【摘要】：隨著合成孔徑雷達(SAR)系統(tǒng)的迅速發(fā)展,獲得的SAR圖像數(shù)據(jù)也越來越多,而對SAR圖像理解與解譯能力則相對滯后。SAR圖像分割是SAR圖像解譯的關鍵部題之一,也是SAR圖像自動理解與解譯的基礎和前提,受到各國研究者的廣泛關注,成為近年來的研究熱點。相比于其它種類圖像(如光學或紅外圖像),SAR圖像所固有的特點(如相干斑噪聲明顯,同類目標差異較大,異類目標非常接近,多尺度目標的同時存在,數(shù)據(jù)規(guī)模龐大等)給分割工作帶來了嚴峻的挑戰(zhàn)。因此,開展SAR圖像分割問題的研究對于促進SAR技術的發(fā)展具有重要意義。 本論文針對SAR圖像的特點,從特征提取到算法設計,完整的對SAR圖像分割問題進行研究,提出了多種基于多特征集成的SAR圖像分割算法。本論文主要創(chuàng)新點概括如下： 1.提出了一種基于上下文分析的非均衡合并SAR圖像分割算法。該算法采用了自底向上(Bottom-up)和自上而下(Top-down)相結合的策略。在自底向上方面,本算法集成了多種SAR圖像特征,這些特征從不同的角度出發(fā)來刻畫和表示SAR圖像中的目標；在自上而下方面,本算法根據(jù)格式塔理論,提出了三條規(guī)則來對超像素的上下文進行分析,對不同的特征進行組織和集成。這三條規(guī)則體現(xiàn)了借鑒于認知心理學的先驗知識,實現(xiàn)了一種新穎的、有效的方法來對超像素的上下文進行建模,是對超像素合并的一種自上而下的全局性約束。根據(jù)所提出的上下文和多種圖像特征,本算法設計了兩階段的合并策略,包括：1)粗合并階段(Coarse Merging Stage,CMS);2)細合并階段(Fine Merging Stage,FMS)。這種策略能夠在算法的效率和準確性之間做到很好的平衡。實驗表明CMS算法能夠快速的合并大量具有歧義的超像素,而FMS能夠獲得更加準確的分割結果。 2.提出了一種基于特征子空間迭代優(yōu)化的SAR圖像分割算法,該算法具有以下特點：1)集成了多種SAR圖像特征,以準確的表示SAR圖像中的不同目標；2)提出了一種分階段集成的相似度計算方法,該方法分別在特征水平(Feature Level)和相似度水平(Similarity Level)計算基于獨立特征的相似度和基于多特征集成的相似度,從而有效的避免不同特征、不同維數(shù)之間的相互影響,提高超像素之間相似度計算的準確性；3)提出了基于偏好的自適應空間約束項,該空間約束項能夠根據(jù)圖像中上下文的內(nèi)容自適應的計算超像素與其上下文鄰域的空間關系,使超像素更接近于上下文中的同類目標,可以避免傳統(tǒng)平均策略對圖像細節(jié)的損失,從而使分割結果更加準確、更具魯棒性。4)根據(jù)構造的目標函數(shù),提出了基于特征子空間的迭代優(yōu)化算法,該算法能夠對不同特征子空間進行迭代優(yōu)化,從而保持不同屬性的特征在其對應子空間中的分布結構,避免相互的干擾,在保持算法分割效率的同時,提高算法迭代優(yōu)化的準確度。 3.對基于特征域的優(yōu)化技術進行更深入的研究,提出了兩種新的免疫克隆優(yōu)化算法,分別是：免疫調(diào)節(jié)克隆選擇算法和基于正交試驗設計的克隆選擇優(yōu)化算法。然后,根據(jù)迭代最小化算法和免疫克隆選擇優(yōu)化算法各自的優(yōu)勢,本文將其進行了有機結合,提出了一種基于特征域的混合優(yōu)化方法,并將其應用于SAR圖像的分割問題中。這種方法既能夠在各個特征子空間中沿著梯度最速下降的方向進行迭代搜索,也能夠在整個高維空間中進行基于克隆選擇優(yōu)化的全局啟發(fā)式搜索,從而同時兼有了迭代最小化算法的高效性,以及免疫克隆選擇算法的魯棒性。對比實驗表明,這種混合的優(yōu)化算法能夠有效的提高算法的搜索精度,避免算法陷入局部極值,明顯的提高了分割算法的性能。 4.提出了一種基于空間域與特征域的無監(jiān)督分層迭代算法,其主要出發(fā)點是結合基于特征域分割算法與基于空間域分割算法各自的優(yōu)勢,取長補短,以達到對SAR圖像最佳分割的目的。在合并超像素時,該算法采用了分層迭代的策略：設計了一種改進的模糊c均值聚類算法,對超像素的外觀特征進行迭代優(yōu)化,當?shù)玫骄垲惤Y果后,對同類超像素的空間上下文進行分析,使用區(qū)域增長算法在全局范圍內(nèi)對相似的超像素進行合并,直到不存在滿足合并條件的超像素為止,再重新進行聚類。這兩個迭代子算法分層交替進行,既可以挖掘特征的分布結構信息,避免欠分割或過分割,又可以有效利用SAR圖像的多種信息,提高算法對歧義目標的魯棒性,從而實現(xiàn)了一種直接的、有效的方式來組織和集成SAR圖像多種特征。 5.提出了一種無監(jiān)督兩階段SAR圖像分割方法,對基于空間域的分割算法與基于特征域的分割算法進行結合。該算法包含兩個階段,分別為：1)粗合并階段；2)細分類階段。在第一階段中,本文提出了一種新的基于上下文分析的區(qū)域迭代合并(Context-based Region Iterative Merging,CRIM)算法,以利用盡量多種的特征,來對超像素進行合并。該子算法的一個優(yōu)勢是能夠快速的、對大量位于真實分割區(qū)域內(nèi)部的超像素進行合并,從而提高特征表示的準確度,減輕細分類算法的計算負擔。與傳統(tǒng)的區(qū)域合并算法相比,CRIM算法能夠集成更多的信息,并且采用了一種新穎的全局停止指標來決定CRIM算法的輸出。這種指標能夠從全局的角度出發(fā),計算SAR圖像分割區(qū)域的均勻一致性。在細分類階段,本章采用了之前提出的基于混合優(yōu)化策略的模糊聚類算法來對圖像空間中剩余的超像素進行分類,以達到最終分割的目的。
[Abstract]:......
【學位授予單位】：西安電子科技大學
【學位級別】：博士
【學位授予年份】：2014
【分類號】：TN957.52

