【摘要】：隨著遙感衛(wèi)星傳感器技術(shù)的發(fā)展,獲得衛(wèi)星、航空及無人機平臺的高分辨率、多源數(shù)據(jù)已不再是難題。在如此多數(shù)據(jù)信息的不斷驅(qū)動下,過去由于數(shù)據(jù)限制無法完成的檢測任務在現(xiàn)階段逐漸可以實現(xiàn),促進了人們在目標檢測領(lǐng)域?qū)夹g(shù)不斷的研究與探索,以便滿足日益增長的廣泛需求。尤其是面向與人類息息相關(guān)的城市區(qū)域或者與國防領(lǐng)域相關(guān)的軍事熱點區(qū)域,針對車輛、飛機等目標的精準檢測,無論是服務于民用的城市道路規(guī)劃、交通管理,還是軍用戰(zhàn)術(shù)目標定位、打擊提供情報支撐,都是具有重要的理論研究意義和實用價值。目標檢測流程通常包含三個階段:圖像分割、目標特征提取及目標檢測階段。對于圖像中目標區(qū)域的分割,傳統(tǒng)基于像素和區(qū)域的圖像分割方法,主要利用分析紋理信息的類間差異來獲取分割結(jié)果,適合大區(qū)域的遙感分割,缺乏針對目標對象的考慮。因此,人們提出了面向目標對象的超像素圖像分割算法,通過構(gòu)建多種約束條件并以超像素塊替代像素為處理單元,大幅提高了圖像分割精度和處理效率,但是依然存在超像素分割邊界像素與真實物體邊界像素契合度低、分割割裂等問題,引起后續(xù)目標塊提取及特征表達不準確等問題。此外,圖像分割方法通常針對無噪聲理想圖像,而在實際的數(shù)據(jù)處理過程中,噪聲對圖像的影響是不容忽視的問題。對于目標特征提取階段,傳統(tǒng)模型特征信息表達能力有限,已經(jīng)無法滿足日益復雜城市背景的目標檢測要求。近年,深度學習技術(shù)表現(xiàn)出了強大的特征學習能力并獲得了廣泛應用,但是對于訓練樣本數(shù)量、網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計、參數(shù)設(shè)置等不具有普適性。此外,目前基于深度學習的目標檢測方法大多數(shù)采用已建立完備的訓練數(shù)據(jù)庫,然而針對具體任務并不適用,因此需要針對具體檢測任務選擇和構(gòu)建訓練樣本集,但是傳統(tǒng)的人工或者隨機樣本選擇方法都存在一些缺陷,影響最優(yōu)訓練樣本的選擇,進而制約目標的特征表達影響檢測精度。對于目標檢測階段,大多數(shù)方法采用不同分類器對目標和背景進行分類,實現(xiàn)最終檢測結(jié)果的輸出,但依舊局限于使用單一數(shù)據(jù)源信息或者單一特征,如何利用現(xiàn)今如此豐富的不同平臺、不同傳感器的數(shù)據(jù),充分挖掘和發(fā)揮單源數(shù)據(jù)或者多源數(shù)據(jù)的信息協(xié)同性、互補性,提高目標檢測精度還有很大提升空間。因此本文通過分析目標檢測不同階段所面臨的問題,提供新思路、新技術(shù)實現(xiàn)精準的目標檢測具有重要的研究意義。首先,為了提取圖像中完整目標結(jié)構(gòu),針對圖像中目標區(qū)域的分割,提出了基于多重局部信息約束的圖像超像素分割方法,通過在顏色、空間約束基礎(chǔ)上引入對分割邊界像素的多重局部信息約束,提高了超像素分割邊界像素與真實物體邊界像素的契合度,降低了分割割裂現(xiàn)象,從而保證后續(xù)提取目標塊的準確性。針對圖像分割過程中噪聲對分割結(jié)果的不利影響,提出了基于3D稀疏編碼的圖像降噪算法,以提取包含空譜特征的三維圖像塊作為輸入,采用K-SVD算法對稀疏字典和稀疏系數(shù)進行迭代更新,最后利用稀疏恢復模型輸出高質(zhì)量的恢復圖像。實驗驗證共包含提出的超像素分割方法與其它兩種先進的超像素分割算法比較,提出的圖像降噪算法與傳統(tǒng)基于稀疏表示的降噪算法比較,兩組實驗結(jié)果都證明了本文提出的兩個算法無論在視覺感官還是量化評價指標都獲的了最好的表現(xiàn),為后續(xù)的特征提取和檢測提供了重要基礎(chǔ)保障。其次,在上述超像素分割結(jié)果基礎(chǔ)上,可以提取和獲得以超像素中心為原點的目標塊(目標塊泛指包含目標或者背景的圖像塊)。針對目標塊特征提取階段,傳統(tǒng)特征表達能力弱、訓練樣本選擇方法不足所導致檢測結(jié)果精度差的問題,提出了基于CNN特征提取的目標檢測方法,首先利用卷積神經(jīng)網(wǎng)絡(luò)強大的特征學習及表達能力,獲取目標樣本的深度語義信息,然后采用訓練樣本自動迭代選擇方法,使訓練樣本集類內(nèi)樣本具有高差異性類間樣本具有高相似性,從而建立最優(yōu)的訓練樣本集并獲取高判別性的樣本特征。同時,為了解決由于目標方向不同導致目標塊裁剪后目標結(jié)構(gòu)不完整以及目標特征表達不一致,采用目標塊主方向自動旋轉(zhuǎn)算法,對目標方向進行統(tǒng)一化。實驗驗證包括訓練樣本集選擇方法的對比,本文方法與多種基于傳統(tǒng)特征和最優(yōu)CNN特征提取方法的檢測結(jié)果對比,實驗結(jié)果證明了提出的基于CNN特征提取的目標檢測算法表現(xiàn)出了很好的優(yōu)越性。最后,通過上述基于CNN特征的目標檢測方法可以獲得顯著的檢測精度提升,但是在已獲得的檢測結(jié)果中存在高召回率時檢測精度低的問題,因此針對單源數(shù)據(jù)在檢測結(jié)果中受到單一空間特征的限制,提出了基于背景信息約束的目標檢測結(jié)果優(yōu)化方法。首先,為了充分挖掘和利用圖像的光譜特征,提出了基于局部張量判別分析的圖像分類算法,通過譜空特征協(xié)同結(jié)合張量判別特征提取實現(xiàn)圖像地物精確分類,然后采用基于環(huán)境要素約束方法,將圖像地物分類結(jié)果與已有的檢測結(jié)果相融合,去除已有檢測結(jié)果中的虛假目標,提高在高召回率時的檢測精度。此外,在針對小目標、訓練樣本數(shù)量少的多源圖像目標檢測情況,提出了面向多源數(shù)據(jù)的空間-光譜特征協(xié)同的目標檢測方法,通過超像素分割算法在圖像分割的優(yōu)勢和多源數(shù)據(jù)豐富的空譜特征,提取多源目標塊的空間和局部池化光譜特征,顯著改善了使用單一數(shù)據(jù)源的檢測精度。
【學位授予單位】：哈爾濱工業(yè)大學
【學位級別】：博士
【學位授予年份】：2019
【分類號】：TP751
【圖文】：

