高分辨率SAR图像目标识别关键技术

发布时间：2017-08-04 16:19

  本文关键词：高分辨率SAR图像目标识别关键技术

  更多相关文章： SAR图像 去噪 特征提取 分类器

【摘要】：合成孔径雷达(SAR)因为其成像不受天气,光照等条件的影响,在民用和军事等领域已得到广泛的应用。随着SAR技术发展不断深入,SAR图像由传统的基于人工判读逐渐转化为SAR图像的自动目标识别(SAR ATR)。本文主要研究了SAR ATR关键技术,其中主要包括三大部分:SAR图像滤波、特征提取以及目标分类器设计。针对每个部分所涉及的算法本文分别从理论和仿真数据给予了详细的分析。提出一种基于差分曲率驱动的各项异性扩散SAR图像滤波方法。SAR的成像特点决定了SAR图像受相干斑噪声的影响,且符合乘性模型。在处理过程中,通过对数变换,把乘性模型转化为加性模型。主要分析了基于偏微分方程的去噪算法,针对传统的P-M、平均曲率驱动、高斯曲率驱动等去噪算法不能保留图像边缘、细节信息,提出改进的基于差分曲率驱动的各项异性扩散方法,该方法可以较好地区分图像的边缘、孤立噪点和图像的平坦区域,因此,去噪的同时保留了图像边缘信息。研究了一种基于变换特性的SAR图像特征提取方法。由于直接对去噪后的SAR图像进行目标分类,其识别效率极低,因此,在分类器设计之前对图像进行了特征提取,既减小了计算量,也达到了进一步去噪的作用。主要研究分析了PCA算法,该算法利用K-L变换原理,把图像转化为一维向量,根据其协方差矩阵的特征值的大小,来选择具有代表性的特征向量。进一步研究了与PCA算法类似的2DPCA算法,该算法直接利用原始图像进行特征提取,解决了PCA在处理大图像时所需计算量很大的问题。提出一种复合的SAR目标分类器设计方法。利用特征提取过程得到的投影数据进行目标分类,主要分析了近邻法,支持向量机和不等间距最优分类面支持向量机三种分类器设计方法。因为本次研究针对多类别目标进行,因此,采用一对一分类设计,把训练样本的所有类别两两组合分别设计二分类器,对每个分类器识别出的结果进行投票选取。结合近邻法和支持向量机的特点,提出一种改进的分类器设计方法,该方法根据训练样本数据的分布不同采用不同的分类器,同时,既解决了大量样本数据直接采用近邻法分类计算量和存储空间大的问题,又解决了支持向量机在分类面附近存在噪声样本点时易出现错分的问题。
【关键词】：SAR图像 去噪 特征提取 分类器
【学位授予单位】：电子科技大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TN957.52
【目录】：

• 摘要5-6
• ABSTRACT6-10
• 第一章 绪论10-16
• 1.1 研究背景及意义10-11
• 1.2 国内外研究现状11-13
• 1.3 主要研究内容13-14
• 1.4 论文结构安排14-16
• 第二章 基于偏微分方程的SAR图像去噪算法16-34
• 2.1 引言16-17
• 2.2 MSTAR数据介绍17-18
• 2.3 SAR图像噪声模型18-21
• 2.3.1 相干斑噪声形成机理18-19
• 2.3.2 相干斑噪声统计特性19-20
• 2.3.3 相干斑噪声模型处理20-21
• 2.4 几种常见的偏微分方程去噪方法及分析21-23
• 2.4.1 P-M去噪模型21-22
• 2.4.2 平均曲率和高斯曲率驱动去噪模型22-23
• 2.5 改进的差分曲率驱动偏微分去噪算法23-26
• 2.5.1 基于差分曲率驱动去噪模型的提出23-24
• 2.5.2 新模型鲁棒性分析24-25
• 2.5.3 新模型的离散化形式25-26
• 2.6 仿真结果与分析26-33
• 2.7 本章小结33-34
• 第三章 SAR图像特征提取方法的研究34-54
• 3.1 引言34
• 3.2 基于物理性质的特征特征提取34-43
• 3.2.1 几何特征提取34-35
• 3.2.2 点特征和线特征提取35-41
• 3.2.3 区域特征提取41-43
• 3.3 基于PCA的SAR图像特征提取43-47
• 3.3.1 PCA算法原理43-46
• 3.3.2 PCA特征提取算法步骤46-47
• 3.4 基于 2DPCA的SAR图像目标特征提取47-50
• 3.4.1 2DPCA基本思想47-48
• 3.4.2 2DPCA特征提取步骤48-50
• 3.5 仿真结果与分析50-53
• 3.6 本章小结53-54
• 第四章 SAR目标投影数据的分类器设计方法54-70
• 4.1 引言54
• 4.2 近邻法分类器设计54-55
• 4.3 支持向量机分类器设计55-63
• 4.3.1 线性最优分类面56-58
• 4.3.2 非线性最优分类面58-61
• 4.3.3 SVM多类分类算法61-63
• 4.3.4 SVM的特点及优势63
• 4.4 基于不等距最优超平面的支持向量机分类算法63-66
• 4.4.1 不等间距SVM算法的形成63-64
• 4.4.2 不等间距SVM算法的实现64-66
• 4.5 改进近邻法与不等间距SVM结合的分类算法66-67
• 4.6 仿真结果与分析67-69
• 4.7 本章小结69-70
• 第五章 SAR图像目标识别系统的设计与实现70-73
• 5.1 SAR图像目标识别系统总体结构70
• 5.2 SAR图像目标识别系统实现70-73
• 第六章 总结与展望73-75
• 6.1 全文总结73-74
• 6.2 工作展望74-75
• 致谢75-76
• 参考文献76-81
• 攻读硕士学位期间取得的成果81-82

