基于素描线补全策略和区域特征学习的SAR图像分割

摘要

合成孔径雷达（Synthetic Aperture Radar，SAR）由于其特殊的成像机制获得了在军事和民用多个领域的广泛应用。SAR系统不易受环境的影响，能够不间断工作，获取的图像质量高。但是随着获取的数据量的增大，对SAR图像的理解和解译成为一个急需解决的问题。图像分割作为图像处理中一个基础和关键步骤，分割质量的优劣直接影响后续的目标提取、分类等结果。SAR图像初始素描模型是对SAR图像的一种稀疏表示。本文在SAR图像初始素描模型的基础上，提出了一种基于素描线补全策略和区域特征学习的SAR图像分割方法，本文的主要工作如下：
　　首先，提出了射线聚类素描线补全方法和区域图提取方法。依据SAR图像初始素描模型获取SAR图像素描图，根据素描线聚集度将素描线划分成两类：一类为代表聚集地物的素描线，一类为代表边界、线目标和独立目标的素描线。对于代表聚集区域的素描线，使用形态学方法进行扩充在素描图上得到聚集区域区域图，对于代表边界、线目标和独立目标的素描线，提出了射线聚类方法对素描线短缺的部分进行补全使之形成封闭区域。论文阐述了射线聚类对短缺素描线进行补全的思想、详细说明了射线聚类进行素描线补全的的流程，定义了种子点、射线等概念、解释了射线簇的划分方法以及如何利用射线长度突变信息确定射线是否短缺。在补全的素描线上构造几何结构窗，得到结构区域区域图，最后得到SAR图像区域图，区域图是相比于素描图更稀疏的一种表示，是对图像的一种初始划分。
　　其次，提出了一种基于区域图和特征学习的SAR图像分割方法。在区域图的基础上，将SAR图像划分为像素空间的聚集区域、匀质区域和结构区域。对于聚集区域和匀质区域，分别利用词袋模型进行特征学习，再利用层级聚类分析方法对聚集区域中的各个子区域和匀质区域中的各个子区域的特征分别进行聚类，聚类结果即为这两种区域的分割结果。对于结构区域，使用分水岭分割进程超像素划分并合并超像素，利用素描线和灰度统计特征将结构区域合并后的超像素融合到匀质区域中或聚集区域中，最终得到SAR图像分割结果。实验表明，本文提出的基于素描线补全策略和区域特征学习的SAR图像分割方法不仅能够获得较好的区域一致性，而且对边界和线目标有比较精确的定位。

目录

封面

声明

中文摘要

英文摘要

插图索引

符号对照表

缩略语对照表

目录

第一章 绪论

1.1研究背景及意义

1.2 SAR图像分割的研究现状

1.3基于词袋模型的特征学习

1.4论文的主要内容和安排

第二章 初始素描模型简介

2.1 Marr视觉计算理论简介

2.2初始素描模型简介

2.3 SAR图像初始素描模型简介

2.4 基于聚集度分析的素描线分类

第三章 射线聚类素描线补全和区域图提取

3.1 素描线分类

3.2 射线聚类素描线补全方法

3.3 素描线补全后的区域图获取

3.4 实验结果及分析

3.5 本章总结

第四章 基于区域图和特征学习的SAR图像分割

4.1 SAR图像聚集区域的分割

4.2 SAR图像匀质区域的分割

4.3 基于素描线的结构区域、聚集区域和匀质区域融合

4.4仿真实验及结果分析

4.5本章小结

第五章 总结和展望

5.1论文工作总结

5.2进一步工作展望

参考文献

致谢

作者简介

1.基本情况

2.教育背景

3.攻读硕士学位期间的研究成果