基于深度學(xué)習(xí)和區(qū)域圖的SAR圖像分割.pdf

1、SAR圖像分割技術(shù)的研究具有深遠(yuǎn)的現(xiàn)實(shí)意義，尤其是對于無監(jiān)督形式的研究具有更高的研究價(jià)值、更為開闊的應(yīng)用前景。SAR圖像區(qū)域圖形成于用于處理SAR圖像的素描圖，而素描圖源于素描圖模型。素描圖模型是基于計(jì)算機(jī)視覺理論，對圖像的高級(jí)抽象表示。深度學(xué)習(xí)作為近幾年圖像領(lǐng)域的研究熱點(diǎn)，是一種模擬人腦信息處理方式進(jìn)行逐層抽象、無監(jiān)督特征學(xué)習(xí)的方法。本文結(jié)合區(qū)域圖與深度學(xué)習(xí)提出了基于深度學(xué)習(xí)和區(qū)域圖的SAR圖像分割方法，能夠獲得較好的SAR圖像分割結(jié)

2、果，本文中深度學(xué)習(xí)方法使用的是深度自編碼器，大體內(nèi)容如下：
　　首先，根據(jù)SAR圖像素描圖模型提取素描圖，補(bǔ)全素描圖得到區(qū)域圖，通過區(qū)域圖將原圖像分為聚集、勻質(zhì)及結(jié)構(gòu)三種類型區(qū)域，并分別映射到原圖，得到聚集區(qū)域、勻質(zhì)區(qū)域和結(jié)構(gòu)區(qū)域。本文以區(qū)域圖為基礎(chǔ)，分別對這三部分區(qū)域，結(jié)合使用不同的方法展開工作。
　　然后，針對SAR圖像聚集區(qū)域和勻質(zhì)區(qū)域分別構(gòu)建兩個(gè)不同的深度自編碼器，確定深度自編碼器的網(wǎng)絡(luò)層數(shù)、每層節(jié)點(diǎn)數(shù)及各個(gè)訓(xùn)練參數(shù)

3、等；對聚集區(qū)域和勻質(zhì)區(qū)域不同窗口大小取樣，將樣本輸入對應(yīng)的深度自編碼器進(jìn)行網(wǎng)絡(luò)訓(xùn)練，網(wǎng)絡(luò)訓(xùn)練中每兩層構(gòu)成一個(gè)限制玻爾茲曼機(jī)進(jìn)行逐層預(yù)訓(xùn)練，并對整個(gè)網(wǎng)絡(luò)使用BP算法進(jìn)行調(diào)優(yōu)；用訓(xùn)練好的深度自編碼器得到對應(yīng)所有點(diǎn)的多層表示，級(jí)聯(lián)編碼層最后兩層的表示作為該點(diǎn)的特征；根據(jù)詞袋模型，分別由聚集和勻質(zhì)區(qū)域中所有點(diǎn)的特征對聚集和勻質(zhì)區(qū)域構(gòu)建字典；將所有點(diǎn)的特征使用局部約束線性編碼向?qū)?yīng)類型區(qū)域的字典進(jìn)行投影，得到該類型區(qū)域中的所有點(diǎn)的稀疏編碼；分別對

4、勻質(zhì)和聚集區(qū)域a中的各個(gè)子區(qū)域，將子區(qū)域內(nèi)所有點(diǎn)的稀疏編碼匯聚成編碼矩陣，取其最高分量作為該子區(qū)域的區(qū)域特征；分別對兩類區(qū)域的所有子區(qū)域特征進(jìn)行聚類，完成對SAR圖像聚集區(qū)域和勻質(zhì)區(qū)域的分割。
　　最后，對SAR圖像的結(jié)構(gòu)區(qū)域，本文中使用了分水嶺算法將原圖的梯度圖分割成許多超像素，映射到原圖的結(jié)構(gòu)區(qū)域，將結(jié)構(gòu)區(qū)域的超像素在素描線指導(dǎo)下合并，并與勻質(zhì)區(qū)域合并。合并各類型區(qū)域的分割結(jié)果，得到最終的SAR圖像分割結(jié)果。本文中提出的SAR