基于卷积神经网络的的雷达图像处理
发布时间：2021-07-28 15:27
合成孔径雷达（Synthetic Aperture Radar,SAR）是把几个尺寸较小的真实天线合成孔径雷达,利用雷达与目标的相对运动,通过传感器和数据处理的方法合成为一个等效真实天线合成孔径的雷达。SAR图像具有全天时、全天候等特点,广泛应用于经济和军事等各个领域。SAR目标识别技术是利用先进的雷达采集图像的信息,对目标种类及型号等其他属性进行判定识别,并且由于其优良的特性,被广泛应用于军事上的战场侦察及精确打击等领域。随着时代的进步,SAR目标识别技术得到越来越多的发展,逐渐趋于成熟。本文针对SAR图像目标识别,进行如下工作:首先针对合成孔径雷达图像的分类优化方法,提出一种基于多特征与卷积神经网络的SAR图像分类方法Canny-WTD-CNN。将Canny算子提取的边缘特征,与小波阈值去噪法提取的小波特征进行特征融合,作为卷积神经网络的输入;以softmax为分类器,对SAR图像进行分类识别检测。该方法在去除SAR图像噪声的同时能很好地保留图像的边缘特征,有效提高算法的精确度。其次在原有算法的基础上进行改进,提出一种新型SAR目标识别算法MOPSO-WTD-Canny-CNN,利...
【文章来源】：中北大学山西省
【文章页数】：58 页
【学位级别】：硕士
【部分图文】：
合成孔径雷达工作的几何关系图
中北大学学位论文6图像三类目标识别数据集。除上述目标数据外，MSTAR数据集还包含其他混合SAR目标切片图像，分别为2S1（自行榴弹炮）、BRDM2（装甲侦察车）、BTR60（装甲运输车）、D7（推土机）、T62（主战坦克）、ZIL131（货运卡车）、ZSU234（自行高炮），与BTR70（装甲运输车），BMP2（步兵战车），T72（坦克）共同作为SAR十类目标数据集。本文研究的是上述目标中MSTAR数据集的三类目标识别问题，并选取17度俯仰角下BTR70，BMP2和T72的SN_C21，SN_C71和SN_S7目标作为训练样本，测试样本使用15度俯仰角下的SAR目标图像。训练样本包含694个大小为128128的SAR图像，测试样本包含583个目标[27]。图2-2为三类目标SAR图像。图2-2三类目标SAR图像Fig.2-2ThreetypesoftargetSARimages2.3图像去噪算法介绍2.3.1各类图像去噪算法图像一般通过视觉来获取，往往会伴随一些噪声，导致图像的质量大幅下降，也使得对图像的各种应用处理变得困难，因此，在图像处理的过程中，首先应该进行降噪，对图像的噪声进行抑制，增强特征信息。图像去噪算法通常可以分为两种：空域滤波和变换域滤波。空域是指图像所在区域，即原始图像，故而空域滤波是在其图像原来的基础上，对像素值进行数据处理。其原理是建立一个移动窗口，在图像上逐像素滑动，以像元与周围领域像元的空间关系为基础，通过卷积运算实现图像滤波的一种，使得图像外观更为平滑，从而抑制图像的噪声。常见的空域滤波有高斯滤波、中值滤波以及均值滤波[28]。
中北大学学位论文7高斯滤波（Gaussfilter)是平滑线性滤波器，其去噪原理是对整幅图像像素值进行加权平均运算，即对每一个像素值以及其邻域内的其他像素值进行加权平均，得到新的像素值，这样来达到平滑图像即消除噪声的效果。其具体实行步骤是首先利用高斯函数构建滑动模板（通常称为高斯卷积核），利用此模板去对图像进行逐像素滑动扫描，将模板中心像素点的值替换成模板所确定的邻域内像素点的加权平均灰度值[29]。一维高斯函数如公式（2-1），二维高斯函数如公式（2-2）。高斯滤波适合处理均值为零的高斯噪声，并且能保留图像的整体灰度特征；但由于高斯公式的特殊性，在处理离散的点噪声时，会模糊大部分边缘信息，并且使得细节纹理特征变得粗糙，从而造成大量的信息损失。222)(21)(xexf（2-1）2222)(221),(yxeyxG（2-2）图2-3为高斯滤波去噪效果示意图，将原始Lena图加入高斯噪声之后，利用高斯滤波平滑噪声，效果明显。图2-3高斯滤波去噪效果示意图Fig.2-3SchematicdiagramofGaussianfilterdenoisingeffect中值滤波（Medianfilter）是统计排序滤波器，其工作原理是将图像某个像素值的一个邻域内的像素值，通过排序找出其中值，来代替该点的像素值。其具体操作为建立一个滑动窗口，对图像进行移动扫描，将窗口中心位置的灰度值替换为窗口中所有灰度值的中值[30]。不同于高斯滤波，中值滤波对于去除高斯噪声效果并不理想，但是对于离散点的噪声，例如椒盐噪声，利用中值滤波去噪之后有很明显的效果。中值滤波在去除图
