基于循环神经网络的SAR图像处理技术研究

发布时间：2021-09-15 13:54

　　合成孔径雷达（Synthetic Aperture Radar,SAR）在军事及民用领域有着巨大的应用价值。SAR全天时、全天候成像的优势是其他遥感技术所无法替代的。随着当代深度学习技术的发展,各种目标跟踪算法和图像去噪模型在自然图像处理领域都取得了不俗的表现。深度学习技术为SAR图像处理技术研究提供了新的方法。一方面,视频SAR中运动目标的高效检测和监视技术一直是研究的热点,另一方面,InSAR图像中存在的相位噪声对后续相位解缠造成了困难,现有的干涉相位滤波算法集中于提升滤波精度花费了大量的计算时间。因此对目标跟踪算法和图像滤波技术的研究有着充分价值和意义。本文结合深度学习中的循环神经网络对视频SAR目标跟踪和InSAR图像滤波两个方面进行了研究。一方面通过全连接网络构建的循环神经网络实现了视频SAR的目标跟踪,另一方面是基于卷积实现的循环神经网络PFNet,PFNet在InSAR图像滤波中较经典干涉相位滤波算法也有更好的表现。本文中涉及的主要工作内容和创新如下:1、详细介绍了深度学习中监督学习方法的工作流程及前向传播、梯度下降、反向传播等相关的基本概念;对深度学习中三种基本的神经网... 

【文章来源】：电子科技大学四川省 211工程院校 985工程院校 教育部直属院校

【文章页数】：90 页

【学位级别】：硕士

【部分图文】：

机载视频SAR工作模式

视频SAR图像

视频SAR实测图像

【参考文献】：
期刊论文
[1]生成对抗网络图像处理综述[J]. 朱秀昌,唐贵进.  南京邮电大学学报(自然科学版). 2019(03)
[2]目标跟踪算法综述[J]. 孟琭,杨旭.  自动化学报. 2019(07)
[3]循环神经网络研究综述[J]. 杨丽,吴雨茜,王俊丽,刘义理.  计算机应用. 2018(S2)
[4]基于星载视频SAR的海上运动目标监视方法[J]. 王亚敏,杨威,陈杰.  海军航空工程学院学报. 2018(01)
[5]卷积神经网络研究综述[J]. 周飞燕,金林鹏,董军.  计算机学报. 2017(06)
[6]深度学习中的无监督学习方法综述[J]. 殷瑞刚,魏帅,李晗,于洪.  计算机系统应用. 2016(08)
[7]SAR图像配准方法综述[J]. 徐颖,周焰.  地理空间信息. 2013(03)
[8]干涉SAR中相位图的噪声抑制[J]. 徐华平,周荫清,陈杰,李春升.  北京航空航天大学学报. 2001(01)

博士论文
[1]视频合成孔径雷达成像理论与关键技术研究[D]. 胡睿智.电子科技大学 2018
[2]线阵三维合成孔径雷达稀疏成像技术研究[D]. 韦顺军.电子科技大学 2013
[3]SAR层析三维成像技术研究[D]. 王金峰.电子科技大学 2010
[4]双基地SAR与线阵SAR原理及成像技术研究[D]. 师君.电子科技大学 2009

硕士论文
[1]基于深度学习的SAR图像处理研究[D]. 阙钰佳.电子科技大学 2019
[2]基于深度学习的SAR图像舰船检测[D]. 史丹荣.西安电子科技大学 2015
[3]干涉SAR测高测速技术研究[D]. 穆文争.电子科技大学 2008
[4]InSAR平地效应去除及相位噪声抑制方法研究[D]. 单世铎.中国人民解放军信息工程大学 2005



本文编号：3396198