基于卷积神经网络和迁移学习的SAR目标识别
发布时间：2021-04-02 12:48
合成孔径雷达（Synthetic Aperture Radar,SAR）有以下独有特点:全天候、宽波段、全天时以及主动成像,在国土以及军事安全领域有着广泛的发展前景。但是由于SAR图像目标很难用肉眼进行人工判别,所以采用已有技术对SAR图像目标进行自动识别是必要的。SAR图像目标识别的主要重点和难点在SAR图像的预处理以及SAR图像特征提取方面。本文主要讨论和研究了 SAR目标自动识别结合迁移学习以及卷积神经网络算法。本文首先分析了 SAR 图像自动识别算法（Synthetic Aperture Radar-Automatic Target Recognition,SAR-ATR）的基本概念以及结构组成,同时介绍SAR图像特性,针对SAR图像成像过程中无法避免的相干斑点噪声去噪处理,对常用的去噪算法进行分析对比并实验。讨论SAR图像自动动识别的三个模块:数据集预处理、特征提取以及分类识别。为后续工作做好理论基础。其次,研究了卷积神经网络识别SAR图像算法,利用卷积神经网络VGG16网络结构识别经过数据增强的SAR图像目标并实验对比小波变换以及Lee滤波两种预处理方法的优劣。最后实验结果...
【文章来源】：大连海事大学辽宁省 211工程院校
【文章页数】：72 页
【学位级别】：硕士
【部分图文】：
图２．１?ＳＡＲ－ＡＴＲ处理过程图??Ｆｉｇ．?２．１?ＳＡＲ－ＡＴＲ?Ｐｒｏｃｅｓｓｉｎｇ?ｄｉａｇｒａｍ??
ｔ??基于卷积神经网络和迁移学习的ＳＡＲ目标识别??仅包含灰度信息。??角地，法线??十＊测二??ｚ?（正交于轨进〉??图２．２?ＳＡＲ成像机制图??？?．?？?Ｊ??Ｆｉｇ．?２．２?ＳＡＲ?ｉｍａｇｉｎｇ?ｍｅｃｈａｎｉｓｍ?ｄｉａｇｒａｍ??：?（??从视觉特性上来说如图２．３所示，（ａ）?（ｃ）分别为ＢＤＲＭ装甲车对应的光学图像??与Ｔ７２坦克对应的光学图像图像，（ｂ）?（ｄ）分别为（ａ）?（ｃ）所对应的ＳＡＲ图像。??从视觉效果来看，我们可以清晰地看到ＳＡＲ图像远不如光学图像清楚，并且ＳＡＲ图像??有着大量的光学图像没有的相干相干斑点噪声ｆ光学图像成像有立体感而ＳＡＲ图像没??有立体感，但ＳＡＲ图像对方位向较为敏感而光学图像没有，ＳＡＲ图像有阴影而光学图??像没有，在ＳＡＲ图像中背景杂波通常占很大比例，反而目标仅占很小的比例。光学图??像就没有这个性质。从图中也能看出这些视觉特性上ＳＡＲ图像与光学图像的不同之处。??从ＳＡＲ图像的参数特性上来说，ＳＡＲ测量的是地物目标后向散射系数，因此ＳＡＲ??图像上的信息是地物目标对于电磁波反射的回波。并且图像信息的形成主要由目标表面??后向散射决定，也就是说目标朝向雷达天线方向的散射信息。电磁波具有振幅、频率、??初相等元素，只要有一个要素变化就会形成不同的电磁波也就会形成不同的ＳＡＲ图像。??ＳＡＲ测量的散射系数是地物目标综合参数影响的体现。??－８－??