【參考文獻】

相關期刊論文 前7條

1 ;Genetic Algorithms Applied to Multi-Class Clustering for Gene Ex-pression Data[J];Genomics Proteomics & Bioinformatics;2003年04期

2 ;Adaptive chaos clonal evolutionary programming algorithm[J];Science in China(Series F:Information Sciences);2005年05期

3 ;Optimal approximation of linear sys-tems by artificial immune response[J];Science in China(Series F:Information Sciences);2006年01期

4 ;RAYLEIGH-DISTRIBUTION BASED MINIMUM ERROR THRESHOLDING FOR SAR IMAGES[J];Journal of Electronics(China);1999年04期

5 丁永生;任立紅;;人工免疫系統(tǒng):理論與應用[J];模式識別與人工智能;2000年01期

6 ;A novel algorithm of artificial immune system for high-dimensional function numerical optimization[J];Progress in Natural Science;2005年05期

7 ;Artificial immune kernel clustering network for unsupervised image segmentation[J];Progress in Natural Science;2008年04期

相關博士學位論文 前3條

1 陶勇;知識輔助的SAR圖像目標特性分析與識別研究[D];國防科學技術大學;2010年

2 呂雁;基于統(tǒng)計模型的SAR圖像分割方法研究[D];西安電子科技大學;2011年

3 尹奎英;SAR圖像處理及地面目標識別技術研究[D];西安電子科技大學;2011年

，

本文編號：2489546