基于语义空间和随机梯度变分贝叶斯特征学习的SAR图像分割

摘要

SAR图像分割是SAR图像理解的前提和基础，对后续的分析和解译具有重要影响。而SAR图像极不匀质区域的方向丰富，尺度多变，是SAR图像分割的难点所在，本团队提出的SAR图像层次视觉语义模型可以从语义层面出发，将SAR图像划分为不同的像素子空间，在此基础上对每个像素子空间分别进行无监督分割，可以从语义层面提高分割结果的区域一致性。贝叶斯机器学习在不确定性知识的表达和数据建模方面具有独特优势，结合极不匀质区域的先验模型对贝叶斯网络进行推理，可以学习得到极不匀质区域的本质结构特征。本论文针对上述情况，提出了一种基于语义空间和随机梯度变分贝叶斯特征学习的SAR图像分割方法，主要创新点如下：
　　（1）针对混合像素子空间，提出了一种基于素描约束的随机梯度变分贝叶斯网络模型，对SAR图像的极不匀质区域进行特征学习。首先根据本团队提出的SAR图像层次视觉语义空间，即由SAR图像的素描图得到区域图，将区域图映射到SAR图像，将SAR图像划分为混合像素子空间、结构像素子空间和匀质像素子空间。针对混合像素子空间的每个极不匀质区域，构造基于素描约束的随机梯度变分贝叶斯网络，并对其区域数据建立 G0分布统计模型，进行参数估计得到概率密度函数后，生成一组满足该分布的随机矩阵对网络权值进行初始化，根据素描线段的素描特性对网络进行约束训练，得到训练后的网络权值作为区域特征。然后对区域特征进行最大值汇聚特征编码得到每个极不匀质区域的特征向量，最后采用层次聚类算法对各个极不匀质区域的特征向量进行分类，进而实现对SAR图像混合像素子空间的分割。
　　（2）针对匀质像素子空间，鉴于其主要地物是农田和水域，区域内明暗变化微弱，灰度变化平缓，但具有相干斑噪声的特点，本文提出了基于素描特性和超像素的匀质像素子空间分割方法，根据SAR图像素描线的位置、方向信息，结合分水岭超像素的分割方法对匀质像素子空间进行分割。首先，选择结构像素子空间中表示边界和线目标的素描线作为参考素描线，在参考素描线的两侧选择种子超像素，根据参考素描线的方向和位置信息设计局部区域分割算法，然后按照该算法进行全局的区域划分，得到匀质像素子空间的多个匀质区域，通过灰度共生矩阵提取每个匀质区域的纹理特征，再利用层次聚类的方法对特征进行聚类，进而得到匀质像素子空间的分割结果。最后，设计融合策略，将混合像素子空间、结构像素子空间和匀质像素子空间和的分割结果进行融合，得到SAR图像的最终分割结果。

目录

声明

插图索引

表格索引

符号对照表

缩略语对照表

第一章 绪论

1.1研究背景及意义

1.2 SAR图像分割的研究现状

1.3 SAR图像语义分割

1.4贝叶斯机器学习的研究现状

1.5论文的主要内容与安排

第二章 相关工作

2.1层次视觉语义模型的理论基础

2.2 SAR图像的层次视觉语义空间

2.3 SAR图像的像素子空间

第三章 基于素描约束和贝叶斯模型的极不匀质区域特征学习

3.1引言

3.2贝叶斯学习理论

3.3基于素描约束的随机梯度变分贝叶斯网络模型

3.4极不匀质区域的统计建模

3.5基于素描约束的随机梯度变分贝叶斯特征学习方法

3.6本章小结

第四章 基于素描特性和超像素的匀质像素子空间分割

4.1引言

4.2基于素描特性和超像素分割的匀质区域划分

4.3 基于超像素区域和灰度共生矩阵的匀质像素子空间分割

4.4实验仿真与分析

4.5本章小结

第五章 基于素描特性和贝叶斯特征学习的SAR图像语义分割

5.1引言

5.2基于特征学习和最大值汇聚编码的的混合像素子空间无监督分割

5.3基于素描信息和超像素的结构像素子空间分割

5.4匀质像素子空间的分割以及各个子空间分割结果的融合

5.5实验仿真与分析

5.6本章小结

第六章 总结与展望

6.1工作总结

6.2未来工作展望

参考文献

致谢

作者简介