基于卷积神经网络的声呐图像配准研究
发布时间：2021-06-23 19:57
声呐图像配准旨在找到源图像映射到移动图像的最佳全局变换模型,是声呐图像处理的基础环节,也是海洋资源探测的重要技术手段。从图像配准的空间变换参数以及相似度测量两个角度出发研究了它的应用,并相继研究了基于回归-校正网络的声呐图像配准算法和基于相似性排序模型的相似度计算方法。本文的主要工作可以概括为:（1）在声呐图像配准中引入分级处理的策略,设计了一个基于回归-校正网络的声呐图像配准算法。回归网络用于预测配准对的3D几何变换参数,校正网络包括几何变换网络和比较网络,根据图像对的相似度对变换参数进行校正。通过两个网络的组合优化,实现由粗到细的配准。在两种声呐数据集上和三种配准方法进行对比实验,实验结果验证了该算法的有效性。（2）基于相似性排序模型的相似度计算方法:研究了一个能够表征图像相似度的模型。通过将基于三元组的排名损失函数引入到多尺度深度神经网络中,监督学习相似度信息实现相似性的度量。在两种声呐数据集上和三种经典相似度量函数、三中经典相似度计算方法进行对比实验,验证了该算法的有效性。
【文章来源】：杭州电子科技大学浙江省
【文章页数】：59 页
【学位级别】：硕士
【部分图文】：
图像配准流程图
插值、双线性插值。下面将简单介绍一下这些方法。最近邻插值计算简单，易于实现，常用于对标注图像执行形变时插值。双线性插值是一种重采样方法，它使用四个最近像素值的距离加权平均值来估计新的像素值。首先在一个方向上执行线性插值，然后再另一个方向上再次执行线性插值。尽管在每一个步骤上的采样值都是线性的，但是整体的插值不是线性的[31]。双线性插值方法在图像配准中应用较为广泛。2.2图像配准方法研究2.2.1传统图像配准算法根据具体应用的不同，传统配准方法有不同的侧重点。但基本上的配准流程是一致的，如图2.2所示。下面将从基于相关的方法、基于互信息的方法和基于小波的方法三个方面简单介绍传统的图像配准算法。基于相关的方法：该方法常用于配准单峰图像或用于比较多个图像是否相似，它在医学领域在分析和治疗疾病方面具有巨大的用途。该方法从图像中提取的特征经常被用来获得图像相关的互相关系数。例如，文献[32]提出了一种使用图像子频率的估计方法，该方法基于傅里叶域，通过采用多信号分类器算法，以适度的计算复杂度为代价获得了更准确的配准结果。基于傅立叶的技术以及搜索算法也早已被用来评估两个输入图像之间的转换[33]。基于互信息的方法：基于相互信息的措施可用于帮助基于体素的配准。如特征匹配步骤中所提到的，可以有效地利用相互信息来建立参考特征与测试图像之间的对应关系。事实证明，相关方法对于多模式配准无效。但是，基于互信息的方法不会遇到这种问题，而是可以在多模式配准任务中有效执行。已经采用梯度下降优化方法来最大化互信息[34]。基于窗口和金字塔的方法用于使用互信息实现图像配准[35]。图像之间的标准化互信息已用于图像配准的图2.2传统基于特征的配准流程图
杭州电子科技大学硕士学位论文12图2.3监督学习配准流程图例如，Nguyen[38]提出了一种基于弱监督学习的新颖可变形图像配准方法，所提出的方法利用切片插值来改善具有剧烈和大的结构变化的图像之间的配准。另外，该方法仅需要粗略配准的数据来训练插值网络，而变形网络可以以无监督的方式进行训练。Li[39]提出了一种基于完全卷积网络（Fullyconvolutionalnetwork，FCN）的新颖的非刚性图像配准算法，该方法将目标函数设定为参考图像和移动图像之间的相似度，通过最大化两图像之间的图像相似度来直接估计图像对之间的空间变换。Sokooti[40]提出了一种在人工位移矢量场（displacementvectorfield，DVF）的指导下进行监督的非刚性图像配准方法，为此提出并比较了三种网络架构。人工DVF允许以完全监督和体素密集的方式进行训练，但比一般创建密集标记的数据所需的成本低。所提出的体系结构被嵌入到多阶段方法中，以增加所提出的网络的捕获范围，以便更准确地预测更大的位移等等，表2.1给出了著名作品的描述。参考文献[41-45]根据变换的模型和使用的神经网络模型进行分类，展示了不同方法的相似性与区别。如文献[41]是实时的监督学习变换，为可变性模型，使用的神经网络模型为CNN。而文献[45]是实时和合成变换，针对刚体变换模型，使用的神经网络为11-layerCNNResNet-18。表2.1监督学习方法RefSupervisionTransformModel[41]RealTransformDeformableCNN[42]SyntheticTransformsDeformableGoogleNet[43]Real+SyntheticTransformsDeformableFCN[44]Real+SyntheticTransformRigid6-layerCNN10-layerFCN[45]Real+SyntheticTransformRigid11-layerCNNResNet-18监督学习允许跨应用程序时进行实时可靠的配准。但是，这种方法存在一定的局限性。首先，监督?
