發(fā)布時間：2020-10-28 15:48

　　 合成孔徑雷達(dá)(Synthetic Aperture Radar,SAR)自動目標(biāo)識別(Automatic Target Recognition,ATR)技術(shù)是實現(xiàn)SAR圖像解譯的重要手段。典型的SAR ATR系統(tǒng)主要包括檢測、鑒別、分類/識別三個階段。其中,檢測與鑒別階段是整個SAR ATR系統(tǒng)的基礎(chǔ),目前仍存在許多問題需要解決,因此研究SAR圖像目標(biāo)檢測與鑒別具有重要意義。本文針對復(fù)雜場景下SAR圖像目標(biāo)檢測與鑒別問題,分別提出了兩種SAR圖像目標(biāo)檢測方法和兩種SAR圖像目標(biāo)鑒別方法。主要研究內(nèi)容可以概括為以下四個方面:1.針對在大幅場景下SAR圖像目標(biāo)檢測精度低、速度慢的問題,研究了SAR圖像目標(biāo)快速檢測算法。具體的,本文提出了一種基于多尺度顯著性(Multi-Scale Saliency,MSS)的SAR目標(biāo)快速檢測方法。提出的MSS檢測方法通過利用待檢測目標(biāo)的尺寸先驗信息,從原始SAR圖像的強(qiáng)度高斯金字塔中選取任務(wù)相關(guān)的尺度用于構(gòu)建顯著圖,從而凸顯目標(biāo)并在一定程度上壓制背景,有效的提高了目標(biāo)檢測的精度。此外,相比于基于滑窗處理機(jī)制的CFAR檢測算法,提出的MSS檢測方法采用了計算代價較小的中心-周邊差機(jī)制來構(gòu)建顯著圖,可以大大減少對大幅場景的SAR圖像進(jìn)行目標(biāo)檢測所需要的時間代價�；趯崪y數(shù)據(jù)的實驗證明,提出的MSS檢測方法在檢測精度、檢測速度方面明顯優(yōu)于傳統(tǒng)檢測方法,但是該方法在異質(zhì)背景下強(qiáng)雜波虛警去除的效果不夠理想。2.針對異質(zhì)背景下SAR圖像目標(biāo)檢測中強(qiáng)雜波虛警去除的問題,研究了異質(zhì)背景下SAR圖像目標(biāo)檢測方法。具體的,本文提出了一種基于貝葉斯-形態(tài)學(xué)顯著性(Bayesian-Morphological Saliency,BMS)的SAR目標(biāo)檢測方法。該方法主要包括兩個階段:貝葉斯顯著圖構(gòu)建階段和形態(tài)學(xué)顯著圖構(gòu)建階段。其中,貝葉斯顯著圖可以獲得感興趣的目標(biāo)以及一些強(qiáng)雜波的完整結(jié)構(gòu),有利于后續(xù)目標(biāo)先驗信息的充分利用;形態(tài)學(xué)顯著圖通過結(jié)合目標(biāo)尺寸和形狀先驗信息凸顯感興趣目標(biāo)的同時壓制自然雜波和人造強(qiáng)雜波�；趯崪y數(shù)據(jù)的實驗結(jié)果表明,在異質(zhì)背景下提出的BMS目標(biāo)檢測方法檢測性能要優(yōu)于傳統(tǒng)SAR圖像目標(biāo)檢測方法。3.針對部分傳統(tǒng)鑒別特征依賴于目標(biāo)分割預(yù)處理及特征提取速度較慢的問題,研究了不依賴于目標(biāo)分割預(yù)處理、特征提取速度較快的鑒別特征提取方法。具體的,本文提出了一種基于改進(jìn)的顯著性和全局性(Modified Saliency and Gist,MSG)特征的切片級SAR目標(biāo)鑒別方法。由于在復(fù)雜場景下很難通過分割預(yù)處理算法對疑似目標(biāo)切片進(jìn)行分割得到精確的目標(biāo)區(qū)域,進(jìn)而一些需要目標(biāo)分割預(yù)處理的傳統(tǒng)鑒別特征可能會失效。