發(fā)布時(shí)間：2018-04-13 01:37

  本文選題：SAR圖像 + SAR圖像分割��； 參考：《西安電子科技大學(xué)》2016年碩士論文

【摘要】：SAR圖像分割是SAR圖像處理的基礎(chǔ),分割質(zhì)量的好壞直接影響后續(xù)的分析、識(shí)別等。傳統(tǒng)的SAR圖像分割方法主要分為基于特征的方法和基于統(tǒng)計(jì)模型的方法�；谔卣鞯姆椒ㄖ�,特征的好壞往往成為整個(gè)SAR圖像處理系統(tǒng)性能的瓶頸。傳統(tǒng)的基于特征的方法需要靠人工經(jīng)驗(yàn)來(lái)提取樣本特征,但是人工選擇特征是一項(xiàng)復(fù)雜而又難以控制的工程。因此,用于自動(dòng)提取SAR圖像本質(zhì)特征的方法亟待出現(xiàn)。深度學(xué)習(xí)是一種能夠自動(dòng)提取圖像特征的方法,但是傳統(tǒng)的深度學(xué)習(xí)模型對(duì)SAR圖像這種結(jié)構(gòu)復(fù)雜的圖像處理效果并不理想。本論文針對(duì)上述難題提出了一種基于語(yǔ)義和脊波反卷積網(wǎng)絡(luò)的SAR圖像分割方法,創(chuàng)新點(diǎn)如下:(1)在脊波冗余字典中隨機(jī)選取一組基元對(duì)反卷積網(wǎng)絡(luò)每一層的濾波器進(jìn)行初始化,得到脊波反卷積網(wǎng)絡(luò)。脊波冗余字典具有豐富的尺度、方向和位置信息,能夠更好的匹配圖像,捕捉更多的圖像結(jié)構(gòu)特征,因此相比于用隨機(jī)初始化方法以及用高斯初始化方法對(duì)濾波器進(jìn)行初始化,用脊波冗余字典初始化濾波器可以學(xué)習(xí)到更好的SAR圖像特征�；谡Z(yǔ)義空間將SAR圖像劃分為聚集區(qū)域、勻質(zhì)區(qū)域和結(jié)構(gòu)區(qū)域。對(duì)空間上不連通的SAR圖像的聚集區(qū)域或勻質(zhì)區(qū)域分別訓(xùn)練一個(gè)脊波反卷積網(wǎng)絡(luò),通過(guò)脊波反卷積網(wǎng)絡(luò)的特征學(xué)習(xí),得到代表各區(qū)域的特征表示。然而空間上不連通的聚集區(qū)域或勻質(zhì)區(qū)域可能是同一類地物,這就需要根據(jù)區(qū)域特征的相似性來(lái)對(duì)聚集區(qū)域或勻質(zhì)區(qū)域分別進(jìn)行區(qū)域合并,得到SAR圖像聚集區(qū)域和勻質(zhì)區(qū)域的分割結(jié)果。(2)與聚集區(qū)域結(jié)構(gòu)特點(diǎn)不同的是,勻質(zhì)區(qū)域具有微紋理特點(diǎn),區(qū)域內(nèi)明暗變化不強(qiáng)烈,使用基于脊波反卷積網(wǎng)絡(luò)的方法對(duì)其進(jìn)行分割得到的分割效果并不理想,而灰度共生矩陣對(duì)處理紋理結(jié)構(gòu)具有很大的優(yōu)勢(shì)。因此,本文使用基于灰度共生矩陣和層次聚類的方法對(duì)勻質(zhì)區(qū)域進(jìn)行了分割:首先提取勻質(zhì)區(qū)域的樣本,獲得勻質(zhì)區(qū)域樣本灰度共生矩陣的熵和相關(guān)性等二次統(tǒng)計(jì)量,計(jì)算勻質(zhì)區(qū)域樣本的灰度均值和均方差,將灰度共生矩陣的二次統(tǒng)計(jì)量和灰度均值均方差組成一個(gè)特征向量,對(duì)得到的特征向量進(jìn)行層次聚類,得到勻質(zhì)區(qū)域分割結(jié)果,取得了良好的分割效果。結(jié)構(gòu)區(qū)域的地物一般為邊界、線目標(biāo)和獨(dú)立目標(biāo),因此,對(duì)結(jié)構(gòu)區(qū)域使用基于分水嶺的方法進(jìn)行分割,并整合聚集區(qū)域、勻質(zhì)區(qū)域和結(jié)構(gòu)區(qū)域的分割結(jié)果,得到最終SAR圖像的分割結(jié)果。
[Abstract]:SAR image segmentation is the basis of SAR image processing, and the quality of segmentation directly affects the subsequent analysis, recognition and so on.Traditional SAR image segmentation methods are mainly divided into feature-based and statistical model-based methods.In the feature-based approach, the performance of the whole SAR image processing system is often the bottleneck.Traditional feature-based methods require artificial experience to extract sample features, but artificial selection of features is a complex and difficult to control project.Therefore, the method for automatic extraction of essential features of SAR images is urgently needed.Depth learning is a method that can extract image features automatically, but the traditional depth learning model is not ideal for the complex image processing of SAR image.In this paper, a SAR image segmentation method based on semantic and ridge deconvolution networks is proposed. The