發(fā)布時間：2018-03-30 00:02

  本文選題：合成孔徑雷達　切入點：后置條件隨機場　出處：《武漢大學(xué)》2017年碩士論文

【摘要】：合成孔徑雷達(Synthetic Aperture Radar,SAR)信號相較于傳統(tǒng)光學(xué)圖像信號具有高解析度,多通道的特點,主要用于民用的如農(nóng)作物監(jiān)測,災(zāi)害監(jiān)測,軍用的如地圖繪制,軍事偵察等。一般將SAR信號轉(zhuǎn)化為對應(yīng)多通道圖像,利用現(xiàn)有光學(xué)圖像的方法來進行場景分類與標(biāo)注,本文利用ESAR的Pauli分解偽彩圖,首先用傳統(tǒng)的方法來分類,然后使用神經(jīng)網(wǎng)絡(luò)和邊緣約束的方法,相較于以前的方法提高了正確率,改善了邊緣分布。在此之前經(jīng)典的傳統(tǒng)方法要進行超像素塊的分割,塊特征的提取,以及特征分類器這三個步驟,均值平移(meanshift)或分水嶺方法常用于超像素塊的提取,分類器多采用支持向量機(Support Vector Machine,SVM)或多層網(wǎng)絡(luò)(Back Propagation Network,BP)等,之后也引入了馬爾科夫場(Markov Random Filed,MRF)和條件隨機場(Conditional Random Field,CRF)進一步考慮周圍超像素塊的分類類別從而進一步提高了正確率。首先,以前的方法的分類器多使用傳統(tǒng)如SVM,BP,Logistic classifier等分類器,這些分類器并不適合圖像信號,為提高圖像初始的分類正確率,引入全卷積網(wǎng)絡(luò)(Fully Convolutional Network,FCN)網(wǎng)絡(luò)中效果最好的FCN8作為分類器,FCN8同時也負(fù)責(zé)卷積特征提取,同時FCN不需要用其他方法如meanshift來先將圖像分塊,再去針對區(qū)域處理,而是直接作用于單個像素點的RGB向量上。然后,為了考慮周圍像素分類類別的影響,同時考慮自身像素的分類類別,引入Deeplab的全連接CRF綜合考慮周圍像素的類別先驗信息,并用網(wǎng)格優(yōu)化法得到合適的CRF相關(guān)參數(shù)。FCN網(wǎng)絡(luò)用于分割時邊緣部分的像素點分類不準(zhǔn)確,這是反卷積和卷積的卷積核尺度決定的,在Deeplab內(nèi)部利用區(qū)域變換(DomainTransform,DT)網(wǎng)絡(luò)可以稍微修正邊緣像素點的分類結(jié)果,但效果不顯著,原DT算法存在很多問題,加以分析改進提出自己的改進DT擴散模型,在Deeplab外部利用FCN邊緣網(wǎng)絡(luò)提取邊緣信息,分別與DT的內(nèi)部邊緣網(wǎng)絡(luò)輸出融合后輸入DT中,然后與Deeplab的結(jié)果進行外部融合,融合方法包括我提出的改進DT的擴散法和補洞法。同時在內(nèi)部和外部進行邊緣融合最終可以將分類結(jié)果邊緣改善以及提高一定的正確率。最后在ESAR數(shù)據(jù)上進行了多方案的對比實驗,分別為基于potts先驗的標(biāo)準(zhǔn)CRF或SVM分類模型并采取meanshift分割的方法,FCN8,Deeplab以及Deeplab-DT和最終的Deeplab-DT加FCN邊緣網(wǎng)絡(luò)融合的方法,實驗表明每一種方案都比較以前的方案有一定提升,最終的邊緣后置融合的方案效果最好,正確率最高同時邊緣修正的效果很好。
[Abstract]:Compared with traditional optical image signals, synthetic Aperture radar synthetic Aperture radar (SAR) signals have the characteristics of high resolution and multi-channel. They are mainly used for civilian applications such as crop monitoring, disaster monitoring and military mapping. Military reconnaissance and so on. The SAR signal is generally converted into the corresponding multi-channel image, and the existing methods of optical image are used to classify and label the scene. In this paper, the pseudo-color image is decomposed by Pauli of ESAR. Firstly, the traditional method is used to classify the scene. Then, the neural network and edge constraint are used to improve the accuracy and edge distribution compared with the previous methods. Before this, the classical traditional methods are used to segment the super-pixel blocks and extract the features of the blocks. The three steps of feature classifier, mean shift mean shift (mean shift) or watershed method are often used to extract super-pixel blocks. Support vector machine support Vector machine (SVM) or multilayer network back Propagation network (BP) are often used in classifier. After that, Markov Random filter (MRFs) and conditional conditional Random (CRF) are introduced to further consider the classification classification of the surrounding super-pixel blocks, thus further improving the accuracy. Firstly, the traditional classifiers such as SVMBPPU Logistic classifier are often used in the former methods. These classifiers are not suitable for image signals. In order to improve the initial classification accuracy of images, FCN8, which is the most effective classifier in Fully Convolutional Network (FCN8) network, is also used to extract convolutional features. At the same time, FCN does not need to use other methods such as meanshift to divide the image into blocks first, then to deal with the region. Instead, it acts directly on the RGB vector of a single pixel, and then, in order to consider the effect of the classification of the surrounding pixels, At the same time, considering the classification categories of their own pixels, the fully connected CRF of Deeplab is introduced to synthetically consider the prior information of the surrounding pixels, and the appropriate CRF correlation parameter .FCN network is obtained by using the mesh optimization method to classify the pixels in the edge parts. This is determined by the convolution kernel scale of deconvolution and convolution. The classification results of edge pixels can be slightly modified by using domain transform DTN in Deeplab, but the effect is not significant. There are many problems in the original DT algorithm. The improved DT diffusion model is analyzed and improved. The edge information is extracted by using FCN edge network outside Deeplab, and then input into DT after output fusion with DT's inner edge network, and then external fusion is carried out with the result of Deeplab. The fusion methods include the improved DT diffusion method and the hole filling method proposed by me. At the same time, the edge fusion can improve the edge of classification results and improve the accuracy of the classification results. Finally, it is carried out on the ESAR data. A multi-program comparative experiment, It is a standard CRF or SVM classification model based on potts priori, and uses meanshift segmentation method to merge FCN8 and Deeplab, and Deeplab-DT and the final Deeplab-DT plus FCN edge network fusion method. The experiments show that each scheme has a certain improvement compared with the previous scheme. The final edge post fusion scheme has the best effect and the highest correct rate and good edge correction effect.
【學(xué)位授予單位】：武漢大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2017
【分類號】：TN957.52

