学习模型的特征学习

3.5实验结果和分析

3.6本章总结

第四章 结构像素子空间中的独立目标分割方法

4.1引言

4.2基于素描线聚拢特征的疑似独立目标素描线提取方法

4.3基于素描信息和分水岭超像素的独立目标分割方法

4.4本章小结

第五章 基于曲线波卷积结构学习模型的SAR图像语义分割

5.1引言

5.2基于学习特征及最大值汇聚编码的混合像素子空间无监督分割

5.3 SAR图像结构像素子空间的分割

5.4 SAR图像匀质像素子空间的分割

5.5 SAR图像各个子空间分割结果的整合

5.6实验结果及分析

5.7本章小结

第六章 总结与展望

6.1总结

6.2展望

参考文献

致谢

作者简介