论文部分内容阅读
SAR图像分割是SAR图像理解和解译过程中的一个关键性工作,对后续的目标检测与识别等任务影响巨大。对于SAR图像的分割,传统方法往往需要借助经验提取人工设计的特征,这种特征的表达能力往往比较有限。尤其对于SAR图像中具有复杂结构的聚集地物,很多时候难以设计出有效的特征对其进行刻画。深度学习可以自动地进行特征学习,这样就减少了人工的干预,同时有能力学习到复杂的结构特征,因此可以用来对SAR图像进行特征学习。然而,仅仅依靠特征是无法直接有效地完成SAR图像分割任务的,需要在特征的基础上进行推理。本文首先采用反卷积网络学习SAR图像中的复杂结构特征,接着提出映射推理网络,以此对特征进行进一步的推理,以便于实现SAR图像的分割。本文的主要工作如下:(1)本文采用反卷积网络来学习SAR图像聚集区域结构特征。根据SAR图像的区域图,可以将SAR图像划分为聚集区域、匀质区域和结构区域,这样SAR图像分割任务就被提升到了语义层次。SAR图像的整体分割任务被分解成了聚集区域、匀质区域和结构区域的分割三个子任务。其中,聚集区域中地物结构非常复杂,对其进行有效分割比较困难。聚集区域由一些互不连通的区域构成,这样聚集区域的分割就是对这些互不连通的区域根据特征进行比较进而完成合并的过程。本文对于聚集区域中的各个互不连通的区域,分别进行采样并训练反卷积网络,将学习到的滤波器集合作为区域结构特征。(2)本文提出映射推理网络,实现特征推理,进而完成SAR图像聚集区域的分割。对于聚集区域中的各个互不连通区域,学习到表征该区域结构特征的滤波器集合之后,为了实现分割,下一步的任务就是对区域之间的结构特征进行相似性比较。本文在自组织神经网络的基础上,提出了映射推理网络,以此对区域之间的结构特征进行比较推理,指导区域的合并,从而完成聚集区域的分割。(3)本文采用基于灰度特征和谱聚类的方法对SAR图像匀质区域进行分割。将对各类区域的分割方法加以综合,本文提出了基于反卷积映射推理网络和谱聚类的SAR图像分割方法。本方法的主要思想是:对于聚集区域,采用基于反卷积映射推理网络的方法进行分割;对于匀质区域,采用基于灰度特征和谱聚类的方法进行分割;对于结构区域,采用基于分水岭的方法进行分割;最后,将聚集区域、匀质区域和结构区域的分割结果整合到一起,就得到了SAR图像的最终分割结果。