基于自编码器的SAR目标鉴别算法研究

发布时间：2020-06-27 00:07

【摘要】：合成孔径雷达(Synthetic Aperture Radar,SAR)是一种不受环境,如光照,气候等因素影响的高分辨率雷达,被广泛的应用于军事领域和民用领域之中。在SAR的众多应用之中,SAR图像目标自动识别(Automatic Target Recognition,ATR)技术具有非常重要的军事价值,该技术可以有效的解译出目标中的有效信息,提高军队的作战能力及情报分析与获取能力。SAR图像目标鉴别是SAR图像目标自动识别技术的重要组成部分,而SAR图像特征提取又作为SAR目标鉴别的关键步骤,其特征提取的好坏与否将直接影响SAR目标鉴别与识别结果的优劣。非线性变换方法可以挖掘出数据的潜在信息,实现高维数据的维数压缩,是SAR图像目标特征提取的重要分支。深度学习模型中包含强大的非线性映射关系,可以有效且自动地学习高维数据中的特征表达,已成为近些年的研究热点。随着SAR成像技术的迅猛发展,越来越多的高分辨率SAR图像得以被获取,SAR图像中包含的信息也越来越复杂化,因此,在这个高速信息化、智能化的时代中,将深度学习引入SAR ATR领域是必须且急迫的。本文结合深度学习理论,围绕基于自编码器的SAR目标鉴别算法进行了深入的研究。本论文各部分工作内容概括如下:1.介绍SAR图像目标鉴别的研究背景、意义、发展现状及论文的具体安排。2.研究了一种基于稀疏自编码器的SAR图像目标鉴别方法。SAR特征提取环节一般是对基于专家知识设计的鉴别特征进行人工提取,这个过程费时费力,且提取出的特征会丢失原始数据中的部分信息,而自编码器及稀疏自编码器能自动学习数据特征且减少人为干涉。本算法利用稀疏自编码器对SAR图像进行学习,采用无监督学习法自动的从SAR图像数据中学习特征,使用Softmax分类器对得到的特征进行分类,验证了经稀疏自编码器提取出的特征应用于SAR目标鉴别的可行性与有效性。3.针对分类任务,研究了一种与自编码器具有相同结构的类编码器。类编码器的主要思想是通过最小化类内数据的重构差异,从而减少学到的类内特征差异,达到有针对性的对SAR图像特征进行学习的目的,学到SAR图像的可鉴别性特征。随后将类编码器作为Softmax分类器的约束研究了类编码器分类器,类编码器分类器在一个网络模型中同时进行重构任务与分类任务,进而使模型在特征学习的过程中令其学习结果利于分类。4.本部分首先对基于栈式稀疏自编码器的SAR目标鉴别算法进行研究,然后在此基础上,引入可以描述类内特征与类间特征关系的Fisher准则,并结合深层网络的特征学习能力,利用Fisher准则对栈式稀疏自编码器的微调过程进行约束,研究基于Fisher准则约束下的栈式稀疏自编码器的SAR图像目标鉴别算法。通过将Fisher准则作为SSAE微调过程中深层特征的约束,可以使学到的特征类内差异小,类间差异大,从而使学到的深层特征更利于SAR目标鉴别。
【学位授予单位】：西安电子科技大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TN957.52
【图文】：

数据集中,样本,杂波,图像

(c) 自然杂波切片样本(d) 人造杂波切片样本图1.3 四幅 miniSAR 数据集中部分切片样本示例图四幅 miniSAR 图像中训练切片数量及测试切片数量见表 1.1 所示：表1.1 四幅 miniSAR 图像训练切片数量及测试切片数量数量图像训练样本总数测试样本个数测试切片总数目标切片个数杂波切片个数miniSAR图像1 24550 739 140 599miniSAR图像2 21857 420 115 305miniSAR图像3 22141 589 79 510miniSAR图像4 14115 786 159 627观察图 1.2 中的四幅 miniSAR 图像，都含有车辆目标，且四种场景下多目标区域均明显多于单目标区域。四幅图像都具有各自的特点，miniSAR 图像 1 和 miniSAR图像 2 中自然杂波多于人造杂波，从这两幅图像中提取出的切片集中，自然杂波切片将多于人造杂波切片，miniSAR 图像 3 中人造杂波明显多于自然杂波，那么从这幅图像中提取出的切片集中，人造杂波切片将多于自然杂波切片，而 miniSAR 图像 4 中只有人造杂波，因此，四幅 miniSAR 图像中所获取的切片是具有多样性的

【参考文献】