基于特征信息融合和极限学习机分类的SAR图像目标识别技术研究

发布时间：2017-06-07 13:09

  本文关键词：基于特征信息融合和极限学习机分类的SAR图像目标识别技术研究，，由笔耕文化传播整理发布。

【摘要】：合成孔径雷达(S AR, Synthetic Aperture Radar)在军事和民用的应用日益广泛,研制出更加智能化的SAR自动目标识别系统(ATR, automatic target recognition)的需求也更为迫切。SAR ATR系统涉及多学科理论与技术,众多新理论的出现进一步推动了SARATR系统的发展。特征提取、特征优化和特征分类是ATR中至关重要的步骤。本文重点研究了SAR图像的特征提取与融合、特征分类,提出了解决SAR图像地物分类与目标匹配问题的新方案。一方面,提取SAR图像纹理特征,利用特征融合算法与极限学习机模型实现地物分类；另一方面,设计基于点群匹配的相似度函数来衡量SAR图像相似性,从而实现目标部分和模板库之间的匹配。文章从以下三个方面开展研究：一、SAR图像特征提取结果的好坏将直接影响到后续分类算法的识别率,对于地物分类问题,纹理特征一直是研究和应用的重点。本论文研究了不同种类的纹理特征,根据特征融合算法对多特征串行与并行组合进行优化,该方法通过线性降维去除特征间冗余的信息,提升了后端分类器的识别率与稳定性。二、极限学习机(ELM, extreme learning machine)具有高效且收敛速度快的特性,论文研究了不同种类极限学习机的网络构建方式,根据增量模型中增长速度与收敛速度的关系,提出了隐层节点增量数目随收敛速度调整的网络构建模式,并命名为变长增量型极限学习机(VI-ELM, variable length incremental extreme learning machine).在UCI标准测试集上验证了该算法的有效性,并将其应用于SAR图像地物分类问题中,取得了较好的分类效果。三、峰值特性是分析SAR图像的重要特性,论文研究了SAR图像强散点点群分布特征,提出了基于点群匹配的相似度函数。将点与点的匹配扩展到点与点群之间的匹配,并由此定义点群与点群之间的相似性度量标准。该方法能够反映图像相似性的一般规律,对噪声、部分遮挡、变形等不同程度的干扰能够得到较为合理的相似度,同时在效率上有很大改善。
【关键词】：合成孔径雷达 特征融合 增量学习 极限学习机 变长增量型极限学习机 点群匹配
【学位授予单位】：东南大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TN957.52
【目录】：