【参考文献】：
期刊论文
[1]基于卷积神经网络的图像分类算法综述[J]. 杨真真,匡楠,范露,康彬. 信号处理. 2018(12)
[2]基于卷积神经网络的车牌识别技术[J]. 刘建国,代芳,詹涛. 物流技术. 2018(10)
[3]基于KNN的合成孔径雷达目标识别[J]. 郝岩,白艳萍,张校非. 火力与指挥控制. 2018(09)
[4]巧用傅里叶变换优化摄影图像[J]. 郭士龙. 电脑与信息技术. 2018(04)
[5]改进Softmax分类器的深度卷积神经网络及其在人脸识别中的应用[J]. 冉鹏,王灵,李昕,刘鹏伟. 上海大学学报(自然科学版). 2018(03)
[6]基于深度无监督学习的图像分类算法[J]. 古险峰,冯学晓. 平顶山学院学报. 2018(02)
[7]基于级联卷积神经网络的人脸检测算法[J]. 孙康,李千目,李德强. 南京理工大学学报. 2018(01)
[8]基于卷积神经网络的SAR目标多维度特征提取[J]. 张慧,肖蒙,崔宗勇. 机械制造与自动化. 2017(01)
[9]基于HAAR小波域边缘方向特征的SAR图像去噪[J]. 章明珠,郑敏,廖开阳. 计算机应用与软件. 2017(01)
[10]合成孔径雷达图像目标的卷积神经网识别框架[J]. 王家宝,李阳,张耿宁,苗壮,李航,徐伟光. 计算机应用研究. 2017(05)
博士论文
[1]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
[2]基于高阶统计量的雷达目标高分辨成像研究[D]. 高勋章.国防科学技术大学 2004
[3]小波理论及其在图像、信号处理中的算法研究[D]. 赵瑞珍.西安电子科技大学 2001
硕士论文
[1]SAR回波模拟软件实现技术研究[D]. 魏鹏.电子科技大学 2018
[2]激光探测声音系统中信号处理方法研究[D]. 侯少阳.合肥工业大学 2018
[3]基于深度学习的SAR图像目标检测识别一体化方法研究[D]. 王思飞.电子科技大学 2018
[4]基于深度学习网络的SAR图像目标识别研究[D]. 赵菲妮.西安电子科技大学 2017
[5]基于判别性字典学习和稀疏表示的SAR地面目标识别[D]. 余娟.电子科技大学 2017
[6]基于相机的空间暗弱慢速目标自主识别与跟踪技术研究[D]. 贾蒙杨.北京理工大学 2015
[7]人脸识别中图像预处理与匹配方法研究[D]. 胡国靖.南京理工大学 2014
[8]基于机器视觉的表面缺陷检测算法研究[D]. 李玉宝.中南大学 2013
[9]人体图像中周边物品检测分类技术研究[D]. 邹大海.南京邮电大学 2013
[10]机器人辅助手术中的目标跟踪算法研究[D]. 王琨.吉林大学 2012
本文编号：3308165
【文章来源】：中北大学山西省
【文章页数】：58 页
【学位级别】：硕士
【部分图文】：
合成孔径雷达工作的几何关系图
中北大学学位论文6图像三类目标识别数据集。除上述目标数据外，MSTAR数据集还包含其他混合SAR目标切片图像，分别为2S1（自行榴弹炮）、BRDM2（装甲侦察车）、BTR60（装甲运输车）、D7（推土机）、T62（主战坦克）、ZIL131（货运卡车）、ZSU234（自行高炮），与BTR70（装甲运输车），BMP2（步兵战车），T72（坦克）共同作为SAR十类目标数据集。本文研究的是上述目标中MSTAR数据集的三类目标识别问题，并选取17度俯仰角下BTR70，BMP2和T72的SN_C21，SN_C71和SN_S7目标作为训练样本，测试样本使用15度俯仰角下的SAR目标图像。训练样本包含694个大小为128128的SAR图像，测试样本包含583个目标[27]。图2-2为三类目标SAR图像。图2-2三类目标SAR图像Fig.2-2ThreetypesoftargetSARimages2.3图像去噪算法介绍2.3.1各类图像去噪算法图像一般通过视觉来获取，往往会伴随一些噪声，导致图像的质量大幅下降，也使得对图像的各种应用处理变得困难，因此，在图像处理的过程中，首先应该进行降噪，对图像的噪声进行抑制，增强特征信息。图像去噪算法通常可以分为两种：空域滤波和变换域滤波。空域是指图像所在区域，即原始图像，故而空域滤波是在其图像原来的基础上，对像素值进行数据处理。其原理是建立一个移动窗口，在图像上逐像素滑动，以像元与周围领域像元的空间关系为基础，通过卷积运算实现图像滤波的一种，使得图像外观更为平滑，从而抑制图像的噪声。常见的空域滤波有高斯滤波、中值滤波以及均值滤波[28]。
