SAR目标鉴别中的非平衡数据问题研究
发布时间：2020-07-11 20:06
【摘要】：合成孔径雷达(SAR)是一种不受天气、光照等各种外界环境影响,并可以对感兴趣的区域进行全天候、全天时侦查的微波探测传感器。自SAR研制成功以来,SAR成像技术得到了快速地发展,获得的SAR图像分辨率也越来越高。随着各种各样SAR系统的出现,使得SAR在各个领域中应用越来越广泛,因而SAR目标鉴别也成为广大学者的研究重点。然而,在实际应用中,由于可获取的目标样本通常比较少,杂波样本相对较多,导致SAR目标鉴别中的训练数据存在非平衡的情况。而传统的SAR目标鉴别算法在训练样本非平衡时目标的检测率下降,导致鉴别性能下降,所以非平衡数据下的SAR目标鉴别算法的性能有待提高。为解决以上问题,本文研究了基于传统非平衡数据分类方法的SAR目标鉴别算法、基于代价敏感字典学习的SAR目标鉴别算法和基于集成学习的SAR目标鉴别算法,以提高非平衡数据下的SAR目标鉴别算法的性能。论文安排如下:1.主要介绍本文的研究背景及意义、SAR目标鉴别研究现状、非平衡数据分类问题的研究现状和本文主要安排。2.研究了基于传统非平衡数据分类方法的SAR目标鉴别算法。首先简单介绍了利用基于双参数恒虚警(CFAR)检测和超像素分割算法得到图像切片的过程;接着对基于词包模型的鉴别特征提取方法进行了简要描述,并在miniSAR图像上进行实验;最后研究了一些传统的针对非平衡数据分类进行处理的方法,并在miniSAR数据集上进行对比实验。3.研究了基于代价敏感字典学习的SAR目标鉴别算法。首先对稀疏表示分类基本理论和K-SVD字典学习算法进行了介绍;然后介绍了基于代价敏感字典学习的SAR目标鉴别算法框架及算法流程,在稀疏编码阶段考虑了代价信息,并在整个字典学习过程中强制执行代价敏感约束;最后在miniSAR数据集上进行对比实验,验证了代价信息对非平衡数据下的SAR目标鉴别算法性能的提升作用。4.研究了基于集成学习的SAR目标鉴别算法。首先介绍集成学习基本理论;接着描述了基于三种不同字典集成方式的SAR目标鉴别算法,并在miniSAR数据集上进行对比实验;最后介绍基于集成多分类器的SAR目标鉴别算法框架及流程,基分类器分别为基于代价敏感字典学习的稀疏表示分类器(CSDL-SRC)与支持向量机(SVM),并在miniSAR数据集上进行对比实验,验证集成学习对非平衡数据下的SAR目标鉴别效果有进一步提升作用。
【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】：
20%将其标记为目标切片，否则标记为杂波切片。切片提取结果如图 2.1 所示。(a)目标切片 (b)人造杂波切片 (c)自然杂波切片图2.1 基于超像素分割与双参数 CFAR 检测提取到的切片2.2.2 基于词包模型的鉴别特征提取对所有的切片提取SAR-SIFT局部特征利用kmeans算法和训练样本的SAR-SIFT局部特征，学习一个编码字典D利用编码字典D，对所有切片的SAR-SIFT局部特征进行量化编码利用均值合并，得到基于词包模型的鉴别特征图2.2 基于词包模型的鉴别特征提取过程根据文献[17]中所描述，基于词包模型的鉴别特征的提取过程如图 2.2 所示，主要包括以下四步：
(a) miniSAR 图像 1 标记图 (b) miniSAR 图像 2 标记图(c) miniSAR 图像 3 标记图 (d) miniSAR 图像 4 标记图图2.6 实测 miniSAR 图像人工标记图切片图像是通过 2.2.1 节所述的过程得到，表 2.1 中显示的是从每幅图像上获得的切片数目。表2.1 四幅 miniSAR 图像提取的切片数目图像大小 目标切片数目 杂波切片数目miniSAR 图像 1 1638*2510 79 510miniSAR 图像 2 1638*2510 159 627miniSAR 图像 3 1638*2510 115 305miniSAR 图像 4 3274*2510 140 599从上述表2.1中可以看出每幅miniSAR图像得到的杂波切片数目都远多于目标切片数目，因此训练切片中的目标切片与杂波切片的数目也存在较为严重的不平衡的问题，例如将图 2.5 中的(a)作为测试图像，剩下的(b)、(c)、(d)作为训练图像，则目标类训练样本数为159 115 140 414，杂波类样本数为627 305 599 1531。实验的训练切片和测试切片的数目如表 2.2 所示：
本文编号：2750864
【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】：
20%将其标记为目标切片，否则标记为杂波切片。切片提取结果如图 2.1 所示。(a)目标切片 (b)人造杂波切片 (c)自然杂波切片图2.1 基于超像素分割与双参数 CFAR 检测提取到的切片2.2.2 基于词包模型的鉴别特征提取对所有的切片提取SAR-SIFT局部特征利用kmeans算法和训练样本的SAR-SIFT局部特征，学习一个编码字典D利用编码字典D，对所有切片的SAR-SIFT局部特征进行量化编码利用均值合并，得到基于词包模型的鉴别特征图2.2 基于词包模型的鉴别特征提取过程根据文献[17]中所描述，基于词包模型的鉴别特征的提取过程如图 2.2 所示，主要包括以下四步：
(a) miniSAR 图像 1 标记图 (b) miniSAR 图像 2 标记图(c) miniSAR 图像 3 标记图 (d) miniSAR 图像 4 标记图图2.6 实测 miniSAR 图像人工标记图切片图像是通过 2.2.1 节所述的过程得到，表 2.1 中显示的是从每幅图像上获得的切片数目。表2.1 四幅 miniSAR 图像提取的切片数目图像大小 目标切片数目 杂波切片数目miniSAR 图像 1 1638*2510 79 510miniSAR 图像 2 1638*2510 159 627miniSAR 图像 3 1638*2510 115 305miniSAR 图像 4 3274*2510 140 599从上述表2.1中可以看出每幅miniSAR图像得到的杂波切片数目都远多于目标切片数目，因此训练切片中的目标切片与杂波切片的数目也存在较为严重的不平衡的问题，例如将图 2.5 中的(a)作为测试图像，剩下的(b)、(c)、(d)作为训练图像，则目标类训练样本数为159 115 140 414，杂波类样本数为627 305 599 1531。实验的训练切片和测试切片的数目如表 2.2 所示：
【参考文献】
中国期刊全文数据库 前2条
1 黄凯奇;任伟强;谭铁牛;;图像物体分类与检测算法综述[J];计算机学报;2014年06期
2 高贵;;SAR图像目标鉴别研究综述[J];信号处理;2009年09期
中国博士学位论文全文数据库 前2条
1 丁军;基于稀疏理论的SAR图像目标识别研究[D];西安电子科技大学;2015年
2 高贵;SAR图像目标ROI自动获取技术研究[D];国防科学技术大学;2007年
本文编号：2750864
本文链接：https://www.wllwen.com/kejilunwen/wltx/2750864.html