【相似文獻】

相關(guān)期刊論文 前10條

1 李坤;邵蕓;張風(fēng)麗;;基于多極化機載合成孔徑雷達(SAR)數(shù)據(jù)的水稻識別[J];浙江大學(xué)學(xué)報(農(nóng)業(yè)與生命科學(xué)版);2011年02期

2 劉開剛;許梅生;李維;;一種基于雙閾值區(qū)域分割的SAR圖像目標(biāo)提取方法[J];國外電子測量技術(shù);2008年03期

3 ;西部測圖工程機載干涉SAR測圖系統(tǒng)項目啟動會在北京召開[J];遙感信息;2008年04期

4 蔡紅;;基于稀疏表示的SAR圖像壓縮方法研究[J];計算機工程與應(yīng)用;2012年24期

5 李杏朝，董文敏;SAR圖像的水文應(yīng)用研究[J];遙感信息;1996年04期

6 孫盡堯,孫洪;自然場景SAR圖像的仿真[J];雷達科學(xué)與技術(shù);2003年04期

7 李金;程超;許浩;;無人機機載合成孔徑雷達(SAR)定位方法綜述[J];影像技術(shù);2008年03期

8 陳原;張榮;尹東;;基于Tetrolet Packet變換的SAR圖像稀疏表示[J];電子與信息學(xué)報;2012年02期

9 何毅;范偉杰;;手機批量SAR測試方案[J];安徽電子信息職業(yè)技術(shù)學(xué)院學(xué)報;2013年05期

10 紀(jì)建;田錚;徐海霞;;SAR圖像壓縮的多尺度自回歸滑動平均模型方法[J];電子學(xué)報;2005年12期

相關(guān)會議論文 前10條

1 沈晶;楊學(xué)志;;基于邊緣保持分水嶺算法的SAR海冰圖像分割[A];計算機技術(shù)與應(yīng)用進展·2007——全國第18屆計算機技術(shù)與應(yīng)用（CACIS）學(xué)術(shù)會議論文集[C];2007年

2 郝衛(wèi)東;熊鄴;曲蘭英;周志麗;;一種降低手機SAR的設(shè)計[A];2009年全國天線年會論文集（下）[C];2009年

3 方勇;;綜合多視角SAR圖像改正遮蔽區(qū)試驗[A];第十三屆全國遙感技術(shù)學(xué)術(shù)交流會論文摘要集[C];2001年

4 于明成;許稼;彭應(yīng)寧;;SAR多普勒中心快速解模糊的新方法[A];第十二屆全國信號處理學(xué)術(shù)年會（CCSP-2005）論文集[C];2005年

