【摘要】：隨著遙感衛(wèi)星傳感器技術(shù)的發(fā)展,獲得衛(wèi)星、航空及無人機(jī)平臺(tái)的高分辨率、多源數(shù)據(jù)已不再是難題。在如此多數(shù)據(jù)信息的不斷驅(qū)動(dòng)下,過去由于數(shù)據(jù)限制無法完成的檢測(cè)任務(wù)在現(xiàn)階段逐漸可以實(shí)現(xiàn),促進(jìn)了人們?cè)谀繕?biāo)檢測(cè)領(lǐng)域?qū)夹g(shù)不斷的研究與探索,以便滿足日益增長(zhǎng)的廣泛需求。尤其是面向與人類息息相關(guān)的城市區(qū)域或者與國(guó)防領(lǐng)域相關(guān)的軍事熱點(diǎn)區(qū)域,針對(duì)車輛、飛機(jī)等目標(biāo)的精準(zhǔn)檢測(cè),無論是服務(wù)于民用的城市道路規(guī)劃、交通管理,還是軍用戰(zhàn)術(shù)目標(biāo)定位、打擊提供情報(bào)支撐,都是具有重要的理論研究意義和實(shí)用價(jià)值。目標(biāo)檢測(cè)流程通常包含三個(gè)階段:圖像分割、目標(biāo)特征提取及目標(biāo)檢測(cè)階段。對(duì)于圖像中目標(biāo)區(qū)域的分割,傳統(tǒng)基于像素和區(qū)域的圖像分割方法,主要利用分析紋理信息的類間差異來獲取分割結(jié)果,適合大區(qū)域的遙感分割,缺乏針對(duì)目標(biāo)對(duì)象的考慮。因此,人們提出了面向目標(biāo)對(duì)象的超像素圖像分割算法,通過構(gòu)建多種約束條件并以超像素塊替代像素為處理單元,大幅提高了圖像分割精度和處理效率,但是依然存在超像素分割邊界像素與真實(shí)物體邊界像素契合度低、分割割裂等問題,引起后續(xù)目標(biāo)塊提取及特征表達(dá)不準(zhǔn)確等問題。此外,圖像分割方法通常針對(duì)無噪聲理想圖像,而在實(shí)際的數(shù)據(jù)處理過程中,噪聲對(duì)圖像的影響是不容忽視的問題。對(duì)于目標(biāo)特征提取階段,傳統(tǒng)模型特征信息表達(dá)能力有限,已經(jīng)無法滿足日益復(fù)雜城市背景的目標(biāo)檢測(cè)要求。近年,深度學(xué)習(xí)技術(shù)表現(xiàn)出了強(qiáng)大的特征學(xué)習(xí)能力并獲得了廣泛應(yīng)用,但是對(duì)于訓(xùn)練樣本數(shù)量、網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)、參數(shù)設(shè)置等不具有普適性。此外,目前基于深度學(xué)習(xí)的目標(biāo)檢測(cè)方法大多數(shù)采用已建立完備的訓(xùn)練數(shù)據(jù)庫,然而針對(duì)具體任務(wù)并不適用,因此需要針對(duì)具體檢測(cè)任務(wù)選擇和構(gòu)建訓(xùn)練樣本集,但是傳統(tǒng)的人工或者隨機(jī)樣本選擇方法都存在一些缺陷,影響最優(yōu)訓(xùn)練樣本的選擇,進(jìn)而制約目標(biāo)的特征表達(dá)影響檢測(cè)精度。對(duì)于目標(biāo)檢測(cè)階段,大多數(shù)方法采用不同分類器對(duì)目標(biāo)和背景進(jìn)行分類,實(shí)現(xiàn)最終檢測(cè)結(jié)果的輸出,但依舊局限于使用單一數(shù)據(jù)源信息或者單一特征,如何利用現(xiàn)今如此豐富的不同平臺(tái)、不同傳感器的數(shù)據(jù),充分挖掘和發(fā)揮單源數(shù)據(jù)或者多源數(shù)據(jù)的信息協(xié)同性、互補(bǔ)性,提高目標(biāo)檢測(cè)精度還有很大提升空間。因此本文通過分析目標(biāo)檢測(cè)不同階段所面臨的問題,提供新思路、新技術(shù)實(shí)現(xiàn)精準(zhǔn)的目標(biāo)檢測(cè)具有重要的研究意義。首先,為了提取圖像中完整目標(biāo)結(jié)構(gòu),針對(duì)圖像中目標(biāo)區(qū)域的分割,提出了基于多重局部信息約束的圖像超像素分割方法,通過在顏色、空間約束基礎(chǔ)上引入對(duì)分割邊界像素的多重局部信息約束,提高了超像素分割邊界像素與真實(shí)物體邊界像素的契合度,降低了分割割裂現(xiàn)象,從而保證后續(xù)提取目標(biāo)塊的準(zhǔn)確性。針對(duì)圖像分割過程中噪聲對(duì)分割結(jié)果的不利影響,提出了基于3D稀疏編碼的圖像降噪算法,以提取包含空譜特征的三維圖像塊作為輸入,采用K-SVD算法對(duì)稀疏字典和稀疏系數(shù)進(jìn)行迭代更新,最后利用稀疏恢復(fù)模型輸出高質(zhì)量的恢復(fù)圖像。實(shí)驗(yàn)驗(yàn)證共包含提出的超像素分割方法與其它兩種先進(jìn)的超像素分割算法比較,提出的圖像降噪算法與傳統(tǒng)基于稀疏表示的降噪算法比較,兩組實(shí)驗(yàn)結(jié)果都證明了本文提出的兩個(gè)算法無論在視覺感官還是量化評(píng)價(jià)指標(biāo)都獲的了最好的表現(xiàn),為后續(xù)的特征提取和檢測(cè)提供了重要基礎(chǔ)保障。其次,在上述超像素分割結(jié)果基礎(chǔ)上,可以提取和獲得以超像素中心為原點(diǎn)的目標(biāo)塊(目標(biāo)塊泛指包含目標(biāo)或者背景的圖像塊)。針對(duì)目標(biāo)塊特征提取階段,傳統(tǒng)特征表達(dá)能力弱、訓(xùn)練樣本選擇方法不足所導(dǎo)致檢測(cè)結(jié)果精度差的問題,提出了基于CNN特征提取的目標(biāo)檢測(cè)方法,首先利用卷積神經(jīng)網(wǎng)絡(luò)強(qiáng)大的特征學(xué)習(xí)及表達(dá)能力,獲取目標(biāo)樣本的深度語義信息,然后采用訓(xùn)練樣本自動(dòng)迭代選擇方法,使訓(xùn)練樣本集類內(nèi)樣本具有高差異性類間樣本具有高相似性,從而建立最優(yōu)的訓(xùn)練樣本集并獲取高判別性的樣本特征。同時(shí),為了解決由于目標(biāo)方向不同導(dǎo)致目標(biāo)塊裁剪后目標(biāo)結(jié)構(gòu)不完整以及目標(biāo)特征表達(dá)不一致,采用目標(biāo)塊主方向自動(dòng)旋轉(zhuǎn)算法,對(duì)目標(biāo)方向進(jìn)行統(tǒng)一化。實(shí)驗(yàn)驗(yàn)證包括訓(xùn)練樣本集選擇方法的對(duì)比,本文方法與多種基于傳統(tǒng)特征和最優(yōu)CNN特征提取方法的檢測(cè)結(jié)果對(duì)比,實(shí)驗(yàn)結(jié)果證明了提出的基于CNN特征提取的目標(biāo)檢測(cè)算法表現(xiàn)出了很好的優(yōu)越性。最后,通過上述基于CNN特征的目標(biāo)檢測(cè)方法可以獲得顯著的檢測(cè)精度提升,但是在已獲得的檢測(cè)結(jié)果中存在高召回率時(shí)檢測(cè)精度低的問題,因此針對(duì)單源數(shù)據(jù)在檢測(cè)結(jié)果中受到單一空間特征的限制,提出了基于背景信息約束的目標(biāo)檢測(cè)結(jié)果優(yōu)化方法。首先,為了充分挖掘和利用圖像的光譜特征,提出了基于局部張量判別分析的圖像分類算法,通過譜空特征協(xié)同結(jié)合張量判別特征提取實(shí)現(xiàn)圖像地物精確分類,然后采用基于環(huán)境要素約束方法,將圖像地物分類結(jié)果與已有的檢測(cè)結(jié)果相融合,去除已有檢測(cè)結(jié)果中的虛假目標(biāo),提高在高召回率時(shí)的檢測(cè)精度。此外,在針對(duì)小目標(biāo)、訓(xùn)練樣本數(shù)量少的多源圖像目標(biāo)檢測(cè)情況,提出了面向多源數(shù)據(jù)的空間-光譜特征協(xié)同的目標(biāo)檢測(cè)方法,通過超像素分割算法在圖像分割的優(yōu)勢(shì)和多源數(shù)據(jù)豐富的空譜特征,提取多源目標(biāo)塊的空間和局部池化光譜特征,顯著改善了使用單一數(shù)據(jù)源的檢測(cè)精度。
【學(xué)位授予單位】：哈爾濱工業(yè)大學(xué)
【學(xué)位級(jí)別】：博士
【學(xué)位授予年份】：2019
【分類號(hào)】：TP751
【圖文】：