為了解決上述問題,本文基于光學(xué)圖像領(lǐng)域的顯著性和全局性(Saliency and Gist,SG)特征提出了用于SAR鑒別的MSG特征。MSG特征具有互補(bǔ)性且可以在不需要分割切片的前提下提供更加完整的描述,同時可以減少計算代價�；趯崪y數(shù)據(jù)的實驗結(jié)果表明,提出的MSG鑒別特征的鑒別精度要好于傳統(tǒng)鑒別特征;此外,MSG特征的特征提取速度也比多數(shù)傳統(tǒng)鑒別特征要快。4.針對多目標(biāo)環(huán)境下切片級鑒別性能較差的問題,研究了多目標(biāo)環(huán)境的SAR目標(biāo)鑒別方法。具體的,本文提出了一種基于多級多域(Multi-Level and Multi-Domain,MLMD)特征的超像級SAR目標(biāo)鑒別方法。提出的目標(biāo)鑒別方法主要包含三個階段。第一個階段,基于超像素級的目標(biāo)檢測結(jié)果,提出了對每個超像素進(jìn)行描述的MLMD特征描述符,此特征描述符可以較為精細(xì)和全面地反映目標(biāo)和雜波之間的差異。相比于切片,超像素具有靈活的尺寸和形狀,可以很好地貼合物體的邊界,并且每個超像素只屬于一個目標(biāo)或者部分的背景,不會橫跨二者。因此,提出的目標(biāo)鑒別方法把超像素作為基本鑒別單元,在多目標(biāo)區(qū)域可以有效避免多目標(biāo)/部分目標(biāo)切片情形的發(fā)生。第二個階段,采用支持矢量機(jī)(Support Vector Machine,SVM)作為鑒別器來得到鑒別后的超像素。第三個階段,將鑒別后的超像素進(jìn)行聚類并根據(jù)聚類的結(jié)果從原始的大場景SAR圖像中提取目標(biāo)切片�；趯崪y數(shù)據(jù)的實驗結(jié)果表明提出的超像素級鑒別方法的性能明顯好于傳統(tǒng)鑒別方法。
【學(xué)位單位】：西安電子科技大學(xué)
【學(xué)位級別】：博士
【學(xué)位年份】：2018
【中圖分類】：TN957.52
【文章目錄】：
摘要
ABSTRACT
符號對照表
縮略語對照表
第一章 緒論
    1.1 研究背景和意義
    1.2 SAR圖像目標(biāo)檢測與鑒別的研究現(xiàn)狀
        1.2.1 SAR圖像目標(biāo)檢測研究現(xiàn)狀
        1.2.2 SAR圖像目標(biāo)鑒別研究現(xiàn)狀
    1.3 復(fù)雜場景下SAR圖像目標(biāo)檢測與鑒別的關(guān)鍵問題
        1.3.1 復(fù)雜場景下SAR圖像目標(biāo)檢測的關(guān)鍵問題
        1.3.2 復(fù)雜場景下SAR圖像目標(biāo)鑒別的關(guān)鍵問題
    1.4 論文的內(nèi)容安排
第二章 傳統(tǒng)SAR圖像目標(biāo)檢測方法及鑒別特征介紹
    2.1 引言
    2.2 SAR圖像CFAR目標(biāo)檢測
        2.2.1 CFAR的雜波統(tǒng)計建模
        2.2.2 CFAR檢測器
    2.3 SAR圖像傳統(tǒng)鑒別特征
        2.3.1 切片目標(biāo)背景分割預(yù)處理
        2.3.2 老Lincoln特征
        2.3.3 新Lincoln特征
        2.3.4 Gao特征
        2.3.5 Bhanu特征
    2.4 本章小結(jié)
