本文關(guān)鍵詞：復(fù)雜背景下SAR圖像目標(biāo)特征提取與分析研究

  更多相關(guān)文章： 合成孔徑雷達(dá)雷達(dá) 特征提取 相干斑噪聲抑制 目標(biāo)檢測

【摘要】：遙感圖像對地目標(biāo)的檢測、特征提取對目標(biāo)自動識別均有具有重要的研究價值。隨著遙感技術(shù)的發(fā)展,合成孔徑雷達(dá)對地觀測在軍事偵察與識別、民用地面設(shè)施、地表資源監(jiān)測等方面具有廣闊的應(yīng)用前景。合成孔徑雷達(dá)可以提供高分辨率的圖像信息,分辨率的不斷提高,對于車輛、艦船、坦克、房屋等人造目標(biāo),使得目標(biāo)具有更豐富的紋理、結(jié)構(gòu)和形態(tài)信息,并具有較為復(fù)雜的散射特性和多特征信息。相干斑噪聲和相對復(fù)雜背景信息直接影響了SAR圖像目標(biāo)的解譯與鑒別指標(biāo),可以利用多特征提取變換方法,提高識別率和效率。在SAR圖像中獲取并分析感興趣目標(biāo)的特征,提升目標(biāo)自動識別的速度和準(zhǔn)確性,這一技術(shù)問題日益成為國內(nèi)外遙感目標(biāo)識別研究的熱點(diǎn)問題。針對高分辨合成孔徑雷達(dá)的復(fù)雜背景下的目標(biāo)特征提取問題,本課題研究了SAR圖像去噪、目標(biāo)檢測以及目標(biāo)特征提取的方法。首先,本文分析了SAR成像和相干斑噪聲產(chǎn)生機(jī)理,并在此理論基礎(chǔ)上深入研究了SAR圖像相干斑噪聲抑制算法,減少相干斑噪聲所導(dǎo)致的圖像質(zhì)量信息丟失。然后,針對SAR圖像相對復(fù)雜的背景信息,分析研究了基于閾值、基于數(shù)學(xué)形態(tài)學(xué)和基于脈沖耦合神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測算法,對感興趣的目標(biāo)進(jìn)行了仿真檢測,并分析算法的優(yōu)點(diǎn)和不足,同時提出了基于改進(jìn)型脈沖耦合神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測算法。最后,系統(tǒng)地研究了SAR圖像目標(biāo)特征提取算法,提取了目標(biāo)幾何特征、Hu矩特征,并提出了Zernike矩特征提取算法,基于Zernike矩對目標(biāo)進(jìn)行了分類仿真,利用Zernike矩的旋轉(zhuǎn)不變性提取了目標(biāo)的邊緣信息。同時分析研究了目標(biāo)角點(diǎn)特征的提取算法,并提出了基于角點(diǎn)信息的目標(biāo)轉(zhuǎn)角估計算法,便于對目標(biāo)進(jìn)行深入的特性分析。此外結(jié)合脈沖耦合神經(jīng)網(wǎng)絡(luò)算法,提出了基于改進(jìn)型PCNN的目標(biāo)陰影信息提取算法,并對目標(biāo)陰影的特征進(jìn)行了提取。在MSTAR數(shù)據(jù)庫的基礎(chǔ)上,仿真分析了以上特征提取算法的性能,并設(shè)計完成了目標(biāo)特征提取軟件,為目標(biāo)下一步分類識別提供了強(qiáng)有力的數(shù)據(jù)支持。
【關(guān)鍵詞】：合成孔徑雷達(dá)雷達(dá) 特征提取 相干斑噪聲抑制 目標(biāo)檢測
【學(xué)位授予單位】：哈爾濱工業(yè)大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2015
【分類號】：TN957.52
【目錄】：

