论文部分内容阅读
SAR图像分割是进行SAR图像处理的一项重要工作,分割结果的准确性对于进行SAR分析至关重要。而SAR图像中相干斑噪声的存在使得分割SAR图像和使用SAR图像非常具有挑战性。传统的SAR图像分割方法主要依靠人工经验以及专业知识来提取图像特征,随着经济的发展以及大数据的到来,很明显单纯的依靠人工来提取图像特征已经无法满足现实社会的发展。如何能够实现自动的提取SAR的特征成为了亟待解决的难题。本文针对以上问题,提出了基于脊波滤波器和反卷积结构模型的SAR图像分割方法。本文的主要工作如下:(1)针对SAR图像的混合聚集结构地物像素子空间具有复杂纹理结构的特点,本文提出了基于脊波滤波器和反卷积结构模型的分割方法。反卷积结构模型利用滤波器和特征图进行卷积操作来重构输入图像的方法来不断更新滤波器和特征图,以达到学习图像特征的目的。为了更好的捕捉SAR图像的结构特征,本文利用脊波滤波器来初始化反卷积结构模型的滤波器。本文利用反卷积结构模型对SAR图像中的混合聚集结构地物像素子空间中的各个极不匀质区域进行特征学习,并将所有极不匀质区域训练得到的脊波滤波器集合作为码本。然后,在将各个极不匀质区域训练得到的脊波滤波器集合分别往码本上进行投影,得到投影向量。最后,本文再利层次聚类算法完成SAR图像中的混合聚集结构地物像素子空间的分割。(2)针对脊波滤波器和反卷积结构模型耗时比较长的缺点,本文在脊波滤波器和反卷积结构模型的基础上进行改进,提出了非卷积运算的结构约束的脊波滤波器反卷积结构学习模型。在提出的非卷积运算的结构约束的的脊波滤波器反卷积结构学习模型中,本文对反卷积结构模型中的非卷积的结构保真项进行优化,将输入图像块与特征图之间的结构损失代替为输入图像块与脊波滤波器和特征图的重构图像块之间的结构损失。然后将在SAR图像的各个极不匀质区域中所采样得到的样本分别输入到一个非卷积运算的结构约束的脊波滤波器反卷积结构学习模型中。最后,利用投影和层次聚类算法完成SAR图像的混合聚集结构地物像素子空间的分割。(3)针对SAR图像匀质区域像素子空间微纹理的特点,本文利用基于自适应邻域的多项式隐模型进行分割;针对SAR图像结构像素子空间中一般为边界、线目标和独立目标,本文利用基于视觉语义规则和素描线的聚拢特征对其进行分割。最后,将这三个像素子空间的分割结果整合在一起,便完成了SAR图像的分割。