基于区域图和深度相似性表征的SAR图像分割

摘要

SAR图像分割是SAR图像的分析与理解的基础与关键，分割结果的好坏直接影响后续的处理结果。传统的SAR图像分割方法需要靠人工经验来提取样本特征，而特征的好坏往往成为整个SAR图像处理系统性能的瓶颈。人工选择特征是一项复杂而又难以控制的工程。深度学习理论则为解决该难题提供了可行而又行之有效的方案。深度模型能够自动学习样本的结构特征，而自动学习的结构特征更能捕获样本空间上的相关性，从而使得深度模型更适合用来学习图像所隐含的结构特征。
　　首先，基于素描线补全的区域图及深度模型，提出了深度相似性表征的获取方法。该方法对像素个数大于给定阈值的各区域分别训练一个栈式降噪自编码网络（SDAE），对每一个SDAE网络各隐层权值分别向其他所有SDAE网络相对应隐层结点的权值投影，得到这两个网络各隐层对应结点的相似度，并进行二值编码；统计各隐层对应结点的相似性，得到这两个网络各隐层基于统计相似性的结构特征编码向量；级联该网络和其他所有网络各隐层的基于统计相似性的的结构特征编码，得到该区域的结构特征表示。
　　其次，提出了基于区域图和深度相似性表征的SAR图像分割方法。根据区域图得到SAR图像的聚集区域、匀质区域和结构区域。由于SAR图像的聚集区域和匀质区域的结构特征明显不同，该方法对SAR图像聚集区域和匀质区域分别进行基于深度网络的结构特征学习和分割：通过深度相似性表征的获取方法，得到代表各区域的结构特征表示，对代表各区域的结构特征表示进行层次聚类，得到SAR图像聚集区域和匀质区域的分割结果。对结构区域使用分水岭进行分割，并整合聚集区域、匀质区域和结构区域的分割结果，得到最终SAR图像分割结果。
　　通过与基于区域图和区域灰度特征的SAR图像分割结果的对比，验证了本文提出的SAR图像分割方法的正确性与有效性，其提高了地物的区分效果，尤其是匀质区域的区分效果。

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 深度学习理论的研究现状

1.4 论文的主要内容与安排

第二章 基于素描模型的区域图提取方法

2.1 Marr视觉计算理论框架

2.2 SAR图像的素描模型

2.3 基于素描线语义信息的聚集区域提取

2.4 基于射线补全的区域图提取方法

第三章 基于栈式自编码网络与统计相似性的结构特征编码

3.1 降噪自编码网络

3.2 栈式降噪自编码网络

3.3 基于SDAE网络的区域结构特征提取

3.4 基于统计相似性的区域结构特征编码

3.5 基于统计相似性区域结构特征编码的SAR图像分割

3.6 实验结果与分析

3.7 本章小结

第四章 基于区域图和统计相似性结构表征的SAR图像分割

4.1 基于区域图的SAR图像区域划分

4.2 SAR图像各区域的分割

4.3 SAR图像聚集区域、匀质区域和结构区域分割结果整合

4.4 实验结果与分析

4.5 本章小结

第五章 总结与展望

5.1 论文工作总结

5.2 未来工作展望

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