论文部分内容阅读
应用图像处理、模式识别、机器学习等领域的相关知识对准确提取合成孔径雷达(Synthetic Aperture Radar,SAR)图像目标区域技术的研究受到了学者们广泛的关注。根据SAR自动目标识别(Automatic Target Recognition,ATR)三级处理流程可知,目标区域提取包括检测和鉴别两个阶段。本文利用区域生成、中层特征表示和弱监督学习相关技术,针对SAR图像目标检测和鉴别问题进行研究。论文主要工作如下:1、针对SAR图像多尺度舰船目标检测问题,结合常用于光学图像中的区域生成技术,提出了一种基于区域生成的双参数恒虚警(Constant False Alarm Rate,CFAR)舰船目标检测方法。该方法先基于带有目标标记的训练集学习一个基于梯度特征的区域生成模板,然后用学到的区域生成模板在检测图像上生成多尺度区域集,最后利用改进的CFRA检测器,将生成的区域视为一个整体,对其进行检测。该方法直接从区域出发,避免了传统像素级检测后续聚类存在的问题,提高了多尺度目标的检测性能。基于实测舰船数据,并与传统的检测方法进行对比,验证了提出方法的有效性。2、针对复杂场景下SAR图像车辆目标鉴别问题,结合中层特征和弱监督学习的优势,提出了一种基于弱监督学习的目标鉴别方法。弱监督信息指检测图像中是否有目标的标记,含有待检测目标标为正图像,反之,则为负图像,即图像级的标记信息。该方法先利用传统的双参数CFAR和聚类算法对图像进行检测,得到候选区域集,负图像的检测结果中都是杂波区域,而正图像的检测结果中既有目标区域也有杂波区域,并用基于尺度旋转不变特征(Scale Invariant Feature Transform,SIFT)的中层特征表示每一个候选区域;再基于无监督的潜在狄利克雷分配(Latent Dirichlet Allocation,LDA)主题模型利用负图像检测得到的杂波区域集从正图像的检测结果中挑选出初始的目标样本训练集;然后利用负图像检测得到的杂波样本和初始化的目标样本训练集迭代更新鉴别器和目标样本训练集,直到得到最优的鉴别器;最后用得到的最优鉴别器对测试图像检测得到的候选区域进行鉴别。该方法只利用弱标记信息,减少了人工标记数据的负担,同时,中层特征能很好地描述图像的结构和纹理信息,相比传统的鉴别特征能更好地区分目标区域和杂波区域。基于MiniSAR实测数据集,验证了提出方法的有效性。