合成孔徑雷達(dá)（Synthetic Aperture Radar,SAR）是把幾個(gè)尺寸較小的真實(shí)天線合成孔徑雷達(dá),利用雷達(dá)與目標(biāo)的相對(duì)運(yùn)動(dòng),通過(guò)傳感器和數(shù)據(jù)處理的方法合成為一個(gè)等效真實(shí)天線合成孔徑的雷達(dá)。SAR圖像具有全天時(shí)、全天候等特點(diǎn),廣泛應(yīng)用于經(jīng)濟(jì)和軍事等各個(gè)領(lǐng)域。SAR目標(biāo)識(shí)別技術(shù)是利用先進(jìn)的雷達(dá)采集圖像的信息,對(duì)目標(biāo)種類及型號(hào)等其他屬性進(jìn)行判定識(shí)別,并且由于其優(yōu)良的特性,被廣泛應(yīng)用于軍事上的戰(zhàn)場(chǎng)偵察及精確打擊等領(lǐng)域。隨著時(shí)代的進(jìn)步,SAR目標(biāo)識(shí)別技術(shù)得到越來(lái)越多的發(fā)展,逐漸趨于成熟。本文針對(duì)SAR圖像目標(biāo)識(shí)別,進(jìn)行如下工作:首先針對(duì)合成孔徑雷達(dá)圖像的分類優(yōu)化方法,提出一種基于多特征與卷積神經(jīng)網(wǎng)絡(luò)的SAR圖像分類方法Canny-WTD-CNN。將Canny算子提取的邊緣特征,與小波閾值去噪法提取的小波特征進(jìn)行特征融合,作為卷積神經(jīng)網(wǎng)絡(luò)的輸入;以softmax為分類器,對(duì)SAR圖像進(jìn)行分類識(shí)別檢測(cè)。該方法在去除SAR圖像噪聲的同時(shí)能很好地保留圖像的邊緣特征,有效提高算法的精確度。其次在原有算法的基礎(chǔ)上進(jìn)行改進(jìn),提出一種新型SAR目標(biāo)識(shí)別算法MOPSO-WTD-Canny-CNN,利... 

【文章來(lái)源】：中北大學(xué)山西省

【文章頁(yè)數(shù)】：58 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

合成孔徑雷達(dá)工作的幾何關(guān)系圖

中北大學(xué)學(xué)位論文6圖像三類目標(biāo)識(shí)別數(shù)據(jù)集。除上述目標(biāo)數(shù)據(jù)外，MSTAR數(shù)據(jù)集還包含其他混合SAR目標(biāo)切片圖像，分別為2S1（自行榴彈炮）、BRDM2（裝甲偵察車）、BTR60（裝甲運(yùn)輸車）、D7（推土機(jī)）、T62（主戰(zhàn)坦克）、ZIL131（貨運(yùn)卡車）、ZSU234（自行高炮），與BTR70（裝甲運(yùn)輸車），BMP2（步兵戰(zhàn)車），T72（坦克）共同作為SAR十類目標(biāo)數(shù)據(jù)集。本文研究的是上述目標(biāo)中MSTAR數(shù)據(jù)集的三類目標(biāo)識(shí)別問(wèn)題，并選取17度俯仰角下BTR70，BMP2和T72的SN_C21，SN_C71和SN_S7目標(biāo)作為訓(xùn)練樣本，測(cè)試樣本使用15度俯仰角下的SAR目標(biāo)圖像。訓(xùn)練樣本包含694個(gè)大小為128128的SAR圖像，測(cè)試樣本包含583個(gè)目標(biāo)[27]。圖2-2為三類目標(biāo)SAR圖像。圖2-2三類目標(biāo)SAR圖像Fig.2-2ThreetypesoftargetSARimages2.3圖像去噪算法介紹2.3.1各類圖像去噪算法圖像一般通過(guò)視覺來(lái)獲取，往往會(huì)伴隨一些噪聲，導(dǎo)致圖像的質(zhì)量大幅下降，也使得對(duì)圖像的各種應(yīng)用處理變得困難，因此，在圖像處理的過(guò)程中，首先應(yīng)該進(jìn)行降噪，對(duì)圖像的噪聲進(jìn)行抑制，增強(qiáng)特征信息。圖像去噪算法通�？梢苑譃閮煞N：空域?yàn)V波和變換域?yàn)V波�？沼蚴侵笀D像所在區(qū)域，即原始圖像，故而空域?yàn)V波是在其圖像原來(lái)的基礎(chǔ)上，對(duì)像素值進(jìn)行數(shù)據(jù)處理。其原理是建立一個(gè)移動(dòng)窗口，在圖像上逐像素滑動(dòng)，以像元與周圍領(lǐng)域像元的空間關(guān)系為基礎(chǔ)，通過(guò)卷積運(yùn)算實(shí)現(xiàn)圖像濾波的一種，使得圖像外觀更為平滑，從而抑制圖像的噪聲。常見的空域?yàn)V波有高斯濾波、中值濾波以及均值濾波[28]。

