基于語義和脊波反卷積網(wǎng)絡的sar圖像分割

《基于語義和脊波反卷積網(wǎng)絡的sar圖像分割》由會員上傳分享，免費在線閱讀，更多相關(guān)內(nèi)容在學術(shù)論文-天天文庫。

1、爲麥械拚少專圖碩±學位論文胃．ｉ禱圓基于語義和脊波反卷麵絡的１ＳＡＲ隱側(cè)１作者姓名髙夢瑤、學校導戀名、職稱劉芳教授企業(yè)導戀名、職敵劉文學髙工２３巧演學位類別工程碩±圓學校代巧１０７０１學號１３０３１２１８５２分類號ＴＰ７５密級么井西安電子科技大學碩±學位論文基于語義和脊波反卷積網(wǎng)絡的ＳＡＲ圖像分割作者姓名：高夢瑤領(lǐng)域：計算機技術(shù)學位類別：工程碩±學校導師姓名、職稱：劉芳教授企業(yè)導師姓名、職稱：劉文學高工學曉：計算機學院提交日期；２０１５年１２月SARImageSegm

2、entationBasedonSemanticandRidgeletDeconvolutionalNetworkAthesissubmittedtoXIDIANUNIVERSITYinpartialfulfillmentoftherequirementsforthedegreeofMasterinComputerTechnologyByGaoMengyaoSupervisor:LiuFangProfessorLiuWenxueSeniorEngineerSeptember2015西安電子微大學學位論文獨創(chuàng)性（或創(chuàng)新性）聲明秉承學校嚴謹?shù)膶W風和優(yōu)良的科學道德，本人聲明所呈交的論文是我個人

3、在導師指導下進行的研究工作及取得的研巧成果。盡我所知，除了文中特別加標注和致謝中所羅列的內(nèi)容Ｕ外，論文中不包含其他人己經(jīng)發(fā)表或撰寫過的研究成果；也不包含一為獲得西安電子科技大學或其它教育機構(gòu)的學位或證書而使用過的材料。與我同工作的同志對本研究所做的任何貢獻均已在論文中作了明確的說明并表示了謝意。一學位論文若有不實之處，本人承擔切法律責任。．１／＾日期，：本人簽名：ｆｔ兩夸Ｗ手西安電子科技大學關(guān)于論文使用授權(quán)的說明本人完全了解西安電子科技大學有關(guān)保留和使用學位論文的規(guī)定，旨Ｐ：研究生在校攻讀學位期間論文工作的知識產(chǎn)權(quán)單位屬于西安電子科技大學。學校

4、有權(quán)保留送交、借閱論文論文的復印件，允許查閱；學?？桑坠颊撐牡娜炕虿糠謨?nèi)容，允許采用影印、縮印或其它復制手段保存論文。同時本人保證，獲得學位后結(jié)合學位論文研究成果撰寫的文章，署名單位為西安電子科技大學。保密的學位論文在。＿年解密后適用本授權(quán)書廠｜化Ｐ巧ｉ本人簽名：ａＸ）導師簽名；奔考日期：？日期：《ｊ爭１陣半Ｑ摘要摘要SAR圖像分割是SAR圖像處理的基礎(chǔ)，分割質(zhì)量的好壞直接影響后續(xù)的分析、識別等。傳統(tǒng)的SAR圖像分割方法主要分為基于特征的方法和基于統(tǒng)計模型的方法?；谔卣鞯姆椒ㄖ?，特征的好壞往往成為整個SAR圖像處理系統(tǒng)性能的瓶頸。傳統(tǒng)的基于特征

5、的方法需要靠人工經(jīng)驗來提取樣本特征，但是人工選擇特征是一項復雜而又難以控制的工程。因此，用于自動提取SAR圖像本質(zhì)特征的方法亟待出現(xiàn)。深度學習是一種能夠自動提取圖像特征的方法，但是傳統(tǒng)的深度學習模型對SAR圖像這種結(jié)構(gòu)復雜的圖像處理效果并不理想。本論文針對上述難題提出了一種基于語義和脊波反卷積網(wǎng)絡的SAR圖像分割方法，創(chuàng)新點如下：（1）在脊波冗余字典中隨機選取一組基元對反卷積網(wǎng)絡每一層的濾波器進行初始化，得到脊波反卷積網(wǎng)絡。脊波冗余字典具有豐富的尺度、方向和位置信息，能夠更好的匹配圖像，捕捉更多的圖像結(jié)構(gòu)特征，因此相比于用隨機初始化方法以及用高斯初始化方法對濾波器進行初始化，用脊波冗余字典初始

6、化濾波器可以學習到更好的SAR圖像特征?；谡Z義空間將SAR圖像劃分為聚集區(qū)域、勻質(zhì)區(qū)域和結(jié)構(gòu)區(qū)域。對空間上不連通的SAR圖像的聚集區(qū)域或勻質(zhì)區(qū)域分別訓練一個脊波反卷積網(wǎng)絡，通過脊波反卷積網(wǎng)絡的特征學習，得到代表各區(qū)域的特征表示。然而空間上不連通的聚集區(qū)域或勻質(zhì)區(qū)域可能是同一類地物，這就需要根據(jù)區(qū)域特征的相似性來對聚集區(qū)域或勻質(zhì)區(qū)域分別進行區(qū)域合并，得到SAR圖像聚集區(qū)域和勻質(zhì)區(qū)域的分割結(jié)果。（2）與聚集區(qū)域結(jié)構(gòu)特點不同的是，勻質(zhì)區(qū)域具有微紋理特點，區(qū)域內(nèi)明暗變化不強烈，使用基于脊波反卷積網(wǎng)絡的方法對其進行分割得到的分割效果并不理想，而灰度共生矩陣對處理紋理結(jié)構(gòu)具有很大的優(yōu)勢。因此，本文使用基

7、于灰度共生矩陣和層次聚類的方法對勻質(zhì)區(qū)域進行了分割：首先提取勻質(zhì)區(qū)域的樣本，獲得勻質(zhì)區(qū)域樣本灰度共生矩陣的熵和相關(guān)性等二次統(tǒng)計量，計算勻質(zhì)區(qū)域樣本的灰度均值和均方差，將灰度共生矩陣的二次統(tǒng)計量和灰度均值均方差組成一個特征向量，對得到的特征向量進行層次聚類，得到勻質(zhì)區(qū)域分割結(jié)果，取得了良好的分割效果。結(jié)構(gòu)區(qū)域的地物一般為邊界、線目標和獨立目標，因此，對結(jié)構(gòu)區(qū)域使用基于分水嶺的方法進行分割，并整合聚集