(c) 高光譜偽彩色合成圖像(1.3m) (d) RGB 圖像(0.15m)(c) False RGB composite of hyperspectral image(1.3m) (d) RGB image(0.15m)圖 1-1 不同數(shù)據(jù)產(chǎn)品Fig.1-1 Different data products割。因此，超像素分割方法在圖像分割中越來越受到重視，相比于傳統(tǒng)的基于區(qū)域和像素的圖像分割方法，超像素分割方法主要面向目標(biāo)對(duì)象而不是大尺度區(qū)域分割，更適合分割和提取圖像中的小目標(biāo)，同時(shí)超像素分割面向目標(biāo)區(qū)域而不是單個(gè)像素，有效改善由于目標(biāo)空間信息缺失造成目標(biāo)的欠分割或者未分割等問題，是目前較為優(yōu)秀的圖像分割方法，但是依然存在當(dāng)分割邊界召回率較高時(shí)，由于分割邊界與物體實(shí)際邊界契合度低、分割割裂等導(dǎo)致超像素中心位置偏移，造成目標(biāo)塊提取不準(zhǔn)確等問題，因?yàn)槟繕?biāo)塊的提取是以圖像分割結(jié)果中超像素中心為原點(diǎn)提取的矩形區(qū)域。在目標(biāo)特征提取方面，傳統(tǒng)目標(biāo)特征提取方法如模型特征 HOG（Histogramof Oriented Gradient）[23]、 SIFT（Scale-Invariant Feature Transform）[24]及 LBP（Local Binary Pattern）[25]等特征，這些特征信息表達(dá)能力有限，且通過人工預(yù)先定義，在特征提取階段不能改變。隨著近些年深度學(xué)習(xí)的發(fā)展，深度特征