innovations are as follows: 1) A random set of primitives are selected in the ridgelet redundancy dictionary to initialize the filters in each layer of the deconvolution network.The ridgelet deconvolution network is obtained.The ridgelet redundancy dictionary has abundant scale, direction and position information, so it can better match images and capture more image structural features, so compared with random initialization method and Gao Si initialization method, the filter can be initialized.We can learn better SAR image features by initializing filters with ridgelet redundancy dictionary.Based on semantic space, the SAR image is divided into three regions: aggregation region, homogeneous region and structure region.A ridgelet deconvolution network is trained for the spatial disconnected SAR images in the clustering region or homogeneous region. The feature representation representing each region is obtained by learning the features of the ridgelet deconvolution network.However, the spatially disconnected agglomeration or homogeneous region may be the same type of feature, so it is necessary to merge the agglomeration region or homogeneous region according to the similarity of regional characteristics.Different from the structure of the clustering region, the homogeneous region has the characteristics of micro-texture, and the change of light and shade in the region is not strong.The segmentation effect based on ridgelet deconvolution network is not satisfactory, but gray level co-occurrence matrix has a great advantage in processing texture structure.Therefore, in this paper, the homogeneous region is segmented based on gray level co-occurrence matrix and hierarchical clustering. Firstly, the sample of homogeneous region is extracted, and the quadratic statistics such as entropy and correlation of gray level co-occurrence matrix of homogeneous region sample are obtained.The gray mean and mean variance of homogeneous region samples are calculated. The quadratic statistics and mean square deviation of gray level co-occurrence matrix are formed into a feature vector, and the obtained eigenvectors are clustered into hierarchical clusters, and the results of homogeneous region segmentation are obtained.Good segmentation effect has been achieved.The features of the structural region are generally boundary, line target and independent target. Therefore, the watershed method is used to segment the structural region, and the segmentation results of the aggregation region, homogeneous area and structural region are integrated.Finally, the segmentation result of SAR image is obtained.
【學(xué)位授予單位】：西安電子科技大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類號(hào)】：TN957.52

