基于轮廓波DLN的极化SAR影像目标检测

发布时间：2020-09-27 17:45

　　在极化合成孔径雷达(Polarimetric Synthetic Aperture Radar,PolSAR)影像众多应用领域中,建筑物目标检测是非常重要的一部分。随着城市建设的不断发展,准确检测出建筑物目标对城市规划、震后信息获取、人口估计和土地利用率调查等工作的开展具有重要意义。本文借鉴光学图像目标检测和极化SAR影像地物分类方法,将极化SAR影像目标检测转化为极化SAR影像二分类问题,并以深度学习和多尺度几何分析相关知识为理论基础,对如何使用极化散射特征和纹理特征并结合深度阶梯网模型实现极化SAR影像建筑物目标检测的问题进行了研究,提出一些具有创新性的方法,主要总结为下述三方面内容:1.提出一种基于深度阶梯网的半监督极化SAR影像目标检测方法。该方法使用Pauli分解提取与建筑物相关的偶次散射和?/4偶次散射特征,然后将其送入深度阶梯网模型提取更高级的特征,并实现建筑物目标检测。深度阶梯网是一种半监督模型,网络训练时使用大量无类标样本和少量有类标样本,减小了对有类标样本的依赖性,克服了极化SAR影像有类标样本难以获取的困难。经实验验证,该方法选取5%的无类标样本和2.5%的有类标样本时获得了高于其它对比算法的目标检测准确度。2.提出一种基于NSCT和DRLNet(Deep Residual Ladder Network)的极化SAR影像目标检测方法。该方法使用非下采样轮廓波变换(non-subsampled contourlet transform,NSCT)提取极化SAR影像的纹理特征,然后将其送入DRLNet实现建筑物目标的检测。NSCT纹理特征能够描述建筑物目标的轮廓信息,为获得高质量的检测结果提供了可能。DRLNet是以深度阶梯网和残差模块为基础提出的一种新网络模型,该模型在深层特征中加入浅层信息,即加入先验知识,合理的先验知识提升了网络的学习性能。经实验验证,仅使用少量样本对模型进行训练时,该方法能够完整地检测出的建筑物目标,目标检测准确度高。3.提出一种基于特征结合的极化SAR影像目标检测方法。该方法提取了待检测极化SAR影像中与建筑物相关的极化散射特征,及兼具抗噪性与旋转不变性的NSCT纹理特征,并使用深度阶梯网模型对上述两种特征进行结合进而实现更高级特征的提取,最终完成建筑物目标的检测。该方法解决了仅使用极化散射特征或纹理特征实现建筑物目标检测时由于特征单一而造成的检测准确率低的问题,且与直接将特征进行叠加的方法相比,本方法得到的特征更丰富、更具代表性,因此在实验中获得了良好的目标检测结果。
【学位单位】：西安电子科技大学
【学位级别】：硕士
【学位年份】：2018
【中图分类】：TN957.52
【部分图文】：

合成图,散射体,影像目标,散射能量

基于深度阶梯网的半监督极化 SAR 影像目标表示奇次散射对应的散射体具有的散射体具有的散射能量在真实世界中性的单基雷达系统中，HV VHS S ，因贡献，由此，Pauli 分解变成了 3 个基一张 RGB 图像，其中2a → Blue，bSAT2_San Francisco Bay 地区极化 SAB 图像

数据集,相关信息

=检索出的相关信息量查全率系统中的相关信息量(2=检索出的相关信息量准确率系统中所有信息量(22.4.2 实验数据集（1）RADARSAT2_San Francisco Bay 数据集RADARSAT2_San Francisco Bay 数据集是旧金山海湾地区的全极化 SAR 影机载合成孔径雷达系统 NASA/JPL RADARSAT2 在 2008 年获取的，图像波段，大小为1800 1 380，分辨率为10m 5m 图2.4表示RADARSAT2_SanFrany 数据集，其中图 2.4（a）是 Pauli 分解合成的 RGB 图像，图 2.4（b）为参考黑色覆盖的彩色部分表示建筑物目标

数据集,彩色部分,分解合成

西安电子科技大学硕士学位论文（2）AIRSAR_San Francisco Bay 数据集AIRSAR_SanFranciscoBay 数据集是旧金山地区的极化 SAR 影像，由 NASA/JPAIRSAR 卫星于 1992 年拍摄的，图像大小是900 1 024，分辨率为10m 1 0m 图 2表示 AIRSAR_SanFranciscoBay 数据集，其中图 2.5（a）是 Pauli 分解合成的 RGB 图像，图 2.5（b）为参考图，未被黑色覆盖的彩色部分表示建筑物目标

【参考文献】