本文關(guān)鍵詞：基于深度學(xué)習(xí)的SAR圖像目標(biāo)識(shí)別算法的研究

  更多相關(guān)文章： SAR圖像 目標(biāo)識(shí)別 相干斑噪聲 壓縮感知 深度學(xué)習(xí)

【摘要】：合成孔徑雷達(dá)(Synthetic Aperture Radar,SAR)具有高分辨率的特性,因此在軍用和民用的各個(gè)領(lǐng)域中廣泛應(yīng)用,尤其是在軍事偵察領(lǐng)域中的作用無可替代。在SAR圖像目標(biāo)識(shí)別的處理過程中,SAR圖像的相干斑去噪、圖像壓縮和圖像目標(biāo)的分割都是很關(guān)鍵重要的步驟。而本文正是以SAR圖像目標(biāo)識(shí)別為背景,主要研究了SAR圖像的去噪、壓縮和目標(biāo)的分割識(shí)別等內(nèi)容。首先,描述了SAR圖像特有的相干斑乘性噪聲模型,因?yàn)樗荢AR圖像分析的工作基礎(chǔ)。介紹了Lee濾波、Kuan濾波、小波變換濾波和基于Contourlet變換的濾波等幾種傳統(tǒng)的濾波方法,并分析了它們各自的優(yōu)缺點(diǎn)。然后提出了一種基于頭腦風(fēng)暴閥值優(yōu)化的NSCT自適應(yīng)圖像去噪方法,與傳統(tǒng)方法相比較,可以獲得很好的濾波去噪效果。在SAR圖像壓縮方面,提出一種新的基于自適應(yīng)二維隱式稀疏采樣的SAR圖像壓縮感知算法。并與傳統(tǒng)的壓縮感知算法、基于小波基的壓縮感知算法和基于DCT變換基的壓縮感知算法在“幅值一致性與采樣數(shù)據(jù)量”這一性能指標(biāo)上作出比較。本文提出的算法不僅壓縮效果明顯,而且同時(shí)也保證了圖像的成像質(zhì)量。最后在SAR圖像的分割方面,先是給出了圖像分割的定義,簡(jiǎn)單介紹了深度學(xué)習(xí)的基本思想、深度信念網(wǎng)絡(luò)和網(wǎng)絡(luò)的學(xué)習(xí)等深度學(xué)習(xí)的相關(guān)知識(shí)。在此基礎(chǔ)上提出了一種新的SAR圖像分割識(shí)別方法,通過與傳統(tǒng)的深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)識(shí)別算法、SVM支持向量機(jī)識(shí)別算法和多尺度SOM神經(jīng)網(wǎng)絡(luò)識(shí)別算法的比較,提出的新算法的識(shí)別率達(dá)到了97.3%,性能明顯高于另外三種方法,是一種有效的SAR圖像目標(biāo)識(shí)別方法。
【關(guān)鍵詞】：SAR圖像 目標(biāo)識(shí)別 相干斑噪聲 壓縮感知 深度學(xué)習(xí)
【學(xué)位授予單位】：南京林業(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3-4
• 摘要4-5
• Abstract5-8
• 第一章 緒論8-12
• 1.1 研究課題的背景和目的意義8
• 1.2 SAR研究現(xiàn)狀8-10
• 1.3 本論文主要研究?jī)?nèi)容及章節(jié)安排10-12
• 第二章 SAR圖像去噪處理的研究12-29
• 2.1 SAR圖像相干斑的乘性噪聲模型12-13
• 2.2 SAR圖像的幾種傳統(tǒng)去噪方法13-17
• 2.2.1 Lee濾波器去噪13-14
• 2.2.2 Kuan濾波器去噪14
• 2.2.3 小波變換去噪14-16
• 2.2.4 基于Contourlet變換去噪16-17
• 2.3 基于頭腦風(fēng)暴優(yōu)化策略的NSCT閥值圖像去噪算法17-28
• 2.3.1 非下采樣Contourlet（NSCT）變換概述17-19
• 2.3.2 頭腦風(fēng)暴算法的優(yōu)化及改進(jìn)19-22
• 2.3.3 基于閥值優(yōu)化的NSCT自適應(yīng)圖像去噪處理22-24
• 2.3.4 本論文采用改進(jìn)算法的去噪仿真24-26
• 2.3.5 實(shí)驗(yàn)仿真結(jié)論與對(duì)比分析26-28
• 2.4 本章小結(jié)28-29
• 第三章 SAR圖像壓縮方法改進(jìn)研究29-42
• 3.1 SAR圖像的幾種傳統(tǒng)壓縮方法29-32
• 3.1.1 基于矢量量化編碼的SAR圖像壓縮29-30
• 3.1.2 基于DCT變換的SAR圖像壓縮30-31
• 3.1.3 基于小波變換的SAR圖像壓縮31-32
• 3.2 自適應(yīng)二維隱式稀疏采樣的壓縮感知算法32-37
• 3.2.1 壓縮感知概述32
• 3.2.2 壓縮感知理論32-33
• 3.2.3 基于新型稀疏采樣的SAR壓縮感知算法33-37
• 3.3 算法仿真與結(jié)論分析37-41
• 3.3.1 算法性能的仿真與分析37-40
• 3.3.2 仿真結(jié)論對(duì)比分析40-41
• 3.4 本章小結(jié)41-42
• 第四章 基于新型深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)的SAR圖像目標(biāo)分割及識(shí)別方法42-58
• 4.1 SAR圖像分割的定義42
• 4.2 SAR圖像目標(biāo)識(shí)別的難點(diǎn)及傳統(tǒng)識(shí)別方法的缺點(diǎn)42-44
• 4.2.1 傳統(tǒng)深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)的缺點(diǎn)43
• 4.2.2 傳統(tǒng)支持向量機(jī)SVM的缺點(diǎn)43-44
• 4.2.3 傳統(tǒng)SOM模型的缺點(diǎn)44
• 4.3 深度學(xué)習(xí)44-47
• 4.3.1 深度學(xué)習(xí)的基本思想45
• 4.3.2 深度信念網(wǎng)絡(luò)（Deep Belief Networks,DBNs）45-46
• 4.3.3 深度信念網(wǎng)絡(luò)的學(xué)習(xí)46-47
• 4.4 廣義回歸神經(jīng)網(wǎng)絡(luò)（GRNN）47-49
• 4.4.1 GRNN的理論基礎(chǔ)47-48
• 4.4.2 GRNN的網(wǎng)絡(luò)結(jié)構(gòu)48-49
• 4.5 基于新型深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)的SAR圖像目標(biāo)分割識(shí)別49-53
• 4.5.1 受限玻爾茲曼機(jī)（RBM）的模型定義49-50
• 4.5.2 受限玻爾茲曼機(jī)（RBM）的學(xué)習(xí)50-51
• 4.5.3 基于改進(jìn)遺傳算法優(yōu)化的RBM訓(xùn)練51-52
• 4.5.4 基于層疊RBM與GRNN的深度信念神經(jīng)網(wǎng)絡(luò)52-53
• 4.6 新型深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)的性能仿真53-57
• 4.6.1 算法仿真分析53-54
• 4.6.2 仿真結(jié)論對(duì)比分析54-55
• 4.6.3 算法穩(wěn)定性對(duì)比分析55-57
• 4.6.4 算法魯棒性對(duì)比分析57
• 4.7 本章小結(jié)57-58
• 第五章 總結(jié)與展望58-59
• 5.1 全文總結(jié)58
• 5.2 研究展望58-59
• 參考文獻(xiàn)59-65
• 攻讀學(xué)位期間發(fā)表的學(xué)術(shù)論文65

