论文部分内容阅读
合成孔径雷达SAR是遥感技术领域的重要进展，用来获取地球表面的高分辨图像。其对国民经济的各个方面意义重大。深度学习是近年来提出的一种类脑学习的机器学习理论，深度学习理论相对于人工设计特征的算法来说，具有更好的自适应性。深度学习中的深度卷积神经网络对图像的结构特征学习具有其独特的优势，SAR图像的混合像素子空间的极不匀质区域具有丰富的结构信息。通过对卷积神经网络的研究，在本团队已有的SAR图像层次语义空间和超完备脊波字典的基础上，本文针对SAR图像混合像素子空间的极不匀质区域提出了基于脊波滤波器和卷积结构学习模型的SAR图像分割方法。该方法能够较好的学习到表征聚集结构像素子空间极不匀质区域的结构特征，使得空间上不连通的多个混合像素子空间进行更好的分割。本文的创新工作如下： （1）受到卷积神经网络的启发，结合本团队已有的对脊波滤波器和SAR图像素描图的研究基础上，本文设计了数据保真项，提出了用基于素描线指导的脊波滤波器初始化的卷积结构学习模型。本文将SAR图像混合像素子空间的极不匀质区域进行采样，在层次语义空间中，应用统计学的方法，对SAR图像混合像素子空间的素描图中的素描线段按方向进行统计，得到线段条数最多的前6个方向。该卷积结构学习模型能够较好的对混合像素子空间的极不匀质区域进行学习，为以后章节的研究打下基础。 （2）在（1）的基础上，结合本团队已有的层次语义空间，增加了结构保真项。本文的数据保真项能够在像素子空间对特征学习进行约束，结构保真项能够在初级语义空间对特征提取进行约束。而结构保真项的约束，是在素描线层次上对图像结构更加稀疏的约束。本文对目标函数进行推导，得出相应的计算公式并设计算法，提出了基于脊波滤波器和卷积结构学习模型的SAR图像分割方法，该方法能够较好的学习到表征混合像素子空间的结构特征。针对本文学习出来的特征，使用最大值汇聚编码方法，将代表各个极不匀质区域的特征集合进行编码，得到各个极不匀质区域的结构特征向量，对结构特征向量进行层次聚类，得到混合像素子空间的分割结果。 (3)针对创新点（2），本文对SAR图像采样块进行方向统计，本文提出了基于局部方向的卷积结构学习模型，该方法能够较准确的对采样图块进行学习。本文根据数据保真项和结构保真项和相关推论，设计了脊波混合滤波器的学习算法，从而学习出来更加复杂的滤波器，从而进行进一步的学习。