论文部分内容阅读
SAR图像分割是SAR图像处理到解析的关键第一步,在SAR图像解译与理解过程中占重要的地位。目前,SAR图像分割的很多研究中往往忽略了图像中的语义信息,本团队针对SAR图像高维、异构、混杂的特性,提出了SAR图像层次视觉语义模型,构建了SAR图像的层次语义空间。基于层次语义空间,将SAR图像划分为混合像素子空间,结构像素子空间和匀质像素子空间,针对各个像素子空间的特性,采取不同的分割策略。在SAR图像分割过程中,好的特征可以提高图像分割质量,随着大数据时代的到来,仅仅依靠人工提取特征已经无法满足海量SAR图像的特征提取,深度学习可以从海量大数据中自动学习图像的特征表示。针对上述问题,本文提出基于深度学习和层次语义空间的SAR图像分割方法。本文的主要创新点如下:(1)针对SAR图像混合像素子空间地物结构混杂、极不匀质的特性,提出了一种基于反卷积网络和素描线方向指导的SAR混合像素子空间分割方法。混合像素子空间地物散射性差距较大,特征提取相对困难,包含若干个互不连通的极不匀质区域,本文首先利用无监督模型自动提取该像素子空间中各区域的结构特征,然后挖掘区域结构特征中丰富的语义信息,同时设计了相关特征向量,最后利用素描线方向信息指导,构造了含有方向标签的特征码本,提出基于方向约束的特征编码算法,完成混合像素子空间的分割工作。(2)SAR混合像素子空间包含多个不连通的极不匀质区域,对多个区域的分类合并是完成该像素子空间分割的前提。本文对反卷积网络模型加入素描方向先验信息,提取更加丰富的图像特征,通过抓取图像特征中的素描线特性,并且结合自组织特征映射网络,提出了基于结构学习和素描特性推理网络的SAR混合像素子空间分割方法,该方法解决了混合像素子空间不连通区域的合并问题,从而实现混合像素子空间的分割。(3)对于混杂异构的SAR图像,本文提出一种基于层次视觉语义模型和特征学习的SAR图像分割方法。对于混合像素子空间,采用本文提出的基于特征学习和素描特性的分割策略;对于结构像素子空间,由于该像素子空间具有丰富的边界、线目标、独立目标信息,分别采用基于视觉语义规则的线目标分割方法和基于素描线聚拢特征的独立目标分割方法;对于匀质像素子空间,针对其微纹理特性,采用基于自适应邻域多项式隐模型的分割方法。最后将各个像素空间的分割结果融合,得到最终的SAR图像分割。