基于深度学习的SAR图像目标识别算法的研究

发布时间：2017-10-09 11:04

  本文关键词：基于深度学习的SAR图像目标识别算法的研究

  更多相关文章： SAR图像 目标识别 相干斑噪声 压缩感知 深度学习

【摘要】：合成孔径雷达(Synthetic Aperture Radar,SAR)具有高分辨率的特性,因此在军用和民用的各个领域中广泛应用,尤其是在军事侦察领域中的作用无可替代。在SAR图像目标识别的处理过程中,SAR图像的相干斑去噪、图像压缩和图像目标的分割都是很关键重要的步骤。而本文正是以SAR图像目标识别为背景,主要研究了SAR图像的去噪、压缩和目标的分割识别等内容。首先,描述了SAR图像特有的相干斑乘性噪声模型,因为它是SAR图像分析的工作基础。介绍了Lee滤波、Kuan滤波、小波变换滤波和基于Contourlet变换的滤波等几种传统的滤波方法,并分析了它们各自的优缺点。然后提出了一种基于头脑风暴阀值优化的NSCT自适应图像去噪方法,与传统方法相比较,可以获得很好的滤波去噪效果。在SAR图像压缩方面,提出一种新的基于自适应二维隐式稀疏采样的SAR图像压缩感知算法。并与传统的压缩感知算法、基于小波基的压缩感知算法和基于DCT变换基的压缩感知算法在“幅值一致性与采样数据量”这一性能指标上作出比较。本文提出的算法不仅压缩效果明显,而且同时也保证了图像的成像质量。最后在SAR图像的分割方面,先是给出了图像分割的定义,简单介绍了深度学习的基本思想、深度信念网络和网络的学习等深度学习的相关知识。在此基础上提出了一种新的SAR图像分割识别方法,通过与传统的深度学习神经网络识别算法、SVM支持向量机识别算法和多尺度SOM神经网络识别算法的比较,提出的新算法的识别率达到了97.3%,性能明显高于另外三种方法,是一种有效的SAR图像目标识别方法。
【关键词】：SAR图像 目标识别 相干斑噪声 压缩感知 深度学习
【学位授予单位】：南京林业大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TN957.52
【目录】：

• 致谢3-4
• 摘要4-5
• Abstract5-8
• 第一章 绪论8-12
• 1.1 研究课题的背景和目的意义8
• 1.2 SAR研究现状8-10
• 1.3 本论文主要研究内容及章节安排10-12
• 第二章 SAR图像去噪处理的研究12-29
• 2.1 SAR图像相干斑的乘性噪声模型12-13
• 2.2 SAR图像的几种传统去噪方法13-17
• 2.2.1 Lee滤波器去噪13-14
• 2.2.2 Kuan滤波器去噪14
• 2.2.3 小波变换去噪14-16
• 2.2.4 基于Contourlet变换去噪16-17
• 2.3 基于头脑风暴优化策略的NSCT阀值图像去噪算法17-28
• 2.3.1 非下采样Contourlet（NSCT）变换概述17-19
• 2.3.2 头脑风暴算法的优化及改进19-22
• 2.3.3 基于阀值优化的NSCT自适应图像去噪处理22-24
• 2.3.4 本论文采用改进算法的去噪仿真24-26
• 2.3.5 实验仿真结论与对比分析26-28
• 2.4 本章小结28-29
• 第三章 SAR图像压缩方法改进研究29-42
• 3.1 SAR图像的几种传统压缩方法29-32
• 3.1.1 基于矢量量化编码的SAR图像压缩29-30
• 3.1.2 基于DCT变换的SAR图像压缩30-31
• 3.1.3 基于小波变换的SAR图像压缩31-32
• 3.2 自适应二维隐式稀疏采样的压缩感知算法32-37
• 3.2.1 压缩感知概述32
• 3.2.2 压缩感知理论32-33
• 3.2.3 基于新型稀疏采样的SAR压缩感知算法33-37
• 3.3 算法仿真与结论分析37-41
• 3.3.1 算法性能的仿真与分析37-40
• 3.3.2 仿真结论对比分析40-41
• 3.4 本章小结41-42
• 第四章 基于新型深度学习神经网络的SAR图像目标分割及识别方法42-58
• 4.1 SAR图像分割的定义42
• 4.2 SAR图像目标识别的难点及传统识别方法的缺点42-44
• 4.2.1 传统深度学习神经网络的缺点43
• 4.2.2 传统支持向量机SVM的缺点43-44
• 4.2.3 传统SOM模型的缺点44
• 4.3 深度学习44-47
• 4.3.1 深度学习的基本思想45
• 4.3.2 深度信念网络（Deep Belief Networks,DBNs）45-46
• 4.3.3 深度信念网络的学习46-47
• 4.4 广义回归神经网络（GRNN）47-49
• 4.4.1 GRNN的理论基础47-48
• 4.4.2 GRNN的网络结构48-49
• 4.5 基于新型深度学习神经网络的SAR图像目标分割识别49-53
• 4.5.1 受限玻尔兹曼机（RBM）的模型定义49-50
• 4.5.2 受限玻尔兹曼机（RBM）的学习50-51
• 4.5.3 基于改进遗传算法优化的RBM训练51-52
• 4.5.4 基于层叠RBM与GRNN的深度信念神经网络52-53
• 4.6 新型深度学习神经网络的性能仿真53-57
• 4.6.1 算法仿真分析53-54
• 4.6.2 仿真结论对比分析54-55
• 4.6.3 算法稳定性对比分析55-57
• 4.6.4 算法鲁棒性对比分析57
• 4.7 本章小结57-58
• 第五章 总结与展望58-59
• 5.1 全文总结58
• 5.2 研究展望58-59
• 参考文献59-65
• 攻读学位期间发表的学术论文65

【参考文献】

中国期刊全文数据库 前3条

1 陈宗民;周治平;;非抽样Contourlet变换去噪滤波器设计的源相机识别[J];计算机应用;2012年02期

2 王爱丽;张晔;谷延锋;陈雨时;;基于多小波的SAR图像去噪与压缩[J];系统仿真学报;2008年15期

3 涂昌培;静止图像数据的压缩方法[J];江汉大学学报;2000年03期

中国博士学位论文全文数据库 前3条

1 徐建平;压缩感知算法在雷达成像中的应用研究[D];电子科技大学;2012年

2 唐建;矢量量化码书设计与矢量量化应用研究[D];中国科学技术大学;2006年

3 郦苏丹;SAR图像特征提取与目标识别方法研究[D];国防科学技术大学;2001年

中国硕士学位论文全文数据库 前10条

1 赵天坤;基于深度神经网络的音乐信息检索[D];北京邮电大学;2015年

2 田流芳;基于中值滤波和小波变换的图像去噪算法研究[D];河北大学;2014年

3 徐静;基于压缩感知的SAR图像目标识别方法研究[D];南京航空航天大学;2013年

4 林妙真;基于深度学习的人脸识别研究[D];大连理工大学;2013年

5 张晨晓;机载合成孔径雷达回波信号仿真研究[D];南京理工大学;2012年

6 韩丽红;无线传感器网络数据压缩技术研究[D];哈尔滨工程大学;2012年

7 芦婧;小波变换图像去噪及其在SAR图像中的应用[D];西安科技大学;2011年

8 黎庆;星载SAR信道建模与回波检测性能研究[D];电子科技大学;2011年

9 韩征;基于投影特征的SAR自动目标识别技术研究[D];中国民航大学;2009年

10 周瑞雪;小波变换与矢量量化在图像压缩中的应用研究[D];中国海洋大学;2008年

，

本文编号：999810