本文關鍵詞：超高分辨SAR圖像車輛目標檢測

  更多相關文章： 合成孔徑雷達 SAR 超高分辨 統計模型 特征稀疏表示 目標檢測 目標補償

【摘要】：合成孔徑雷達(SAR)圖像是一種全天候的高分辨率圖像,被廣泛應用于國防、自然災害檢測、生態(tài)環(huán)境監(jiān)測等多個重要領域。SAR圖像的應用包括分割、分類、目標檢測、目標識別等領域。目標檢測是SAR圖像應用領域的一個重要方向。尤其在軍事方面,SAR圖像目標檢測為目標打擊、精確制導等方面提供支持。多年來,研究人員在SAR圖像目標檢測方面取得了豐厚的成果。但隨著SAR圖像的分辨率不斷升高,傳統SAR目標檢測方法已經不能滿足當前需要。其一,在高分辨SAR圖像中,目標不同于以往普通分辨率SAR圖像目標成一個或少數幾個亮點的狀態(tài),因此不能用傳統的CFAR檢測算法對目標進行檢測。在高分辨SAR圖像中,目標成為一片區(qū)域,目標自身也具有了分布特征。其二,由于合成孔徑雷達的特征,具有一定高度的物體會在一定方向上產生陰影,導致高分辨SAR圖像中的目標并不是完整的目標。第三,隨著高分辨SAR的發(fā)展,數量不斷增大,特征越來越豐富,導致特征維數災難,引起目標檢測的時間復雜度過高。我們針對以上問題,我在本文提出了相應的解決方案:第一,本文提出了高分辨SAR圖像分類結合特征擬合的方法形成目標檢測的方法,在這一方法中,由于車輛本身的分布也是可以擬合的,并且車輛也形成了一個區(qū)域,這導致我們可以把車輛看作是一個類別,和諸如草地、跑道、建筑等其它區(qū)域平等對待,用分類的方法把一幅高分辨SAR圖像分割為幾個區(qū)域,并結合車輛的特征對車輛區(qū)域標號,從而形成最終的檢測結果。第二,高分辨SAR圖像中目標的補償方法,由于機載高分辨SAR成像角度問題,會在特征方向上形成一定的陰影區(qū)域,并對目標的完整性造成影響,本文中,我們把這當作一個特征加入到分割檢測算法當中來,對陰影和車輛的聯合分布進行統計建模,作為車輛的特征,取得了較好的效果。第三,針對高分辨SAR特征表示復雜的問題,我們提出了分層稀疏特征表示的方法,在第一個問題中,SAR圖像的特征表示也是非常一個難點,由于高分辨SAR圖像的分辨率很高,能在SAR圖像中呈現中很細微的特征,一般情況下,特征豐富是有利于目標檢測的,但高分辨SAR特征過多會導致分類過程中優(yōu)化復雜度過高的問題,針對這一問題,我們提出了建立過完備的字典,并用過完備的字典對特征進行稀疏表示的方法。在實際過程中我們發(fā)現,傳統分布函數不能對高分辨SAR圖像進行很好的擬全,如:四階分布對高分辨SAR圖像的陰影區(qū)域能較好的擬合能力,但它對其它區(qū)域的似合度不佳,而高斯分布能擬合一些背景區(qū)域,但對目標和陰影又無能為力,因此我們提出了一種混合分布來解決這一問題,經驗證,取得了非常明顯的效果。
【關鍵詞】：合成孔徑雷達 SAR 超高分辨 統計模型 特征稀疏表示 目標檢測 目標補償
【學位授予單位】：西安電子科技大學
【學位級別】：碩士
【學位授予年份】：2015
【分類號】：TN957.52
【目錄】：