(c) 高光譜偽彩色合成圖像(1.3m) (d) RGB 圖像(0.15m)(c) False RGB composite of hyperspectral image(1.3m) (d) RGB image(0.15m)圖 1-1 不同數(shù)據(jù)產(chǎn)品Fig.1-1 Different data products割。因此，超像素分割方法在圖像分割中越來越受到重視，相比于傳統(tǒng)的基于區(qū)域和像素的圖像分割方法，超像素分割方法主要面向目標對象而不是大尺度區(qū)域分割，更適合分割和提取圖像中的小目標，同時超像素分割面向目標區(qū)域而不是單個像素，有效改善由于目標空間信息缺失造成目標的欠分割或者未分割等問題，是目前較為優(yōu)秀的圖像分割方法，但是依然存在當分割邊界召回率較高時，由于分割邊界與物體實際邊界契合度低、分割割裂等導致超像素中心位置偏移，造成目標塊提取不準確等問題，因為目標塊的提取是以圖像分割結(jié)果中超像素中心為原點提取的矩形區(qū)域。在目標特征提取方面，傳統(tǒng)目標特征提取方法如模型特征 HOG（Histogramof Oriented Gradient）[23]、 SIFT（Scale-Invariant Feature Transform）[24]及 LBP（Local Binary Pattern）[25]等特征，這些特征信息表達能力有限，且通過人工預先定義，在特征提取階段不能改變。隨著近些年深度學習的發(fā)展，深度特征