第三章 基于多尺度顯著性的SAR目標(biāo)快速檢測方法
    3.1 引言
    3.2 顯著性檢測算法介紹
        3.2.1 顯著性檢測的基本概念
        3.2.2 經(jīng)典光學(xué)顯著性檢測算法概述
        3.2.3 光學(xué)顯著性檢測和SAR目標(biāo)檢測對比
        3.2.4 用于SAR圖像的顯著性檢測算法
    3.3 基于多尺度顯著性的SAR目標(biāo)快速檢測方法
        3.3.1 提出方法的框架
        3.3.2 尺度選擇
        3.3.3 二值圖生成
        3.3.4 聚類
        3.3.5 虛警去除
        3.3.6 與傳統(tǒng)Itti模型的對比
    3.4 實驗結(jié)果與分析
        3.4.1 仿真數(shù)據(jù)結(jié)果
        3.4.2 實測數(shù)據(jù)結(jié)果
    3.5 本章小結(jié)
第四章 基于貝葉斯-形態(tài)學(xué)顯著性的SAR目標(biāo)檢測方法
    4.1 引言
    4.2 提出的目標(biāo)檢測方法的框架
    4.3 SAR圖像貝葉斯顯著圖的構(gòu)建
        4.3.1 先驗圖
        4.3.2 似然圖
        4.3.3 貝葉斯顯著圖
    4.4 SAR圖像形態(tài)學(xué)顯著圖的構(gòu)建
        4.4.1 形態(tài)學(xué)像
        4.4.2 差分形態(tài)學(xué)像
        4.4.3 形態(tài)學(xué)顯著圖
    4.5 二值圖的生成
    4.6 實驗結(jié)果與分析
        4.6.1 顯著圖的結(jié)果
        4.6.2 檢測結(jié)果
    4.7 本章小結(jié)
第五章 基于改進(jìn)的顯著性和全局性特征的切片級SAR目標(biāo)鑒別方法
    5.1 引言
    5.2 傳統(tǒng)的SG特征簡介
    5.3 MSG特征的特征提取框架
    5.4 改進(jìn)的顯著性特征
    5.5 改進(jìn)的全局性特征
    5.6 實驗結(jié)果與分析
        5.6.1 不同鑒別特征的線性可分性分析
        5.6.2 鑒別結(jié)果的分析
        5.6.3 特征提取時間代價分析
    5.7 本章小結(jié)
第六章 基于多級多域特征的超像素級SAR目標(biāo)鑒別方法
    6.1 引言
    6.2 提出超像素級鑒別方法的動機(jī)
    6.3 提出的超像素級鑒別方法的框架
    6.4 MLMD特征描述
        6.4.1 像素級多域特征描述
        6.4.2 超像素級特征描述
        6.4.3 目標(biāo)級特征描述
    6.5 實驗結(jié)果與分析
        6.5.1 實驗數(shù)據(jù)描述
        6.5.2 比較方法
        6.5.3 評價準(zhǔn)則
        6.5.4 參數(shù)設(shè)置
        6.5.5 提出的方法在各個步驟中的性能
        6.5.6 不同方法的比較
    6.6 本章小結(jié)
第七章 總結(jié)與展望
    7.1 論文工作總結(jié)
    7.2 工作展望
參考文獻(xiàn)
致謝
作者簡介

