本文關(guān)鍵詞：基于字典學(xué)習(xí)的SAR圖像目標(biāo)識別研究

  更多相關(guān)文章： 合成孔徑雷達(dá)圖像 目標(biāo)識別 特征提取 字典學(xué)習(xí)

【摘要】：合成孔徑雷達(dá)(Synthetic Aperture Radar,SAR)具有全天候、全天時對地觀測的能力,在軍用和民用領(lǐng)域都發(fā)揮著日益重要的作用。隨著SAR成像技術(shù)的高度發(fā)展,越來越多的高分辨率SAR數(shù)據(jù)得以獲取。在信息化、智能化、大數(shù)據(jù)的時代背景下,如何高效、精準(zhǔn)地處理和解譯SAR圖像數(shù)據(jù)成為研究的熱點(diǎn)。本文圍繞SAR圖像目標(biāo)識別展開研究,主要包括SAR圖像預(yù)處理、特征提取和基于字典學(xué)習(xí)的SAR圖像目標(biāo)識別三個方面,主要內(nèi)容概括如下:1.研究了SAR圖像預(yù)處理及特征提取的相關(guān)課題。首先,從雷達(dá)成像角度分析了三維真實場景與二維SAR圖像的對應(yīng)關(guān)系。其次,分別就地面車輛目標(biāo)的高度特征提取和海面艦船目標(biāo)的幾何特征提取展開研究。該過程先依次對圖像進(jìn)行預(yù)處理和特征提取的初步操作,再利用一些簡單易得的先驗知識對所提取特征的合理性進(jìn)行判別與分析,并據(jù)此對預(yù)處理和特征提取的初步結(jié)果進(jìn)行修正以得到最終的結(jié)果,提高了SAR圖像目標(biāo)特征的估計精度。2.研究了基于線性字典學(xué)習(xí)的SAR圖像目標(biāo)識別問題。圍繞K-SVD算法,詳細(xì)介紹了包括K-SVD、鑒別KSVD和標(biāo)簽一致KSVD這三種線性字典學(xué)習(xí)方法,從K-SVD字典學(xué)習(xí)方法與K-均值聚類方法的對比、無監(jiān)督字典學(xué)習(xí)方法與有監(jiān)督分類問題的結(jié)合、提高字典鑒別能力等方面展開了分析,并將這三種方法應(yīng)用于SAR圖像目標(biāo)識別問題。3.研究了基于非線性字典學(xué)習(xí)的SAR圖像目標(biāo)識別問題。核方法是解決非線性模式分析問題的一種有效途徑。在研究了核方法相關(guān)知識的基礎(chǔ)上,研究了基于核方法的核K-SVD算法,并將其應(yīng)用于SAR圖像目標(biāo)識別問題。
【關(guān)鍵詞】：合成孔徑雷達(dá)圖像 目標(biāo)識別 特征提取 字典學(xué)習(xí)
【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】：2015
【分類號】：TN957.52
【目錄】：

• 摘要5-6
• ABSTRACT6-10
• 符號對照表10-11
• 縮略語對照表11-15
• 第一章 緒論15-19
• 1.1 研究背景和研究意義15
• 1.2 研究現(xiàn)狀概述15-17
• 1.3 本文的工作及內(nèi)容安排17-19
• 1.3.1 MSTAR數(shù)據(jù)簡介17-18
• 1.3.2 本文的內(nèi)容安排18-19
• 第二章 SAR圖像預(yù)處理及特征提取19-53
• 2.1 引言19
• 2.2 基于單幅SAR目標(biāo)切片的車輛目標(biāo)高度估計19-36
• 2.2.1 概述19-20
• 2.2.2 二維SAR圖像與三維真實場景的對應(yīng)關(guān)系20-25
• 2.2.3 方法的設(shè)計思路25-28
• 2.2.4 方法的具體實現(xiàn)28-33
• 2.2.5 實驗結(jié)果與分析33-36
• 2.3 SAR單目標(biāo)切片中的艦船目標(biāo)幾何特征提取36-51
• 2.3.1 概述36-37
• 2.3.2 方法的具體實現(xiàn)37-43
• 2.3.3 實驗結(jié)果與分析43-51
• 2.4 本章小結(jié)51-53
• 第三章 基于線性字典學(xué)習(xí)的SAR圖像目標(biāo)識別53-69
• 3.1 引言53
• 3.2 K-SVD算法53-58
• 3.2.1 模型概述53-54
• 3.2.2 K-SVD算法推導(dǎo)過程54-55
• 3.2.3 K-SVD算法與K-均值算法的聯(lián)系55-56
• 3.2.4 K-SVD算法應(yīng)用于有監(jiān)督分類問題56-58
• 3.3 D-KSVD算法58-61
• 3.3.1 以重構(gòu)為目的的字典學(xué)習(xí)方法用于目標(biāo)識別問題時的弊端58-59
• 3.3.2 D-KSVD模型概述59-60
• 3.3.3 D-KSVD算法具體實現(xiàn)步驟60-61
• 3.4 LC-KSVD算法61-65
• 3.4.1 LC-KSVD模型概述61-63
• 3.4.2 LC-KSVD算法具體實現(xiàn)步驟63-65
• 3.5 實驗及分析65-67
• 3.5.1 實驗概述65
• 3.5.2 基于MSTAR數(shù)據(jù)集的SAR圖像目標(biāo)識別65-66
• 3.5.3 基于擴(kuò)展YaleB數(shù)據(jù)集的人臉圖像目標(biāo)識別66-67
• 3.6 本章小結(jié)67-69
• 第四章 基于非線性字典學(xué)習(xí)的SAR圖像目標(biāo)識別69-85
• 4.1 引言69
• 4.2 核方法簡介69-71
• 4.2.1 核方法的產(chǎn)生背景69
• 4.2.2 核函數(shù)及核矩陣的定義69-70
• 4.2.3 核方法的優(yōu)勢70-71
• 4.2.4 有效核函數(shù)的判定及舉例71
• 4.3 K-KSVD算法71-82
• 4.3.1 K-KSVD模型概述71-73
• 4.3.2 K-KSVD模型求解73-78
• 4.3.3 K-KSVD算法應(yīng)用于有監(jiān)督分類問題78-82
• 4.4 實驗及分析82-83
• 4.4.1 實驗概述82
• 4.4.2 基于MSTAR數(shù)據(jù)集的SAR圖像目標(biāo)識別82
• 4.4.3 基于擴(kuò)展YaleB數(shù)據(jù)集的人臉圖像目標(biāo)識別82-83
• 4.5 本章小結(jié)83-85
• 第五章 總結(jié)與展望85-87
• 5.1 工作總結(jié)85
• 5.2 工作展望85-87
• 參考文獻(xiàn)87-91
• 致謝91-93
• 作者簡介93-94

【參考文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前3條

1 程建;黎蘭;王海旭;;稀疏表示框架下的SAR目標(biāo)識別[J];電子科技大學(xué)學(xué)報;2014年04期

2 陳文婷;邢相薇;計科峰;;SAR圖像艦船目標(biāo)識別綜述[J];現(xiàn)代雷達(dá);2012年11期

3 文江平;胡巖峰;張利利;;基于高分辨SAR圖像區(qū)域入射角反演及高度提取方法[J];計算機(jī)應(yīng)用;2009年S2期

，

本文編號：910679