發(fā)布時(shí)間：2019-05-31 08:31

【摘要】：隨著合成孔徑雷達(dá)(SAR)系統(tǒng)的迅速發(fā)展,獲得的SAR圖像數(shù)據(jù)也越來越多,而對(duì)SAR圖像理解與解譯能力則相對(duì)滯后。SAR圖像分割是SAR圖像解譯的關(guān)鍵部題之一,也是SAR圖像自動(dòng)理解與解譯的基礎(chǔ)和前提,受到各國研究者的廣泛關(guān)注,成為近年來的研究熱點(diǎn)。相比于其它種類圖像(如光學(xué)或紅外圖像),SAR圖像所固有的特點(diǎn)(如相干斑噪聲明顯,同類目標(biāo)差異較大,異類目標(biāo)非常接近,多尺度目標(biāo)的同時(shí)存在,數(shù)據(jù)規(guī)模龐大等)給分割工作帶來了嚴(yán)峻的挑戰(zhàn)。因此,開展SAR圖像分割問題的研究對(duì)于促進(jìn)SAR技術(shù)的發(fā)展具有重要意義。 本論文針對(duì)SAR圖像的特點(diǎn),從特征提取到算法設(shè)計(jì),完整的對(duì)SAR圖像分割問題進(jìn)行研究,提出了多種基于多特征集成的SAR圖像分割算法。本論文主要?jiǎng)?chuàng)新點(diǎn)概括如下： 1.提出了一種基于上下文分析的非均衡合并SAR圖像分割算法。該算法采用了自底向上(Bottom-up)和自上而下(Top-down)相結(jié)合的策略。在自底向上方面,本算法集成了多種SAR圖像特征,這些特征從不同的角度出發(fā)來刻畫和表示SAR圖像中的目標(biāo)；在自上而下方面,本算法根據(jù)格式塔理論,提出了三條規(guī)則來對(duì)超像素的上下文進(jìn)行分析,對(duì)不同的特征進(jìn)行組織和集成。這三條規(guī)則體現(xiàn)了借鑒于認(rèn)知心理學(xué)的先驗(yàn)知識(shí),實(shí)現(xiàn)了一種新穎的、有效的方法來對(duì)超像素的上下文進(jìn)行建模,是對(duì)超像素合并的一種自上而下的全局性約束。根據(jù)所提出的上下文和多種圖像特征,本算法設(shè)計(jì)了兩階段的合并策略,包括：1)粗合并階段(Coarse Merging Stage,CMS);2)細(xì)合并階段(Fine Merging Stage,FMS)。這種策略能夠在算法的效率和準(zhǔn)確性之間做到很好的平衡。實(shí)驗(yàn)表明CMS算法能夠快速的合并大量具有歧義的超像素,而FMS能夠獲得更加準(zhǔn)確的分割結(jié)果。 2.提出了一種基于特征子空間迭代優(yōu)化的SAR圖像分割算法,該算法具有以下特點(diǎn)：1)集成了多種SAR圖像特征,以準(zhǔn)確的表示SAR圖像中的不同目標(biāo)；2)提出了一種分階段集成的相似度計(jì)算方法,該方法分別在特征水平(Feature Level)和相似度水平(Similarity Level)計(jì)算基于獨(dú)立特征的相似度和基于多特征集成的相似度,從而有效的避免不同特征、不同維數(shù)之間的相互影響,提高超像素之間相似度計(jì)算的準(zhǔn)確性；3)提出了基于偏好的自適應(yīng)空間約束項(xiàng),該空間約束項(xiàng)能夠根據(jù)圖像中上下文的內(nèi)容自適應(yīng)的計(jì)算超像素與其上下文鄰域的空間關(guān)系,使超像素更接近于上下文中的同類目標(biāo),可以避免傳統(tǒng)平均策略對(duì)圖像細(xì)節(jié)的損失,從而使分割結(jié)果更加準(zhǔn)確、更具魯棒性。4)根據(jù)構(gòu)造的目標(biāo)函數(shù),提出了基于特征子空間的迭代優(yōu)化算法,該算法能夠?qū)Σ煌卣髯涌臻g進(jìn)行迭代優(yōu)化,從而保持不同屬性的特征在其對(duì)應(yīng)子空間中的分布結(jié)構(gòu),避免相互的干擾,在保持算法分割效率的同時(shí),提高算法迭代優(yōu)化的準(zhǔn)確度。 3.對(duì)基于特征域的優(yōu)化技術(shù)進(jìn)行更深入的研究,提出了兩種新的免疫克隆優(yōu)化算法,分別是：免疫調(diào)節(jié)克隆選擇算法和基于正交試驗(yàn)設(shè)計(jì)的克隆選擇優(yōu)化算法。然后,根據(jù)迭代最小化算法和免疫克隆選擇優(yōu)化算法各自的優(yōu)勢(shì),本文將其進(jìn)行了有機(jī)結(jié)合,提出了一種基于特征域的混合優(yōu)化方法,并將其應(yīng)用于SAR圖像的分割問題中。這種方法既能夠在各個(gè)特征子空間中沿著梯度最速下降的方向進(jìn)行迭代搜索,也能夠在整個(gè)高維空間中進(jìn)行基于克隆選擇優(yōu)化的全局啟發(fā)式搜索,從而同時(shí)兼有了迭代最小化算法的高效性,以及免疫克隆選擇算法的魯棒性。對(duì)比實(shí)驗(yàn)表明,這種混合的優(yōu)化算法能夠有效的提高算法的搜索精度,避免算法陷入局部極值,明顯的提高了分割算法的性能。 4.提出了一種基于空間域與特征域的無監(jiān)督分層迭代算法,其主要出發(fā)點(diǎn)是結(jié)合基于特征域分割算法與基于空間域分割算法各自的優(yōu)勢(shì),取長(zhǎng)補(bǔ)短,以達(dá)到對(duì)SAR圖像最佳分割的目的。在合并超像素時(shí),該算法采用了分層迭代的策略：設(shè)計(jì)了一種改進(jìn)的模糊c均值聚類算法,對(duì)超像素的外觀特征進(jìn)行迭代優(yōu)化,當(dāng)?shù)玫骄垲惤Y(jié)果后,對(duì)同類超像素的空間上下文進(jìn)行分析,使用區(qū)域增長(zhǎng)算法在全局范圍內(nèi)對(duì)相似的超像素進(jìn)行合并,直到不存在滿足合并條件的超像素為止,再重新進(jìn)行聚類。這兩個(gè)迭代子算法分層交替進(jìn)行,既可以挖掘特征的分布結(jié)構(gòu)信息,避免欠分割或過分割,又可以有效利用SAR圖像的多種信息,提高算法對(duì)歧義目標(biāo)的魯棒性,從而實(shí)現(xiàn)了一種直接的、有效的方式來組織和集成SAR圖像多種特征。 5.提出了一種無監(jiān)督兩階段SAR圖像分割方法,對(duì)基于空間域的分割算法與基于特征域的分割算法進(jìn)行結(jié)合。該算法包含兩個(gè)階段,分別為：1)粗合并階段；2)細(xì)分類階段。在第一階段中,本文提出了一種新的基于上下文分析的區(qū)域迭代合并(Context-based Region Iterative Merging,CRIM)算法,以利用盡量多種的特征,來對(duì)超像素進(jìn)行合并。該子算法的一個(gè)優(yōu)勢(shì)是能夠快速的、對(duì)大量位于真實(shí)分割區(qū)域內(nèi)部的超像素進(jìn)行合并,從而提高特征表示的準(zhǔn)確度,減輕細(xì)分類算法的計(jì)算負(fù)擔(dān)。與傳統(tǒng)的區(qū)域合并算法相比,CRIM算法能夠集成更多的信息,并且采用了一種新穎的全局停止指標(biāo)來決定CRIM算法的輸出。這種指標(biāo)能夠從全局的角度出發(fā),計(jì)算SAR圖像分割區(qū)域的均勻一致性。在細(xì)分類階段,本章采用了之前提出的基于混合優(yōu)化策略的模糊聚類算法來對(duì)圖像空間中剩余的超像素進(jìn)行分類,以達(dá)到最終分割的目的。
[Abstract]:......
【學(xué)位授予單位】：西安電子科技大學(xué)
【學(xué)位級(jí)別】：博士
【學(xué)位授予年份】：2014
【分類號(hào)】：TN957.52