．＇ｆ?’?１??ｉ?ｒ?＊?？??ｉ?＇??基于卷积神经网络和迁移学习的ＳＡＲ目标识别??理后的结果图像。从处理后图像可以看出经过Ｌｅｅ滤波处理后比较重视保存轮廓信息而??忽略细节信息，明显可以看出ＳＡＲ目标的整体结构更加清楚，但是不可避免的是清晰??度损失很严重，可以看出很大７部分的相干斑点噪声明显被去除抑制，去噪效果比賴??Ｉｔ?酬??ｍ??（ａ）?ＳＡＲ图像?（ｂ）Ｌｅｅ滤波处理图像??（ａ）?ＳＡＲ?ｉｍａｇｅｓ?（ｂ）Ｌｅｅ?ｆｉｌｔｅｒｅｄ?ｉｍａｇｅｓ??图２．４?Ｌｅｅ滤波预处理??Ｆｉｇ．?２．４?Ｌｅｅ?ｆｉｌｔｅｒ?ｐｒｅｐｒｏｃｅｓｓｉｎｇ??？?！?＾??基于变换域的代表性滤波算法有小波变换滤波［５Ｇ］。小波阈值去噪从方式原理上都可??以直接当成低通滤波。但是不同于低通滤波的是，小波变换在去除噪声的同时还能把图??像特征保存下来。首先确定小波分解尺度，然后进行小波分解，再逐层对各分解尺度的??子图像进行滤波处理，等到所有分解尺度的全部子图像均完成滤波处理后，进行小波逆??－１２－??
【参考文献】：
期刊论文
[1]基于并联卷积神经网络的SAR图像目标识别[J]. 李清,魏雪云. 电波科学学报. 2020(03)
[2]SAR图像海岸线分割的超像素合并方法[J]. 彭超,魏雪云. 电光与控制. 2019(11)
[3]基于迁移学习和卷积神经网络的控制图识别[J]. 徐旭东,马立乾. 计算机应用. 2018(S2)
[4]基于支持向量机的星载SAR信号识别技术研究[J]. 王哲涛,宋小全. 现代雷达. 2018(11)
[5]基于迁移学习的SAR图像目标检测[J]. 张椰,朱卫纲. 雷达科学与技术. 2018(05)
[6]基于卷积神经网络的SAR图像目标识别算法研究[J]. 张笑,刘文波. 电子测量技术. 2018(14)
[7]面向SAR目标分类的卷积神经网络算法研究[J]. 侯宇超,白艳萍,郝岩,张明星. 重庆理工大学学报(自然科学). 2018(07)
[8]面向SAR目标识别的深度卷积神经网络结构设计[J]. 谷雨,徐英. 中国图象图形学报. 2018(06)
[9]基于卷积神经网络迁移学习的SAR图像目标分类[J]. 刘晨,曲长文,周强,李智,李健伟. 现代雷达. 2018(03)
[10]深度卷积神经网络在SAR自动目标识别领域的应用综述[J]. 许强,李伟,Pierre Loumbi. 电讯技术. 2018(01)
硕士论文
[1]基于极化合成孔径雷达图像分类算法研究[D]. 安健.电子科技大学 2014
本文编号：3115304
【文章来源】：大连海事大学辽宁省 211工程院校
【文章页数】：72 页
【学位级别】：硕士
【部分图文】：
图２．１?ＳＡＲ－ＡＴＲ处理过程图??Ｆｉｇ．?２．１?ＳＡＲ－ＡＴＲ?Ｐｒｏｃｅｓｓｉｎｇ?ｄｉａｇｒａｍ??
ｔ??基于卷积神经网络和迁移学习的ＳＡＲ目标识别??仅包含灰度信息。??角地，法线??十＊测二??ｚ?（正交于轨进〉??图２．２?ＳＡＲ成像机制图??？?．?？?Ｊ??Ｆｉｇ．?２．２?ＳＡＲ?ｉｍａｇｉｎｇ?ｍｅｃｈａｎｉｓｍ?ｄｉａｇｒａｍ??：?（??从视觉特性上来说如图２．３所示，（ａ）?（ｃ）分别为ＢＤＲＭ装甲车对应的光学图像??与Ｔ７２坦克对应的光学图像图像，（ｂ）?（ｄ）分别为（ａ）?（ｃ）所对应的ＳＡＲ图像。??从视觉效果来看，我们可以清晰地看到ＳＡＲ图像远不如光学图像清楚，并且ＳＡＲ图像??有着大量的光学图像没有的相干相干斑点噪声ｆ光学图像成像有立体感而ＳＡＲ图像没??有立体感，但ＳＡＲ图像对方位向较为敏感而光学图像没有，ＳＡＲ图像有阴影而光学图??像没有，在ＳＡＲ图像中背景杂波通常占很大比例，反而目标仅占很小的比例。光学图??像就没有这个性质。从图中也能看出这些视觉特性上ＳＡＲ图像与光学图像的不同之处。??从ＳＡＲ图像的参数特性上来说，ＳＡＲ测量的是地物目标后向散射系数，因此ＳＡＲ??图像上的信息是地物目标对于电磁波反射的回波。并且图像信息的形成主要由目标表面??后向散射决定，也就是说目标朝向雷达天线方向的散射信息。电磁波具有振幅、频率、??初相等元素，只要有一个要素变化就会形成不同的电磁波也就会形成不同的ＳＡＲ图像。??ＳＡＲ测量的散射系数是地物目标综合参数影响的体现。??－８－??