中北大学学位论文7高斯滤波（Gaussfilter)是平滑线性滤波器，其去噪原理是对整幅图像像素值进行加权平均运算，即对每一个像素值以及其邻域内的其他像素值进行加权平均，得到新的像素值，这样来达到平滑图像即消除噪声的效果。其具体实行步骤是首先利用高斯函数构建滑动模板（通常称为高斯卷积核），利用此模板去对图像进行逐像素滑动扫描，将模板中心像素点的值替换成模板所确定的邻域内像素点的加权平均灰度值[29]。一维高斯函数如公式（2-1），二维高斯函数如公式（2-2）。高斯滤波适合处理均值为零的高斯噪声，并且能保留图像的整体灰度特征；但由于高斯公式的特殊性，在处理离散的点噪声时，会模糊大部分边缘信息，并且使得细节纹理特征变得粗糙，从而造成大量的信息损失。222)(21)(xexf（2-1）2222)(221),(yxeyxG（2-2）图2-3为高斯滤波去噪效果示意图，将原始Lena图加入高斯噪声之后，利用高斯滤波平滑噪声，效果明显。图2-3高斯滤波去噪效果示意图Fig.2-3SchematicdiagramofGaussianfilterdenoisingeffect中值滤波（Medianfilter）是统计排序滤波器，其工作原理是将图像某个像素值的一个邻域内的像素值，通过排序找出其中值，来代替该点的像素值。其具体操作为建立一个滑动窗口，对图像进行移动扫描，将窗口中心位置的灰度值替换为窗口中所有灰度值的中值[30]。不同于高斯滤波，中值滤波对于去除高斯噪声效果并不理想，但是对于离散点的噪声，例如椒盐噪声，利用中值滤波去噪之后有很明显的效果。中值滤波在去除图
【参考文献】：
期刊论文
[1]基于卷积神经网络的图像分类算法综述[J]. 杨真真,匡楠,范露,康彬. 信号处理. 2018(12)
[2]基于卷积神经网络的车牌识别技术[J]. 刘建国,代芳,詹涛. 物流技术. 2018(10)
[3]基于KNN的合成孔径雷达目标识别[J]. 郝岩,白艳萍,张校非. 火力与指挥控制. 2018(09)
[4]巧用傅里叶变换优化摄影图像[J]. 郭士龙. 电脑与信息技术. 2018(04)
[5]改进Softmax分类器的深度卷积神经网络及其在人脸识别中的应用[J]. 冉鹏,王灵,李昕,刘鹏伟. 上海大学学报(自然科学版). 2018(03)
[6]基于深度无监督学习的图像分类算法[J]. 古险峰,冯学晓. 平顶山学院学报. 2018(02)
[7]基于级联卷积神经网络的人脸检测算法[J]. 孙康,李千目,李德强. 南京理工大学学报. 2018(01)
[8]基于卷积神经网络的SAR目标多维度特征提取[J]. 张慧,肖蒙,崔宗勇. 机械制造与自动化. 2017(01)
[9]基于HAAR小波域边缘方向特征的SAR图像去噪[J]. 章明珠,郑敏,廖开阳. 计算机应用与软件. 2017(01)
[10]合成孔径雷达图像目标的卷积神经网识别框架[J]. 王家宝,李阳,张耿宁,苗壮,李航,徐伟光. 计算机应用研究. 2017(05)
博士论文
[1]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
[2]基于高阶统计量的雷达目标高分辨成像研究[D]. 高勋章.国防科学技术大学 2004
[3]小波理论及其在图像、信号处理中的算法研究[D]. 赵瑞珍.西安电子科技大学 2001
硕士论文
[1]SAR回波模拟软件实现技术研究[D]. 魏鹏.电子科技大学 2018
[2]激光探测声音系统中信号处理方法研究[D]. 侯少阳.合肥工业大学 2018
[3]基于深度学习的SAR图像目标检测识别一体化方法研究[D]. 王思飞.电子科技大学 2018
[4]基于深度学习网络的SAR图像目标识别研究[D]. 赵菲妮.西安电子科技大学 2017
[5]基于判别性字典学习和稀疏表示的SAR地面目标识别[D]. 余娟.电子科技大学 2017
[6]基于相机的空间暗弱慢速目标自主识别与跟踪技术研究[D]. 贾蒙杨.北京理工大学 2015
[7]人脸识别中图像预处理与匹配方法研究[D]. 胡国靖.南京理工大学 2014
[8]基于机器视觉的表面缺陷检测算法研究[D]. 李玉宝.中南大学 2013
[9]人体图像中周边物品检测分类技术研究[D]. 邹大海.南京邮电大学 2013
[10]机器人辅助手术中的目标跟踪算法研究[D]. 王琨.吉林大学 2012
本文编号：3308165
本文链接：https://www.wllwen.com/shoufeilunwen/xixikjs/3308165.html
最近更新
教材专著