【参考文献】：
期刊论文
[1]基于模板匹配约束下的光学与SAR图像配准[J]. 杨勇,胡思茹. 系统工程与电子技术. 2019(10)
[2]基于频谱和空域特征匹配的图像配准算法[J]. 陈泽锋,吴庆阳,陈顺治,李奇锋,卢晓婷,黄浩涛. 激光与光电子学进展. 2020(02)
[3]基于决策树的景象匹配算法性能评估方法研究[J]. 邹辉,吴奇峰,张一飞,明德烈. 计算机与数字工程. 2016(11)
[4]一种结合区域选择和SIFT算法的遥感图像配准方法[J]. 樊东昊,朱建军,郭南男,周璀,周靖鸿. 工程勘察. 2015(02)
[5]一种基于线状目标特征点集的声呐图像配准方法[J]. 芦俊,丛卫华. 声学与电子工程. 2014(04)
[6]医学图像配准技术的研究与应用进展[J]. 章荣海,潘义广,张军. 电脑知识与技术. 2012(18)
[7]基于区域选择和特征点匹配的图像配准算法[J]. 刘贵喜,王蕾. 光电子.激光. 2007(08)
硕士论文
[1]基于3D卷积神经网络的海马体配准技术研究[D]. 姜岩芸.山东师范大学 2019
[2]高分辨率遥感图像配准技术的研究[D]. 刘占强.北京邮电大学 2019
[3]基于改进SIFT和深度学习的SAR图像配准研究[D]. 张姣姣.西安电子科技大学 2018
[4]一种基于灰度相关性和特征点的SAR图像配准方法[D]. 易成龙.国防科学技术大学 2009
[5]边缘与灰度信息结合的SAR图像配准方法研究[D]. 邓鹏.中国科学院研究生院（电子学研究所） 2003
本文编号：3245563
【文章来源】：杭州电子科技大学浙江省
【文章页数】：59 页
【学位级别】：硕士
【部分图文】：
图像配准流程图
插值、双线性插值。下面将简单介绍一下这些方法。最近邻插值计算简单，易于实现，常用于对标注图像执行形变时插值。双线性插值是一种重采样方法，它使用四个最近像素值的距离加权平均值来估计新的像素值。首先在一个方向上执行线性插值，然后再另一个方向上再次执行线性插值。尽管在每一个步骤上的采样值都是线性的，但是整体的插值不是线性的[31]。双线性插值方法在图像配准中应用较为广泛。2.2图像配准方法研究2.2.1传统图像配准算法根据具体应用的不同，传统配准方法有不同的侧重点。但基本上的配准流程是一致的，如图2.2所示。下面将从基于相关的方法、基于互信息的方法和基于小波的方法三个方面简单介绍传统的图像配准算法。基于相关的方法：该方法常用于配准单峰图像或用于比较多个图像是否相似，它在医学领域在分析和治疗疾病方面具有巨大的用途。该方法从图像中提取的特征经常被用来获得图像相关的互相关系数。例如，文献[32]提出了一种使用图像子频率的估计方法，该方法基于傅里叶域，通过采用多信号分类器算法，以适度的计算复杂度为代价获得了更准确的配准结果。基于傅立叶的技术以及搜索算法也早已被用来评估两个输入图像之间的转换[33]。基于互信息的方法：基于相互信息的措施可用于帮助基于体素的配准。如特征匹配步骤中所提到的，可以有效地利用相互信息来建立参考特征与测试图像之间的对应关系。事实证明，相关方法对于多模式配准无效。但是，基于互信息的方法不会遇到这种问题，而是可以在多模式配准任务中有效执行。已经采用梯度下降优化方法来最大化互信息[34]。基于窗口和金字塔的方法用于使用互信息实现图像配准[35]。图像之间的标准化互信息已用于图像配准的图2.2传统基于特征的配准流程图