5 戴爾燕;金亞秋;;多軌道飛行全極化SAR圖像對目標(biāo)的立體重構(gòu)[A];第二屆微波遙感技術(shù)研討會摘要全集[C];2006年

6 常本義;高力;;SAR單圖像定位原理[A];中國科協(xié)2001年學(xué)術(shù)年會分會場特邀報告匯編[C];2001年

7 錢方明;鞏丹超;劉薇;;SAR圖像邊緣特征提取方法研究[A];第二屆“測繪科學(xué)前沿技術(shù)論壇”論文精選[C];2010年

8 陳林輝;葉偉;賈鑫;;分布式衛(wèi)星SAR圖像方位向分辨率分析[A];中國航空學(xué)會信號與信息處理專業(yè)全國第八屆學(xué)術(shù)會議論文集[C];2004年

9 孫偉順;計科峰;朱俊;粟毅;;典型軍用目標(biāo)SAR圖像預(yù)估[A];第六屆全國信息獲取與處理學(xué)術(shù)會議論文集（2）[C];2008年

10 黃勇;王建國;黃順吉;;基于分段的非監(jiān)督SAR圖像變化檢測[A];第十一屆全國信號處理學(xué)術(shù)年會（CCSP-2003）論文集[C];2003年

相關(guān)重要報紙文章 前2條

1 張顯峰;機載干涉SAR：掀起測繪革命[N];科技日報;2004年

2 鐘勇;國內(nèi)首套SAR測圖系統(tǒng)通過評審[N];中國測繪報;2010年

相關(guān)博士學(xué)位論文 前10條

1 賀廣均;聯(lián)合SAR與光學(xué)遙感數(shù)據(jù)的山區(qū)積雪識別研究[D];南京大學(xué);2015年

2 張雙喜;高分辨寬測繪帶多通道SAR和動目標(biāo)成像理論與方法[D];西安電子科技大學(xué);2014年

3 李蘭;森林垂直信息P-波段SAR層析提取方法[D];中國林業(yè)科學(xué)研究院;2016年

4 張澤兵;知識輔助的SAR目標(biāo)索引及特征提取技術(shù)研究[D];國防科學(xué)技術(shù)大學(xué);2014年

5 張鵬;基于統(tǒng)計模型的SAR圖像降斑和分割方法研究[D];西安電子科技大學(xué);2012年

6 王勃;星載全極化SAR海面散射特性及其船目標(biāo)檢測方法[D];中國海洋大學(xué);2013年

7 倪心強;SAR圖像分類與自動目標(biāo)識別技術(shù)研究[D];中國科學(xué)院研究生院（電子學(xué)研究所）;2007年

8 周鵬;彈載SAR多種工作模式的成像算法研究[D];西安電子科技大學(xué);2011年

9 趙凌君;高分辨率SAR圖像建筑物提取方法研究[D];國防科學(xué)技術(shù)大學(xué);2009年

10 陳琪;SAR圖像港口目標(biāo)提取方法研究[D];國防科學(xué)技術(shù)大學(xué);2011年

相關(guān)碩士學(xué)位論文 前10條

1 董立亞;SAR圖像去噪的小波和偏微分方程的數(shù)學(xué)建模[D];河北聯(lián)合大學(xué);2014年

2 陳海文;基于波數(shù)域的圓周SAR三維成像算法研究[D];哈爾濱工業(yè)大學(xué);2015年

3 眭明;星機雙基地SAR同步技術(shù)研究[D];電子科技大學(xué);2014年

4 羅煜川;基于壓縮感知的陣列SAR三維成像方法研究[D];電子科技大學(xué);2015年

5 張強;基于視覺注意的SAR目標(biāo)快速檢測算法研究[D];電子科技大學(xué);2015年

6 于利娟;手機天線輻射特性優(yōu)化與SAR研究[D];西安電子科技大學(xué);2013年

7 吳子斌;機載三維SAR高分辨成像[D];國防科學(xué)技術(shù)大學(xué);2013年

8 李志華;基于FPGA的微型SAR實時成像處理研究[D];西安電子科技大學(xué);2014年

9 劉東洋;基于Z7的SAR實時成像處理設(shè)計[D];西安電子科技大學(xué);2014年

10 張曉梨;基于實測SAR圖像的雜波特性研究和圖像重構(gòu)[D];西安電子科技大學(xué);2014年

，

本文編號：1683438