【摘要】：随着合成孔径雷达(SAR)系统的迅速发展,获得的SAR图像数据也越来越多,而对SAR图像理解与解译能力则相对滞后。SAR图像分割是SAR图像解译的关键部题之一,也是SAR图像自动理解与解译的基础和前提,受到各国研究者的广泛关注,成为近年来的研究热点。相比于其它种类图像(如光学或红外图像),SAR图像所固有的特点(如相干斑噪声明显,同类目标差异较大,异类目标非常接近,多尺度目标的同时存在,数据规模庞大等)给分割工作带来了严峻的挑战。因此,开展SAR图像分割问题的研究对于促进SAR技术的发展具有重要意义。 本论文针对SAR图像的特点,从特征提取到算法设计,完整的对SAR图像分割问题进行研究,提出了多种基于多特征集成的SAR图像分割算法。本论文主要创新点概括如下： 1.提出了一种基于上下文分析的非均衡合并SAR图像分割算法。该算法采用了自底向上(Bottom-up)和自上而下(Top-down)相结合的策略。在自底向上方面,本算法集成了多种SAR图像特征,这些特征从不同的角度出发来刻画和表示SAR图像中的目标；在自上而下方面,本算法根据格式塔理论,提出了三条规则来对超像素的上下文进行分析,对不同的特征进行组织和集成。这三条规则体现了借鉴于认知心理学的先验知识,实现了一种新颖的、有效的方法来对超像素的上下文进行建模,是对超像素合并的一种自上而下的全局性约束。根据所提出的上下文和多种图像特征,本算法设计了两阶段的合并策略,包括：1)粗合并阶段(Coarse Merging Stage,CMS);2)细合并阶段(Fine Merging Stage,FMS)。这种策略能够在算法的效率和准确性之间做到很好的平衡。实验表明CMS算法能够快速的合并大量具有歧义的超像素,而FMS能够获得更加准确的分割结果。 2.提出了一种基于特征子空间迭代优化的SAR图像分割算法,该算法具有以下特点：1)集成了多种SAR图像特征,以准确的表示SAR图像中的不同目标；2)提出了一种分阶段集成的相似度计算方法,该方法分别在特征水平(Feature Level)和相似度水平(Similarity Level)计算基于独立特征的相似度和基于多特征集成的相似度,从而有效的避免不同特征、不同维数之间的相互影响,提高超像素之间相似度计算的准确性；3)提出了基于偏好的自适应空间约束项,该空间约束项能够根据图像中上下文的内容自适应的计算超像素与其上下文邻域的空间关系,使超像素更接近于上下文中的同类目标,可以避免传统平均策略对图像细节的损失,从而使分割结果更加准确、更具鲁棒性。4)根据构造的目标函数,提出了基于特征子空间的迭代优化算法,该算法能够对不同特征子空间进行迭代优化,从而保持不同属性的特征在其对应子空间中的分布结构,避免相互的干扰,在保持算法分割效率的同时,提高算法迭代优化的准确度。 3.对基于特征域的优化技术进行更深入的研究,提出了两种新的免疫克隆优化算法,分别是：免疫调节克隆选择算法和基于正交试验设计的克隆选择优化算法。然后,根据迭代最小化算法和免疫克隆选择优化算法各自的优势,本文将其进行了有机结合,提出了一种基于特征域的混合优化方法,并将其应用于SAR图像的分割问题中。这种方法既能够在各个特征子空间中沿着梯度最速下降的方向进行迭代搜索,也能够在整个高维空间中进行基于克隆选择优化的全局启发式搜索,从而同时兼有了迭代最小化算法的高效性,以及免疫克隆选择算法的鲁棒性。对比实验表明,这种混合的优化算法能够有效的提高算法的搜索精度,避免算法陷入局部极值,明显的提高了分割算法的性能。 4.提出了一种基于空间域与特征域的无监督分层迭代算法,其主要出发点是结合基于特征域分割算法与基于空间域分割算法各自的优势,取长补短,以达到对SAR图像最佳分割的目的。在合并超像素时,该算法采用了分层迭代的策略：设计了一种改进的模糊c均值聚类算法,对超像素的外观特征进行迭代优化,当得到聚类结果后,对同类超像素的空间上下文进行分析,使用区域增长算法在全局范围内对相似的超像素进行合并,直到不存在满足合并条件的超像素为止,再重新进行聚类。这两个迭代子算法分层交替进行,既可以挖掘特征的分布结构信息,避免欠分割或过分割,又可以有效利用SAR图像的多种信息,提高算法对歧义目标的鲁棒性,从而实现了一种直接的、有效的方式来组织和集成SAR图像多种特征。 5.提出了一种无监督两阶段SAR图像分割方法,对基于空间域的分割算法与基于特征域的分割算法进行结合。该算法包含两个阶段,分别为：1)粗合并阶段；2)细分类阶段。在第一阶段中,本文提出了一种新的基于上下文分析的区域迭代合并(Context-based Region Iterative Merging,CRIM)算法,以利用尽量多种的特征,来对超像素进行合并。该子算法的一个优势是能够快速的、对大量位于真实分割区域内部的超像素进行合并,从而提高特征表示的准确度,减轻细分类算法的计算负担。与传统的区域合并算法相比,CRIM算法能够集成更多的信息,并且采用了一种新颖的全局停止指标来决定CRIM算法的输出。这种指标能够从全局的角度出发,计算SAR图像分割区域的均匀一致性。在细分类阶段,本章采用了之前提出的基于混合优化策略的模糊聚类算法来对图像空间中剩余的超像素进行分类,以达到最终分割的目的。
[Abstract]:......
【学位授予单位】：西安电子科技大学
【学位级别】：博士
【学位授予年份】：2014
【分类号】：TN957.52
【参考文献】
相关期刊论文 前7条
1 ;Genetic Algorithms Applied to Multi-Class Clustering for Gene Ex-pression Data[J];Genomics Proteomics & Bioinformatics;2003年04期
2 ;Adaptive chaos clonal evolutionary programming algorithm[J];Science in China(Series F:Information Sciences);2005年05期
3 ;Optimal approximation of linear sys-tems by artificial immune response[J];Science in China(Series F:Information Sciences);2006年01期
4 ;RAYLEIGH-DISTRIBUTION BASED MINIMUM ERROR THRESHOLDING FOR SAR IMAGES[J];Journal of Electronics(China);1999年04期
5 丁永生;任立红;;人工免疫系统:理论与应用[J];模式识别与人工智能;2000年01期
6 ;A novel algorithm of artificial immune system for high-dimensional function numerical optimization[J];Progress in Natural Science;2005年05期
7 ;Artificial immune kernel clustering network for unsupervised image segmentation[J];Progress in Natural Science;2008年04期
相关博士学位论文 前3条
1 陶勇;知识辅助的SAR图像目标特性分析与识别研究[D];国防科学技术大学;2010年
2 吕雁;基于统计模型的SAR图像分割方法研究[D];西安电子科技大学;2011年
3 尹奎英;SAR图像处理及地面目标识别技术研究[D];西安电子科技大学;2011年
，
本文编号：
2489546
本文链接：https://www.wllwen.com/kejilunwen/wltx/2489546.html
