论文部分内容阅读
合成孔径雷达(Synthetic Aperture Radar,SAR)以其全天时工作特性、不受气候条件影响、可以进行大范围场景观测的卓越性能,在对海洋区域进行连续、实时、长期的监测任务中发挥着不可替代的作用。随着各种先进SAR传感器的面世并投入使用,可获得的SAR图像数据(尤其是星载SAR图像数据)与日剧增,如何对沿海区域和开放海域的大量SAR数据进行充分解译是SAR遥感领域面临的一个重要研究课题。本文针对SAR图像中舰船目标的检测与分类识别任务展开深入研究,重点研究极化SAR图像中弱小舰船目标的检测问题和中等分辨率SAR图像中舰船目标的分类识别问题,期望发展出高效实用的SAR图像舰船目标自动识别解译系统。本学位论文的主要研究工作可概括如下:针对极化SAR(Polarimetric SAR,PolSAR)图像中舰船目标与海杂波的散射差异性,提出了一种适用于PolSAR图像的特征提取方式,进一步构造了一种自适应舰船目标检测算法。复杂海洋背景下通常存在部分目标后向散射较弱,海杂波的后向散射较强,导致获取的SAR图像中目标具有较小的信杂比(Signal-to-Clutter Ratio,SCR),弱小舰船目标很容易淹没在海杂波中,利用目标散射能量的传统检测算法的性能下降明显,难以满足实际的舰船目标检测需求。本文利用PolSAR数据,提出在局部区域内度量舰船目标和海杂波之间的二面角散射机制和体散射机制差异,得到新的局部散射机制差异回归核(Local Scattering Mechanism Difference based on Regression Kernel,LSMDRK)特征提取方式,充分提升了舰船目标和海杂波之间的差异性。基于提取的LSMDRK特征,通过结合基于自相似性的显著性检测算法,得到舰船目标和海杂波之间的对比度进一步提升的显著性图,然后结合自适应阈值分割方法完成舰船目标的自适应检测。通过实测星载SAR数据验证了该算法在较低的虚警率下对弱小舰船目标具有较高的检测性能。针对传统像素级的舰船目标检测算法受相干斑影响严重、对复杂海况不稳健的问题,提出了三种区域级的差异性度量方式,进一步构造了一种有监督的PolSAR图像舰船目标自动检测算法。首先对待检测PolSAR图像进行超像素分割,然后分别从不同超像素内极化相干矩阵的统计分布差异、不同等效超像素相干矩阵(Equivalent Superpixel Coherency matrix,ESC)在黎曼流形上的距离差异以及不同ESC矩阵在不同散射机制下的散射功率分布差异等方面度量舰船目标和海杂波的差异性,使得舰船目标与不同背景下的海杂波之间的对比度显著提升,并且提出的超像素级差异性度量几乎与雷达回波的后向散射功率无关。通过不同超像素分割尺度下的差异性度量的融合提升差异性度量方式对不同尺寸的舰船目标与不同背景下的海杂波的稳健性,最后以一种有监督的方式结合核Fisher判别方法和线性SVM分类器实现PolSAR图像舰船目标的自动检测。基于RADARSAT-2的仿真和实测数据验证了该方法对不同SCR下的舰船目标检测的稳健性和有效性。针对传统特征提取方式对中低分辨率SAR图像中舰船目标分类性能不佳的问题,探索了不同架构的深度卷积神经网络(Deep Convolutional Neural Networks,DCNNs)对中等分辨率(Medium Resolution,MR)SAR图像中的商用船舶的分类性能,进一步提出了适用于MR SAR图像舰船目标分类的密集连接CNN网络架构,提高了CNN网络对MR SAR图像中舰船目标的特征提取能力。基于MR Sentinel-1 SAR图像舰船目标分类数据集的实验证明,新提出的密集连接CNN网络架构相比于经典CNN网络结构对油轮、集装箱船和散装货船具有较高的分类准确率,并且对于油轮、集装箱船、散装货船、货船和杂货船五类舰船目标分类任务和训练数据样本数目较少的分类任务具有较好的稳健性。进一步针对MR SAR图像中舰船目标的类内差异性大和类间可分性小的问题,提出了基于多任务学习(Multi-Task Learning,MTL)框架的MR SAR图像舰船目标分类方法。MTL框架通过联合优化softmax对数分类损失和深度度量学习(Deep Metric Learning,DML)机制施加的三元组损失,使得同类样本在特征空间内的距离更近以及不同类样本在特征空间内的距离更远,从而提高舰船目标的分类性能。DML方法采用密集连接CNN网络架构作为三元组网络的主干网络,通过处理三元组数据得到深度嵌入特征,然后施加三元组相似性约束计算三元组损失函数。但是常规的DML方法独立地利用三元数据组计算三元组损失,容易导致网络收敛速度变慢和过拟合问题的出现。因此,基于Fisher判别准则的正则化损失项被加入到MTL损失函数中,通过集成训练数据中全部三元组数据的全局信息提升网络训练的稳定性和泛化能力。基于MR SAR图像舰船分类数据集的实验证明,MTL分类框架相比现有的SAR图像CNN网络目标识别方法具有更好的分类性能,并且对于类别数目较多的分类任务具有较好的泛化性能。