【摘要】：遙感圖像目標檢測與識別是遙感解譯技術(shù)中非常重要的分支,是在遙感圖像中獲得特定目標區(qū)域和類別的技術(shù)。目前已提出的針對遙感影像的目標檢測與識別算法存在泛化性能不甚理想,算法效率與精度不高的問題,因此目前的遙感圖像目標檢測與識別算法還需要進一步的發(fā)展。目前,目標區(qū)域提議方法將注意力集中于圖像中最顯著和獨特的位置,大大減少了對后續(xù)分類、檢測等任務(wù)的計算量。同時,作為與人類學習系統(tǒng)的多層物理結(jié)構(gòu)具有相似性的深度學習算法,在涉及大量數(shù)據(jù)如分類和推理等眾多問題中都取得了最新的成果。本文的研究工作基于以上兩點,將目標區(qū)域提議算法與深度網(wǎng)絡(luò)結(jié)構(gòu)引入遙感影像的目標檢測與識別中。具體工作如下:1.提出一種基于可變形卷積神經(jīng)網(wǎng)絡(luò)的合成孔徑雷達(SAR)圖像目標識別算法,引入可變形卷積單元,可以有效地改變采樣點的位置并學習采樣點的偏置,用以增強網(wǎng)絡(luò)模型變換的能力,另外網(wǎng)絡(luò)使用全局均值池化層代替卷積神經(jīng)網(wǎng)絡(luò)(CNN)中的全卷積層,使得原本數(shù)量龐大的參數(shù)得以省略,可以大大減小網(wǎng)絡(luò)規(guī)模,避免過擬合。此外,本章提出一種快速的基于峰值特征的檢測算法,通過峰值特征提取模塊與連通區(qū)域標記模塊實現(xiàn)SAR目標檢測。2.提出一種基于YOLO深度網(wǎng)絡(luò)的遙感影像目標檢測算法,將目標檢測作為回歸問題求解,訓練和測試過程中采用全圖信息進行預(yù)測,所學習到目標的概括表示信息,具有一定普適性,可以有效提高檢測精度與召回率等指標。同時具有絡(luò)預(yù)測流程簡單,檢測速度快的優(yōu)點。此外,本章對于高分辨率遙感影像的運動目標檢測,提出一種改進的幀間差分法,具有實現(xiàn)簡單,設(shè)計復(fù)雜度低和穩(wěn)定性較好的優(yōu)勢,在高分辨率遙感影像的運動目標檢測中具有非常好的效果。3.提出一種遙感圖像快速目標檢測算法,基于結(jié)構(gòu)化森林邊緣檢測與目標區(qū)域提議算法,通過圖像本身來計算邊緣集合,進而通過邊緣集合相似度與候選框評分規(guī)則確定最終的目標檢測結(jié)果。
【圖文】：

(g) (h) (i)圖3.1 SAR 圖像峰值特征提取各步驟結(jié)果(a)原圖(b)中值濾波(c)膨脹(d)腐蝕(e)閾值分割(f)計數(shù)濾波(g)膨脹(h)原圖感興趣區(qū)域(i)峰值特征點形卷積網(wǎng)絡(luò)1 卷積神經(jīng)網(wǎng)絡(luò)學習與人類學習系統(tǒng)的多層物理結(jié)構(gòu)相同，由于其學習分層特征的各個領(lǐng)域。在許多用于語音或光學圖像識別的基準數(shù)據(jù)集中，，分層已表現(xiàn)出超越手工設(shè)計特征的卓越性能。目前，深度卷積神經(jīng)網(wǎng)絡(luò)別、手寫體識別、人臉識別[78]等計算機視覺任務(wù)領(lǐng)域取得了優(yōu)異神經(jīng)網(wǎng)絡(luò)作為一類前饋網(wǎng)絡(luò)，它具有聚合各個局部提取的特征的功對相鄰一定邊界內(nèi)的其他單元產(chǎn)生響應(yīng)，通過層與層之間不斷的特終將提取出高度抽象的特征進行權(quán)重賦值與組合，通過特征聚合的器后完成分類任務(wù)。CNN 一般由卷積層、非線性變換層、池化層

準卷積而言，可變形卷積的感受野可以隨著圖像內(nèi)容的變化而變化。(a) (b)圖3.4 兩層結(jié)構(gòu)感受野(a)標準結(jié)構(gòu)(b)可變形結(jié)構(gòu)可變形卷積網(wǎng)絡(luò)于傳統(tǒng)卷積網(wǎng)絡(luò)而言是一次既簡單明了又具有重大突破的技術(shù)更新，對理論基礎(chǔ)和實際研究都是一次飛躍。對于目標含有某些幾何形變的檢測識別而言，其具有優(yōu)良的適應(yīng)性。同時，它可便捷地從現(xiàn)有結(jié)構(gòu)擴展得到，不用從頭開始進行預(yù)訓練，加入的計算量與復(fù)雜度寥寥無幾，就可以明顯提高識別的準確率。3.4 基于峰值特征和可變形卷積網(wǎng)絡(luò)的 SAR 圖像目標檢測與識別3.4.1 實驗數(shù)據(jù)準備及預(yù)處理本章進行的實驗研究，所采用的數(shù)據(jù)由 Sandia 國家實驗室 SAR 傳感器平臺收集。該數(shù)據(jù)由美國國防部高級研究計劃局（DARPA）和空軍研究實驗室聯(lián)合資助，作為MSTAR 計劃的一個分支[81]。使用高分辨聚束式 SAR 作為傳感器來收集數(shù)據(jù)集中數(shù)據(jù)，其中雷達分辨率達到 0.3m，工作在 X 波段
【學位授予單位】：西安電子科技大學
【學位級別】：碩士
【學位授予年份】：2018
【分類號】：TP751

【參考文獻】

相關(guān)期刊論文 前9條

1 王慧利;朱明;;聚類與幾何特征相結(jié)合的遙感圖像多類人造目標檢測算法[J];光電子·激光;2015年05期

2 姚遠;姜志國;張浩鵬;;基于層次化分類器的遙感圖像飛機目標檢測[J];航天返回與遙感;2014年05期

3 孫皓;孫顯;王宏琦;;一種高分辨率遙感圖像艦船檢測方法研究[J];測繪科學;2013年05期

4 田宇;羅華鋒;趙博;;基于小波變換及神經(jīng)網(wǎng)絡(luò)的SAR圖像目標檢測方法研究[J];火控雷達技術(shù);2012年01期

5 王相海;李放;宋傳鳴;;局部自適應(yīng)混合模型的遙感圖像去噪算法[J];中國圖象圖形學報;2011年07期

6 張琪;張志明;馮坤;聶峰;;一種運用Photoshop實現(xiàn)彩色圖像灰度化方法[J];計算機與數(shù)字工程;2010年12期

7 李金宗;穆立勝;李冬冬;馬冬冬;;大尺度高分辨率遙感圖像機場目標的快速識別[J];光電子.激光;2010年07期

8 宮和斌;馬繼志;陳廣東;;SAR圖像中動目標的廣義似然比快速檢測[J];系統(tǒng)工程與電子技術(shù);2009年05期

9 胡俊華;徐守時;陳海林;張振;;基于局部自相似性的遙感圖像港口艦船檢測[J];中國圖象圖形學報;2009年04期

相關(guān)博士學位論文 前2條

1 張翠;高分辨率SAR圖像自動目標識別方法研究[D];國防科學技術(shù)大學;2003年

2 計科峰;SAR圖像目標特征提取與分類方法研究[D];中國人民解放軍國防科學技術(shù)大學;2003年

本文編號：2630869