【摘要】：合成孔徑雷達(Synthetic Aperture Radar,SAR)能夠全天時、全天候地獲取地球表面高分辨率圖像,在農(nóng)業(yè)調(diào)查、地質(zhì)勘探、災害評估和軍事偵察等領域具有重要應用。SAR自動目標識別(Automatic Target Recognition,ATR)技術(shù)可以自動、準確、高效地將SAR圖像中的目標進行分類、辨識,極具研究與應用價值,是當前國際SAR技術(shù)領域的前沿熱點。特征提取是SAR ATR的關(guān)鍵技術(shù)。針對SAR圖像目標識別問題,本文開展了流形學習理論的目標特征提取與識別方法的深入研究,主要創(chuàng)新如下:1.提出了一種SAR圖像的邊緣樣本鑒別嵌入特征提取方法,通過引入邊緣樣本鑒別因子,使邊緣樣本更好的聚集在類中心周圍,解決了邊緣樣本的特征混疊問題,提高了目標識別率。2.提出了一種樣本熵距離鑒別分析的SAR圖像特征提取方法,不僅能夠在特征提取時融入樣本貢獻度,并且可使近鄰異類樣本分離,非近鄰同類樣本聚集,解決了同類樣本特征分散程度大的問題,在更低維的特征空間提升了目標識別性能。3.提出了一種鄰域樣本信息熵的SAR圖像定向鑒別投影特征提取方法,能夠依據(jù)各樣本鄰域信息熵,構(gòu)建鄰域樣本定向聚集中心,明確樣本聚集方向,在低維空間實現(xiàn)了特征更好的聚集,提高了目標識別率。4.建立了廣義圖嵌入流形學習理論的框架,揭示了上述三種流形學習方法與現(xiàn)有流形算法的共同物理本質(zhì)和數(shù)學表征可轉(zhuǎn)移性,提出了特征提取策略的統(tǒng)一數(shù)學描述,為流形學習理論在SAR目標識別中的研究奠定了框架性理論基礎。上述方法,已通過仿真和MSTAR數(shù)據(jù)庫進行了驗證。結(jié)果表明本文中提出的三種SAR目標特征提取方法能夠適用于小樣本、非線性數(shù)據(jù)集,解決了邊緣樣本的特征混疊、同類樣本特征分散程度大、樣本在低維空間不能有效聚類的問題,并擴展提出了相應的線性算法、核算法、張量算法,有效提高了SAR目標的識別率和識別穩(wěn)健性。本文的工作完善了流形學習理論,并為其在SAR目標識別工程應用中的高效實現(xiàn)奠定了理論基礎。
【圖文】：

12(a) (b) (c)圖2-1 三種目標的光學圖像。(a) T72；(b) BTR70；(c) BMP2(a) (b) (c)圖2-2 三種目標的SAR圖像。(a) T72；(b) BTR70；(c) BMP2表 2-1 訓練樣本和測試樣本的目標種類、型號和數(shù)量訓練數(shù)據(jù) 數(shù)量 測試數(shù)據(jù) 數(shù)量BMP2sn_c21 233BMP2sn_9563 195BMP2sn_9566 196BMP2sn_c21 196BTR70sn_c71 233 BTR70sn_c71 196T72sn_132 232T72sn_132 196T72sn_812 195T72sn_s7 1912.2 SAR 圖像預處理SAR 圖像質(zhì)量影響 SARATR 系統(tǒng)的識別結(jié)果[87]。實際中由測繪所得到的 SAR圖像大多數(shù)不能直接用來進行目標特征提取和分類識別。MSTAR 數(shù)據(jù)庫中的圖像雖然是從大場景切割出來的 SAR 目標圖像，但圖像中仍包含相干斑、背景雜波和目標陰影，且目標區(qū)域在整幅圖像中所占比例較小，圖像數(shù)據(jù)維數(shù)較大。對 SAR圖像做預處理后可以獲取圖像中感興趣的目標區(qū)域，并減少相干斑、背景雜波和

圖2-1 三種目標的光學圖像。(a) T72；(b) BTR70；(c) BMP2(a) (b) (c)圖2-2 三種目標的SAR圖像。(a) T72；(b) BTR70；(c) BMP2表 2-1 訓練樣本和測試樣本的目標種類、型號和數(shù)量訓練數(shù)據(jù) 數(shù)量 測試數(shù)據(jù) 數(shù)量BMP2sn_c21 233BMP2sn_9563 195BMP2sn_9566 196BMP2sn_c21 196BTR70sn_c71 233 BTR70sn_c71 196T72sn_132 232T72sn_132 196T72sn_812 195T72sn_s7 1912.2 SAR 圖像預處理SAR 圖像質(zhì)量影響 SARATR 系統(tǒng)的識別結(jié)果[87]。實際中由測繪所得到的 SAR圖像大多數(shù)不能直接用來進行目標特征提取和分類識別。MSTAR 數(shù)據(jù)庫中的圖像雖然是從大場景切割出來的 SAR 目標圖像，但圖像中仍包含相干斑、背景雜波和目標陰影，且目標區(qū)域在整幅圖像中所占比例較小，圖像數(shù)據(jù)維數(shù)較大。對 SAR圖像做預處理后可以獲取圖像中感興趣的目標區(qū)域，并減少相干斑、背景雜波和
【學位授予單位】：電子科技大學
【學位級別】：博士
【學位授予年份】：2018
【分類號】：TN957.52

【參考文獻】

相關(guān)期刊論文 前4條

1 袁禮海;宋建社;薛文通;趙偉舟;;SAR圖像自動目標識別系統(tǒng)研究與設計[J];計算機應用研究;2006年11期

2 羅四維;趙連偉;;基于譜圖理論的流形學習算法[J];計算機研究與發(fā)展;2006年07期

3 匡綱要,計科峰,粟毅,郁文賢;SAR圖象自動目標識別研究[J];中國圖象圖形學報;2003年10期

4 韓萍,吳仁彪,王兆華,王蘊紅;基于KPCA準則的SAR目標特征提取與識別[J];電子與信息學報;2003年10期

，

本文編號：2694606