基于特征学习和低秩分解的极化SAR图像分割

发布时间：2017-07-30 08:26

  本文关键词：基于特征学习和低秩分解的极化SAR图像分割

  更多相关文章： 极化SAR 区域图 低秩分解 直方图统计 反卷积网络

【摘要】：极化合成孔径雷达具有不受外界气候和环境条件的限制进行全天时全天候观测的特点,极化SAR图像分割是极化SAR图像处理和解译的重要组成部分,分割质量的好坏直接影响到后续的极化SAR目标检测和识别的准确度。传统的极化SAR图像分割的方法采用的都是基于像素点的特征,没有考虑到像素之间所具有的结构和空间关系特征,分割结果的区域一致性不好。本文在极化SAR区域图的基础上,利用低秩分解和反卷积网络对像素之间的结构关系特征进行提取,主要的研究成果如下:1)提出了一种基于低秩分解和直方图统计信息的极化SAR图像分割方法。首先提取极化SAR图像的区域图,通过对极化SAR图像区域图的聚集区域、匀质区域和结构区域分别进行分割操作,得到最终的分割结果。针对聚集区域中的地物具有很强的聚集性和低秩结构关系的特点,采用低秩分解模型对空间上不连通的各个聚集区域中提取的样本分别进行低秩分解并对低秩分解的低秩部分进行直方图统计,采用巴氏距离求取不同聚集区域之间直方图统计的距离并构造相似性矩阵,最后利用构造的相似性矩阵采用基于图割的谱聚类的方法对相似的聚集区域进行合并得到最终的聚集区域的分割结果。由于匀质区域不具有明显的结构关系,对匀质区域采用H/α/A-wishart的分割方法进行分割。对结构区域使用分水岭和基于Wishart距离的超像素合并的方法进行分割,并将分割结果和聚集区域以及匀质区域的分割结果进行合并得到最终的分割结果。2)提出了一种基于反卷积网络和稀疏表示的极化SAR图像分割方法。首先提取极化SAR图像的区域图,对极化SAR图像进行Pauli分解,得到表示极化SAR图像相干矩阵对角线三元素幅度值和上三角阵三元素相位值的图像,利用提取到的幅度和相位值的样本分别训练一个4层反卷积网络,对每个聚集区域幅度的滤波器组和相位的滤波器组进行合并,利用每个聚集区域的合并的滤波器组构造字典,将每个聚集区域的滤波器对构造的字典分别进行投影,并求取投影的平均值作为该聚集区域的区域特征向量,求取每两个聚集区域之间的区域特征向量的余弦距离并构造相似性矩阵,最后利用相似性矩阵采用基于图割的谱聚类的方法进行分割,得到最终的聚集区域分割结果。该方法主要是针对聚集区域进行操作的,对于匀质区域采用H/α/A-wishart的分割方法进行分割,对结构区域使用分水岭和基于Wishart距离的超像素合并的方法进行分割,最后将聚集区域、匀质区域和结构区域的分割结果进行合并得到最终的极化SAR图像的分割结果。
【关键词】：极化SAR 区域图 低秩分解 直方图统计 反卷积网络
【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】：2016
【分类号】：TN957.52
【目录】：

• 摘要5-6
• ABSTRACT6-9
• 符号对照表9-10
• 缩略语对照表10-13
• 第一章 绪论13-19
• 1.1 研究背景及意义13
• 1.2 极化SAR图像分割的研究现状和进展13-16
• 1.2.1 极化SAR图像分割的含义14
• 1.2.2 极化SAR图像分割方法14-16
• 1.3 论文的主要内容和安排16-19
• 第二章 基于素描模型的极化SAR图像区域图提取19-29
• 2.1 极化SAR基础理论知识19-22
• 2.1.1 极化的表征19-21
• 2.1.2 极化SAR数据的表示21-22
• 2.2 Marr视觉计算理论22-23
• 2.3 SAR图像素描模型23-25
• 2.3.1 初始素描模型23-24
• 2.3.2 SAR图像素描模型24-25
• 2.4 极化SAR图像区域图提取25-28
• 2.5 本章小结28-29
• 第三章 基于低秩分解和直方图统计的极化SAR图像分割29-47
• 3.1 引言29
• 3.2 低秩分解模型29-31
• 3.3 极化SAR图像聚集区域分割31-35
• 3.3.1 聚集区域低秩矩阵的构造32-33
• 3.3.2 基于直方图统计信息和图割谱聚类的分割方法33-35
• 3.3.3 聚集区域的分割35
• 3.4 极化SAR图像结构区域和匀质区域的分割35-37
• 3.4.1 匀质区域的分割35-37
• 3.4.2 结构区域的分割37
• 3.5 算法描述37-39
• 3.5.1 算法功能框图37-38
• 3.5.2 详细算法描述38-39
• 3.6 仿真实验和结果分析39-45
• 3.6.1 低秩分解及直方图统计分析39-42
• 3.6.2 本章实验结果分析42-45
• 3.7 本章小结45-47
• 第四章 基于反卷积网络和稀疏表示的极化SAR图像分割47-59
• 4.1 引言47
• 4.2 反卷积网络模型47-48
• 4.3 基于反卷积网络的极化SAR区域特征提取48-50
• 4.4 基于反卷积网络滤波器和稀疏表示的分割方法50-52
• 4.5 算法描述52-53
• 4.5.1 算法功能框图52
• 4.5.2 详细算法描述52-53
• 4.6 仿真实验和结果分析53-57
• 4.6.1 反卷积网络训练结果图53-54
• 4.6.2 本章实验结果分析54-57
• 4.7 本章小结57-59
• 第五章 总结和展望59-61
• 5.1 论文工作总结59-60
• 5.2 未来工作展望60-61
• 参考文献61-65
• 致谢65-67
• 作者简介67-68

