基于信息交互和迁移学习的超高分辨率SAR图像中飞机目标检测

发布时间：2020-04-25 00:00

【摘要】：合成孔径雷达(SAR)图像解译一直以来都受到研究人员的广泛关注,近年来,随着雷达技术的发展,SAR图像已经达到了超高分辨率,这给解译工作带来了机遇和挑战。在超高分辨率SAR图像(MiniSAR)中,目标面和线常常呈现出大小不一、强度不同且不连通的亮斑使目标不完整等现象,使得直接进行目标检测极其困难,从而导致检测率低的问题。针对上述问题,本文提出了基于信息交互和迁移学习的超高分辨率SAR图像飞机目标检测方法,主要工作如下:(1)提出了基于亮暗阈值分割与k近邻选择的感兴趣目标候选区域获取方法。首先,根据SAR图像中飞机目标的特点,分别对SAR图像进行亮阈值分割和暗阈值分割,得到亮区域候选图和暗区域候选图;然后,根据一个目标阴影可能对应多个亮斑的先验知识,选择距离暗区域最近的k个亮区域,将它们与暗区域进行合并,得到像素空间的感兴趣目标候选区域。实验结果表明,该方法可以有效提取超高分辨率SAR图像中的感兴趣目标候选区域。(2)提出了基于机翼阴影结构的飞机目标阴影补全方法。首先,将像素空间的感兴趣目标候选区域对应到SAR图像的语义素描图中,得到语义空间的感兴趣目标候选区域;然后,基于素描线段邻域结构关系提取语义空间的感兴趣目标候选区域中疑似机翼阴影的素描线段;最后,对包含疑似机翼阴影素描线段的飞机目标候选区域,分析该区域中机翼阴影结构,针对不同区域采用不同的阴影补全方法,一种是针对两侧机翼阴影均完整的区域的阴影补全方法,另一种是针对只出现一侧机翼阴影的区域的阴影补全方法,两种方法的应用场景有所不同,但都能够对飞机目标的阴影进行补全,得到目标阴影区域图。本文方法结合了目标在像素空间的灰度信息和在语义空间的结构信息,实验结果表明,通过两个空间信息交互可以获取飞机目标候选区域并对目标阴影进行补全,有利于后期对飞机目标候选区域进行分类识别。(3)研究了基于迁移学习的超高分辨率SAR图像中飞机目标候选区域分类方法。首先设计对应自然图像中不同飞机种类的飞机目标二值模板,并将其作为源域,对经过阴影补全后的目标阴影区域进行后处理操作,得到目标阴影区域二值图,将其作为目标域,通过基于素描标注信息的生成对抗迁移学习方法,将源域的标签信息赋给目标域数据,进而完成飞机目标候选区域的分类任务。利用迁移学习方法,可以解决SAR图像数据量少且标签难以获得的问题,实现对SAR图像中飞机目标候选区域的准确分类与识别。
【图文】：

飞机,图像,目标,超高分辨率

西安电子科技大学硕士学位论文变得广泛可用[6]。超高分辨率 SAR 图像包含了对象的许多细节，可以用于描述目的结构特征。MiniSAR 系统，PAMIR 系统和 SETHI 系统[7-9]实现了 0.1 米空间分辨SAR 成像系统, TerraSAR 系统也达到了 0.5 米的分辨率。这些 VHR SAR 图像数据以用于检测各种重要物体，例如汽车、飞机、建筑物和其他地物。超高分辨率 SAR像如图 1.1 所示，其中图 1.1（a）、图 1.1（b）、图 1.1（c）为 0.1 米分辨率的 MiniSA图像中的飞机目标切片，图 1.1（d）、图 1.1（e）、图 1.1（f）为 0.5 米分辨率的 TerraSA图像中的飞机目标切片。(a) 飞机目标 1 (b) 飞机目标 2 (c) 飞机目标 3

素描图,素描图,图像

斑噪声具有很强的鲁棒性。素描图中的素描线段不仅仅可以表示 SAR 图像中亮度变化可辨识的位置和方向这些低级的属性特征，还能够表示与雷达成像机制有关的高级语义信息。素描线段表示的语义信息具体为：（1）两个不同地物的边界；（2）线目标，如桥梁、道路等；（3）高于地面的目标，如一棵树的亮斑和阴影形成的明显边界，一栋建筑物的亮斑和阴影形成的明显边界等。利用素描图中素描线段的语义信息可以辅助 SAR 图像中目标检测工作。对 SAR 图像利用素描图提取算法得到其对应的素描图，，结果如图 1.3 所示。(a) miniSARKAFB 图像 (b) miniSARKAFB 图像的素描图
【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】