【摘要】：合成孔徑雷達(dá)(SAR)是一種機(jī)載和航天遙感系統(tǒng),用于對(duì)地形上的遠(yuǎn)處目標(biāo)進(jìn)行成像,可在全天候條件下操作并生成極高分辨率的圖像。SAR圖像利用更長(zhǎng)波長(zhǎng)的信號(hào)來為工作于電磁(EM)頻譜的可見光和紅外區(qū)域的光學(xué)傳感器提供補(bǔ)充信息。此外,和僅僅包含目標(biāo)的光反射率的振幅信息的攝影圖像不同,SAR同時(shí)提供來自場(chǎng)景散射電磁場(chǎng)的振幅和相位信息。因此,將SAR用于導(dǎo)航已經(jīng)成為現(xiàn)代生活中不可或缺的一部分,這些SAR圖像的分類已成為最大的挑戰(zhàn)之一。然而,與描述物體良好外觀的光學(xué)圖像相比,對(duì)SAR圖像的理解難以進(jìn)行人工解釋。另外,SAR圖像容易被乘性噪聲污染,這使得在SAR圖像中做目標(biāo)分類非常困難。本文主要研究SAR圖像的有效分類方法。在此分類任務(wù)中,有兩種不同的主流方法:基于手工設(shè)計(jì)特征的方法和基于深度卷積神經(jīng)網(wǎng)絡(luò)(DCNN)的方法。本文第一部分在第三章和第四章分別介紹了兩種應(yīng)用于SAR圖像目標(biāo)分類的基于手工設(shè)計(jì)的特征提取方法。第一種分類方法基于視覺顯著性模型。首先,本文引入了一種基于SAR有向圖的視覺顯著性(GBVS)模型。其次,依靠我們模型在突出目標(biāo)圖像信息最重要位置的能力,我們從預(yù)處理后的SAR圖像中提取Gabor和HOG特征。然后,為了獲得更多的判別特征,判別相關(guān)分析(DCA)算法被用來進(jìn)行特征融合和組合。最后,提出了一種兩級(jí)無環(huán)圖支持向量度量學(xué)習(xí)算法(DAG-SVML),該算法通過消除弱分類器和基于Mahalanobis距離的徑向基函數(shù)(MDRBF)核,無縫地利用了兩級(jí)DAG的優(yōu)點(diǎn),強(qiáng)調(diào)了相關(guān)特征,減少了非信息特征的影響。。本文分別對(duì)移動(dòng)和靜止目標(biāo)獲取和識(shí)別(MSTAR)公開數(shù)據(jù)庫進(jìn)行了實(shí)驗(yàn),實(shí)驗(yàn)的分類精度和時(shí)間復(fù)雜度表明,本文所提出的方法優(yōu)于目前最好的手工設(shè)計(jì)特征方法。第二種分類方法引入了基于視覺詞袋(Bo VW)的特征表示。在該方法中,采用了從訓(xùn)練SAR圖像中提取的Gabor和HOG特征。然后,使用K均值聚類算法生成判別式碼本。通過計(jì)算最近的歐式距離進(jìn)行特征編碼后,目標(biāo)由新的魯棒特征詞袋表示。最后,對(duì)于目標(biāo)分類,支持向量機(jī)(SVM)被用作基準(zhǔn)分類器。所提出的基于Bo VW的方法和面向SAR的GBVS相比取得了更好的時(shí)間復(fù)雜度,減少了22.9毫秒,同時(shí)分類準(zhǔn)確度下降了0.32%。本文的第二部分在第五和第六章分別介紹了兩種基于DCNN的方法。這些方法背后的思想是挖掘多層次的特征表示,更高層次的特征可以表示數(shù)據(jù)的語義,這反過來可以提供更魯棒的類內(nèi)變異性。第一種方法是對(duì)MSTAR數(shù)據(jù)庫中預(yù)先訓(xùn)練好的VGG-S Net進(jìn)行微調(diào)。然后,將微調(diào)網(wǎng)絡(luò)用作固定特征提取器以從經(jīng)過處理的SAR圖像中提取深度特征。之后,提取的深度特征通過使用傳統(tǒng)級(jí)聯(lián)和DCA算法進(jìn)行融合。最后,采用基于Log Det發(fā)散度量學(xué)習(xí)三元組約束(LDMLT)的K-最近鄰算法(K-NN)作為基準(zhǔn)分類器。在MSTAR數(shù)據(jù)庫上的實(shí)驗(yàn)結(jié)果表明,與現(xiàn)有技術(shù)方法相比,所提出的方法獲得了良好的結(jié)果。第二種分類方法基于深度學(xué)習(xí)和多典型相關(guān)分析(MCCA)。該方法通過自適應(yīng)融合不同CNN層的有效特征,提出一種魯棒的SAR圖像目標(biāo)分類特征提取方法。首先,通過在整個(gè)網(wǎng)絡(luò)中使用小濾波器來減少散斑噪聲,在MSTAR數(shù)據(jù)庫上微調(diào)深層的CNN網(wǎng)絡(luò)。此外,使用小尺寸卷積濾波器可減少每層中的參數(shù)數(shù)量,因此隨著CNN深入,可降低計(jì)算成本。此外,使用Re LU層使得網(wǎng)絡(luò)具有更多區(qū)分性決策功能和更低的計(jì)算成本。由此產(chǎn)生的CNN模型能夠從目標(biāo)圖像中提取非常深層的特征,而無需執(zhí)行任何噪聲過濾或預(yù)處理技術(shù)。其次,我們的方法提出使用MCCA來自適應(yīng)地從不同層學(xué)習(xí)CNN特征,使得得倒的表示是高度線性相關(guān)的,因此即使使用簡(jiǎn)單線性支持向量機(jī)(SVM)也可以實(shí)現(xiàn)更好的分類準(zhǔn)確性。MSTAR數(shù)據(jù)庫上的實(shí)驗(yàn)結(jié)果表明,所提出的深度學(xué)習(xí)算法優(yōu)于最先進(jìn)的方法。
【學(xué)位授予單位】：哈爾濱工業(yè)大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2018
【分類號(hào)】：TN957.52