• 摘要5-7
• ABSTRACT7-11
• 符號對照表11-12
• 縮略語對照表12-16
• 第一章 緒論16-22
• 1.1 合成孔徑雷達簡介16-18
• 1.2 傳統SAR圖像目標檢測算法及其不足18-22
• 1.2.1 CFAR檢測算法簡介18-19
• 1.2.2 CFAR檢測算法中的統計模型19
• 1.2.3 傳統方法存在的問題19
• 1.2.4 本文章節(jié)安排19-22
• 第二章 傳統SAR圖像目標檢測算法簡介22-42
• 2.1 CFAR方法簡介23-25
• 2.2 參數模型的選取25-30
• 2.2.1 基于廣義伽馬分布的CFAR算法25-27
• 2.2.2 基于高斯分布的CFAR算法27-28
• 2.2.3 基于四階函數分布的CFAR算法28
• 2.2.4 基于瑞利分布的CFAR算法28-30
• 2.3 參數估計方法30-34
• 2.3.1 最大似然估計方法30-31
• 2.3.2 矩估計法31-32
• 2.3.3 基于梅林變換的參數估計32-34
• 2.4 傳統參數模型擬合結果展示34-37
• 2.5 參數評價方法37-40
• 2.5.1 KL距離測試37
• 2.5.2 KS測試37-38
• 2.5.3 MSE測度38
• 2.5.4 卡方檢驗38-40
• 2.6 傳統CFAR檢測算法檢測結果展示40-42
• 第三章 超高分辨SAR圖像分層特征稀疏表示42-54
• 3.1 混合模型簡介42-43
• 3.1.1 基于混合高斯模型的CFAR檢測算法42-43
• 3.2 超高分辨SAR圖像特征稀疏表示43-45
• 3.2.1 特征稀疏表示的必要性45
• 3.3 基于字典的稀疏表示模型45-49
• 3.3.1 K-SVD方法簡介46-47
• 3.3.2 分層字典特征稀疏表示47-49
• 3.4 追蹤算法49-51
• 3.4.1 基追蹤算法49-50
• 3.4.2 匹配追蹤算法50-51
• 3.4.3 正交匹配追蹤算法51
• 3.5 實驗結果展示與分析51-54
• 第四章 基于分層稀疏特征和三馬爾可夫隨機場的高分辨圖像目標檢測54-80
• 4.1 馬爾可夫隨機場模型簡介54-62
• 4.1.1 馬爾可夫隨機場與圖像的關系55-56
• 4.1.2 馬爾可夫性與馬爾可夫隨機場56-57
• 4.1.3 馬爾可夫隨機場和Gibbs分布的等價性57-59
• 4.1.4 常用的馬爾可夫場模型59-62
• 4.2 基于馬爾可夫模型的SAR圖像分類62-66
• 4.2.1 隱馬爾可夫模型63-65
• 4.2.2 雙馬爾可夫場65-66
• 4.3 三馬爾可夫隨機場66-70
• 4.4 基于分層稀疏特征的三馬爾可夫高分辨SAR圖像分類70-73
• 4.4.1 建立附加場70-71
• 4.4.2 基于分層稀疏特征的三馬爾可夫場高分辨SAR圖像分割71-72
• 4.4.3 實驗結果展示與分析72-73
• 4.5 確定目標并利用陰影對殘缺目標進行補償73-80
• 4.5.1 目標確定并利用陰影對目標進行補償74-76
• 4.5.2 檢測結果展示與分析76-80
• 第五章 結論與展望80-82
• 5.1 本文工作總結80-81
• 5.2 高分辨SAR圖像目標檢測的未來81-82
• 參考文獻82-88
• 致謝88-90
• 作者簡介90-91

【參考文獻】

中國期刊全文數據庫 前3條

1 賈新宇;路來君;;合成孔徑雷達技術研究綜述[J];吉林大學學報(信息科學版);2015年04期

2 張軍;田昊;黃英君;;利用高斯混合模型的SAR圖像目標CFAR檢測新方法[J];中國圖象圖形學報;2009年01期

3 徐紅;牛秦洲;;基于混合高斯模型的三馬爾可夫場紅外圖像分割[J];激光與紅外;2008年11期

，

本文編號：1065456