• 摘要5-6
• Abstract6-10
• 第一章 绪论10-14
• 1.1 课题研究背景10-11
• 1.2 研究历史与现状11-12
• 1.3 本论文的主要内容与结构安排12-14
• 第二章 SAR图像目标识别系统14-24
• 2.1 SAR图像成像机制与影像特征分析14-15
• 2.2 SAR图像目标识别系统构成简介15-16
• 2.3 基于模板的SAR ATR系统介绍16-22
• 2.3.1 图像预处理17
• 2.3.2 图像检测17-18
• 2.3.3 图像聚类18-19
• 2.3.4 图像分割19
• 2.3.5 目标鉴别19-21
• 2.3.6 目标匹配21-22
• 2.4 本章小结22-24
• 第三章 SAR图像特征提取与特征信息融合24-38
• 3.1 引言24-25
• 3.2 SAR图像纹理特征提取25-29
• 3.2.1 基于灰度共生矩阵的纹理特征25-27
• 3.2.2 基于Gabor滤波的纹理特征27-29
• 3.3 特征信息融合理论与方法29-30
• 3.4 特征信息融合的特征组合方法30-31
• 3.5 基于线性降维方法的特征选择31-34
• 3.6 实验结果与分析34-36
• 3.6.1 正确率对比34-35
• 3.6.2 稳定性对比35-36
• 3.7 本章小结36-38
• 第四章 基于极限学习机的SAR图像分类器设计38-56
• 4.1 引言38
• 4.2 极限学习机理论38-42
• 4.2.1 极限学习机的理论基础39-41
• 4.2.2 极限学习机的网络构造方式41-42
• 4.3 增量算法与极限学习机42-46
• 4.3.1 增量算法42-43
• 4.3.2 增量型极限学习机43-44
• 4.3.3 增强型极限学习机44-46
• 4.4 变长型增量极限学习机算法46-48
• 4.4.1 增量模型的增长速度与网络收敛速度46-47
• 4.4.2 变长型网络增长方式47-48
• 4.5 基于变长增量型极限学习机的SAR图像分类算法设计48-54
• 4.5.1 变长增量型与其它增量型极限学习机对比48-50
• 4.5.2 基于特征融合和极限学习机的SAR图像分类系统50-54
• 4.6 本章小结54-56
• 第五章 基于点群相似度的SAR图像目标匹配56-68
• 5.1 引言56
• 5.2 SAR图像相似性度量56-57
• 5.3 点群相似度准则57-59
• 5.3.1 点与点群距离相似度准则57
• 5.3.2 点与点群灰度相似度准则57-59
• 5.3.3 点群与点群相似度准则59
• 5.4 相关系数与相似性度量实验对比59-65
• 5.4.1 不同噪声下的相似度校验60-61
• 5.4.2 不同部分遮挡的相似度校验61-62
• 5.4.3 不同变形的相似度校验62-63
• 5.4.4 不同灰度分布的相似度校验63-64
• 5.4.5 基于点群相似性度量与相关系数对比64-65
• 5.5 基于MSTAR目标匹配的相似性度量有效性验证65-67
• 5.6 本章小结67-68
• 总结与展望68-70
• 致谢70-72
• 参考文献72-76
• 攻读硕士学位期间发表的论文76

