【摘要】：合成孔徑雷達(Synthetic Aperture Radar,SAR)可以全天時、全天候采集高分辨圖像,對于對地觀測十分重要。由于SAR圖像固有的成像機制造成了SAR圖像上相干斑噪聲、高維異構(gòu)等問題,使得SAR圖像的解譯十分困難。本團隊提出的SAR圖像層次視覺語義模型,以素描線段為基元,通過賦予素描線段語義信息來指導(dǎo)SAR圖像解譯,從像素空間轉(zhuǎn)換到了語義空間,在一定程度上提升了分割的效果。SAR圖像區(qū)域圖作為層次視覺語義模型的中級語義層,是SAR圖像解譯的關(guān)鍵步驟。本文在Sketch Map的基礎(chǔ)上,針對高分辨大場景下大規(guī)模SAR圖像地物復(fù)雜、得到素描線段數(shù)目龐大的特點,提出基于空間約束和KD(K-Dimensional)樹的區(qū)域圖獲取方法,論文的主要工作包括:(1)賦予素描線段明確的語義信息。大場景下SAR圖像素描線段較多,聚集線段的集合生成過程中存在多種語義可能性,不明確的語義對于區(qū)域圖提取的影響很大,本文提出基于空間約束的素描線段語義信息賦予方法,通過空間約束,賦予每條素描線段單側(cè)聚集、雙側(cè)聚集、端側(cè)水平級聯(lián)和圍攏線段等明確的語義信息。實驗結(jié)果表明,所提出的方法能夠明顯改善語義線段語義信息不明確的現(xiàn)象。(2)根據(jù)線段的語義信息,提出基于KD樹的聚集集合計算方法。大規(guī)模SAR圖像素描線段較多,3543×1506尺寸的SAR圖像在一定稀疏程度下仍然會獲得9075條素描線段�；诒矸绞竭M行的聚集集合計算方法,由于其采用線性結(jié)構(gòu)組織元素,無法保存語義線段的k近鄰關(guān)系,而計算近鄰的時候,涉及到大量的近鄰搜索操作,在大規(guī)模SAR圖像語義線段數(shù)目劇增的情況下資源消耗嚴重。因而,本文提出基于KD樹的聚集集合計算方法,KD樹由于其結(jié)構(gòu)特性可以有效保存空間近鄰關(guān)系。實驗結(jié)果表明,本方法在一定程度上提高了算法搜索的效率,而且得到的語義線段集合更加準確。(3)在得到的聚集集合基礎(chǔ)上,進一步提出基于空間約束和KD樹的高分辨大場景大規(guī)模SAR圖像區(qū)域圖提取方法。首先利用提出的分塊融合策略得到SAR圖像的Sketch Map;然后針對大規(guī)模SAR圖像的聚集區(qū)域獲取過程資源消耗嚴重的問題,在得到的聚集線段集合基礎(chǔ)上,利用提出的基于KD樹的方法獲得SAR圖像聚集區(qū)域結(jié)果;接著利用提出的幾何結(jié)構(gòu)窗和近鄰連接圍攏閉合方法得到結(jié)構(gòu)區(qū)域;最后融合得到的各個區(qū)域獲得最終的區(qū)域圖。實驗結(jié)果表明,對于3543×1506尺寸的高分辨大場景下大規(guī)模SAR圖像,該方法可以高效、準確的獲得原圖像的區(qū)域圖。
【圖文】：

續(xù)的像素點反映了圖像的突變。它是以邊緣的灰度值會發(fā)生躍變這一現(xiàn)象為基礎(chǔ)，利用微分算法進行邊緣檢測，一般方法有以下幾種：（a）Canny 邊緣檢測器將圖像模糊化，然后通過一組正交微分濾波器生成一系列圖像，包括水平或垂直方向的導(dǎo)數(shù)，并計算每個像素的梯度方向和振幅，如果幅度超過了閾值就分配一條邊界；（b）Harris 角點檢測器對每個點周圍的水平方向和垂直方向的梯度計算，找出亮度在兩個方向都發(fā)生變化的像素點，而沒有采用一個方向或者零個方向；（c）SIFT 檢測器將尺度和方向與結(jié)果中的興趣點相關(guān)聯(lián)，為了查找興趣點，會通過迭代方式使用多種算子。1.2.2 圖像的語義分割人類描述常見方式可能是：桌子上有一個蘋果，圖像理解的關(guān)鍵是將一個大的場景分解成多個獨立目標的實體，幫助推理不同實體的行為，和相互間的關(guān)系，，目標檢測方法可以幫助繪制目標的邊框，但是人類理解場景可以精確到像素級精細程度，語義分割是計算機視覺中的一個基本任務(wù)。

西安電子科技大學(xué)碩士學(xué)位論文段的索引組成。語義線段 與集合 中每條語義線段 的距離，計算平均值記義線段 的聚集度，統(tǒng)計直方圖圖 3.1 所示，以 為橫坐標，縱 坐 標 ， 出 現(xiàn) 次 數(shù) 最 多 的 記 為 ， 記 最 優(yōu) 聚 集 度，其中 為峰值的橫坐標值，δ是一個超參數(shù)集度的位移量。ixiNjxixiμiμpeakμδ, δpeak peak - μ+ù peakμ
【學(xué)位授予單位】：西安電子科技大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2019
【分類號】：TN957.52

【相似文獻】

相關(guān)期刊論文 前10條

1 吳雅男;金杰;白雪;;區(qū)域化模糊聚類SAR圖像分割[J];測繪與空間地理信息;2018年05期

2 陳鵬;趙成斌;左麗鄂;;基于張量高斯混合模型的SAR圖像分割[J];科技風(fēng);2018年26期

3 溫金玉;宣士斌;肖石林;黃亞武;;基于小波變換與改進維納濾波的SAR圖像分割[J];廣西民族大學(xué)學(xué)報(自然科學(xué)版);2018年02期

4 張森;陳繼光;邱麗莉;;蝙蝠優(yōu)化的二維Tsallis熵多閾值SAR圖像分割[J];雷達科學(xué)與技術(shù);2019年01期

5 李月清;;SAR圖像的多尺度建模與分割[J];山東科技大學(xué)學(xué)報(自然科學(xué)版);2007年03期

6 林婷婷;;基于上下文分析的SAR圖像分割算法[J];科技創(chuàng)新與應(yīng)用;2019年26期

7 彭書娟;曲長文;李健偉;;基于正則化參數(shù)估計的SAR圖像分割算法[J];雷達科學(xué)與技術(shù);2018年01期

8 劉光明;孟祥偉;;基于全局優(yōu)化方法的SAR圖像快速分割算法[J];北京理工大學(xué)學(xué)報;2015年11期

9 李禹;計科鋒;粟毅;;合成孔徑雷達圖像分割技術(shù)綜述[J];宇航學(xué)報;2008年02期

10 崔艷鵬;胡建偉;楊紹全;朱燕;;利用DT-GrowCut的MSTAR SAR圖像自動分割技術(shù)[J];西安電子科技大學(xué)學(xué)報;2011年03期

相關(guān)博士學(xué)位論文 前1條

1 酈蘇丹;SAR圖像特征提取與目標識別方法研究[D];國防科學(xué)技術(shù)大學(xué);2001年

相關(guān)碩士學(xué)位論文 前9條

1 頡軍虎;高分辨率大場景SAR圖像分割中的區(qū)域圖獲取方法研究[D];西安電子科技大學(xué);2019年

2 袁一t

本文編號：2591365