【相似文献】

中国期刊全文数据库 前10条

1 唐伟力;龙建忠;;一种基于降雨模型的图像分割方法在砾岩图像分割中的应用[J];成都信息工程学院学报;2007年02期

2 黄晓莉;曾黄麟;王秀碧;刘永春;;基于脉冲耦合神经网络的图像分割[J];信息技术;2008年09期

3 肖飞;綦星光;;图像分割方法综述[J];可编程控制器与工厂自动化;2009年11期

4 汪一休;;一种交互式图像分割的修正优化方法[J];中国科学技术大学学报;2010年02期

5 李丹;;图像分割方法及其应用研究[J];科技信息;2010年36期

6 龚永义;黄辉;于继明;关履泰;;基于熵的两区域图像分割[J];中国图象图形学报;2011年05期

7 张甫;李兴来;陈佳君;;浅谈图像分割方法的研究运用[J];科技创新与应用;2012年04期

8 汪梅;何高明;贺杰;;常见图像分割的技术分析与比较[J];计算机光盘软件与应用;2013年06期

9 魏庆;卢照敢;邵超;;基于复杂性指数的图像分割必要性判别技术[J];计算机工程与应用;2013年16期

10 陈晓丹;李思明;;图像分割研究进展[J];现代计算机(专业版);2013年33期

中国重要会议论文全文数据库 前10条

1 杨魁;赵志刚;;图像分割技术综述[A];2008年中国高校通信类院系学术研讨会论文集（下册）[C];2009年

2 杨暄;郭成安;李建华;;改进的脉冲耦合神经网络及其在图像分割中的应用[A];第十届全国信号处理学术年会（CCSP-2001）论文集[C];2001年

3 杨生友;;图像分割在医学图像中应用现状综述[A];2009中华医学会影像技术分会第十七次全国学术大会论文集[C];2009年

4 闫平昆;;基于模型的图像分割技术及其医学应用[A];第十五届全国图象图形学学术会议论文集[C];2010年

5 高岚;胡友为;潘峰;卢凌;;基于小生境遗传算法的SAR图像分割[A];可持续发展的中国交通——2005全国博士生学术论坛（交通运输工程学科）论文集（下册）[C];2005年

6 孙莉;张艳宁;胡伏原;赵荣椿;;基于Gaussian-Hermite矩的SAR图像分割[A];第十三届全国图象图形学学术会议论文集[C];2006年

7 李盛;;基于协同聚类的图像分割[A];第十四届全国图象图形学学术会议论文集[C];2008年

8 张利;许家佗;;舌象图像分割技术的研究与应用进展[A];中华中医药学会中医诊断学分会第十次学术研讨会论文集[C];2009年

9 秦昆;李振宇;李辉;李德毅;;基于云模型和格网划分的图像分割方法[A];《测绘通报》测绘科学前沿技术论坛摘要集[C];2008年

10 高惠琳;窦丽华;陈文颉;谢刚;;图像分割技术在医学CT中的应用[A];中国自动化学会控制理论专业委员会A卷[C];2011年

中国博士学位论文全文数据库 前10条

1 白雪飞;基于视觉显著性的图像分割方法研究[D];山西大学;2014年

2 黄万里;基于高分卫星数据多尺度图像分割方法的天山森林小班边界提取研究[D];福建师范大学;2015年

3 王辉;图像分割的最优化和水平集方法研究[D];电子科技大学;2014年

4 高婧婧;脑部MR图像分割理论研究[D];电子科技大学;2014年

5 潘改;偏微分方程在图像分割中的应用研究[D];东北大学;2013年

6 冯籍澜;高分辨率SAR图像分割与分类方法研究[D];电子科技大学;2015年

7 李伟斌;图像分割中的变分模型与快速算法研究[D];国防科学技术大学;2014年

8 邓晓政;基于免疫克隆选择优化和谱聚类的复杂图像分割[D];西安电子科技大学;2014年

9 帅永e，

本文编号：593328