【參考文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前3條

1 陳宗民;周治平;;非抽樣Contourlet變換去噪濾波器設(shè)計(jì)的源相機(jī)識(shí)別[J];計(jì)算機(jī)應(yīng)用;2012年02期

2 王愛麗;張曄;谷延鋒;陳雨時(shí);;基于多小波的SAR圖像去噪與壓縮[J];系統(tǒng)仿真學(xué)報(bào);2008年15期

3 涂昌培;靜止圖像數(shù)據(jù)的壓縮方法[J];江漢大學(xué)學(xué)報(bào);2000年03期

中國(guó)博士學(xué)位論文全文數(shù)據(jù)庫(kù) 前3條

1 徐建平;壓縮感知算法在雷達(dá)成像中的應(yīng)用研究[D];電子科技大學(xué);2012年

2 唐建;矢量量化碼書設(shè)計(jì)與矢量量化應(yīng)用研究[D];中國(guó)科學(xué)技術(shù)大學(xué);2006年

3 酈蘇丹;SAR圖像特征提取與目標(biāo)識(shí)別方法研究[D];國(guó)防科學(xué)技術(shù)大學(xué);2001年

中國(guó)碩士學(xué)位論文全文數(shù)據(jù)庫(kù) 前10條

1 趙天坤;基于深度神經(jīng)網(wǎng)絡(luò)的音樂信息檢索[D];北京郵電大學(xué);2015年

2 田流芳;基于中值濾波和小波變換的圖像去噪算法研究[D];河北大學(xué);2014年

3 徐靜;基于壓縮感知的SAR圖像目標(biāo)識(shí)別方法研究[D];南京航空航天大學(xué);2013年

4 林妙真;基于深度學(xué)習(xí)的人臉識(shí)別研究[D];大連理工大學(xué);2013年

5 張晨曉;機(jī)載合成孔徑雷達(dá)回波信號(hào)仿真研究[D];南京理工大學(xué);2012年

6 韓麗紅;無線傳感器網(wǎng)絡(luò)數(shù)據(jù)壓縮技術(shù)研究[D];哈爾濱工程大學(xué);2012年

7 蘆婧;小波變換圖像去噪及其在SAR圖像中的應(yīng)用[D];西安科技大學(xué);2011年

8 黎慶;星載SAR信道建模與回波檢測(cè)性能研究[D];電子科技大學(xué);2011年

9 韓征;基于投影特征的SAR自動(dòng)目標(biāo)識(shí)別技術(shù)研究[D];中國(guó)民航大學(xué);2009年

10 周瑞雪;小波變換與矢量量化在圖像壓縮中的應(yīng)用研究[D];中國(guó)海洋大學(xué);2008年

，

本文編號(hào)：999810