中北大學(xué)學(xué)位論文7高斯濾波（Gaussfilter)是平滑線性濾波器，其去噪原理是對(duì)整幅圖像像素值進(jìn)行加權(quán)平均運(yùn)算，即對(duì)每一個(gè)像素值以及其鄰域內(nèi)的其他像素值進(jìn)行加權(quán)平均，得到新的像素值，這樣來(lái)達(dá)到平滑圖像即消除噪聲的效果。其具體實(shí)行步驟是首先利用高斯函數(shù)構(gòu)建滑動(dòng)模板（通常稱為高斯卷積核），利用此模板去對(duì)圖像進(jìn)行逐像素滑動(dòng)掃描，將模板中心像素點(diǎn)的值替換成模板所確定的鄰域內(nèi)像素點(diǎn)的加權(quán)平均灰度值[29]。一維高斯函數(shù)如公式（2-1），二維高斯函數(shù)如公式（2-2）。高斯濾波適合處理均值為零的高斯噪聲，并且能保留圖像的整體灰度特征；但由于高斯公式的特殊性，在處理離散的點(diǎn)噪聲時(shí)，會(huì)模糊大部分邊緣信息，并且使得細(xì)節(jié)紋理特征變得粗糙，從而造成大量的信息損失。222)(21)(xexf（2-1）2222)(221),(yxeyxG（2-2）圖2-3為高斯濾波去噪效果示意圖，將原始Lena圖加入高斯噪聲之后，利用高斯濾波平滑噪聲，效果明顯。圖2-3高斯濾波去噪效果示意圖Fig.2-3SchematicdiagramofGaussianfilterdenoisingeffect中值濾波（Medianfilter）是統(tǒng)計(jì)排序?yàn)V波器，其工作原理是將圖像某個(gè)像素值的一個(gè)鄰域內(nèi)的像素值，通過(guò)排序找出其中值，來(lái)代替該點(diǎn)的像素值。其具體操作為建立一個(gè)滑動(dòng)窗口，對(duì)圖像進(jìn)行移動(dòng)掃描，將窗口中心位置的灰度值替換為窗口中所有灰度值的中值[30]。不同于高斯濾波，中值濾波對(duì)于去除高斯噪聲效果并不理想，但是對(duì)于離散點(diǎn)的噪聲，例如椒鹽噪聲，利用中值濾波去噪之后有很明顯的效果。中值濾波在去除圖