• 摘要4-5
• Abstract5-9
• 第1章 緒論9-17
• 1.1 課題的背景及研究意義9-10
• 1.2 國內(nèi)外的研究現(xiàn)狀及分析10-15
• 1.2.1 SAR圖像相干斑噪聲抑制的發(fā)展概述11-12
• 1.2.2 SAR圖像目標(biāo)檢測的發(fā)展概述12-13
• 1.2.3 SAR圖像特征提取的發(fā)展概述13-15
• 1.3 本課題的主要研究內(nèi)容15
• 1.4 本文結(jié)構(gòu)15-17
• 第2章 SAR基本原理及SAR圖像預(yù)處理17-30
• 2.1 前言17
• 2.2 SAR成像機(jī)理17-19
• 2.3 相干斑噪聲產(chǎn)生機(jī)理19
• 2.4 去噪算法的性能評價準(zhǔn)則19-20
• 2.5 空間域相干斑噪聲抑制算法20-24
• 2.5.1 LEE濾波20-21
• 2.5.2 Kuan濾波21-22
• 2.5.3 Frost濾波22
• 2.5.4 Gammap MAP濾波22-23
• 2.5.5 仿真結(jié)果與分析23-24
• 2.6 變換域相干斑噪聲抑制算法24-28
• 2.6.1 小波濾波24-25
• 2.6.2 Curvelet濾波25-26
• 2.6.3 仿真結(jié)果與分析26-28
• 2.7 本章小結(jié)28-30
• 第3章 SAR圖像目標(biāo)檢測算法研究30-41
• 3.1 引言30
• 3.2 基于閾值分割的SAR圖像目標(biāo)檢測算法30-33
• 3.2.1 基于全局閾值分割的SAR圖像目標(biāo)檢測算法30-31
• 3.2.2 基于最大熵值分割的SAR圖像目標(biāo)檢測算法31-32
• 3.2.3 基于最大類間方差法的SAR圖像目標(biāo)檢測算法32-33
• 3.3 基于數(shù)學(xué)形態(tài)學(xué)的SAR圖像目標(biāo)檢測算法33-34
• 3.4 基于脈沖耦合神經(jīng)網(wǎng)絡(luò)的SAR圖像目標(biāo)檢測算法34-38
• 3.5 基于改進(jìn)型脈沖耦合神經(jīng)網(wǎng)絡(luò)的SAR圖像目標(biāo)檢測算法38-40
• 3.6 本章小結(jié)40-41
• 第4章 SAR圖像目標(biāo)特征提取與分析研究41-65
• 4.1 引言41
• 4.2 幾何特征提取41-42
• 4.3 矩特征提取42-55
• 4.3.1 Hu矩特征提取42-45
• 4.3.2 Zernike矩特征提取45-55
• 4.4 轉(zhuǎn)角特征提取55-64
• 4.4.1 角點(diǎn)特征提取55-59
• 4.4.2 轉(zhuǎn)角特征提取59-64
• 4.5 本章小結(jié)64-65
• 第5章 SAR圖像目標(biāo)的輔助信息特征提取研究65-75
• 5.1 引言65
• 5.2 陰影特征提取65-71
• 5.2.1 陰影幾何特征提取67-68
• 5.2.2 陰影Zernike邊緣特征提取68
• 5.2.3 陰影轉(zhuǎn)角特征提取68-69
• 5.2.4 陰影高度特征提取69-71
• 5.3 SAR圖像目標(biāo)特征提取軟件71-74
• 5.4 本章小結(jié)74-75
• 結(jié)論75-77
• 參考文獻(xiàn)77-82
• 攻讀碩士學(xué)位期間發(fā)表的論文及其它成果82-84
• 致謝84

【參考文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前2條

1 何楚;尹莎;許連玉;廖紫纖;;基于局部重要性采樣的SAR圖像紋理特征提取方法[J];自動化學(xué)報;2014年02期

2 李映;白本督;張艷寧;;一種有效的SAR圖像相干斑噪聲抑制方法[J];西北工業(yè)大學(xué)學(xué)報;2009年04期

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前1條

1 徐晶;SAR圖像的目標(biāo)檢測與分類研究[D];南京航空航天大學(xué);2010年

，

本文編號：1136124