在極化合成孔徑雷達(Polarimetric Synthetic Aperture Radar,PolSAR)影像眾多應(yīng)用領(lǐng)域中,建筑物目標(biāo)檢測是非常重要的一部分。隨著城市建設(shè)的不斷發(fā)展,準(zhǔn)確檢測出建筑物目標(biāo)對城市規(guī)劃、震后信息獲取、人口估計和土地利用率調(diào)查等工作的開展具有重要意義。本文借鑒光學(xué)圖像目標(biāo)檢測和極化SAR影像地物分類方法,將極化SAR影像目標(biāo)檢測轉(zhuǎn)化為極化SAR影像二分類問題,并以深度學(xué)習(xí)和多尺度幾何分析相關(guān)知識為理論基礎(chǔ),對如何使用極化散射特征和紋理特征并結(jié)合深度階梯網(wǎng)模型實現(xiàn)極化SAR影像建筑物目標(biāo)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(jié)為下述三方面內(nèi)容:1.提出一種基于深度階梯網(wǎng)的半監(jiān)督極化SAR影像目標(biāo)檢測方法。該方法使用Pauli分解提取與建筑物相關(guān)的偶次散射和?/4偶次散射特征,然后將其送入深度階梯網(wǎng)模型提取更高級的特征,并實現(xiàn)建筑物目標(biāo)檢測。深度階梯網(wǎng)是一種半監(jiān)督模型,網(wǎng)絡(luò)訓(xùn)練時使用大量無類標(biāo)樣本和少量有類標(biāo)樣本,減小了對有類標(biāo)樣本的依賴性,克服了極化SAR影像有類標(biāo)樣本難以獲取的困難。經(jīng)實驗驗證,該方法選取5%的無類標(biāo)樣本和2.5%的有類標(biāo)樣本時獲得了高于其它對比算法的目標(biāo)檢測準(zhǔn)確度。2.提出一種基于NSCT和DRLNet(Deep Residual Ladder Network)的極化SAR影像目標(biāo)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(xiàn)建筑物目標(biāo)的檢測。NSCT紋理特征能夠描述建筑物目標(biāo)的輪廓信息,為獲得高質(zhì)量的檢測結(jié)果提供了可能。DRLNet是以深度階梯網(wǎng)和殘差模塊為基礎(chǔ)提出的一種新網(wǎng)絡(luò)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(wǎng)絡(luò)的學(xué)習(xí)性能。經(jīng)實驗驗證,僅使用少量樣本對模型進行訓(xùn)練時,該方法能夠完整地檢測出的建筑物目標(biāo),目標(biāo)檢測準(zhǔn)確度高。3.提出一種基于特征結(jié)合的極化SAR影像目標(biāo)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(guān)的極化散射特征,及兼具抗噪性與旋轉(zhuǎn)不變性的NSCT紋理特征,并使用深度階梯網(wǎng)模型對上述兩種特征進行結(jié)合進而實現(xiàn)更高級特征的提取,最終完成建筑物目標(biāo)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(xiàn)建筑物目標(biāo)檢測時由于特征單一而造成的檢測準(zhǔn)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(biāo)檢測結(jié)果。
【學(xué)位單位】：西安電子科技大學(xué)
【學(xué)位級別】：碩士
【學(xué)位年份】：2018
【中圖分類】：TN957.52
【部分圖文】：

基于深度階梯網(wǎng)的半監(jiān)督極化 SAR 影像目標(biāo)表示奇次散射對應(yīng)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(guān)信息量查全率系統(tǒng)中的相關(guān)信息量(2=檢索出的相關(guān)信息量準(zhǔn)確率系統(tǒng)中所有信息量(22.4.2 實驗數(shù)據(jù)集（1）RADARSAT2_San Francisco Bay 數(shù)據(jù)集RADARSAT2_San Francisco Bay 數(shù)據(jù)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(shù)據(jù)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(biāo)

西安電子科技大學(xué)碩士學(xué)位論文（2）AIRSAR_San Francisco Bay 數(shù)據(jù)集AIRSAR_SanFranciscoBay 數(shù)據(jù)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(shù)據(jù)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(biāo)

【參考文獻】

相關(guān)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(yīng)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(xué)習(xí)的行人檢測算法[J];廣東通信技術(shù);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(xué)技術(shù)與工程;2014年17期

4 宋修銳;吳志勇;;圖像通用目標(biāo)的無監(jiān)督檢測[J];光學(xué)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(zāi)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(shù)與應(yīng)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(shù)與應(yīng)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(jīng)網(wǎng)確認的人臉檢測[J];電子學(xué)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(biāo)檢測[J];現(xiàn)代雷達;2001年01期

相關(guān)博士學(xué)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(xué);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(xué);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(xué)院電子學(xué)研究所;2000年

相關(guān)碩士學(xué)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(yù)測研究所;2012年

本文編號：2828176