基于卷积神经网络的SAR图像分类
发布时间：2022-10-04 21:14
合成孔径雷达（Synthetic Aperture Radar,SAR）作为微波成像雷达的一种,在经济和军事等领域被广泛应用,是因为它的长处是全天时、全天候等。当涉及战场侦察和精确打击等相关领域时,SAR图像目标识别技术也相应地被人们使用,针对各种实际场景下的SAR图像目标分类需要也应运而生。通常目标分类算法从数据集的特征出发,分析不同目标存在的特点,并手动建立对应的特征提取框架,专业知识依赖严重,在实际应用中难以实施。因此,深度学习方法开始与SAR图像结合进行分类工作。SAR图像常常和军事机密等领域密切相关,并且SAR成像成本偏高,这些多方面的原因造成现存仅有的带标签的SAR图像数据集规模比较小,故不能将卷积神经网络直接运用到SAR图像领域。本文主要内容如下:（1）提出一种基于卷积神经网络模型迁移的SAR图像分类方法。针对SAR图像数据样本量小的现象,首先运用大量普通光学图像数据集在深度神经网络上进行训练,得到预训练模型;其次将预训练模型迁移至SAR图像数据集,最后用小量样本的SAR图像对重要网络参数进行局部强化训练。（2）提出一种SAR图像样本增容的方法。先是采取对数变换对数据集进...
【文章页数】：59 页
【学位级别】：硕士
【文章目录】：
摘要
ABSTRACT
第1章 绪论
1.1 研究背景及意义
1.2 SAR图像分类的研究现状
1.3 本文主要内容及安排
第2章 相关知识介绍
2.1 引言
2.2 SAR图像成像
2.2.1 SAR图像成像模型
2.2.2 SAR图像的相干斑原理
2.3 数据集
2.4 卷积神经网络结构
2.4.1 输入层
2.4.2 隐含层
2.4.3 全连接层
2.4.4 输出层
2.5 卷积神经网络特点
2.5.1 参数共享
2.5.2 连接稀疏性
2.6 卷积神经网络优化训练
2.6.1 损失函数
2.6.2 激励函数
2.7 神经网络的训练
2.8 本章小结
第3章 基于卷积神经网络模型迁移的图像分类方法
3.1 引言
3.2 数据处理
3.2.1 数据集
3.2.2 数据裁剪
3.2.3 数据增广
3.3 卷积神经网络模型
3.4 基于卷积神经网络的迁移学习
3.4.1 迁移学习的定义
3.4.2 神经网络训练
3.5 实验及结果
3.6 本章小结
第4章 基于多模式样本增容的卷积神经网络图像分类方法
4.1 引言
4.2 数据处理
4.2.1 对数变换
4.2.2 滤波变换
4.2.3 数据增容
4.3 SAR图像识别模型
4.4 实验及结果分析
4.5 本章小结
第5章 基于特征融合的SAR图像分类方法
5.1 引言
5.2 数据预处理
5.3 SAR图像多特征的提取
5.3.1 去噪特征
5.3.2 边缘特征提取
5.4 识别分类模型
5.4.1 特征融合
5.4.2 分类模型
5.5 实验结果及分析
5.6 本章小结
第6章 总结与展望
6.1 工作总结
6.2 工作展望
致谢
参考文献
附录 作者在读期间发表的科研成果及参加的科研项目
【参考文献】：
期刊论文
[1]基于卷积神经网络的随机手写数字识别[J]. 高磊,洪奔奔,姚青岐. 软件. 2018(09)
[2]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)
[3]深度卷积神经网络在迁移学习模式下的SAR目标识别[J]. 李松,魏中浩,张冰尘,洪文. 中国科学院大学学报. 2018(01)
[4]基于多特征-多表示融合的SAR图像目标识别[J]. 张新征,谭志颖,王亦坚. 雷达学报. 2017(05)
[5]基于峰值匹配的SAR图像飞机目标识别方法[J]. 潘嘉蒙,牛照东,陈曾平. 现代电子技术. 2015(19)
