广义图嵌入流形学习SAR目标识别方法研究
发布时间：2020-06-03 09:11
【摘要】：合成孔径雷达(Synthetic Aperture Radar,SAR)能够全天时、全天候地获取地球表面高分辨率图像,在农业调查、地质勘探、灾害评估和军事侦察等领域具有重要应用。SAR自动目标识别(Automatic Target Recognition,ATR)技术可以自动、准确、高效地将SAR图像中的目标进行分类、辨识,极具研究与应用价值,是当前国际SAR技术领域的前沿热点。特征提取是SAR ATR的关键技术。针对SAR图像目标识别问题,本文开展了流形学习理论的目标特征提取与识别方法的深入研究,主要创新如下:1.提出了一种SAR图像的边缘样本鉴别嵌入特征提取方法,通过引入边缘样本鉴别因子,使边缘样本更好的聚集在类中心周围,解决了边缘样本的特征混叠问题,提高了目标识别率。2.提出了一种样本熵距离鉴别分析的SAR图像特征提取方法,不仅能够在特征提取时融入样本贡献度,并且可使近邻异类样本分离,非近邻同类样本聚集,解决了同类样本特征分散程度大的问题,在更低维的特征空间提升了目标识别性能。3.提出了一种邻域样本信息熵的SAR图像定向鉴别投影特征提取方法,能够依据各样本邻域信息熵,构建邻域样本定向聚集中心,明确样本聚集方向,在低维空间实现了特征更好的聚集,提高了目标识别率。4.建立了广义图嵌入流形学习理论的框架,揭示了上述三种流形学习方法与现有流形算法的共同物理本质和数学表征可转移性,提出了特征提取策略的统一数学描述,为流形学习理论在SAR目标识别中的研究奠定了框架性理论基础。上述方法,已通过仿真和MSTAR数据库进行了验证。结果表明本文中提出的三种SAR目标特征提取方法能够适用于小样本、非线性数据集,解决了边缘样本的特征混叠、同类样本特征分散程度大、样本在低维空间不能有效聚类的问题,并扩展提出了相应的线性算法、核算法、张量算法,有效提高了SAR目标的识别率和识别稳健性。本文的工作完善了流形学习理论,并为其在SAR目标识别工程应用中的高效实现奠定了理论基础。
【图文】：
12(a) (b) (c)图2-1 三种目标的光学图像。(a) T72；(b) BTR70；(c) BMP2(a) (b) (c)图2-2 三种目标的SAR图像。(a) T72；(b) BTR70；(c) BMP2表 2-1 训练样本和测试样本的目标种类、型号和数量训练数据 数量 测试数据 数量BMP2sn_c21 233BMP2sn_9563 195BMP2sn_9566 196BMP2sn_c21 196BTR70sn_c71 233 BTR70sn_c71 196T72sn_132 232T72sn_132 196T72sn_812 195T72sn_s7 1912.2 SAR 图像预处理SAR 图像质量影响 SARATR 系统的识别结果[87]。实际中由测绘所得到的 SAR图像大多数不能直接用来进行目标特征提取和分类识别。MSTAR 数据库中的图像虽然是从大场景切割出来的 SAR 目标图像，但图像中仍包含相干斑、背景杂波和目标阴影，且目标区域在整幅图像中所占比例较小，图像数据维数较大。对 SAR图像做预处理后可以获取图像中感兴趣的目标区域，并减少相干斑、背景杂波和
图2-1 三种目标的光学图像。(a) T72；(b) BTR70；(c) BMP2(a) (b) (c)图2-2 三种目标的SAR图像。(a) T72；(b) BTR70；(c) BMP2表 2-1 训练样本和测试样本的目标种类、型号和数量训练数据 数量 测试数据 数量BMP2sn_c21 233BMP2sn_9563 195BMP2sn_9566 196BMP2sn_c21 196BTR70sn_c71 233 BTR70sn_c71 196T72sn_132 232T72sn_132 196T72sn_812 195T72sn_s7 1912.2 SAR 图像预处理SAR 图像质量影响 SARATR 系统的识别结果[87]。实际中由测绘所得到的 SAR图像大多数不能直接用来进行目标特征提取和分类识别。MSTAR 数据库中的图像虽然是从大场景切割出来的 SAR 目标图像，但图像中仍包含相干斑、背景杂波和目标阴影，且目标区域在整幅图像中所占比例较小，图像数据维数较大。对 SAR图像做预处理后可以获取图像中感兴趣的目标区域，并减少相干斑、背景杂波和