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 王叢;;學(xué)習(xí)目標(biāo)分類理論的意義[J];內(nèi)蒙古教育;2016年19期

2 劉倩蘭;;視頻中運(yùn)動(dòng)目標(biāo)分類識(shí)別技術(shù)[J];電腦迷;2017年03期

3 王曙光;田西蘭;;基于功率譜估計(jì)的雷達(dá)氣動(dòng)目標(biāo)分類方法[J];數(shù)字技術(shù)與應(yīng)用;2017年05期

4 趙洪立;王曙光;;基于多普勒頻譜結(jié)構(gòu)的雷達(dá)氣動(dòng)目標(biāo)分類方法[J];科技視界;2017年06期

5 宋玉蓉;;好課好風(fēng)采[J];好家長(zhǎng);2017年13期

6 陳坪;;基于布盧姆目標(biāo)分類學(xué)理論的教學(xué)實(shí)踐[J];文學(xué)教育(下);2013年10期

7 張棣華;;關(guān)于閱讀的評(píng)價(jià)目標(biāo)分類問題[J];上海教育科研;1987年03期

8 D.Giuli;M.Gherardelli;M.Fossi;王德純;;用極化判別進(jìn)行目標(biāo)分類和識(shí)別[J];現(xiàn)代雷達(dá);1987年02期

9 J.S.陳;E.K.沃爾頓;陳振邦;;兩種目標(biāo)分類技術(shù)的比較[J];國外艦船技術(shù).雷達(dá)與對(duì)抗;1987年04期

10 A. Farina;A. Visconti;陳振邦;;利用多重假設(shè)測(cè)試法對(duì)雷達(dá)目標(biāo)分類[J];國外艦船技術(shù).雷達(dá)與對(duì)抗;1988年Z1期

相關(guān)會(huì)議論文 前10條

1 閆yN;;特征選擇方法在目標(biāo)分類識(shí)別中的應(yīng)用研究[A];2014年水聲對(duì)抗技術(shù)學(xué)術(shù)交流會(huì)論文集[C];2014年

2 周彬;余杰;毛世彪;孫微;;基于層次聚類的水聲目標(biāo)分類技術(shù)研究[A];浙江省信號(hào)處理學(xué)會(huì)2015年學(xué)術(shù)年會(huì)論文集[C];2015年

3 盧家楣;劉偉;賀雯;;課堂教學(xué)的情感目標(biāo)分類與測(cè)評(píng)[A];第十一屆全國心理學(xué)學(xué)術(shù)會(huì)議論文摘要集[C];2007年

4 劉坤;劉福臣;;基于波數(shù)能量差異特征的被動(dòng)目標(biāo)分類方法[A];2017中國西部聲學(xué)學(xué)術(shù)交流會(huì)論文集[C];2017年

5 羅環(huán)環(huán);;基于聚類算法的多源目標(biāo)分類問題[A];中國造船工程學(xué)會(huì)電子技術(shù)學(xué)術(shù)委員會(huì)2017年裝備技術(shù)發(fā)展論壇論文集[C];2017年

6 任皓;計(jì)科峰;張愛兵;周石琳;;一種利用方位角信息的SAR目標(biāo)分類方法[A];第七屆全國信息獲取與處理學(xué)術(shù)會(huì)議論文集[C];2009年

