本文關(guān)鍵詞：高分辨率SAR圖像目標識別關(guān)鍵技術(shù)

  更多相關(guān)文章： SAR圖像 去噪 特征提取 分類器

【摘要】：合成孔徑雷達(SAR)因為其成像不受天氣,光照等條件的影響,在民用和軍事等領(lǐng)域已得到廣泛的應(yīng)用。隨著SAR技術(shù)發(fā)展不斷深入,SAR圖像由傳統(tǒng)的基于人工判讀逐漸轉(zhuǎn)化為SAR圖像的自動目標識別(SAR ATR)。本文主要研究了SAR ATR關(guān)鍵技術(shù),其中主要包括三大部分:SAR圖像濾波、特征提取以及目標分類器設(shè)計。針對每個部分所涉及的算法本文分別從理論和仿真數(shù)據(jù)給予了詳細的分析。提出一種基于差分曲率驅(qū)動的各項異性擴散SAR圖像濾波方法。SAR的成像特點決定了SAR圖像受相干斑噪聲的影響,且符合乘性模型。在處理過程中,通過對數(shù)變換,把乘性模型轉(zhuǎn)化為加性模型。主要分析了基于偏微分方程的去噪算法,針對傳統(tǒng)的P-M、平均曲率驅(qū)動、高斯曲率驅(qū)動等去噪算法不能保留圖像邊緣、細節(jié)信息,提出改進的基于差分曲率驅(qū)動的各項異性擴散方法,該方法可以較好地區(qū)分圖像的邊緣、孤立噪點和圖像的平坦區(qū)域,因此,去噪的同時保留了圖像邊緣信息。研究了一種基于變換特性的SAR圖像特征提取方法。由于直接對去噪后的SAR圖像進行目標分類,其識別效率極低,因此,在分類器設(shè)計之前對圖像進行了特征提取,既減小了計算量,也達到了進一步去噪的作用。主要研究分析了PCA算法,該算法利用K-L變換原理,把圖像轉(zhuǎn)化為一維向量,根據(jù)其協(xié)方差矩陣的特征值的大小,來選擇具有代表性的特征向量。進一步研究了與PCA算法類似的2DPCA算法,該算法直接利用原始圖像進行特征提取,解決了PCA在處理大圖像時所需計算量很大的問題。提出一種復(fù)合的SAR目標分類器設(shè)計方法。利用特征提取過程得到的投影數(shù)據(jù)進行目標分類,主要分析了近鄰法,支持向量機和不等間距最優(yōu)分類面支持向量機三種分類器設(shè)計方法。因為本次研究針對多類別目標進行,因此,采用一對一分類設(shè)計,把訓(xùn)練樣本的所有類別兩兩組合分別設(shè)計二分類器,對每個分類器識別出的結(jié)果進行投票選取。結(jié)合近鄰法和支持向量機的特點,提出一種改進的分類器設(shè)計方法,該方法根據(jù)訓(xùn)練樣本數(shù)據(jù)的分布不同采用不同的分類器,同時,既解決了大量樣本數(shù)據(jù)直接采用近鄰法分類計算量和存儲空間大的問題,又解決了支持向量機在分類面附近存在噪聲樣本點時易出現(xiàn)錯分的問題。
【關(guān)鍵詞】：SAR圖像 去噪 特征提取 分類器
【學(xué)位授予單位】：電子科技大學(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5-6
• ABSTRACT6-10
• 第一章 緒論10-16
• 1.1 研究背景及意義10-11
• 1.2 國內(nèi)外研究現(xiàn)狀11-13
• 1.3 主要研究內(nèi)容13-14
• 1.4 論文結(jié)構(gòu)安排14-16
• 第二章 基于偏微分方程的SAR圖像去噪算法16-34
• 2.1 引言16-17
• 2.2 MSTAR數(shù)據(jù)介紹17-18
• 2.3 SAR圖像噪聲模型18-21
• 2.3.1 相干斑噪聲形成機理18-19
• 2.3.2 相干斑噪聲統(tǒng)計特性19-20
• 2.3.3 相干斑噪聲模型處理20-21
• 2.4 幾種常見的偏微分方程去噪方法及分析21-23
• 2.4.1 P-M去噪模型21-22
• 2.4.2 平均曲率和高斯曲率驅(qū)動去噪模型22-23
• 2.5 改進的差分曲率驅(qū)動偏微分去噪算法23-26
• 2.5.1 基于差分曲率驅(qū)動去噪模型的提出23-24
• 2.5.2 新模型魯棒性分析24-25
• 2.5.3 新模型的離散化形式25-26
• 2.6 仿真結(jié)果與分析26-33
• 2.7 本章小結(jié)33-34
• 第三章 SAR圖像特征提取方法的研究34-54
• 3.1 引言34
• 3.2 基于物理性質(zhì)的特征特征提取34-43
• 3.2.1 幾何特征提取34-35
• 3.2.2 點特征和線特征提取35-41
• 3.2.3 區(qū)域特征提取41-43
• 3.3 基于PCA的SAR圖像特征提取43-47
• 3.3.1 PCA算法原理43-46
• 3.3.2 PCA特征提取算法步驟46-47
• 3.4 基于 2DPCA的SAR圖像目標特征提取47-50
• 3.4.1 2DPCA基本思想47-48
• 3.4.2 2DPCA特征提取步驟48-50
• 3.5 仿真結(jié)果與分析50-53
• 3.6 本章小結(jié)53-54
• 第四章 SAR目標投影數(shù)據(jù)的分類器設(shè)計方法54-70
• 4.1 引言54
• 4.2 近鄰法分類器設(shè)計54-55
• 4.3 支持向量機分類器設(shè)計55-63
• 4.3.1 線性最優(yōu)分類面56-58
• 4.3.2 非線性最優(yōu)分類面58-61
• 4.3.3 SVM多類分類算法61-63
• 4.3.4 SVM的特點及優(yōu)勢63
• 4.4 基于不等距最優(yōu)超平面的支持向量機分類算法63-66
• 4.4.1 不等間距SVM算法的形成63-64
• 4.4.2 不等間距SVM算法的實現(xiàn)64-66
• 4.5 改進近鄰法與不等間距SVM結(jié)合的分類算法66-67
• 4.6 仿真結(jié)果與分析67-69
• 4.7 本章小結(jié)69-70
• 第五章 SAR圖像目標識別系統(tǒng)的設(shè)計與實現(xiàn)70-73
• 5.1 SAR圖像目標識別系統(tǒng)總體結(jié)構(gòu)70
• 5.2 SAR圖像目標識別系統(tǒng)實現(xiàn)70-73
• 第六章 總結(jié)與展望73-75
• 6.1 全文總結(jié)73-74
• 6.2 工作展望74-75
• 致謝75-76
• 參考文獻76-81
• 攻讀碩士學(xué)位期間取得的成果81-82

