本文關(guān)鍵詞：SAR圖像艦船檢測與分類方法研究，，由筆耕文化傳播整理發(fā)布。

【摘要】：合成孔徑雷達(dá)(Synthetic Aperture Radar, SAR)圖像艦船檢測與分類是SAR圖像解譯技術(shù)關(guān)鍵問題之一,也是海洋遙感應(yīng)用的重要研究方向,在漁業(yè)管理、海上交通管控、海洋資源開采、海洋環(huán)境監(jiān)控等方面具有重要意義。近年來,我國大力發(fā)展航天遙感事業(yè),一方面為SAR艦船監(jiān)測帶來了海量數(shù)據(jù)基礎(chǔ),另一方面對高效率、高精度的SAR圖像解譯技術(shù)提出需求。因此,研究SAR圖像艦船檢測與分類技術(shù)具有十分重要的理論意義和實(shí)際價(jià)值。本文立足于SAR艦船監(jiān)測技術(shù)的發(fā)展,分析了當(dāng)下艦船檢測與分類面臨的挑戰(zhàn),重點(diǎn)研究了SAR圖像艦船目標(biāo)檢測、高分辨率SAR圖像艦船目標(biāo)特征提取與分類識(shí)別等關(guān)鍵技術(shù)問題。主要研究成果如下：(1)針對現(xiàn)有SAR艦船檢測算法運(yùn)算時(shí)間過長以及泛化能力較差的問題,研究提出一種基于深度神經(jīng)網(wǎng)絡(luò)的SAR圖像艦船目標(biāo)檢測算法。首先,針對SAR圖像艦船目標(biāo)特點(diǎn),采用無監(jiān)督訓(xùn)練方法搭建深度神經(jīng)網(wǎng)絡(luò)構(gòu)架；其次,利用小波變換得到艦船目標(biāo)不同尺度特征,分別對不同深度網(wǎng)絡(luò)進(jìn)行訓(xùn)練；最后將深度網(wǎng)絡(luò)輸出進(jìn)行特征融合并對SAR圖像中的艦船目標(biāo)進(jìn)行檢測�；赥erraSAR-X數(shù)據(jù)對算法性能進(jìn)行了驗(yàn)證和評估,結(jié)果表明本算法在取得較高檢測準(zhǔn)確率的同時(shí)降低了檢測時(shí)間,并對沿海區(qū)域極端海況具有一定魯棒性。(2)針對現(xiàn)有SAR艦船分類技術(shù)發(fā)展不完善和分類準(zhǔn)確率較低的問題,研究提出基于上層建筑后向散射特征的SAR圖像艦船目標(biāo)分類算法。首先研究了艦船目標(biāo)上層建筑結(jié)構(gòu)特征,分析了不同結(jié)構(gòu)的后向散射特征；其次,針對SAR圖像的旁瓣模糊特性,研究了基于峰值特征的艦船分割算法,用以提高特征提取算法的有效性和準(zhǔn)確性；在此基礎(chǔ)上,提出了艦船目標(biāo)的維度比特征,并采用SVM分類思想實(shí)現(xiàn)SAR圖像艦船目標(biāo)分類�；赗adarSat-2數(shù)據(jù)對算法性能進(jìn)行了驗(yàn)證和評估,結(jié)果表明本算法有效地描述了艦船目標(biāo)特征,相比現(xiàn)有算法表現(xiàn)出較高的分類準(zhǔn)確率。
【關(guān)鍵詞】：合成孔徑雷達(dá) 艦船檢測 深度學(xué)習(xí) 艦船分類
【學(xué)位授予單位】：合肥工業(yè)大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類號(hào)】：TN957.52
【目錄】：

• 致謝6-7
• 摘要7-8
• ABSTRACT8-14
• 第一章 緒論14-23
• 1.1 艦船檢測與分類的研究背景與意義14-16
• 1.2 研究現(xiàn)狀16-22
• 1.2.1 SAR艦船檢測研究現(xiàn)狀16-20
• 1.2.2 SAR艦船分類研究現(xiàn)狀20-22
• 1.3 論文研究內(nèi)容及安排22-23
• 第二章 預(yù)處理和目標(biāo)特征提取23-46
• 2.1 SAR圖像成像機(jī)理23-26
• 2.1.1 SAR圖像成像模型23-24
• 2.1.2 SAR圖像成像分辨率24-26
• 2.2 SAR圖像預(yù)處理26-33
• 2.2.1 SAR圖像Lee濾波26-28
• 2.2.2 SAR圖像入射角校正28-30
• 2.2.3 SAR圖像幾何校正30-33
• 2.3 艦船目標(biāo)樣本制作33-40
• 2.3.1 基于灰度直方圖迭代的船海分離技術(shù)33-36
• 2.3.2 艦船目標(biāo)樣本提取36-40
• 2.4 常用艦船特征提取算法40-44
• 2.4.1 幾何結(jié)構(gòu)特征41-42
• 2.4.2 后向散射特征42-43
• 2.4.3 灰度分布特征43-44
• 2.4.4 變換域特征44
• 2.5 本章小結(jié)44-46
• 第三章 基于深度學(xué)習(xí)的艦船目標(biāo)檢測方法46-58
• 3.1 從淺層學(xué)習(xí)到深度學(xué)習(xí)46-48
• 3.1.1 淺層學(xué)習(xí)46-47
• 3.1.2 深度學(xué)習(xí)47-48
• 3.2 常用深度學(xué)習(xí)方法48-52
• 3.2.1 卷積神經(jīng)網(wǎng)絡(luò)48-50
• 3.2.2 深度置信網(wǎng)絡(luò)50-52
• 3.3 基于深度神經(jīng)網(wǎng)絡(luò)的艦船目標(biāo)檢測算法52-54
• 3.3.1 算法流程52-53
• 3.3.2 堆棧降噪自編碼器結(jié)構(gòu)搭建53-54
• 3.3.3 特征融合54
• 3.4 實(shí)驗(yàn)結(jié)果與分析54-57
• 3.5 本章小結(jié)57-58
• 第四章 基于上層建筑散射特征的艦船目標(biāo)分類方法58-68
• 4.1 上層建筑散射特征分析58-60
• 4.1.1 油船58-59
• 4.1.2 散裝貨船59-60
• 4.1.3 集裝箱船60
• 4.2 基于維度比的艦船目標(biāo)分類60-65
• 4.2.1 算法流程60-61
• 4.2.2 維度比特征61-65
• 4.3 實(shí)驗(yàn)結(jié)果與分析65-67
• 4.4 本章小結(jié)67-68
• 第五章 工作總結(jié)及展望68-70
• 5.1 工作總結(jié)68-69
• 5.2 工作展望69-70
• 參考文獻(xiàn)70-76
• 攻讀碩士學(xué)位期間的學(xué)術(shù)活動(dòng)及成果情況76-77

  本文關(guān)鍵詞：SAR圖像艦船檢測與分類方法研究，由筆耕文化傳播整理發(fā)布。

本文編號(hào)：288163