7 丘昌鎮(zhèn);任皓;鄒煥新;周石琳;;基于PCA和2D-PCA特征的SAR圖像目標(biāo)分類性能比較[A];第十四屆全國信號(hào)處理學(xué)術(shù)年會(huì)(CCSP-2009)論文集[C];2009年

8 杜栓平;曹正良;;時(shí)間—頻率域特征提取及其應(yīng)用[A];2005年全國水聲學(xué)學(xué)術(shù)會(huì)議論文集[C];2005年

9 王強(qiáng);曾向陽;;深度學(xué)習(xí)方法及其在水下目標(biāo)識(shí)別中的應(yīng)用[A];中國聲學(xué)學(xué)會(huì)水聲學(xué)分會(huì)2015年學(xué)術(shù)會(huì)議論文集[C];2015年

10 邱力軍;;穿透式警衛(wèi)安全系統(tǒng)研究[A];全面建設(shè)小康社會(huì)：中國科技工作者的歷史責(zé)任——中國科協(xié)2003年學(xué)術(shù)年會(huì)論文集（上）[C];2003年

相關(guān)重要報(bào)紙文章 前3條

1 楊文;我省婦兒發(fā)展有了新目標(biāo)[N];山西日?qǐng)?bào);2007年

2 顏景運(yùn);千分考核促發(fā)展[N];中國質(zhì)量報(bào);2003年

3 廣東 蔡凡弟;無線IC卡的應(yīng)用[N];電子報(bào);2001年

相關(guān)博士學(xué)位論文 前10條

1 白繼嵩;水下圖像處理及目標(biāo)分類關(guān)鍵技術(shù)研究[D];哈爾濱工程大學(xué);2017年

2 李峰;智能視頻監(jiān)控系統(tǒng)中的行人運(yùn)動(dòng)分析研究[D];中國科學(xué)技術(shù)大學(xué);2011年

3 梁鵬;基于內(nèi)容的目標(biāo)分類識(shí)別關(guān)鍵技術(shù)研究[D];華南理工大學(xué);2011年

4 孟繁鋒;視頻目標(biāo)分類、跟蹤及行為分析研究[D];哈爾濱工業(yè)大學(xué);2009年

5 曹健;基于局部特征的圖像目標(biāo)識(shí)別技術(shù)研究[D];北京理工大學(xué);2010年

6 聞帆;基于視覺的交通路口車輛智能檢測(cè)技術(shù)研究[D];哈爾濱工業(yè)大學(xué);2010年

7 計(jì)科峰;SAR圖像目標(biāo)特征提取與分類方法研究[D];中國人民解放軍國防科學(xué)技術(shù)大學(xué);2003年

8 陳曉博;視頻監(jiān)控系統(tǒng)中的運(yùn)動(dòng)目標(biāo)識(shí)別匹配及跟蹤算法研究[D];北京郵電大學(xué);2011年

9 鄒騰躍;復(fù)雜環(huán)境目標(biāo)檢測(cè)與跟蹤關(guān)鍵技術(shù)研究及應(yīng)用[D];華中科技大學(xué);2013年

10 李志華;智能視頻監(jiān)控系統(tǒng)目標(biāo)跟蹤與分類算法研究[D];浙江大學(xué);2008年

相關(guān)碩士學(xué)位論文 前10條

1 木薩(MOUSSA AMRANI);雷達(dá)目標(biāo)分類算法的研究與開發(fā)[D];哈爾濱工業(yè)大學(xué);2018年

2 陳大海;智能視頻監(jiān)控系統(tǒng)中目標(biāo)分類技術(shù)研究與應(yīng)用[D];廣西大學(xué);2011年

3 李永輝;智能視頻監(jiān)控的運(yùn)動(dòng)目標(biāo)分類技術(shù)研究[D];華南理工大學(xué);2014年

4 刁銳;知識(shí)目標(biāo)分類下的概念圖教學(xué)應(yīng)用研究[D];四川師范大學(xué);2014年

5 趙紫蕙;微多普勒效應(yīng)在飛機(jī)目標(biāo)分類中的應(yīng)用研究[D];西安電子科技大學(xué);2014年

6 阮龍;窄帶雷達(dá)飛機(jī)目標(biāo)分類方法和雜波抑制方法研究[D];西安電子科技大學(xué);2013年

7 王家為;基于水上水下一體化探測(cè)系統(tǒng)的目標(biāo)分類關(guān)鍵技術(shù)研究[D];上海海洋大學(xué);2017年

8 王錕德;基于支持向量機(jī)的SAR目標(biāo)分類識(shí)別[D];電子科技大學(xué);2011年

9 屈璐;基于特征模型相似性的運(yùn)動(dòng)目標(biāo)分類[D];吉林大學(xué);2011年

10 代穎超;基于微動(dòng)特征的雷達(dá)目標(biāo)分類方法研究[D];西安電子科技大學(xué);2017年

，

本文編號(hào)：2677189