【共引文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 王益艷;陳陽;羅立民;;基于結(jié)構(gòu)保持的增廣型各向異性PDE濾波[J];東南大學(xué)學(xué)報(自然科學(xué)版);2014年04期

2 魏長寶;張莉華;;邊界噪聲檢測耦合差分曲率驅(qū)動的脈沖噪聲圖像降噪[J];包裝工程;2015年17期

3 唐利明;王曉峰;陳照輝;;去除階梯效應(yīng)和震蕩提取的分片變分分解模型[J];計算機輔助設(shè)計與圖形學(xué)學(xué)報;2013年08期

4 王智文;李紹滋;;基于多元統(tǒng)計模型的分形小波自適應(yīng)圖像去噪[J];計算機學(xué)報;2014年06期

5 公成敏;;全變分原理在地震數(shù)據(jù)去噪中的應(yīng)用[J];計算機與數(shù)字工程;2014年07期

6 孫未雅;張權(quán);白云蛟;張芳;董嬋嬋;何琳;桂志國;;基于差分曲率的非局部均值圖像降噪算法[J];中北大學(xué)學(xué)報(自然科學(xué)版);2015年03期

7 董嬋嬋;張權(quán);郝慧艷;劉yN;;基于改進各項異性擴散和小波變換的MLEM低劑量CT重建算法[J];中北大學(xué)學(xué)報(自然科學(xué)版);2015年04期

8 唐利明;王洪珂;陳照輝;黃大榮;;基于變分水平集的圖像模糊聚類分割[J];軟件學(xué)報;2014年07期

9 唐利明;黃大榮;李可人;;基于變分水平集的圖像分割模型[J];數(shù)據(jù)采集與處理;2014年05期

10 賀夢穎;;基于差分曲率的自適應(yīng)反銳化增強算法[J];山西電子技術(shù);2015年01期

中國重要會議論文全文數(shù)據(jù)庫 前1條

1 董嬋嬋;張權(quán);郝慧艷;張芳;劉yN;孫未雅;桂志國;;基于差分曲率的各項異性擴散圖像降噪算法[A];2014年全國射線數(shù)字成像與CT新技術(shù)研討會論文集[C];2014年

中國博士學(xué)位論文全文數(shù)據(jù)庫 前4條

1 黃淑英;基于空間域正則化方法的圖像超分辨率技術(shù)研究[D];中國海洋大學(xué);2013年

2 王崢榮;基于運動信息的IC圖像超分辨率重建技術(shù)[D];華中科技大學(xué);2014年

3 方厚章;空—時—頻特性知識指導(dǎo)的圖像恢復(fù)方法研究[D];華中科技大學(xué);2014年

4 程玉柱;分數(shù)階ACM圖像分割算法及其在雜草圖像中的應(yīng)用[D];南京林業(yè)大學(xué);2014年

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前7條

1 彭蘭輝;基于變分PDE的圖像去噪方法研究[D];重慶大學(xué);2013年

2 劉西林;圖像去噪的兩類偏微分方程新模型[D];東華理工大學(xué);2013年

3 王爽;基于偏微分方程的圖像修復(fù)技術(shù)研究[D];遼寧師范大學(xué);2012年

4 李志鵬;基于多尺度幾何分析的圖像去噪研究[D];南昌大學(xué);2014年

5 郭勇;超聲手術(shù)導(dǎo)航系統(tǒng)中圖像去噪和呼吸信號獲取與建模[D];大連理工大學(xué);2014年

6 田媛媛;分數(shù)階微積分在圖像增強中的應(yīng)用研究[D];沈陽工業(yè)大學(xué);2015年

7 賀夢穎;醫(yī)學(xué)圖像的增強技術(shù)研究與仿真[D];中北大學(xué);2015年

，

本文編號：620515