基于反卷積自適應(yīng)推理網(wǎng)絡(luò)的SAR圖像分割.pdf

1、SAR圖像分割是SAR圖像處理中的關(guān)鍵技術(shù)之一，其結(jié)果直接影響后續(xù)的處理，故SAR圖像分割技術(shù)的研究成為SAR圖像處理領(lǐng)域里面眾人追捧的一項課題。本文結(jié)合當(dāng)下炙手可熱的無監(jiān)督反卷積神經(jīng)網(wǎng)絡(luò)和經(jīng)典的自適應(yīng)共振網(wǎng)絡(luò)，提出了一種基于反卷積自適應(yīng)推理網(wǎng)絡(luò)的SAR圖像分割方法，該方法是建立在SAR圖像區(qū)域圖之上的，其中SAR圖像區(qū)域圖包括聚集區(qū)域﹑勻質(zhì)區(qū)域和結(jié)構(gòu)區(qū)域三個部分。本文的主要工作包含如下幾點：
　?。?）SAR圖像聚集區(qū)域具有明顯

2、的結(jié)構(gòu)特征，有鑒于此，采用本文提出的基于反卷積自適應(yīng)推理網(wǎng)絡(luò)來分割這一區(qū)域。該方法首先構(gòu)造一個多層的深度反卷積網(wǎng)絡(luò)，其中第一層為輸入層，其余各層為反卷積層，采取逐層貪婪的方式自上而下的學(xué)習(xí)每一層的濾波器和特征圖。所有層的濾波器大小固定，層數(shù)越大，學(xué)習(xí)到的特征越全面，信息包含的越多，致使特征圖逐漸變大，濾波器的個數(shù)也越來越多。其次，對每一個不連通的聚集區(qū)域采用固定大小的滑動窗口隔點采樣得到區(qū)域樣本，并輸入到已構(gòu)造的深度反卷積網(wǎng)絡(luò)中進行學(xué)習(xí)

3、，用學(xué)習(xí)得到的最后一層結(jié)構(gòu)特征濾波器組表示空間上不連通的各個聚集區(qū)域。最后，采用本文提出的自適應(yīng)推理網(wǎng)絡(luò)判定聚集區(qū)域之間的相似性。任取一個聚集區(qū)域的結(jié)構(gòu)特征濾波器輸入到自適應(yīng)共振網(wǎng)絡(luò)中進行分類學(xué)習(xí)，待學(xué)習(xí)完成以后，將該自適應(yīng)共振網(wǎng)絡(luò)加上區(qū)域統(tǒng)計相似性計算模塊和規(guī)則推理模塊得到自適應(yīng)推理網(wǎng)絡(luò)，用另外一個聚集區(qū)域的結(jié)構(gòu)特征濾波器輸入到該自適應(yīng)共振網(wǎng)絡(luò)，根據(jù)區(qū)域統(tǒng)計相似性計算模塊和規(guī)則推理模塊得出兩個區(qū)域的相似性，進而分割兩個聚集區(qū)域。

4、>　?。?）SAR圖像中勻質(zhì)區(qū)域的結(jié)構(gòu)特征不太明顯，不適合采用專門提取圖像結(jié)構(gòu)特征的反卷積神經(jīng)網(wǎng)絡(luò)，故本文另辟蹊徑，采用基于“人工特征+機器學(xué)習(xí)”的方式對其分割。對SAR圖像的勻質(zhì)區(qū)域，提取每一個區(qū)域的灰度均值和方差作為區(qū)域特征，然后采用k-means方法對其聚類。同時為了突出該方法的有效性，采用基于反卷積自適應(yīng)推理網(wǎng)絡(luò)的SAR圖像分割方法對勻質(zhì)區(qū)域做了分割，對比結(jié)果能明顯的發(fā)現(xiàn)傳統(tǒng)的處理方式效果更佳；對SAR圖像的結(jié)構(gòu)區(qū)域，本文基于分