【參考文獻(xiàn)】：
期刊論文
[1]基于卷積神經(jīng)網(wǎng)絡(luò)的圖像分類算法綜述[J]. 楊真真,匡楠,范露,康彬.  信號(hào)處理. 2018(12)
[2]基于卷積神經(jīng)網(wǎng)絡(luò)的車牌識(shí)別技術(shù)[J]. 劉建國(guó),代芳,詹濤.  物流技術(shù). 2018(10)
[3]基于KNN的合成孔徑雷達(dá)目標(biāo)識(shí)別[J]. 郝巖,白艷萍,張校非.  火力與指揮控制. 2018(09)
[4]巧用傅里葉變換優(yōu)化攝影圖像[J]. 郭士龍.  電腦與信息技術(shù). 2018(04)
[5]改進(jìn)Softmax分類器的深度卷積神經(jīng)網(wǎng)絡(luò)及其在人臉識(shí)別中的應(yīng)用[J]. 冉鵬,王靈,李昕,劉鵬偉.  上海大學(xué)學(xué)報(bào)(自然科學(xué)版). 2018(03)
[6]基于深度無(wú)監(jiān)督學(xué)習(xí)的圖像分類算法[J]. 古險(xiǎn)峰,馮學(xué)曉.  平頂山學(xué)院學(xué)報(bào). 2018(02)
[7]基于級(jí)聯(lián)卷積神經(jīng)網(wǎng)絡(luò)的人臉檢測(cè)算法[J]. 孫康,李千目,李德強(qiáng).  南京理工大學(xué)學(xué)報(bào). 2018(01)
[8]基于卷積神經(jīng)網(wǎng)絡(luò)的SAR目標(biāo)多維度特征提取[J]. 張慧,肖蒙,崔宗勇.  機(jī)械制造與自動(dòng)化. 2017(01)
[9]基于HAAR小波域邊緣方向特征的SAR圖像去噪[J]. 章明珠,鄭敏,廖開陽(yáng).  計(jì)算機(jī)應(yīng)用與軟件. 2017(01)
[10]合成孔徑雷達(dá)圖像目標(biāo)的卷積神經(jīng)網(wǎng)識(shí)別框架[J]. 王家寶,李陽(yáng),張耿寧,苗壯,李航,徐偉光.  計(jì)算機(jī)應(yīng)用研究. 2017(05)

博士論文
[1]HRWS SAR圖像艦船目標(biāo)監(jiān)視關(guān)鍵技術(shù)研究[D]. 邢相薇.國(guó)防科學(xué)技術(shù)大學(xué) 2014
[2]基于高階統(tǒng)計(jì)量的雷達(dá)目標(biāo)高分辨成像研究[D]. 高勛章.國(guó)防科學(xué)技術(shù)大學(xué) 2004
[3]小波理論及其在圖像、信號(hào)處理中的算法研究[D]. 趙瑞珍.西安電子科技大學(xué) 2001

碩士論文
[1]SAR回波模擬軟件實(shí)現(xiàn)技術(shù)研究[D]. 魏鵬.電子科技大學(xué) 2018
[2]激光探測(cè)聲音系統(tǒng)中信號(hào)處理方法研究[D]. 侯少陽(yáng).合肥工業(yè)大學(xué) 2018
[3]基于深度學(xué)習(xí)的SAR圖像目標(biāo)檢測(cè)識(shí)別一體化方法研究[D]. 王思飛.電子科技大學(xué) 2018
[4]基于深度學(xué)習(xí)網(wǎng)絡(luò)的SAR圖像目標(biāo)識(shí)別研究[D]. 趙菲妮.西安電子科技大學(xué) 2017
[5]基于判別性字典學(xué)習(xí)和稀疏表示的SAR地面目標(biāo)識(shí)別[D]. 余娟.電子科技大學(xué) 2017
[6]基于相機(jī)的空間暗弱慢速目標(biāo)自主識(shí)別與跟蹤技術(shù)研究[D]. 賈蒙楊.北京理工大學(xué) 2015
[7]人臉識(shí)別中圖像預(yù)處理與匹配方法研究[D]. 胡國(guó)靖.南京理工大學(xué) 2014
[8]基于機(jī)器視覺的表面缺陷檢測(cè)算法研究[D]. 李玉寶.中南大學(xué) 2013
[9]人體圖像中周邊物品檢測(cè)分類技術(shù)研究[D]. 鄒大海.南京郵電大學(xué) 2013
[10]機(jī)器人輔助手術(shù)中的目標(biāo)跟蹤算法研究[D]. 王琨.吉林大學(xué) 2012



本文編號(hào)：3308165