發(fā)布時間：2020-07-11 20:06

【摘要】：合成孔徑雷達(SAR)是一種不受天氣、光照等各種外界環(huán)境影響,并可以對感興趣的區(qū)域進行全天候、全天時偵查的微波探測傳感器。自SAR研制成功以來,SAR成像技術(shù)得到了快速地發(fā)展,獲得的SAR圖像分辨率也越來越高。隨著各種各樣SAR系統(tǒng)的出現(xiàn),使得SAR在各個領(lǐng)域中應(yīng)用越來越廣泛,因而SAR目標鑒別也成為廣大學(xué)者的研究重點。然而,在實際應(yīng)用中,由于可獲取的目標樣本通常比較少,雜波樣本相對較多,導(dǎo)致SAR目標鑒別中的訓(xùn)練數(shù)據(jù)存在非平衡的情況。而傳統(tǒng)的SAR目標鑒別算法在訓(xùn)練樣本非平衡時目標的檢測率下降,導(dǎo)致鑒別性能下降,所以非平衡數(shù)據(jù)下的SAR目標鑒別算法的性能有待提高。為解決以上問題,本文研究了基于傳統(tǒng)非平衡數(shù)據(jù)分類方法的SAR目標鑒別算法、基于代價敏感字典學(xué)習(xí)的SAR目標鑒別算法和基于集成學(xué)習(xí)的SAR目標鑒別算法,以提高非平衡數(shù)據(jù)下的SAR目標鑒別算法的性能。論文安排如下:1.主要介紹本文的研究背景及意義、SAR目標鑒別研究現(xiàn)狀、非平衡數(shù)據(jù)分類問題的研究現(xiàn)狀和本文主要安排。2.研究了基于傳統(tǒng)非平衡數(shù)據(jù)分類方法的SAR目標鑒別算法。首先簡單介紹了利用基于雙參數(shù)恒虛警(CFAR)檢測和超像素分割算法得到圖像切片的過程;接著對基于詞包模型的鑒別特征提取方法進行了簡要描述,并在miniSAR圖像上進行實驗;最后研究了一些傳統(tǒng)的針對非平衡數(shù)據(jù)分類進行處理的方法,并在miniSAR數(shù)據(jù)集上進行對比實驗。3.研究了基于代價敏感字典學(xué)習(xí)的SAR目標鑒別算法。首先對稀疏表示分類基本理論和K-SVD字典學(xué)習(xí)算法進行了介紹;然后介紹了基于代價敏感字典學(xué)習(xí)的SAR目標鑒別算法框架及算法流程,在稀疏編碼階段考慮了代價信息,并在整個字典學(xué)習(xí)過程中強制執(zhí)行代價敏感約束;最后在miniSAR數(shù)據(jù)集上進行對比實驗,驗證了代價信息對非平衡數(shù)據(jù)下的SAR目標鑒別算法性能的提升作用。4.研究了基于集成學(xué)習(xí)的SAR目標鑒別算法。首先介紹集成學(xué)習(xí)基本理論;接著描述了基于三種不同字典集成方式的SAR目標鑒別算法,并在miniSAR數(shù)據(jù)集上進行對比實驗;最后介紹基于集成多分類器的SAR目標鑒別算法框架及流程,基分類器分別為基于代價敏感字典學(xué)習(xí)的稀疏表示分類器(CSDL-SRC)與支持向量機(SVM),并在miniSAR數(shù)據(jù)集上進行對比實驗,驗證集成學(xué)習(xí)對非平衡數(shù)據(jù)下的SAR目標鑒別效果有進一步提升作用。
【學(xué)位授予單位】：西安電子科技大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2018
【分類號】：TN957.52
【圖文】：

20%將其標記為目標切片，否則標記為雜波切片。切片提取結(jié)果如圖 2.1 所示。(a)目標切片 (b)人造雜波切片 (c)自然雜波切片圖2.1 基于超像素分割與雙參數(shù) CFAR 檢測提取到的切片2.2.2 基于詞包模型的鑒別特征提取對所有的切片提取SAR-SIFT局部特征利用kmeans算法和訓(xùn)練樣本的SAR-SIFT局部特征，學(xué)習(xí)一個編碼字典D利用編碼字典D，對所有切片的SAR-SIFT局部特征進行量化編碼利用均值合并，得到基于詞包模型的鑒別特征圖2.2 基于詞包模型的鑒別特征提取過程根據(jù)文獻[17]中所描述，基于詞包模型的鑒別特征的提取過程如圖 2.2 所示，主要包括以下四步：

(a) miniSAR 圖像 1 標記圖 (b) miniSAR 圖像 2 標記圖(c) miniSAR 圖像 3 標記圖 (d) miniSAR 圖像 4 標記圖圖2.6 實測 miniSAR 圖像人工標記圖切片圖像是通過 2.2.1 節(jié)所述的過程得到，表 2.1 中顯示的是從每幅圖像上獲得的切片數(shù)目。表2.1 四幅 miniSAR 圖像提取的切片數(shù)目圖像大小 目標切片數(shù)目 雜波切片數(shù)目miniSAR 圖像 1 1638*2510 79 510miniSAR 圖像 2 1638*2510 159 627miniSAR 圖像 3 1638*2510 115 305miniSAR 圖像 4 3274*2510 140 599從上述表2.1中可以看出每幅miniSAR圖像得到的雜波切片數(shù)目都遠多于目標切片數(shù)目，因此訓(xùn)練切片中的目標切片與雜波切片的數(shù)目也存在較為嚴重的不平衡的問題，例如將圖 2.5 中的(a)作為測試圖像，剩下的(b)、(c)、(d)作為訓(xùn)練圖像，則目標類訓(xùn)練樣本數(shù)為159 115 140 414，雜波類樣本數(shù)為627 305 599 1531。實驗的訓(xùn)練切片和測試切片的數(shù)目如表 2.2 所示：

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前2條

1 黃凱奇;任偉強;譚鐵牛;;圖像物體分類與檢測算法綜述[J];計算機學(xué)報;2014年06期

2 高貴;;SAR圖像目標鑒別研究綜述[J];信號處理;2009年09期

中國博士學(xué)位論文全文數(shù)據(jù)庫 前2條

1 丁軍;基于稀疏理論的SAR圖像目標識別研究[D];西安電子科技大學(xué);2015年

2 高貴;SAR圖像目標ROI自動獲取技術(shù)研究[D];國防科學(xué)技術(shù)大學(xué);2007年

本文編號：2750864