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 ;圖像目標(biāo)檢測技術(shù)及應(yīng)用[J];大數(shù)據(jù);2016年05期

2 李曉冰;;具有先驗信息的經(jīng)緯儀測量圖像目標(biāo)檢測技術(shù)[J];光電技術(shù)應(yīng)用;2008年01期

3 賀霖;潘泉;邸韡;李遠(yuǎn)清;;高光譜圖像目標(biāo)檢測研究進(jìn)展[J];電子學(xué)報;2009年09期

4 張裕;楊海濤;劉翔宇;;基于多尺度特征稠密連接的遙感圖像目標(biāo)檢測方法[J];中國電子科學(xué)研究院學(xué)報;2019年05期

5 范金華;陳鍛生;;高光譜圖像目標(biāo)檢測研究進(jìn)展[J];微型機(jī)與應(yīng)用;2015年16期

6 王艷,鮑建躍,林曉春,過潤秋;基于FPGA的紅外圖像目標(biāo)檢測[J];西安電子科技大學(xué)學(xué)報;2005年03期

7 強(qiáng)贊霞,彭嘉雄;基于融合及數(shù)學(xué)形態(tài)學(xué)的遙感圖像目標(biāo)檢測[J];計算機(jī)工程;2005年10期

8 聶永剛;但志平;;足球賽場運(yùn)動視頻圖像目標(biāo)檢測仿真[J];計算機(jī)仿真;2017年07期

9 張鐵棟;萬磊;秦再白;馬悅;;基于離散分?jǐn)?shù)布朗隨機(jī)場的水下圖像目標(biāo)檢測[J];光電工程;2008年08期

10 石志廣;周劍雄;張焱;;圖像目標(biāo)檢測前跟蹤的廣義多伯努利濾波算法[J];紅外與毫米波學(xué)報;2018年03期

相關(guān)博士學(xué)位論文 前10條

1 王兆成;復(fù)雜場景下SAR圖像目標(biāo)檢測及鑒別方法研究[D];西安電子科技大學(xué);2018年

2 王振華;基于深度學(xué)習(xí)的野外巡線系統(tǒng)圖像目標(biāo)檢測研究[D];中國地質(zhì)大學(xué)(北京);2018年

3 黃勇;基于語義信息的高分辨SAR圖像目標(biāo)檢測[D];西安電子科技大學(xué);2018年

4 張國敏;復(fù)雜場景遙感圖像目標(biāo)檢測方法研究[D];國防科學(xué)技術(shù)大學(xué);2010年

5 劉說;低檢測率SAR圖像目標(biāo)檢測與識別理論研究[D];電子科技大學(xué);2017年

6 李軒;基于局部特征的遙感圖像目標(biāo)檢測方法研究[D];長春理工大學(xué);2016年

7 李曉慧;高光譜圖像目標(biāo)檢測及壓縮方法研究[D];哈爾濱工程大學(xué);2014年

8 郭鵬宇;光測圖像目標(biāo)檢測跟蹤與判讀方法研究[D];國防科學(xué)技術(shù)大學(xué);2015年

9 郭軍;引入上下文信息的可見光遙感圖像目標(biāo)檢測與識別方法研究[D];國防科學(xué)技術(shù)大學(xué);2014年

10 傅志中;紅外掃描成像動目標(biāo)檢測跟蹤技術(shù)與DSP實時實現(xiàn)[D];電子科技大學(xué);2002年

相關(guān)碩士學(xué)位論文 前10條

1 黃國權(quán);基于深度學(xué)習(xí)的衛(wèi)星圖像目標(biāo)檢測與識別研究[D];浙江大學(xué);2019年

2 周明非;基于深度神經(jīng)網(wǎng)絡(luò)的遙感圖像目標(biāo)檢測研究[D];陜西師范大學(xué);2018年

3 徐暉;基于哈希學(xué)習(xí)的遙感圖像目標(biāo)檢測及應(yīng)用[D];南京理工大學(xué);2018年

4 白猛猛;深度位敏信息網(wǎng)絡(luò)的圖像目標(biāo)檢測研究[D];西安工業(yè)大學(xué);2018年

5 黎敏訥;分布式數(shù)據(jù)分層抽樣技術(shù)及其在目標(biāo)檢測領(lǐng)域的應(yīng)用研究[D];國防科學(xué)技術(shù)大學(xué);2017年

6 侯瑤淇;基于多尺度深度網(wǎng)絡(luò)和視覺注意機(jī)制的高分辨SAR圖像目標(biāo)檢測與分類[D];西安電子科技大學(xué);2018年

7 鄧洋洋;高分辨率SAR圖像目標(biāo)檢測與特征提取[D];成都信息工程大學(xué);2018年

8 孫大鵬;空間約束聯(lián)合表示高光譜圖像目標(biāo)檢測[D];中國科學(xué)院大學(xué)(中國科學(xué)院上海技術(shù)物理研究所);2018年

9 劉培;基于深度學(xué)習(xí)的圖像目標(biāo)檢測與分割算法的研究與應(yīng)用[D];燕山大學(xué);2018年

10 呂建君;基于深度學(xué)習(xí)的空域圖像目標(biāo)檢測研究與實現(xiàn)[D];北京郵電大學(xué);2018年

本文編號：2860290