详情

原文传递基于深度学习的SAR图像舰船轮廓提取方法研究

论文题名：	基于深度学习的SAR图像舰船轮廓提取方法研究
关键词：	SAR图像舰船轮廓提取方法;深度学习;目标检测;轮廓提取;Chan-Vese模型
摘要：	近年来，合成孔径雷达（SyntheticApertureRadar，SAR）成像技术得到了快速发展，高效利用SAR图像中包含的丰富信息实施高精度舰船识别已成为当前遥感领域里的研究热点问题之一。传统的SAR图像舰船识别方法通常依赖人工辅助或需要构建复杂的统计模型，而且在实际应用中的检测精度和泛化能力需要进一步提高。本文在总结了国内外基于深度学习的SAR图像舰船识别研究成果的基础上，以开源SARShipDetectionDataset（SSDD）数据集和SAR-Ship-Dataset数据集作为舰船检测数据源，围绕不同尺度、场景下SAR图像的舰船检测和轮廓提取方法进行了理论研究和实验验证。具体研究内容和创新工作如下：　　（1）联合FNLM和FasterR-CNN的舰船目标检测方法。深度学习方法虽然可以获得泛化能力较强的舰船检测模型，但在部分包含复杂场景的SAR图像中仍存在漏检和误检的问题，本文结合SAR的成像原理与图像特点，提出了快速非局部均值（FastNon-localMean，FNLM）滤波器联合FasterR-CNN的SAR图像舰船检测方法。首先，使用FNLM滤波器对SAR舰船检测图像数据进行滤波处理；然后，利用FasterR-CNN网络分别对滤波前后的SAR数据集进行训练；最后，实现舰船目标的快速检测并获得定位信息。实验结果表明，本文提出的联合方法可以获得较高的舰船检测精度，相比使用FasterR-CNN网络，舰船检测精度由0.66提升为0.70。　　（2）基于深度学习实例分割网络的舰船轮廓提取方法。针对目前对舰船目标实施精细化探测的需求日益增加，本文利用基于深度学习的实例分割方法实现舰船轮廓的提取，分别利用目前具有代表性的“双阶段”MaskR-CNN网络与“单阶段”SOLOv2网络对SAR图像舰船进行实例分割以获取舰船轮廓。其中，采用MaskR-CNN网络提取舰船轮廓，具有较高的目标检测精度，边界框平均精度均值的均值（BoundingBoxMeanMeanAveragePrecision，bbox-mmAP）和分割平均精度均值的均值（SegmentMeanMeanAveragePrecision，segm-mmAP）分别达到了0.72和0.70，但其提取的轮廓存在轮廓细节丢失、轮廓叠掩等问题。采用SOLOv2网络提取的舰船轮廓，掩膜平均精度均值（MaskMeanAveragePrecision，mask-mAP）仅有0.54，并且在小尺寸目标群中出现了较大规模的漏检现象。实验结果表明，基于深度学习的SAR图像舰船实例分割方法虽然可以实现轮廓提取，但轮廓精度仍有待提高。　　（3）联合FasterR-CNN和改进Chan-Vese模型的舰船轮廓提取方法。为了有效提取SAR图像舰船轮廓、合理评估舰船轮廓提取精度，本文提出了将深度学习方法联合轮廓模型实现高精度舰船轮廓的提取的方法。首先，训练FasterR-CNN网络实现对SAR图像中舰船的快速检测和目标区域切片；然后，使用FNLM滤波器对切片进行背景降噪和目标增强；最后，通过改进Chan-Vese模型实现轮廓提取。相比于原始的Chan-Vese模型，改进的Chan-Vese模型在减少了噪声对舰船轮廓形态的影响的同时降低了模型的计算量。此外，本文提出了可以在偏置方向与数值量化两个维度对舰船轮廓提取精度进行评价的指标RN。实验结果表明，本文提出舰船轮廓提取方法在实验数据集上达到了RN=-0.002的平均精度，与理想值RN=0差距较小，表明其提取的舰船轮廓更接近目标真实轮廓。　　本文在深入研究联合FNLM滤波器和FasterR-CNN网络的舰船目标检测方法、基于深度学习实例分割网络的舰船轮廓提取方法的基础上，重点提出了联合FasterR-CNN网络和改进的Chan-Vese模型的舰船轮廓提取方法，同时提出了舰船轮廓评价指标RN，本文研究工作为SAR图像舰船轮廓有效提取和精度评估提供理论支撑和研究参考。
作者：	江明达
专业：	电子信息
导师：	顾玲嘉
授予学位：	硕士
授予学位单位：	吉林大学
学位年度：	2023