第 1 章 緒 論本文結(jié)構(gòu)安排如下：第 1 章，首先闡述了本課題的研究背景以及研究目的與意義，并對(duì)遙感標(biāo)檢測(cè)基本流程進(jìn)行介紹，其次針對(duì)目標(biāo)檢測(cè)過程所涉及關(guān)鍵技術(shù)的國(guó)展研究現(xiàn)狀進(jìn)行系統(tǒng)闡述，對(duì)其存在的缺陷與不足進(jìn)行分析，提出本文研究思路及內(nèi)容邏輯關(guān)系。第 2 章，重點(diǎn)從目標(biāo)檢測(cè)中的圖像分割和特征提取兩方面，分別介紹了像分割及特征提取方法的基礎(chǔ)理論，同時(shí)分析了本文在目標(biāo)檢測(cè)過程中的挑戰(zhàn)，并通過實(shí)驗(yàn)驗(yàn)證這些問題對(duì)本文目標(biāo)檢測(cè)過程的影響以及研究基于3D稀疏基于多重局部信息三章第圖像超像素

a 等人在 1975 年首次提出了 MS（Mean shift）的。2002 年，Comaniciu 等人[128]提出了基于 MS 概率密度的極大值點(diǎn)，將具有相同模的像素點(diǎn)聚像分割。MS 的基本形式為：1( ) ( )∈= ∑ i hh ix sM x x xk h 為半徑的圓形區(qū)域并包含 K 個(gè)數(shù)據(jù)樣本點(diǎn)。 h 為半徑圓形區(qū)域的樣本點(diǎn)到中心點(diǎn)的向量總和到概率密度極大值點(diǎn)（如圖 2-4 所示）。其分割過221arg min ( ) ( + = ∑ mean i kk izix yy x zh定性和魯棒性較好，但當(dāng)分割圖像語義信息較少果較差且超像素塊數(shù)量不可控。因此 Vedaldi 等 算法，即 QS（Quick Shift）方法，因?yàn)?QS 方算速度相比 MS 方法更快同時(shí)邊緣貼合度更好。初始窗口

【參考文獻(xiàn)】

相關(guān)期刊論文 前8條

1 邢前國(guó);鄭向陽;施平;郝佳佳;禹定峰;梁守真;劉東艷;張淵智;;基于多源、多時(shí)相遙感影像的黃、東海綠潮影響區(qū)檢測(cè)[J];光譜學(xué)與光譜分析;2011年06期

2 陳琪;陸軍;趙凌君;匡綱要;;基于特征的SAR遙感圖像港口檢測(cè)方法[J];電子與信息學(xué)報(bào);2010年12期

3 周鐘娜;陳昕;徐守時(shí);;基于目標(biāo)關(guān)聯(lián)的多源衛(wèi)星遙感圖像兵營(yíng)融合檢測(cè)方法[J];遙感學(xué)報(bào);2008年01期

4 陳忠;趙忠明;;基于區(qū)域生長(zhǎng)的多尺度遙感圖像分割算法[J];計(jì)算機(jī)工程與應(yīng)用;2005年35期

5 段瑞玲,李慶祥,李玉和;圖像邊緣檢測(cè)方法研究綜述[J];光學(xué)技術(shù);2005年03期

6 劉偉,蔣詠梅,雷琳,匡綱要;一種基于多源遙感圖像融合的橋梁目標(biāo)識(shí)別方法[J];信號(hào)處理;2004年04期

7 劉循,游志勝;多尺度形態(tài)學(xué)圖像邊緣檢測(cè)方法[J];光電工程;2003年03期

8 藍(lán)金輝,馬寶華,藍(lán)天,周兆英;D-S證據(jù)理論數(shù)據(jù)融合方法在目標(biāo)識(shí)別中的應(yīng)用[J];清華大學(xué)學(xué)報(bào)(自然科學(xué)版);2001年02期

本文編號(hào)：2768809