第 1 章 緒 論本文結(jié)構(gòu)安排如下：第 1 章，首先闡述了本課題的研究背景以及研究目的與意義，并對遙感標檢測基本流程進行介紹，其次針對目標檢測過程所涉及關(guān)鍵技術(shù)的國展研究現(xiàn)狀進行系統(tǒng)闡述，對其存在的缺陷與不足進行分析，提出本文研究思路及內(nèi)容邏輯關(guān)系。第 2 章，重點從目標檢測中的圖像分割和特征提取兩方面，分別介紹了像分割及特征提取方法的基礎(chǔ)理論，同時分析了本文在目標檢測過程中的挑戰(zhàn)，并通過實驗驗證這些問題對本文目標檢測過程的影響以及研究基于3D稀疏基于多重局部信息三章第圖像超像素

a 等人在 1975 年首次提出了 MS（Mean shift）的。2002 年，Comaniciu 等人[128]提出了基于 MS 概率密度的極大值點，將具有相同模的像素點聚像分割。MS 的基本形式為：1( ) ( )∈= ∑ i hh ix sM x x xk h 為半徑的圓形區(qū)域并包含 K 個數(shù)據(jù)樣本點。 h 為半徑圓形區(qū)域的樣本點到中心點的向量總和到概率密度極大值點（如圖 2-4 所示）。其分割過221arg min ( ) ( + = ∑ mean i kk izix yy x zh定性和魯棒性較好，但當分割圖像語義信息較少果較差且超像素塊數(shù)量不可控。因此 Vedaldi 等 算法，即 QS（Quick Shift）方法，因為 QS 方算速度相比 MS 方法更快同時邊緣貼合度更好。初始窗口

【參考文獻】

相關(guān)期刊論文 前8條

1 邢前國;鄭向陽;施平;郝佳佳;禹定峰;梁守真;劉東艷;張淵智;;基于多源、多時相遙感影像的黃、東海綠潮影響區(qū)檢測[J];光譜學與光譜分析;2011年06期

2 陳琪;陸軍;趙凌君;匡綱要;;基于特征的SAR遙感圖像港口檢測方法[J];電子與信息學報;2010年12期

3 周鐘娜;陳昕;徐守時;;基于目標關(guān)聯(lián)的多源衛(wèi)星遙感圖像兵營融合檢測方法[J];遙感學報;2008年01期

4 陳忠;趙忠明;;基于區(qū)域生長的多尺度遙感圖像分割算法[J];計算機工程與應用;2005年35期

5 段瑞玲,李慶祥,李玉和;圖像邊緣檢測方法研究綜述[J];光學技術(shù);2005年03期

6 劉偉,蔣詠梅,雷琳,匡綱要;一種基于多源遙感圖像融合的橋梁目標識別方法[J];信號處理;2004年04期

7 劉循,游志勝;多尺度形態(tài)學圖像邊緣檢測方法[J];光電工程;2003年03期

8 藍金輝,馬寶華,藍天,周兆英;D-S證據(jù)理論數(shù)據(jù)融合方法在目標識別中的應用[J];清華大學學報(自然科學版);2001年02期

本文編號：2768809