[6]一种联合阴影和目标区域图像的SAR目标识别方法[J]. 丁军,刘宏伟,王英华,王正珏,齐会娇,时荔蕙. 电子与信息学报. 2015(03)
[7]基于PCA特征的快速SAR图像目标识别方法[J]. 王世晞,贺志国. 国防科技大学学报. 2008(03)
[8]用Prewitt算子细化边缘[J]. 刘明艳,赵景秀,孙宁. 光电子技术. 2006(04)
硕士论文
[1]基于机器学习的SAR目标识别方法研究[D]. 申威.电子科技大学 2019
本文编号：3685772
【文章页数】：59 页
【学位级别】：硕士
【文章目录】：
摘要
ABSTRACT
第1章 绪论
1.1 研究背景及意义
1.2 SAR图像分类的研究现状
1.3 本文主要内容及安排
第2章 相关知识介绍
2.1 引言
2.2 SAR图像成像
2.2.1 SAR图像成像模型
2.2.2 SAR图像的相干斑原理
2.3 数据集
2.4 卷积神经网络结构
2.4.1 输入层
2.4.2 隐含层
2.4.3 全连接层
2.4.4 输出层
2.5 卷积神经网络特点
2.5.1 参数共享
2.5.2 连接稀疏性
2.6 卷积神经网络优化训练
2.6.1 损失函数
2.6.2 激励函数
2.7 神经网络的训练
2.8 本章小结
第3章 基于卷积神经网络模型迁移的图像分类方法
3.1 引言
3.2 数据处理
3.2.1 数据集
3.2.2 数据裁剪
3.2.3 数据增广
3.3 卷积神经网络模型
3.4 基于卷积神经网络的迁移学习
3.4.1 迁移学习的定义
3.4.2 神经网络训练
3.5 实验及结果
3.6 本章小结
第4章 基于多模式样本增容的卷积神经网络图像分类方法
4.1 引言
4.2 数据处理
4.2.1 对数变换
4.2.2 滤波变换
4.2.3 数据增容
4.3 SAR图像识别模型
4.4 实验及结果分析
4.5 本章小结
第5章 基于特征融合的SAR图像分类方法
5.1 引言
5.2 数据预处理
5.3 SAR图像多特征的提取
5.3.1 去噪特征
5.3.2 边缘特征提取
5.4 识别分类模型
5.4.1 特征融合
5.4.2 分类模型
5.5 实验结果及分析
5.6 本章小结
第6章 总结与展望
6.1 工作总结
6.2 工作展望
致谢
参考文献
附录 作者在读期间发表的科研成果及参加的科研项目
【参考文献】：
期刊论文
[1]基于卷积神经网络的随机手写数字识别[J]. 高磊,洪奔奔,姚青岐. 软件. 2018(09)
[2]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)
[3]深度卷积神经网络在迁移学习模式下的SAR目标识别[J]. 李松,魏中浩,张冰尘,洪文. 中国科学院大学学报. 2018(01)
[4]基于多特征-多表示融合的SAR图像目标识别[J]. 张新征,谭志颖,王亦坚. 雷达学报. 2017(05)
[5]基于峰值匹配的SAR图像飞机目标识别方法[J]. 潘嘉蒙,牛照东,陈曾平. 现代电子技术. 2015(19)
[6]一种联合阴影和目标区域图像的SAR目标识别方法[J]. 丁军,刘宏伟,王英华,王正珏,齐会娇,时荔蕙. 电子与信息学报. 2015(03)
[7]基于PCA特征的快速SAR图像目标识别方法[J]. 王世晞,贺志国. 国防科技大学学报. 2008(03)
[8]用Prewitt算子细化边缘[J]. 刘明艳,赵景秀,孙宁. 光电子技术. 2006(04)
硕士论文
[1]基于机器学习的SAR目标识别方法研究[D]. 申威.电子科技大学 2019
本文编号：3685772
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3685772.html