【共引文献】

中国期刊全文数据库 前10条

1 王益艳;陈阳;罗立民;;基于结构保持的增广型各向异性PDE滤波[J];东南大学学报(自然科学版);2014年04期

2 魏长宝;张莉华;;边界噪声检测耦合差分曲率驱动的脉冲噪声图像降噪[J];包装工程;2015年17期

3 唐利明;王晓峰;陈照辉;;去除阶梯效应和震荡提取的分片变分分解模型[J];计算机辅助设计与图形学学报;2013年08期

4 王智文;李绍滋;;基于多元统计模型的分形小波自适应图像去噪[J];计算机学报;2014年06期

5 公成敏;;全变分原理在地震数据去噪中的应用[J];计算机与数字工程;2014年07期

6 孙未雅;张权;白云蛟;张芳;董婵婵;何琳;桂志国;;基于差分曲率的非局部均值图像降噪算法[J];中北大学学报(自然科学版);2015年03期

7 董婵婵;张权;郝慧艳;刘yN;;基于改进各项异性扩散和小波变换的MLEM低剂量CT重建算法[J];中北大学学报(自然科学版);2015年04期

8 唐利明;王洪珂;陈照辉;黄大荣;;基于变分水平集的图像模糊聚类分割[J];软件学报;2014年07期

9 唐利明;黄大荣;李可人;;基于变分水平集的图像分割模型[J];数据采集与处理;2014年05期

10 贺梦颖;;基于差分曲率的自适应反锐化增强算法[J];山西电子技术;2015年01期

中国重要会议论文全文数据库 前1条

1 董婵婵;张权;郝慧艳;张芳;刘yN;孙未雅;桂志国;;基于差分曲率的各项异性扩散图像降噪算法[A];2014年全国射线数字成像与CT新技术研讨会论文集[C];2014年

中国博士学位论文全文数据库 前4条

1 黄淑英;基于空间域正则化方法的图像超分辨率技术研究[D];中国海洋大学;2013年

2 王峥荣;基于运动信息的IC图像超分辨率重建技术[D];华中科技大学;2014年

3 方厚章;空—时—频特性知识指导的图像恢复方法研究[D];华中科技大学;2014年

4 程玉柱;分数阶ACM图像分割算法及其在杂草图像中的应用[D];南京林业大学;2014年

中国硕士学位论文全文数据库 前7条

1 彭兰辉;基于变分PDE的图像去噪方法研究[D];重庆大学;2013年

2 刘西林;图像去噪的两类偏微分方程新模型[D];东华理工大学;2013年

3 王爽;基于偏微分方程的图像修复技术研究[D];辽宁师范大学;2012年

4 李志鹏;基于多尺度几何分析的图像去噪研究[D];南昌大学;2014年

5 郭勇;超声手术导航系统中图像去噪和呼吸信号获取与建模[D];大连理工大学;2014年

6 田媛媛;分数阶微积分在图像增强中的应用研究[D];沈阳工业大学;2015年

7 贺梦颖;医学图像的增强技术研究与仿真[D];中北大学;2015年

，

本文编号：620515