首页> 中文学位 >高分辨率合成孔径雷达地面目标识别及相关处理技术研究
【6h】

高分辨率合成孔径雷达地面目标识别及相关处理技术研究

代理获取

目录

第1章 绪 论

1.1课题背景及研究的目的和意义

1.2 SAR ATR国内外的研究历史和现状

1.3论文的主要工作和结构安排

第2章 SAR图像的特性分析

2.1引言

2.2 SAR图像的特点

2.3 SAR图像地面目标测试数据集

2.4 SAR ATR的基本识别思路

2.5本章小结

第3章 基于表征转换机的杂波抑制算法

3.1引言

3.2基于表征转换机的视图转换算法

3.3区分模式杂波抑制算法

3.4实验结果

3.5本章小结

第4章 SAR ATR中的图像分割及姿态估计方法

4.1引言

4.2基于增强区分模式的图像分割方法

4.3基于几何信息的目标姿态估计及矫正方法

4.4本章小结

第5章 高分辨SAR图像的移不变特征集的提取和处理方法

5.1引言

5.2基于二维小波分解技术的移不变特征集构建方法

5.3基于去冗余技术的低维紧致特征集处理方法

5.4实验结果

5.5本章小结

第6章 基于融合判别树分类器的SAR ATR方案的设计与实现

6.1引言

6.2基于融合判别树分类器的分类器设计方法

6.3 SAR ATR的整体设计与实现

6.4实验结果

6.5本章小结

结论

参考文献

攻读博士学位期间发表的论文及其它成果

声明

致谢

个人简历

展开▼

摘要

合成孔径雷达(SAR)具有全天时、全天候执行遥感监视任务的能力,目前已有越来越多雷达自动目标识别(ATR)的研究围绕 SAR图像开展。典型的 SAR地面目标识别方法可识别感兴趣的战术地面目标(例如坦克,榴弹炮和装甲车等),是有效进行敌我目标识别的手段,也是实行精确打击的重要先决条件之一。SAR图像分辨率的提高更使SAR ATR成为近年的研究热点。高分辨SAR图像在提供更丰富信息的同时也提出了新的问题,与中低分辨的 SAR图像相比,高分辨 SAR图像呈现不同的统计特性、更突出的细节特征、更大的数据量等特点。此外,SAR与目标的相对姿态变化、SAR图像的辐射特性、目标的几何特性以及杂波等对目标表征的影响增加了 SAR图像识别难度。因此,针对高分辨 SAR图像的特性和信息,设计更适合的预处理、特征提取和分类器训练方法就显得尤为重要。
  本文旨在设计高识别精度的地面目标SAR ATR方法,并针对预处理、特征提取和训练分类器各阶段提出多个相应处理算法。算法验证方面,主要使用了运动与静止目标的获取与识别(MSTAR)公开数据集和OKTAL仿真数据集。
  本文的主要工作包括以下几个方面:
  1.针对 SAR图像中的杂波抑制问题,提出基于表征转换机(ACM)的区分模式抑制(SIP)算法。SIP参考杂波图像中的杂波空间模式(像素的能量强度和分布规律),分析 SAR图像的空间模式并训练得到能在抑制杂波时保护感兴趣目标不被改变的回归函数。然后,将原始SAR图像作为回归函数的输入,计算获得杂波抑制后的图像输出。实测和仿真数据的实验验证了 SIP在杂波抑制方面的有效性,以及引入SIP处理对提高识别准确率方面的有效性。
  2.针对 SAR图像中的图像分割问题,提出基于 ACM的增强区分模式(PIP)分割方法。PIP分析SAR图像的空间模式并计算SAR图像与杂波空间模式的相似程度,然后根据相似程度构建掩膜图像并计算分割结果。实验验证,PIP可在较好地保存感兴趣目标的同时更彻底地去除杂波背景。
  3.针对目标姿态的估计和矫正问题,提出一种基于目标几何信息的姿态估计方法。提出的算法首先分析SAR图像中的目标几何信息,然后根据目标轮廓的完整或不完整程度,使用相应环境下估计精度更高的最小外接矩形(MBR)姿态估计方法或基于Radon变换的姿态估计方法,以获得更好的姿态估计精度。最后,将SAR图像按估计得到的姿态旋转以得到姿态矫正后的SAR图像。
  4.针对SAR ATR的特征提取问题,提出一种能够获得丰富分类判别信息且具有一定移不变性的特征提取和处理方法。提出的方法首先使用二维小波分解技术获得含有多种分辨信息(水平边缘特征、垂直边缘特征和下采样的纹理特征)且具有一定移不变特性的特征集,然后通过去冗余技术获得数据维度较低的紧致特征集。实际应用中,基于不同类型的小波基提取特征时,获得特征的分类判别能力并不一致。因此,本文基于最大边界准则(MMC)选择平均类间间距较大和平均类内距离较小的更适合 SAR ATR任务的反双正交小波基。其中,大的类间间距代表不同类别目标间的差别性,小的平均类间间距代表同类型目标的易识别性。
  5.针对 SAR图像目标表征的多变性使分类器较难得到足够训练的问题,提出一套完整的SAR ATR方案,综合使用各类算法(预处理算法、特征提取和处理算法以及分类器训练算法)来提高图像理解的有效性、获取针对SAR图像设计的特征以及构建针对小样本问题的分类器,以此获得更高的识别精度。其中,分类器训练阶段使用正、负样本共同训练判别树基分类器,然后基于Real-AdaBoost框架融合多个判别树基分类器以获得识别性能更好的强分类器。基于MSTAR真实数据集和OKTAL仿真数据集的实验验证了本文提出方案的优势和有效性。

著录项

相似文献

  • 中文文献
  • 外文文献
  • 专利
代理获取

客服邮箱:kefu@zhangqiaokeyan.com

京公网安备:11010802029741号 ICP备案号:京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有
  • 客服微信

  • 服务号