基于语义和脊波反卷积网络的sar图像分割

《基于语义和脊波反卷积网络的sar图像分割》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、爲麥械拚少專图硕±学位论文胃．ｉ禱圓基于语义和脊波反卷麵络的１ＳＡＲ隱側１作者姓名髙梦瑶、学校导戀名、职称刘芳教授企业导戀名、职敌刘文学髙工２３巧演学位类别工程硕±圓学校代巧１０７０１学号１３０３１２１８５２分类号ＴＰ７５密级么井西安电子科技大学硕±学位论文基于语义和脊波反卷积网络的ＳＡＲ图像分割作者姓名：高梦瑶领域：计算机技术学位类别：工程硕±学校导师姓名、职称：刘芳教授企业导师姓名、职称：刘文学高工学晓：计算机学院提交日期；２０１５年１２月SARImageSegm

2、entationBasedonSemanticandRidgeletDeconvolutionalNetworkAthesissubmittedtoXIDIANUNIVERSITYinpartialfulfillmentoftherequirementsforthedegreeofMasterinComputerTechnologyByGaoMengyaoSupervisor:LiuFangProfessorLiuWenxueSeniorEngineerSeptember2015西安电子微大学学位论文独创性（或创新性）声明秉承学校严谨的学风和优良的科学道德，本人声明所呈交的论文是我个人

3、在导师指导下进行的研究工作及取得的研巧成果。尽我所知，除了文中特别加标注和致谢中所罗列的内容Ｕ外，论文中不包含其他人己经发表或撰写过的研究成果；也不包含一为获得西安电子科技大学或其它教育机构的学位或证书而使用过的材料。与我同工作的同志对本研究所做的任何贡献均已在论文中作了明确的说明并表示了谢意。一学位论文若有不实之处，本人承担切法律责任。．１／＾日期，：本人签名：ｆｔ兩夸Ｗ手西安电子科技大学关于论文使用授权的说明本人完全了解西安电子科技大学有关保留和使用学位论文的规定，旨Ｐ：研究生在校攻读学位期间论文工作的知识产权单位属于西安电子科技大学。学校

4、有权保留送交、借阅论文论文的复印件，允许查阅；学校可Ｗ公布论文的全部或部分内容，允许采用影印、缩印或其它复制手段保存论文。同时本人保证，获得学位后结合学位论文研究成果撰写的文章，署名单位为西安电子科技大学。保密的学位论文在。＿年解密后适用本授权书厂｜化Ｐ巧ｉ本人签名：ａＸ）导师签名；奔考日期：？日期：《ｊ争１阵半Ｑ摘要摘要SAR图像分割是SAR图像处理的基础，分割质量的好坏直接影响后续的分析、识别等。传统的SAR图像分割方法主要分为基于特征的方法和基于统计模型的方法。基于特征的方法中，特征的好坏往往成为整个SAR图像处理系统性能的瓶颈。传统的基于特征

5、的方法需要靠人工经验来提取样本特征，但是人工选择特征是一项复杂而又难以控制的工程。因此，用于自动提取SAR图像本质特征的方法亟待出现。深度学习是一种能够自动提取图像特征的方法，但是传统的深度学习模型对SAR图像这种结构复杂的图像处理效果并不理想。本论文针对上述难题提出了一种基于语义和脊波反卷积网络的SAR图像分割方法，创新点如下：（1）在脊波冗余字典中随机选取一组基元对反卷积网络每一层的滤波器进行初始化，得到脊波反卷积网络。脊波冗余字典具有丰富的尺度、方向和位置信息，能够更好的匹配图像，捕捉更多的图像结构特征，因此相比于用随机初始化方法以及用高斯初始化方法对滤波器进行初始化，用脊波冗余字典初始

6、化滤波器可以学习到更好的SAR图像特征。基于语义空间将SAR图像划分为聚集区域、匀质区域和结构区域。对空间上不连通的SAR图像的聚集区域或匀质区域分别训练一个脊波反卷积网络，通过脊波反卷积网络的特征学习，得到代表各区域的特征表示。然而空间上不连通的聚集区域或匀质区域可能是同一类地物，这就需要根据区域特征的相似性来对聚集区域或匀质区域分别进行区域合并，得到SAR图像聚集区域和匀质区域的分割结果。（2）与聚集区域结构特点不同的是，匀质区域具有微纹理特点，区域内明暗变化不强烈，使用基于脊波反卷积网络的方法对其进行分割得到的分割效果并不理想，而灰度共生矩阵对处理纹理结构具有很大的优势。因此，本文使用基

7、于灰度共生矩阵和层次聚类的方法对匀质区域进行了分割：首先提取匀质区域的样本，获得匀质区域样本灰度共生矩阵的熵和相关性等二次统计量，计算匀质区域样本的灰度均值和均方差，将灰度共生矩阵的二次统计量和灰度均值均方差组成一个特征向量，对得到的特征向量进行层次聚类，得到匀质区域分割结果，取得了良好的分割效果。结构区域的地物一般为边界、线目标和独立目标，因此，对结构区域使用基于分水岭的方法进行分割，并整合聚集