【相似文献】

中国期刊全文数据库 前10条

1 丁晓莲;周激流;李晓华;吴朋;;人脸识别率与图像分辨率关系的比较分析[J];计算机工程;2009年11期

2 贾丽娟;;关于图像分辨率的教学思考[J];印刷世界;2011年05期

3 张秀屏，刘锡国，丛玉良;提高彩电图像分辨率的研讨[J];光学精密工程;1994年02期

4 周中华;如何使拷屏图像更清楚[J];桌面出版与设计;1999年04期

5 林阿岚;;如何取得完美图像[J];电子测试;2001年08期

6 宋其华;郭根生;;解析计算机图像分辨率[J];中国电化教育;2003年11期

7 冯金菊;;浅谈分辨率[J];才智;2008年22期

8 江静;蔡鹤;;小议分辨率与输出图像的关系[J];科教文汇(上旬刊);2008年03期

9 李春雨;李卫平;;篡改图像的识别技术研究与仿真[J];计算机仿真;2011年11期

10 ;教你详细了解各种分辨率[J];计算机与网络;2011年24期

中国重要会议论文全文数据库 前10条

1 王江宁;纪力强;;昆虫图像特征研究[A];第十五届全国图象图形学学术会议论文集[C];2010年

2 杨德强;苏光大;徐天伟;;一种基于幻想脸的人脸图像分辨率提升新技术[A];第二十七届中国控制会议论文集[C];2008年

3 张莉;李佩臻;;用Photoshop对1：1万DRG入库数据的处理[A];全国测绘科技信息网中南分网第二十一次学术信息交流会论文集[C];2007年

4 任晓晖;龚勇清;;体全息存储再现图像分辨率实验研究[A];第十一届全国光学测试学术讨论会论文（摘要集）[C];2006年

5 廖熠;赵荣椿;;一种基于小波分层模型的自然景物图像表面恢复算法[A];第十届全国信号处理学术年会（CCSP-2001）论文集[C];2001年

6 刘达;李枢平;;对DCI数字影院技术规范中图像分级技术的理解[A];中国电影电视技术学会影视技术文集[C];2007年

7 汤敏;王惠南;;基于IDL语言的医学图像可视化初步研究[A];第十二届全国图象图形学学术会议论文集[C];2005年

8 赵源萌;邓朝;张馨;张存林;;被动式人体太赫兹安检成像的分辨率增强算法研究[A];中国光学学会2011年学术大会摘要集[C];2011年

9 张尚军;徐光;祁小江;;影响CR胶片质量原因的探讨[A];2009中华医学会影像技术分会第十七次全国学术大会论文集[C];2009年

10 何东晓;隋守鑫;刘微;;高清透雾摄像机的研发及在交通领域的应用[A];第八届中国智能交通年会优秀论文集——智能交通与安全[C];2013年

中国重要报纸全文数据库 前10条

1 刘筱霞;陈永常;PHOTOSHOP中图像分辨率的设置[N];中国包装报;2002年

2 王树连;从购买图像到租用卫星[N];中国测绘报;2003年

3 杨兴平;如何抓取指定分辨率的图像[N];中国电脑教育报;2003年

4 李鑫;飞利浦200BW8商务人士明智新宠[N];电子资讯时报;2007年

5 记者 曾遗荣邋通讯员 冷承秋 实习生 向哲林;美国一高科技公司将落户武汉[N];湖北日报;2007年

6 唐凤碧;正确运用数码相机分辨率[N];中国摄影报;2007年

7 ;创维TWH-43L（DLP）光显背投图像不良的检修[N];电子报;2008年

8 WLF;细说分辨率[N];电脑报;2003年

9 宏杉;感受专业动力[N];中国计算机报;2001年

10 宋连党;家庭VCD像册大制作[N];中国电脑教育报;2003年

中国博士学位论文全文数据库 前10条

1 吴辉群;慢性病信息管理系统中视网膜图像的互操作性及其血管网络定量分析研究[D];复旦大学;2014年

2 田虎;单目图像的深度估计[D];北京邮电大学;2015年

3 唐玉芳;商品图像分类算法研究[D];北京邮电大学;2015年

4 贾勇;建筑物透视探测关键技术研究[D];电子科技大学;2014年

5 黄仁杰;非可控条件下人脸识别中的若干问题研究[D];电子科技大学;2015年

6 万方;基于多幅图像的三维结构化场景重建技术研究[D];武汉大学;2013年

7 马钟;视觉感知启发的对象发现关键技术研究[D];西北工业大学;2015年

8 张旭;面向局部特征和特征表达的图像分类算法研究[D];合肥工业大学;2016年

9 王洪;航空光电平台图像稳定技术研究[D];中国科学院研究生院（长春光学精密机械与物理研究所）;2012年

10 孙艳;基于内容图像检索与敏感图像过滤的若干算法研究[D];吉林大学;2011年

中国硕士学位论文全文数据库 前10条

1 杨栋;面向CTA图像的冠脉血管分割算法研究和血管狭窄度分析[D];浙江大学;2015年

2 龚若皓;基于嵌入式移动GPU的图像编解码并行优化[D];西南交通大学;2015年

3 曹福来;发动机燃油喷雾图像筛选及处理方法的分析研究[D];长安大学;2015年

4 张弛;基于卷积神经网络的鞋印图像分类算法研究[D];大连海事大学;2016年

5 张贵平;图像视点调整技术研究[D];南京大学;2014年

6 李杰;高速图像数据实时存储与显示关键技术研究[D];中北大学;2016年

7 胡蓓蕾;基于图像融合的水下图像颜色恢复[D];中国海洋大学;2015年

8 周黎;基于千兆网的高性能嵌入式图像处理技术研究[D];中国科学院研究生院(光电技术研究所);2016年

9 顾帮忠;基于CCD的DR影像校正[D];东南大学;2015年

10 张磊;铆钉尺寸与表面缺陷在线检测关键技术研究[D];西南交通大学;2016年

  本文关键词：基于特征信息融合和极限学习机分类的SAR图像目标识别技术研究，由笔耕文化传播整理发布。

本文编号：429147