高分辨率SAR圖像目標(biāo)快速提取算法研究.pdf

1、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(guò)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(méi)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(wèn)題，本文提出了采用主動(dòng)輪廓模型的高層理解、視覺(jué)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(wú)監(jiān)督學(xué)習(xí)能力相結(jié)合的SAR

2、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(jué)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(wú)監(jiān)督特征學(xué)習(xí)等方面展開(kāi)了系統(tǒng)的研究。所作工作主要包含以下五個(gè)方面：
　?。?）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)

3、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(lái)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

4、，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

5、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(lái)進(jìn)行GMLGIF模型最小化求解的迭代算法（即算法3.1）。
　?。?）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

6、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(wèn)題，提出了GMLGIF模型與SR（spectral residual）視覺(jué)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(jué)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

7、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(lái)描述目標(biāo)的輪廓特征，并結(jié)合相應(yīng)的上下文特征來(lái)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。
　?。?）視覺(jué)顯著性模型對(duì)大尺寸SAR圖像目標(biāo)提

8、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(wèn)題，提出了多尺度自適應(yīng)視覺(jué)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 ad

9、opting 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。
　?。?）大尺寸SAR圖像目標(biāo)切片鑒別分類中的無(wú)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(wèn)題，將更加智能、學(xué)習(xí)能力更強(qiáng)的