發(fā)布時(shí)間：2018-07-29 14:03

【摘要】：本文主要研究了高分辨率合成孔徑雷達(dá)(synthetic aperture radar,SAR)圖像目標(biāo)快速提取技術(shù)。傳統(tǒng)的基于邊緣和區(qū)域的SAR圖像目標(biāo)提取方法通常被認(rèn)為是自底向上的計(jì)算過程,即只能依賴于圖像本身獲取的低層信息,且低層的計(jì)算誤差傳播到高層后沒有任何修正機(jī)會(huì),容易受圖像噪聲等復(fù)雜因素的影響。為了解決這一問題,本文提出了采用主動(dòng)輪廓模型的高層理解、視覺顯著性模型的顯著區(qū)域快速提取以及深度神經(jīng)網(wǎng)絡(luò)的無監(jiān)督學(xué)習(xí)能力相結(jié)合的SAR圖像目標(biāo)提取思路。按照這一思路,在主動(dòng)輪廓模型對(duì)SAR圖像乘性噪聲的魯棒性、主動(dòng)輪廓模型在SAR圖像處理中收斂到全局極小值(即能量泛函的凸優(yōu)化)、主動(dòng)輪廓模型對(duì)大尺寸SAR圖像目標(biāo)提取的快速性、視覺顯著性模型對(duì)大尺寸SAR圖像目標(biāo)提取的自適應(yīng)性、大尺寸SAR圖像目標(biāo)切片提取鑒別分類中的無監(jiān)督特征學(xué)習(xí)等方面展開了系統(tǒng)的研究。所作工作主要包含以下五個(gè)方面:(1)主動(dòng)輪廓模型對(duì)SAR圖像乘性噪聲的魯棒性。從理論和實(shí)驗(yàn)的角度分析了經(jīng)典主動(dòng)輪廓模型在具有乘性相干斑噪聲的SAR圖像目標(biāo)提取中失效的原因,為此本文提出了用輪廓內(nèi)部和外部區(qū)域的概率密度函數(shù)來定義區(qū)域之間相似性的比率距離,設(shè)計(jì)了適合在乘性噪聲模型下度量區(qū)域之間相似性的能量泛函,即MCV(modified Chan and Vese)模型。并且參考LGIF(local and global intensity fitting)模型的構(gòu)造模式將所提的MCV模型與RSF模型進(jìn)行線性加權(quán)組合,提出了改進(jìn)的LGIF模型,即MLGIF(modified LGIF)模型。該模型使得RSF模型提供的局部強(qiáng)度擬合力和MCV模型提供的全局強(qiáng)度擬合力相互補(bǔ)充,在SAR圖像目標(biāo)提取中能夠更好地引導(dǎo)輪廓的演化。(2)主動(dòng)輪廓模型在SAR圖像處理中收斂到全局極小值。給出了經(jīng)典主動(dòng)輪廓模型(包括MLGIF模型)能量泛函的一般形式,對(duì)這些模型最小化求解的一般方法作了理論分析,指出了其容易陷入局部極小值的根本原因,即非凸的能量泛函。為了尋求凸優(yōu)化的方法,本文對(duì)非凸泛函的凸優(yōu)化方法進(jìn)行了總結(jié)和理論分析,給出了凸優(yōu)化方法能保證主動(dòng)輪廓模型具有全局最小解的證明,提出了對(duì)MLGIF模型進(jìn)行凸優(yōu)化的新能量泛函,即GMLGIF(global minimization of the MLGIF)模型。最后給出了GMLGIF模型能量泛函為凸泛函的證明,并給出了采用對(duì)偶公式法來進(jìn)行GMLGIF模型最小化求解的迭代算法(即算法3.1)。(3)主動(dòng)輪廓模型對(duì)大尺寸SAR圖像目標(biāo)提取的快速性。針對(duì)前文所提的GMLGIF模型在大尺寸高分辨率SAR圖像目標(biāo)提取上計(jì)算效率較低的問題,提出了GMLGIF模型與SR(spectral residual)視覺顯著性模型相結(jié)合的顯著性目標(biāo)切片提取算法(即算法4.3),并與其他鑒別、分類方法一起構(gòu)建了新的SAR ATR(automatic target recognition)框架(如圖4.11),該框架具有借助SR視覺顯著性模型快速發(fā)現(xiàn)顯著性目標(biāo)區(qū)域的優(yōu)點(diǎn),使得所提框架在目標(biāo)檢測(cè)階段更高效;而多尺度間隙度特征則增加了不同種類目標(biāo)切片的差異,相比傳統(tǒng)的單尺度間隙度特征更有利于目標(biāo)鑒別;另外,借助對(duì)乘性噪聲更魯棒的GMLGIF模型所得到的更加準(zhǔn)確的目標(biāo)輪廓,采用具有仿射不變性的AIFD(affine-invariant fourier descriptor)形狀描述子來描述目標(biāo)的輪廓特征,并結(jié)合相應(yīng)的上下文特征來共同進(jìn)行目標(biāo)分類,在基于形狀特征的目標(biāo)分類領(lǐng)域也是一個(gè)創(chuàng)造性的嘗試。(4)視覺顯著性模型對(duì)大尺寸SAR圖像目標(biāo)提取的自適應(yīng)性。針對(duì)前文所提的SAR ATR框架(如圖4.11)所采用的SR模型只能檢測(cè)較小顯著性區(qū)域、且顯著性區(qū)域的選取非常依賴人工的閾值設(shè)置,以及GMLGIF模型耗時(shí)仍然較多的問題,提出了多尺度自適應(yīng)視覺顯著性模型(即(5-12)式 (5-19)式)以及采用ROEWA算子和更加高效的split Bregman迭代方法的SBGILGIF(global minimization of the improved LGIF model adopting split Bregman)主動(dòng)輪廓模型(即算法5.1)相結(jié)合的大尺寸SAR圖像目標(biāo)快速提取算法(算法5.2),使得所提算法在大尺寸SAR圖像目標(biāo)處理中更加高效和更具適應(yīng)性。(5)大尺寸SAR圖像目標(biāo)切片鑒別分類中的無監(jiān)督特征學(xué)習(xí)。針對(duì)前文所提的SAR ATR框架(如圖4.11)和目標(biāo)快速提取算法(算法5.2)在切片鑒別、分類以及期望的顯著區(qū)域提取上都依賴人工進(jìn)行特征設(shè)計(jì)和選取的問題,將更加智能、學(xué)習(xí)能力更強(qiáng)的無監(jiān)督深度神經(jīng)網(wǎng)絡(luò)與前文所提的多尺度顯著性模型(算法5.2)相結(jié)合,提出了一種無需人工設(shè)計(jì)目標(biāo)特征的大尺寸SAR圖像目標(biāo)切片快速自動(dòng)提取方法(如圖6.6),實(shí)驗(yàn)也驗(yàn)證了該方法在目標(biāo)提取過程中具有無監(jiān)督、高效和準(zhǔn)確的特點(diǎn)。
[Abstract]:......
【學(xué)位授予單位】：國防科學(xué)技術(shù)大學(xué)
【學(xué)位級(jí)別】：博士
【學(xué)位授予年份】：2016
【分類號(hào)】：TN957.52
，

本文編號(hào)：2152908