在極化合成孔徑雷達(Polarimetric Synthetic Aperture Radar,PolSAR)影像眾多應用領域中,建筑物目標檢測是非常重要的一部分。隨著城市建設的不斷發(fā)展,準確檢測出建筑物目標對城市規(guī)劃、震后信息獲取、人口估計和土地利用率調查等工作的開展具有重要意義。本文借鑒光學圖像目標檢測和極化SAR影像地物分類方法,將極化SAR影像目標檢測轉化為極化SAR影像二分類問題,并以深度學習和多尺度幾何分析相關知識為理論基礎,對如何使用極化散射特征和紋理特征并結合深度階梯網模型實現極化SAR影像建筑物目標檢測的問題進行了研究,提出一些具有創(chuàng)新性的方法,主要總結為下述三方面內容:1.提出一種基于深度階梯網的半監(jiān)督極化SAR影像目標檢測方法。該方法使用Pauli分解提取與建筑物相關的偶次散射和?/4偶次散射特征,然后將其送入深度階梯網模型提取更高級的特征,并實現建筑物目標檢測。深度階梯網是一種半監(jiān)督模型,網絡訓練時使用大量無類標樣本和少量有類標樣本,減小了對有類標樣本的依賴性,克服了極化SAR影像有類標樣本難以獲取的困難。經實驗驗證,該方法選取5%的無類標樣本和2.5%的有類標樣本時獲得了高于其它對比算法的目標檢測準確度。2.提出一種基于NSCT和DRLNet(Deep Residual Ladder Network)的極化SAR影像目標檢測方法。該方法使用非下采樣輪廓波變換(non-subsampled contourlet transform,NSCT)提取極化SAR影像的紋理特征,然后將其送入DRLNet實現建筑物目標的檢測。NSCT紋理特征能夠描述建筑物目標的輪廓信息,為獲得高質量的檢測結果提供了可能。DRLNet是以深度階梯網和殘差模塊為基礎提出的一種新網絡模型,該模型在深層特征中加入淺層信息,即加入先驗知識,合理的先驗知識提升了網絡的學習性能。經實驗驗證,僅使用少量樣本對模型進行訓練時,該方法能夠完整地檢測出的建筑物目標,目標檢測準確度高。3.提出一種基于特征結合的極化SAR影像目標檢測方法。該方法提取了待檢測極化SAR影像中與建筑物相關的極化散射特征,及兼具抗噪性與旋轉不變性的NSCT紋理特征,并使用深度階梯網模型對上述兩種特征進行結合進而實現更高級特征的提取,最終完成建筑物目標的檢測。該方法解決了僅使用極化散射特征或紋理特征實現建筑物目標檢測時由于特征單一而造成的檢測準確率低的問題,且與直接將特征進行疊加的方法相比,本方法得到的特征更豐富、更具代表性,因此在實驗中獲得了良好的目標檢測結果。
【學位單位】：西安電子科技大學
【學位級別】：碩士
【學位年份】：2018
【中圖分類】：TN957.52
【部分圖文】：

基于深度階梯網的半監(jiān)督極化 SAR 影像目標表示奇次散射對應的散射體具有的散射體具有的散射能量 在真實世界中性的單基雷達系統(tǒng)中，HV VHS S ，因貢獻，由此，Pauli 分解變成了 3 個基一張 RGB 圖像，其中2a → Blue，bSAT2_San Francisco Bay 地區(qū)極化 SAB 圖像

=檢索出的相關信息量查全率系統(tǒng)中的相關信息量(2=檢索出的相關信息量準確率系統(tǒng)中所有信息量(22.4.2 實驗數據集（1）RADARSAT2_San Francisco Bay 數據集RADARSAT2_San Francisco Bay 數據集是舊金山海灣地區(qū)的全極化 SAR 影機載合成孔徑雷達系統(tǒng) NASA/JPL RADARSAT2 在 2008 年獲取的，圖像波段，大小為1800 1 380，分辨率為10m 5m 圖2.4表示RADARSAT2_SanFrany 數據集，其中圖 2.4（a）是 Pauli 分解合成的 RGB 圖像，圖 2.4（b）為參考黑色覆蓋的彩色部分表示建筑物目標

西安電子科技大學碩士學位論文（2）AIRSAR_San Francisco Bay 數據集AIRSAR_SanFranciscoBay 數據集是舊金山地區(qū)的極化 SAR 影像，由 NASA/JPAIRSAR 衛(wèi)星于 1992 年拍攝的，圖像大小是900 1 024，分辨率為10m 1 0m 圖 2表示 AIRSAR_SanFranciscoBay 數據集，其中圖 2.5（a）是 Pauli 分解合成的 RGB 圖像，圖 2.5（b）為參考圖，未被黑色覆蓋的彩色部分表示建筑物目標

【參考文獻】

相關期刊論文 前10條

1 翟瑋;裴萬勝;趙斐;姜振海;魏從信;;PolSAR影像紋理特征在倒塌建筑物提取中的應用分析[J];國際地震動態(tài);2015年09期

2 尹遠;廖敏江;李校林;;基于無監(jiān)督學習的行人檢測算法[J];廣東通信技術;2015年02期

3 陳軍;杜培軍;譚琨;;一種基于Pauli分解和支持向量機的全極化合成孔徑雷達監(jiān)督分類算法[J];科學技術與工程;2014年17期

4 宋修銳;吳志勇;;圖像通用目標的無監(jiān)督檢測[J];光學精密工程;2014年01期

5 于海洋;程鋼;張育民;盧小平;;基于LiDAR和航空影像的地震災害倒塌建筑物信息提取[J];國土資源遙感;2011年03期

6 陳智鵬;向茂生;丙南;;一種基于紋理的SAR圖像居民區(qū)提取方法[J];遙感技術與應用;2008年02期

7 郭烈;王榮本;張明恒;金立生;;基于Adaboost算法的行人檢測方法[J];計算機工程;2008年03期

8 徐豐;金亞秋;;城區(qū)高分辨率SAR圖像的信息獲取與重建[J];遙感技術與應用;2007年02期

9 梁路宏,艾海舟,徐光佑,張鈸;基于模板匹配與人工神經網確認的人臉檢測[J];電子學報;2001年06期

10 李永禎,王雪松,李軍,肖順平,莊釗文;基于Stokes矢量的高分辨極化目標檢測[J];現代雷達;2001年01期

相關博士學位論文 前3條

1 閆麗麗;基于散射特征的極化SAR影像建筑物提取研究[D];中國礦業(yè)大學;2013年

2 程勇;人臉識別中光照不變量提取算法研究[D];南京理工大學;2010年

3 戴博偉;多極化合成孔徑雷達系統(tǒng)與極化信息處理研究[D];中國科學院電子學研究所;2000年

相關碩士學位論文 前1條

1 金鼎堅;高分辨率SAR影像建筑物震害信息提取方法研究[D];中國地震局地震預測研究所;2012年

本文編號：2828176