發(fā)布時間：2018-07-29 14:03

【摘要】：本文主要研究了高分辨率合成孔徑雷達(synthetic aperture radar,SAR)圖像目標快速提取技術。傳統(tǒng)的基于邊緣和區(qū)域的SAR圖像目標提取方法通常被認為是自底向上的計算過程,即只能依賴于圖像本身獲取的低層信息,且低層的計算誤差傳播到高層后沒有任何修正機會,容易受圖像噪聲等復雜因素的影響。為了解決這一問題,本文提出了采用主動輪廓模型的高層理解、視覺顯著性模型的顯著區(qū)域快速提取以及深度神經(jīng)網(wǎng)絡的無監(jiān)督學習能力相結合的SAR圖像目標提取思路。按照這一思路,在主動輪廓模型對SAR圖像乘性噪聲的魯棒性、主動輪廓模型在SAR圖像處理中收斂到全局極小值(即能量泛函的凸優(yōu)化)、主動輪廓模型對大尺寸SAR圖像目標提取的快速性、視覺顯著性模型對大尺寸SAR圖像目標提取的自適應性、大尺寸SAR圖像目標切片提取鑒別分類中的無監(jiān)督特征學習等方面展開了系統(tǒng)的研究。所作工作主要包含以下五個方面:(1)主動輪廓模型對SAR圖像乘性噪聲的魯棒性。從理論和實驗的角度分析了經(jīng)典主動輪廓模型在具有乘性相干斑噪聲的SAR圖像目標提取中失效的原因,為此本文提出了用輪廓內(nèi)部和外部區(qū)域的概率密度函數(shù)來定義區(qū)域之間相似性的比率距離,設計了適合在乘性噪聲模型下度量區(qū)域之間相似性的能量泛函,即MCV(modified Chan and Vese)模型。并且參考LGIF(local and global intensity fitting)模型的構造模式將所提的MCV模型與RSF模型進行線性加權組合,提出了改進的LGIF模型,即MLGIF(modified LGIF)模型。該模型使得RSF模型提供的局部強度擬合力和MCV模型提供的全局強度擬合力相互補充,在SAR圖像目標提取中能夠更好地引導輪廓的演化。(2)主動輪廓模型在SAR圖像處理中收斂到全局極小值。給出了經(jīng)典主動輪廓模型(包括MLGIF模型)能量泛函的一般形式,對這些模型最小化求解的一般方法作了理論分析,指出了其容易陷入局部極小值的根本原因,即非凸的能量泛函。為了尋求凸優(yōu)化的方法,本文對非凸泛函的凸優(yōu)化方法進行了總結和理論分析,給出了凸優(yōu)化方法能保證主動輪廓模型具有全局最小解的證明,提出了對MLGIF模型進行凸優(yōu)化的新能量泛函,即GMLGIF(global minimization of the MLGIF)模型。最后給出了GMLGIF模型能量泛函為凸泛函的證明,并給出了采用對偶公式法來進行GMLGIF模型最小化求解的迭代算法(即算法3.1)。(3)主動輪廓模型對大尺寸SAR圖像目標提取的快速性。針對前文所提的GMLGIF模型在大尺寸高分辨率SAR圖像目標提取上計算效率較低的問題,提出了GMLGIF模型與SR(spectral residual)視覺顯著性模型相結合的顯著性目標切片提取算法(即算法4.3),并與其他鑒別、分類方法一起構建了新的SAR ATR(automatic target recognition)框架(如圖4.11),該框架具有借助SR視覺顯著性模型快速發(fā)現(xiàn)顯著性目標區(qū)域的優(yōu)點,使得所提框架在目標檢測階段更高效;而多尺度間隙度特征則增加了不同種類目標切片的差異,相比傳統(tǒng)的單尺度間隙度特征更有利于目標鑒別;另外,借助對乘性噪聲更魯棒的GMLGIF模型所得到的更加準確的目標輪廓,采用具有仿射不變性的AIFD(affine-invariant fourier descriptor)形狀描述子來描述目標的輪廓特征,并結合相應的上下文特征來共同進行目標分類,在基于形狀特征的目標分類領域也是一個創(chuàng)造性的嘗試。(4)視覺顯著性模型對大尺寸SAR圖像目標提取的自適應性。針對前文所提的SAR ATR框架(如圖4.11)所采用的SR模型只能檢測較小顯著性區(qū)域、且顯著性區(qū)域的選取非常依賴人工的閾值設置,以及GMLGIF模型耗時仍然較多的問題,提出了多尺度自適應視覺顯著性模型(即(5-12)式 (5-19)式)以及采用ROEWA算子和更加高效的split Bregman迭代方法的SBGILGIF(global minimization of the improved LGIF model adopting split Bregman)主動輪廓模型(即算法5.1)相結合的大尺寸SAR圖像目標快速提取算法(算法5.2),使得所提算法在大尺寸SAR圖像目標處理中更加高效和更具適應性。(5)大尺寸SAR圖像目標切片鑒別分類中的無監(jiān)督特征學習。針對前文所提的SAR ATR框架(如圖4.11)和目標快速提取算法(算法5.2)在切片鑒別、分類以及期望的顯著區(qū)域提取上都依賴人工進行特征設計和選取的問題,將更加智能、學習能力更強的無監(jiān)督深度神經(jīng)網(wǎng)絡與前文所提的多尺度顯著性模型(算法5.2)相結合,提出了一種無需人工設計目標特征的大尺寸SAR圖像目標切片快速自動提取方法(如圖6.6),實驗也驗證了該方法在目標提取過程中具有無監(jiān)督、高效和準確的特點。
[Abstract]:......
【學位授予單位】：國防科學技術大學
【學位級別】：博士
【學位授予年份】：2016
【分類號】：TN957.52
，

本文編號：2152908