【參考文獻(xiàn)】

相關(guān)期刊論文 前7條

1 ;Genetic Algorithms Applied to Multi-Class Clustering for Gene Ex-pression Data[J];Genomics Proteomics & Bioinformatics;2003年04期

2 ;Adaptive chaos clonal evolutionary programming algorithm[J];Science in China(Series F:Information Sciences);2005年05期

3 ;Optimal approximation of linear sys-tems by artificial immune response[J];Science in China(Series F:Information Sciences);2006年01期

4 ;RAYLEIGH-DISTRIBUTION BASED MINIMUM ERROR THRESHOLDING FOR SAR IMAGES[J];Journal of Electronics(China);1999年04期

5 丁永生;任立紅;;人工免疫系統(tǒng):理論與應(yīng)用[J];模式識(shí)別與人工智能;2000年01期

6 ;A novel algorithm of artificial immune system for high-dimensional function numerical optimization[J];Progress in Natural Science;2005年05期

7 ;Artificial immune kernel clustering network for unsupervised image segmentation[J];Progress in Natural Science;2008年04期

相關(guān)博士學(xué)位論文 前3條

1 陶勇;知識(shí)輔助的SAR圖像目標(biāo)特性分析與識(shí)別研究[D];國防科學(xué)技術(shù)大學(xué);2010年

2 呂雁;基于統(tǒng)計(jì)模型的SAR圖像分割方法研究[D];西安電子科技大學(xué);2011年

3 尹奎英;SAR圖像處理及地面目標(biāo)識(shí)別技術(shù)研究[D];西安電子科技大學(xué);2011年

，

本文編號(hào)：2489546