杭州电子科技大学硕士学位论文12图2.3监督学习配准流程图例如，Nguyen[38]提出了一种基于弱监督学习的新颖可变形图像配准方法，所提出的方法利用切片插值来改善具有剧烈和大的结构变化的图像之间的配准。另外，该方法仅需要粗略配准的数据来训练插值网络，而变形网络可以以无监督的方式进行训练。Li[39]提出了一种基于完全卷积网络（Fullyconvolutionalnetwork，FCN）的新颖的非刚性图像配准算法，该方法将目标函数设定为参考图像和移动图像之间的相似度，通过最大化两图像之间的图像相似度来直接估计图像对之间的空间变换。Sokooti[40]提出了一种在人工位移矢量场（displacementvectorfield，DVF）的指导下进行监督的非刚性图像配准方法，为此提出并比较了三种网络架构。人工DVF允许以完全监督和体素密集的方式进行训练，但比一般创建密集标记的数据所需的成本低。所提出的体系结构被嵌入到多阶段方法中，以增加所提出的网络的捕获范围，以便更准确地预测更大的位移等等，表2.1给出了著名作品的描述。参考文献[41-45]根据变换的模型和使用的神经网络模型进行分类，展示了不同方法的相似性与区别。如文献[41]是实时的监督学习变换，为可变性模型，使用的神经网络模型为CNN。而文献[45]是实时和合成变换，针对刚体变换模型，使用的神经网络为11-layerCNNResNet-18。表2.1监督学习方法RefSupervisionTransformModel[41]RealTransformDeformableCNN[42]SyntheticTransformsDeformableGoogleNet[43]Real+SyntheticTransformsDeformableFCN[44]Real+SyntheticTransformRigid6-layerCNN10-layerFCN[45]Real+SyntheticTransformRigid11-layerCNNResNet-18监督学习允许跨应用程序时进行实时可靠的配准。但是，这种方法存在一定的局限性。首先，监督?
【参考文献】：
期刊论文
[1]基于模板匹配约束下的光学与SAR图像配准[J]. 杨勇,胡思茹. 系统工程与电子技术. 2019(10)
[2]基于频谱和空域特征匹配的图像配准算法[J]. 陈泽锋,吴庆阳,陈顺治,李奇锋,卢晓婷,黄浩涛. 激光与光电子学进展. 2020(02)
[3]基于决策树的景象匹配算法性能评估方法研究[J]. 邹辉,吴奇峰,张一飞,明德烈. 计算机与数字工程. 2016(11)
[4]一种结合区域选择和SIFT算法的遥感图像配准方法[J]. 樊东昊,朱建军,郭南男,周璀,周靖鸿. 工程勘察. 2015(02)
[5]一种基于线状目标特征点集的声呐图像配准方法[J]. 芦俊,丛卫华. 声学与电子工程. 2014(04)
[6]医学图像配准技术的研究与应用进展[J]. 章荣海,潘义广,张军. 电脑知识与技术. 2012(18)
[7]基于区域选择和特征点匹配的图像配准算法[J]. 刘贵喜,王蕾. 光电子.激光. 2007(08)
硕士论文
[1]基于3D卷积神经网络的海马体配准技术研究[D]. 姜岩芸.山东师范大学 2019
[2]高分辨率遥感图像配准技术的研究[D]. 刘占强.北京邮电大学 2019
[3]基于改进SIFT和深度学习的SAR图像配准研究[D]. 张姣姣.西安电子科技大学 2018
[4]一种基于灰度相关性和特征点的SAR图像配准方法[D]. 易成龙.国防科学技术大学 2009
[5]边缘与灰度信息结合的SAR图像配准方法研究[D]. 邓鹏.中国科学院研究生院（电子学研究所） 2003
本文编号：3245563
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3245563.html