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 逯貴禎;王玲;肖懷寶;;基于均值漂移的SAR圖像分割方法研究[J];中國(guó)傳媒大學(xué)學(xué)報(bào)(自然科學(xué)版);2009年02期

2 孫莉;張艷寧;李映;馬苗;;一種基于Gaussian-Hermite矩的SAR圖像分割方法[J];西北工業(yè)大學(xué)學(xué)報(bào);2007年03期

3 毛萬(wàn)峰;張紅;張波;王超;;基于模糊水平集的SAR圖像分割方法[J];中國(guó)科學(xué)院研究生院學(xué)報(bào);2013年02期

4 董剛剛;張磊;劉清;;一種SAR圖像分割新方法[J];燕山大學(xué)學(xué)報(bào);2013年06期

5 徐海霞,田錚,林偉;SAR圖像分割的多尺度自回歸滑動(dòng)平均模型方法[J];西北工業(yè)大學(xué)學(xué)報(bào);2004年04期

6 劉保利;田錚;;基于灰度共生矩陣紋理特征的SAR圖像分割[J];計(jì)算機(jī)工程與應(yīng)用;2008年04期

7 張俊梅;;SAR圖像分割方法淺議[J];電腦知識(shí)與技術(shù);2011年03期

8 彭銳暉;王向偉;呂永勝;;基于集成活動(dòng)輪廓模型的SAR圖像分割方法[J];宇航學(xué)報(bào);2011年07期

9 顏學(xué)穎;焦李成;王凌霞;萬(wàn)紅林;;一種提高SAR圖像分割性能的新方法[J];電子與信息學(xué)報(bào);2011年07期

10 鄒亞榮;王華;朱海天;陳光明;宋新改;;海上溢油SAR圖像分割算法研究[J];海洋環(huán)境科學(xué);2009年03期

相關(guān)會(huì)議論文 前4條

1 薛笑榮;趙榮椿;張艷寧;段鋒;蘇愛(ài)民;;基于樹(shù)型小波變換的SAR圖像分割[A];信號(hào)與信息處理技術(shù)——第一屆信號(hào)與信息處理聯(lián)合學(xué)術(shù)會(huì)議論文集[C];2002年

2 夏勇;趙榮椿;;一種SAR圖像分割新方法[A];信號(hào)與信息處理技術(shù)——第一屆信號(hào)與信息處理聯(lián)合學(xué)術(shù)會(huì)議論文集[C];2002年

3 劉泉;章國(guó)寶;;基于小波能量分布的SAR圖像分割[A];全國(guó)自動(dòng)化新技術(shù)學(xué)術(shù)交流會(huì)會(huì)議論文集（一）[C];2005年

4 靳紅梅;張俊梅;梁榮;;基于SVM和紋理特征的SAR圖像分割方法[A];圖像圖形技術(shù)與應(yīng)用進(jìn)展——第三屆圖像圖形技術(shù)與應(yīng)用學(xué)術(shù)會(huì)議論文集[C];2008年

相關(guān)博士學(xué)位論文 前3條

1 薄華;基于自然計(jì)算的SAR圖像分割技術(shù)的研究[D];西安電子科技大學(xué);2006年

2 賀志國(guó);基于活動(dòng)輪廓模型的SAR圖像分割算法研究[D];國(guó)防科學(xué)技術(shù)大學(xué);2008年

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

相關(guān)碩士學(xué)位論文 前10條

1 王陽(yáng)陽(yáng);基于反卷積映射推理網(wǎng)絡(luò)的SAR圖像分割[D];西安電子科技大學(xué);2016年

2 高夢(mèng)瑤;基于語(yǔ)義和脊波反卷積網(wǎng)絡(luò)的SAR圖像分割[D];西安電子科技大學(xué);2016年

3 夏釗;基于反卷積自適應(yīng)推理網(wǎng)絡(luò)的SAR圖像分割[D];西安電子科技大學(xué);2016年

4 郝陽(yáng)陽(yáng);基于字典學(xué)習(xí)的SAR圖像分割[D];西安電子科技大學(xué);2013年

5 翟艷霞;基于統(tǒng)計(jì)模型的SAR圖像分割[D];西安電子科技大學(xué);2010年

6 白雪;基于三馬爾可夫場(chǎng)的SAR圖像分割[D];西安電子科技大學(xué);2012年

7 王武飛;基于進(jìn)化計(jì)算的SAR圖像分割[D];西安電子科技大學(xué);2009年

8 王培偉;基于量子進(jìn)化特征選擇的SAR圖像分割[D];西安電子科技大學(xué);2010年

9 楊琳;基于改進(jìn)活動(dòng)輪廓模型的SAR圖像分割方法研究[D];西安電子科技大學(xué);2013年

10 李長(zhǎng)凱;基于瞬態(tài)系數(shù)的SAR圖像分割方法研究[D];合肥工業(yè)大學(xué);2010年

，

本文編號(hào)：1742371