高分辨率大场景SAR图像分割中的区域图获取方法研究

发布时间：2020-03-20 06:02

【摘要】：合成孔径雷达(Synthetic Aperture Radar,SAR)可以全天时、全天候采集高分辨图像,对于对地观测十分重要。由于SAR图像固有的成像机制造成了SAR图像上相干斑噪声、高维异构等问题,使得SAR图像的解译十分困难。本团队提出的SAR图像层次视觉语义模型,以素描线段为基元,通过赋予素描线段语义信息来指导SAR图像解译,从像素空间转换到了语义空间,在一定程度上提升了分割的效果。SAR图像区域图作为层次视觉语义模型的中级语义层,是SAR图像解译的关键步骤。本文在Sketch Map的基础上,针对高分辨大场景下大规模SAR图像地物复杂、得到素描线段数目庞大的特点,提出基于空间约束和KD(K-Dimensional)树的区域图获取方法,论文的主要工作包括:(1)赋予素描线段明确的语义信息。大场景下SAR图像素描线段较多,聚集线段的集合生成过程中存在多种语义可能性,不明确的语义对于区域图提取的影响很大,本文提出基于空间约束的素描线段语义信息赋予方法,通过空间约束,赋予每条素描线段单侧聚集、双侧聚集、端侧水平级联和围拢线段等明确的语义信息。实验结果表明,所提出的方法能够明显改善语义线段语义信息不明确的现象。(2)根据线段的语义信息,提出基于KD树的聚集集合计算方法。大规模SAR图像素描线段较多,3543×1506尺寸的SAR图像在一定稀疏程度下仍然会获得9075条素描线段。基于表方式进行的聚集集合计算方法,由于其采用线性结构组织元素,无法保存语义线段的k近邻关系,而计算近邻的时候,涉及到大量的近邻搜索操作,在大规模SAR图像语义线段数目剧增的情况下资源消耗严重。因而,本文提出基于KD树的聚集集合计算方法,KD树由于其结构特性可以有效保存空间近邻关系。实验结果表明,本方法在一定程度上提高了算法搜索的效率,而且得到的语义线段集合更加准确。(3)在得到的聚集集合基础上,进一步提出基于空间约束和KD树的高分辨大场景大规模SAR图像区域图提取方法。首先利用提出的分块融合策略得到SAR图像的Sketch Map;然后针对大规模SAR图像的聚集区域获取过程资源消耗严重的问题,在得到的聚集线段集合基础上,利用提出的基于KD树的方法获得SAR图像聚集区域结果;接着利用提出的几何结构窗和近邻连接围拢闭合方法得到结构区域;最后融合得到的各个区域获得最终的区域图。实验结果表明,对于3543×1506尺寸的高分辨大场景下大规模SAR图像,该方法可以高效、准确的获得原图像的区域图。
【图文】：

续的像素点反映了图像的突变。它是以边缘的灰度值会发生跃变这一现象为基础，利用微分算法进行边缘检测，一般方法有以下几种：（a）Canny 边缘检测器将图像模糊化，然后通过一组正交微分滤波器生成一系列图像，包括水平或垂直方向的导数，并计算每个像素的梯度方向和振幅，如果幅度超过了阈值就分配一条边界；（b）Harris 角点检测器对每个点周围的水平方向和垂直方向的梯度计算，找出亮度在两个方向都发生变化的像素点，而没有采用一个方向或者零个方向；（c）SIFT 检测器将尺度和方向与结果中的兴趣点相关联，为了查找兴趣点，会通过迭代方式使用多种算子。1.2.2 图像的语义分割人类描述常见方式可能是：桌子上有一个苹果，图像理解的关键是将一个大的场景分解成多个独立目标的实体，帮助推理不同实体的行为，和相互间的关系，，目标检测方法可以帮助绘制目标的边框，但是人类理解场景可以精确到像素级精细程度，语义分割是计算机视觉中的一个基本任务。

统计直方图,图像,线段,语义

西安电子科技大学硕士学位论文段的索引组成。语义线段与集合中每条语义线段的距离，计算平均值记义线段的聚集度，统计直方图图 3.1 所示，以为横坐标，纵坐标，出现次数最多的记为，记最优聚集度，其中为峰值的横坐标值，δ是一个超参数集度的位移量。ixiNjxixiμiμpeakμδ, δpeak peak - μ+ù peakμ
【学位授予单位】：西安电子科技大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TN957.52

【相似文献】