．＇ｆ?’?１??ｉ?ｒ?＊?？??ｉ?＇??基于卷积神经网络和迁移学习的ＳＡＲ目标识别??理后的结果图像。从处理后图像可以看出经过Ｌｅｅ滤波处理后比较重视保存轮廓信息而??忽略细节信息，明显可以看出ＳＡＲ目标的整体结构更加清楚，但是不可避免的是清晰??度损失很严重，可以看出很大７部分的相干斑点噪声明显被去除抑制，去噪效果比賴??Ｉｔ?酬??ｍ??（ａ）?ＳＡＲ图像?（ｂ）Ｌｅｅ滤波处理图像??（ａ）?ＳＡＲ?ｉｍａｇｅｓ?（ｂ）Ｌｅｅ?ｆｉｌｔｅｒｅｄ?ｉｍａｇｅｓ??图２．４?Ｌｅｅ滤波预处理??Ｆｉｇ．?２．４?Ｌｅｅ?ｆｉｌｔｅｒ?ｐｒｅｐｒｏｃｅｓｓｉｎｇ??？?！?＾??基于变换域的代表性滤波算法有小波变换滤波［５Ｇ］。小波阈值去噪从方式原理上都可??以直接当成低通滤波。但是不同于低通滤波的是，小波变换在去除噪声的同时还能把图??像特征保存下来。首先确定小波分解尺度，然后进行小波分解，再逐层对各分解尺度的??子图像进行滤波处理，等到所有分解尺度的全部子图像均完成滤波处理后，进行小波逆??－１２－??
【参考文献】：
期刊论文
[1]基于并联卷积神经网络的SAR图像目标识别[J]. 李清,魏雪云. 电波科学学报. 2020(03)
[2]SAR图像海岸线分割的超像素合并方法[J]. 彭超,魏雪云. 电光与控制. 2019(11)
[3]基于迁移学习和卷积神经网络的控制图识别[J]. 徐旭东,马立乾. 计算机应用. 2018(S2)
[4]基于支持向量机的星载SAR信号识别技术研究[J]. 王哲涛,宋小全. 现代雷达. 2018(11)
[5]基于迁移学习的SAR图像目标检测[J]. 张椰,朱卫纲. 雷达科学与技术. 2018(05)
[6]基于卷积神经网络的SAR图像目标识别算法研究[J]. 张笑,刘文波. 电子测量技术. 2018(14)
[7]面向SAR目标分类的卷积神经网络算法研究[J]. 侯宇超,白艳萍,郝岩,张明星. 重庆理工大学学报(自然科学). 2018(07)
[8]面向SAR目标识别的深度卷积神经网络结构设计[J]. 谷雨,徐英. 中国图象图形学报. 2018(06)
[9]基于卷积神经网络迁移学习的SAR图像目标分类[J]. 刘晨,曲长文,周强,李智,李健伟. 现代雷达. 2018(03)
[10]深度卷积神经网络在SAR自动目标识别领域的应用综述[J]. 许强,李伟,Pierre Loumbi. 电讯技术. 2018(01)
硕士论文
[1]基于极化合成孔径雷达图像分类算法研究[D]. 安健.电子科技大学 2014
本文编号：3115304
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3115304.html
