基于星载简缩极化SAR的海上舰船目标检测方法研究
发布时间:2021-05-01 01:58
简缩极化合成孔径雷达(Compact Polarimetric Synthetic Aperture Radar,CP SAR)是一种新兴的极化SAR系统,能够在降低系统设计复杂度的情况下保持较好的全极化信息,具有较大的应用和发展潜力。与全极化SAR相比,简缩极化SAR因其系统简单且能够获取更大幅宽的图像,在海洋监视方面具有先天的优势,基于星载简缩极化SAR的海上舰船目标检测是当今极化SAR海洋遥感领域研究的热点问题。因此,星载简缩极化SAR图像舰船目标检测技术研究具有重要的理论意义和实用价值。本文针对星载简缩极化SAR图像的海上舰船目标检测问题,从全极化信息重建、极化特征参数提取以及简缩极化SAR舰船目标检测方法等方面进行了系统研究。主要工作和创新点如下:1、研究实现了两种典型的基于简缩极化数据的全极化信息重建方法,并通过实测数据的实验结果,对比分析了其重建性能。首先,详细推导了三种简缩极化模式的散射矢量和协方差矩阵。其次,利用Souyris重建模型和Nord重建模型分别对三种模式下的简缩极化数据进行重建。最后,通过NASA/JPL AIRSAR机载实测全极化数据分别模拟三种模式的简...
【文章来源】:国防科技大学湖南省 211工程院校 985工程院校
【文章页数】:89 页
【学位级别】:硕士
【文章目录】:
摘要
ABSTRACT
第一章 绪论
1.1 研究背景和意义
1.2 简缩极化SAR发展现状
1.2.1 典型的简缩极化SAR模式
1.2.2 简缩极化SAR系统发展现状
1.2.3 简缩极化SAR数据常用处理方法
1.2.4 简缩极化SAR舰船检测研究现状
1.3 论文研究思路与章节安排
第二章 简缩极化数据重建全极化信息方法对比分析
2.1 引言
2.2 三种模式简缩极化SAR
2.2.1 π/4模式简缩极化SAR
2.2.2 DCP模式简缩极化SAR
2.2.3 CTLR模式简缩极化SAR
2.3 简缩极化重建全极化信息
2.3.1 Souyris模型重建全极化信息
2.3.2 Nord模型重建全极化信息
2.4 全极化信息重建实验结果分析
2.5 本章小结
第三章 极化特征参数提取及舰船检测性能实验分析
3.1 引言
3.2 极化特征参数提取
3.2.1 常用的极化特征参数
3.2.2 全极化SAR极化特征参数提取
3.2.3 CTLR模式简缩极化SAR极化特征参数提取
3.3 极化特征对舰船检测鉴别能力实验分析
3.3.1 实验数据介绍
3.3.2 实验方法与结果分析
3.4 本章小结
第四章 基于简缩极化分解的舰船检测方法
4.1 引言
4.2 简缩极化分解
4.2.1 Cloude分解及其衍生的H/α分解
4.2.2 简缩极化m-χ分解
4.3 基于加权SVM分类和m-χ分解的舰船检测
4.3.1 特征向量选取
4.3.2 支持向量机
4.3.3 虚警去除
4.3.4 算法流程
4.4 实验结果与分析
4.4.1 实验数据介绍
4.4.2 置信度阈值对检测性能影响
4.4.3 不同算法检测结果对比分析
4.5 本章小结
第五章 结束语
5.1 本文工作总结
5.2 进一步工作展望
致谢
参考文献
作者在学期间取得的学术成果
本文编号:3169916
【文章来源】:国防科技大学湖南省 211工程院校 985工程院校
【文章页数】:89 页
【学位级别】:硕士
【文章目录】:
摘要
ABSTRACT
第一章 绪论
1.1 研究背景和意义
1.2 简缩极化SAR发展现状
1.2.1 典型的简缩极化SAR模式
1.2.2 简缩极化SAR系统发展现状
1.2.3 简缩极化SAR数据常用处理方法
1.2.4 简缩极化SAR舰船检测研究现状
1.3 论文研究思路与章节安排
第二章 简缩极化数据重建全极化信息方法对比分析
2.1 引言
2.2 三种模式简缩极化SAR
2.2.1 π/4模式简缩极化SAR
2.2.2 DCP模式简缩极化SAR
2.2.3 CTLR模式简缩极化SAR
2.3 简缩极化重建全极化信息
2.3.1 Souyris模型重建全极化信息
2.3.2 Nord模型重建全极化信息
2.4 全极化信息重建实验结果分析
2.5 本章小结
第三章 极化特征参数提取及舰船检测性能实验分析
3.1 引言
3.2 极化特征参数提取
3.2.1 常用的极化特征参数
3.2.2 全极化SAR极化特征参数提取
3.2.3 CTLR模式简缩极化SAR极化特征参数提取
3.3 极化特征对舰船检测鉴别能力实验分析
3.3.1 实验数据介绍
3.3.2 实验方法与结果分析
3.4 本章小结
第四章 基于简缩极化分解的舰船检测方法
4.1 引言
4.2 简缩极化分解
4.2.1 Cloude分解及其衍生的H/α分解
4.2.2 简缩极化m-χ分解
4.3 基于加权SVM分类和m-χ分解的舰船检测
4.3.1 特征向量选取
4.3.2 支持向量机
4.3.3 虚警去除
4.3.4 算法流程
4.4 实验结果与分析
4.4.1 实验数据介绍
4.4.2 置信度阈值对检测性能影响
4.4.3 不同算法检测结果对比分析
4.5 本章小结
第五章 结束语
5.1 本文工作总结
5.2 进一步工作展望
致谢
参考文献
作者在学期间取得的学术成果
本文编号:3169916
本文链接:https://www.wllwen.com/kejilunwen/jingguansheji/3169916.html