【学位授予单位】：电子科技大学
【学位级别】：博士
【学位授予年份】：2018
【分类号】：TN957.52
本文编号：2694606
【图文】：
12(a) (b) (c)图2-1 三种目标的光学图像。(a) T72；(b) BTR70；(c) BMP2(a) (b) (c)图2-2 三种目标的SAR图像。(a) T72；(b) BTR70；(c) BMP2表 2-1 训练样本和测试样本的目标种类、型号和数量训练数据 数量 测试数据 数量BMP2sn_c21 233BMP2sn_9563 195BMP2sn_9566 196BMP2sn_c21 196BTR70sn_c71 233 BTR70sn_c71 196T72sn_132 232T72sn_132 196T72sn_812 195T72sn_s7 1912.2 SAR 图像预处理SAR 图像质量影响 SARATR 系统的识别结果[87]。实际中由测绘所得到的 SAR图像大多数不能直接用来进行目标特征提取和分类识别。MSTAR 数据库中的图像虽然是从大场景切割出来的 SAR 目标图像，但图像中仍包含相干斑、背景杂波和目标阴影，且目标区域在整幅图像中所占比例较小，图像数据维数较大。对 SAR图像做预处理后可以获取图像中感兴趣的目标区域，并减少相干斑、背景杂波和
图2-1 三种目标的光学图像。(a) T72；(b) BTR70；(c) BMP2(a) (b) (c)图2-2 三种目标的SAR图像。(a) T72；(b) BTR70；(c) BMP2表 2-1 训练样本和测试样本的目标种类、型号和数量训练数据 数量 测试数据 数量BMP2sn_c21 233BMP2sn_9563 195BMP2sn_9566 196BMP2sn_c21 196BTR70sn_c71 233 BTR70sn_c71 196T72sn_132 232T72sn_132 196T72sn_812 195T72sn_s7 1912.2 SAR 图像预处理SAR 图像质量影响 SARATR 系统的识别结果[87]。实际中由测绘所得到的 SAR图像大多数不能直接用来进行目标特征提取和分类识别。MSTAR 数据库中的图像虽然是从大场景切割出来的 SAR 目标图像，但图像中仍包含相干斑、背景杂波和目标阴影，且目标区域在整幅图像中所占比例较小，图像数据维数较大。对 SAR图像做预处理后可以获取图像中感兴趣的目标区域，并减少相干斑、背景杂波和
【学位授予单位】：电子科技大学
【学位级别】：博士
【学位授予年份】：2018
【分类号】：TN957.52
【参考文献】
相关期刊论文 前4条
1 袁礼海;宋建社;薛文通;赵伟舟;;SAR图像自动目标识别系统研究与设计[J];计算机应用研究;2006年11期
2 罗四维;赵连伟;;基于谱图理论的流形学习算法[J];计算机研究与发展;2006年07期
3 匡纲要,计科峰,粟毅,郁文贤;SAR图象自动目标识别研究[J];中国图象图形学报;2003年10期
4 韩萍,吴仁彪,王兆华,王蕴红;基于KPCA准则的SAR目标特征提取与识别[J];电子与信息学报;2003年10期
，本文编号：2694606
本文链接：https://www.wllwen.com/kejilunwen/xinxigongchenglunwen/2694606.html
