1、本文主要研究了高分辨率合成孔徑雷達（synthetic aperture radar,SAR）圖像目標快速提取技術。傳統的基于邊緣和區(qū)域的SAR圖像目標提取方法通常被認為是自底向上的計算過程，即只能依賴于圖像本身獲取的低層信息，且低層的計算誤差傳播到高層后沒有任何修正機會，容易受圖像噪聲等復雜因素的影響。為了解決這一問題，本文提出了采用主動輪廓模型的高層理解、視覺顯著性模型的顯著區(qū)域快速提取以及深度神經網絡的無監(jiān)督學習能力相結合的SAR

2、圖像目標提取思路。按照這一思路，在主動輪廓模型對SAR圖像乘性噪聲的魯棒性、主動輪廓模型在SAR圖像處理中收斂到全局極小值（即能量泛函的凸優(yōu)化）、主動輪廓模型對大尺寸SAR圖像目標提取的快速性、視覺顯著性模型對大尺寸SAR圖像目標提取的自適應性、大尺寸SAR圖像目標切片提取鑒別分類中的無監(jiān)督特征學習等方面展開了系統的研究。所作工作主要包含以下五個方面：
　?。?）主動輪廓模型對SAR圖像乘性噪聲的魯棒性。從理論和實驗的角度分析了經

3、典主動輪廓模型在具有乘性相干斑噪聲的SAR圖像目標提取中失效的原因，為此本文提出了用輪廓內部和外部區(qū)域的概率密度函數來定義區(qū)域之間相似性的比率距離，設計了適合在乘性噪聲模型下度量區(qū)域之間相似性的能量泛函，即MCV（modified Chan and Vese）模型。并且參考LGIF（local and global intensity fitting）模型的構造模式將所提的MCV模型與RSF模型進行線性加權組合，提出了改進的LGIF模型

4、，即MLGIF（modified LGIF）模型。該模型使得RSF模型提供的局部強度擬合力和MCV模型提供的全局強度擬合力相互補充，在SAR圖像目標提取中能夠更好地引導輪廓的演化。
　?。?）主動輪廓模型在SAR圖像處理中收斂到全局極小值。給出了經典主動輪廓模型（包括MLGIF模型）能量泛函的一般形式，對這些模型最小化求解的一般方法作了理論分析，指出了其容易陷入局部極小值的根本原因，即非凸的能量泛函。為了尋求凸優(yōu)化的方法，本文對非

5、凸泛函的凸優(yōu)化方法進行了總結和理論分析，給出了凸優(yōu)化方法能保證主動輪廓模型具有全局最小解的證明，提出了對MLGIF模型進行凸優(yōu)化的新能量泛函，即GMLGIF（global minimization of the MLGIF）模型。最后給出了GMLGIF模型能量泛函為凸泛函的證明，并給出了采用對偶公式法來進行GMLGIF模型最小化求解的迭代算法（即算法3.1）。
　?。?）主動輪廓模型對大尺寸 SAR圖像目標提取的快速性。針對前文所

6、提的GMLGIF模型在大尺寸高分辨率SAR圖像目標提取上計算效率較低的問題，提出了GMLGIF模型與SR（spectral residual）視覺顯著性模型相結合的顯著性目標切片提取算法（即算法4.3），并與其他鑒別、分類方法一起構建了新的SAR ATR（automatic target recognition）框架（如圖4.11），該框架具有借助SR視覺顯著性模型快速發(fā)現顯著性目標區(qū)域的優(yōu)點，使得所提框架在目標檢測階段更高效；而多尺度

7、間隙度特征則增加了不同種類目標切片的差異，相比傳統的單尺度間隙度特征更有利于目標鑒別；另外，借助對乘性噪聲更魯棒的GMLGIF模型所得到的更加準確的目標輪廓，采用具有仿射不變性的AIFD（affine-invariant fourier descriptor）形狀描述子來描述目標的輪廓特征，并結合相應的上下文特征來共同進行目標分類，在基于形狀特征的目標分類領域也是一個創(chuàng)造性的嘗試。
　?。?）視覺顯著性模型對大尺寸SAR圖像目標提

8、取的自適應性。針對前文所提的SAR ATR框架（如圖4.11）所采用的SR模型只能檢測較小顯著性區(qū)域、且顯著性區(qū)域的選取非常依賴人工的閾值設置，以及GMLGIF模型耗時仍然較多的問題，提出了多尺度自適應視覺顯著性模型（即(5-12)式–(5-19)式）以及采用ROEWA算子和更加高效的split Bregman迭代方法的 SBGILGIF（global minimization of the improved LGIF model ad

9、opting split Bregman）主動輪廓模型（即算法5.1）相結合的大尺寸SAR圖像目標快速提取算法（算法5.2），使得所提算法在大尺寸SAR圖像目標處理中更加高效和更具適應性。
　?。?）大尺寸SAR圖像目標切片鑒別分類中的無監(jiān)督特征學習。針對前文所提的SAR ATR框架（如圖4.11）和目標快速提取算法（算法5.2）在切片鑒別、分類以及期望的顯著區(qū)域提取上都依賴人工進行特征設計和選取的問題，將更加智能、學習能力更強的