基于深度学习的SAR图像超像素分割及目标检测应用技术研究
合成孔径雷达(SyntheticApertureRadar,SAR)是一种通过发射和接受微波脉冲来生成高分辨率图像的遥感技术，它在环境监测领域具有重要的应用价值。 近年来，基于SAR图像的研究受到广泛的关注。然而像素级别的算法，其实时性已经难以满足海量SAR图像快速处理的实际需求。超像素分割可以将复杂的图像分割为数量级较少的像素集单元，有效地减少图像处理和解译的计算量，提高算法的效率。除此之外，它还能保留图像信息，减少图像中噪声对于单个像素的干扰。然而，SAR图像信息维度低、结构复杂，导致现存的超像素分割算法在SAR图像上难以获得比较精确的结果。因此，本文提出了一种高效精准的SAR图像超像素分割算法，能有效解决这些问题。 超像素能有效减少计算量、保留图像信息，因此被广泛应用于图像解译领域。本文基于所提出的SAR图像超像素分割算法，探索相应的技术手段，将超像素应用于SAR图像舰船检测。目前先进的SAR图像舰船检测算法大多是使用卷积神经网络模型来实现的，然而，深度学习方法通常需要大量的标注样本进行训练，人工成本较高。因此,本文提出了一种无监督的舰船检测方法，无需人工标注训练图集。 综上所述，本文展开两方面的研究:SAR图像超像素分割以及基于超像素的SAR图像舰船目标检测研究。本文的主要工作内容和创新点如下: (1)提出了一种基于多任务学习的SAR图像超像素分割方法。首先，利用深度神经网络强大的特征提取能力，提取图像的深层特征,结合SAR图像强度信息和空间信息构建高维特征空间，以这种方式增加了像素特征维度。然后，基于该高维特征空间，定义了一种对SAR图像的相干斑噪声具有鲁棒性的像素距离测度来度量像素间的距离。此外，本文设计了一个可微的软分配操作来替代简单线性迭代(SimpleLinearIterativeClustering,SLIC)的最近邻操作，使可微的SLIC和特征提取器结合为端到端的超像素生成网络，同时使用多任务学习策略对网络进行训练，解决标注数据不足的问题。 (2)提出了一种基于超像素的SAR图像舰船目标检测方法，结合超像素和卷积神经网络对SAR图像进行无监督舰船目标检测。首先对SAR图像进行超像素分割，使用超像素的内部统计特性自动选择舰船超像素和背景超像素，实现方法的无监督性。然后，根据选择的超像素生成形状规则的训练样本，将其输入卷积神经网络中训练。最后,利用训练好的网络对所有超像素进行分类，并进行后处理最终输出舰船检测的像素级结果。
合成孔径雷达图像;超像素分割;深度学习;舰船目标检测
北京化工大学
硕士
计算机科学与技术
项德良
2023
中文
TP751
2023-09-27（万方平台首次上网日期，不代表论文的发表时间）