高分辨率SAR图像近海岸舰船目标检测与分类研究
发布时间：2022-08-12 11:22
目前,具有高分辨率SAR成像功能的卫星逐渐增多,这使得高分辨率和超高分辨率的SAR图像数据越来越丰富,依靠SAR卫星全天时、全天候的优势,针对SAR图像的解译研究也逐渐深入。在海洋运输高度发达、海洋周边环境逐步复杂、大型港口建设层出不穷的今天,对海面目标和港口内目标的监视和识别具有强烈的应用需求。对SAR图像的海面目标监测和识别成为了具有重要实际应用意义的研究课题,本文面向高分辨率SAR图像,主要进行了近海岸舰船目标的检测和分类研究,完成了对不同环境下船只的检测工作以及对船只大致类别的区分。文章的主要内容如下:首先,对国内外学者对舰船特性分析、SAR图像舰船目标检测和SAR图像舰船目标分类的研究现状进行了总结,明确了本文的研究方向和研究意义。接下来,本文对SAR图像舰船目标多种特征的提取进行了研究,其中,主要针对Pol SAR图像进行了特征提取的研究。本文还对SAR图像的船海特性进行了详尽的分析,主要研究了SAR图像中舰船目标的特点,针对不同的极化通道,研究了船海特性在不同极化条件下的差异,还对几种比较典型的舰船目标的几何特性进行了分析,为后续舰船目标的目视解译以及舰船目标的特征提取和...
【文章页数】：78 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
第1章 绪论
1.1 课题背景及研究的目的和意义
1.2 国内外研究现状及分析
1.2.1 海洋及舰船特性研究现状
1.2.2 SAR图像舰船检测
1.2.3 SAR图像舰船目标类别识别
1.2.4 研究现状分析
1.3 主要研究内容及论文结构
第2章 SAR图像舰船目标特征分析及提取
2.1 引言
2.2 SAR图像船海特征分析
2.2.1 海洋特性分析
2.2.2 舰船特性分析
2.3 SAR图像舰船目标特征提取
2.3.1 SAR图像纹理特征
2.3.2 极化SAR图像目标分解
2.4 本实验数据介绍
2.5 本章小结
第3章 基于多特征筛选的舰船目标检测
3.1 引言
3.2 舰船特征选择
3.2.1 特征选择算法的基本理论
3.2.2 基于Relief-F算法的舰船特征选择
3.2.3 特征选择结果分析
3.3 SAR图像舰船目标检测
3.3.1 极化SAR基于Relief F-SVM的舰船检测
3.3.2 停泊船只检测
3.3.3 离岸船只检测
3.4 舰船检测实验结果分析
3.5 本章小结
第4章 基于卷积神经网络的舰船目标分类
4.1 引言
4.2 基于卷积神经网络和模型迁移的舰船目标分类
4.2.1 VGG Net网络模型
4.2.2 模型迁移
4.3 基于成对分类方法的舰船目标分类
4.4 实验数据集制作
4.4.1 检测结果切片处理
4.4.2 舰船目标标定
4.5 舰船分类实验结果及分析
4.6 本章小结
结论
参考文献
攻读硕士学位期间发表的论文及其它成果
致谢
【参考文献】：
期刊论文
[1]深度神经网络下的SAR舰船目标检测与区分模型[J]. 魏松杰,蒋鹏飞,袁秋壮,刘梅林. 西北工业大学学报. 2019(03)
[2]基于多特征融合的SAR图像舰船自学习检测算法[J]. 楚博策,文义红,陈金勇. 无线电工程. 2018(02)
[3]基于单极化SAR图像的舰船目标检测与分类方法[J]. 王兆成,李璐,杜兰,徐丰. 科技导报. 2017(20)
[4]一种基于SAR目标形态特性的舰船检测方法[J]. 杨学志,杜扬,张晰,孟俊敏. 遥感信息. 2014(05)
博士论文
[1]动态非高斯海面与卷浪的电磁散射特征研究[D]. 陈俊龙.西安电子科技大学 2018
[2]高分辨率SAR图像目标快速提取算法研究[D]. 涂松.国防科学技术大学 2016
[3]HRWS SAR图像舰船目标监视关键技术研究[D]. 邢相薇.国防科学技术大学 2014
[4]极化SAR图像海面船只监测方法研究[D]. 李海艳.中国科学院研究生院（海洋研究所） 2007
硕士论文
[1]高分三号SAR图像舰船目标检测研究及实现[D]. 章林.西安电子科技大学 2018
[2]PolSAR图像近海岸船舶检测方法研究[D]. 王晨逸.哈尔滨工业大学 2018
[3]海杂波背景下的高轨FDA-SAR成像及目标检测[D]. 高洁.电子科技大学 2018
[4]基于SAR图像的舰船目标检测与鉴别算法研究[D]. 孙成璐.西安电子科技大学 2017
[5]极化合成孔径雷达舰船检测方法研究[D]. 徐晓煜.西安电子科技大学 2017
[6]基于稀疏表示树的SAR图像目标识别方法研究[D]. 陈春林.南京航空航天大学 2017
[7]SAR图像舰船目标检测算法研究[D]. 杜臻.哈尔滨工业大学 2016
[8]星载SAR图像海上舰船目标检测与鉴别技术研究[D]. 樊庆聚.国防科学技术大学 2016
[9]复杂场景下的SAR目标检测[D]. 余文毅.西安电子科技大学 2015
[10]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
本文编号：3675785
【文章页数】：78 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
第1章 绪论
1.1 课题背景及研究的目的和意义
1.2 国内外研究现状及分析
1.2.1 海洋及舰船特性研究现状
1.2.2 SAR图像舰船检测
1.2.3 SAR图像舰船目标类别识别
1.2.4 研究现状分析
1.3 主要研究内容及论文结构
第2章 SAR图像舰船目标特征分析及提取
2.1 引言
2.2 SAR图像船海特征分析
2.2.1 海洋特性分析
2.2.2 舰船特性分析
2.3 SAR图像舰船目标特征提取
2.3.1 SAR图像纹理特征
2.3.2 极化SAR图像目标分解
2.4 本实验数据介绍
2.5 本章小结
第3章 基于多特征筛选的舰船目标检测
3.1 引言
3.2 舰船特征选择
3.2.1 特征选择算法的基本理论
3.2.2 基于Relief-F算法的舰船特征选择
3.2.3 特征选择结果分析
3.3 SAR图像舰船目标检测
3.3.1 极化SAR基于Relief F-SVM的舰船检测
3.3.2 停泊船只检测
3.3.3 离岸船只检测
3.4 舰船检测实验结果分析
3.5 本章小结
第4章 基于卷积神经网络的舰船目标分类
4.1 引言
4.2 基于卷积神经网络和模型迁移的舰船目标分类
4.2.1 VGG Net网络模型
4.2.2 模型迁移
4.3 基于成对分类方法的舰船目标分类
4.4 实验数据集制作
4.4.1 检测结果切片处理
4.4.2 舰船目标标定
4.5 舰船分类实验结果及分析
4.6 本章小结
结论
参考文献
攻读硕士学位期间发表的论文及其它成果
致谢
【参考文献】：
期刊论文
[1]深度神经网络下的SAR舰船目标检测与区分模型[J]. 魏松杰,蒋鹏飞,袁秋壮,刘梅林. 西北工业大学学报. 2019(03)
[2]基于多特征融合的SAR图像舰船自学习检测算法[J]. 楚博策,文义红,陈金勇. 无线电工程. 2018(02)
[3]基于单极化SAR图像的舰船目标检测与分类方法[J]. 王兆成,李璐,杜兰,徐丰. 科技导报. 2017(20)
[4]一种基于SAR目标形态特性的舰船检测方法[J]. 杨学志,杜扬,张晰,孟俊敏. 遥感信息. 2014(05)
博士论文
[1]动态非高斯海面与卷浪的电磁散射特征研究[D]. 陈俊龙.西安电子科技大学 2018
[2]高分辨率SAR图像目标快速提取算法研究[D]. 涂松.国防科学技术大学 2016
[3]HRWS SAR图像舰船目标监视关键技术研究[D]. 邢相薇.国防科学技术大学 2014
[4]极化SAR图像海面船只监测方法研究[D]. 李海艳.中国科学院研究生院（海洋研究所） 2007
硕士论文
[1]高分三号SAR图像舰船目标检测研究及实现[D]. 章林.西安电子科技大学 2018
[2]PolSAR图像近海岸船舶检测方法研究[D]. 王晨逸.哈尔滨工业大学 2018
[3]海杂波背景下的高轨FDA-SAR成像及目标检测[D]. 高洁.电子科技大学 2018
[4]基于SAR图像的舰船目标检测与鉴别算法研究[D]. 孙成璐.西安电子科技大学 2017
[5]极化合成孔径雷达舰船检测方法研究[D]. 徐晓煜.西安电子科技大学 2017
[6]基于稀疏表示树的SAR图像目标识别方法研究[D]. 陈春林.南京航空航天大学 2017
[7]SAR图像舰船目标检测算法研究[D]. 杜臻.哈尔滨工业大学 2016
[8]星载SAR图像海上舰船目标检测与鉴别技术研究[D]. 樊庆聚.国防科学技术大学 2016
[9]复杂场景下的SAR目标检测[D]. 余文毅.西安电子科技大学 2015
[10]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
本文编号：3675785
本文链接：https://www.wllwen.com/kejilunwen/xinxigongchenglunwen/3675785.html
