基于稀疏表示及字典学习的SAR图像目标识别

声明

1 绪论

1.1 研究背景及意义

1.2 国内外研究现状

1.2.1 字典学习研究现状

1.2.2 SAR图像目标识别的研究现状

1.2.3 基于稀疏表示的SAR图像目标识别的研究现状

1.2.4SAR ATR系统研究现状

1.3 研究内容及篇章结构

1.3.1 研究内容

1.3.2 篇章结构

1.4 本章小结

2 相关理论与技术

2.1 二维最大熵阈值分割

2.2 特征提取

2.2.1 PCA特征提取

2.2.2 2DPCA的特征提取

2.3 字典学习

2.3.1 字典学习的概念

2.3.1 K-SVD字典学习

2.3.2 LC-KSVD字典学习

2.4 稀疏表示

2.4.1 稀疏表示

2.4.2 联合稀疏表示

2.5 本章小结

3 SAR图像预处理

3.1 实验数据与环境

3.2 预处理流程

3.2.1 对数变换

3.2.2 二维最大熵阈值分割的遗传算法

3.2.3 目标区域处理

3.3 预处理实验结果

3.4 本章小结

4 结合最近邻和拓展稀疏表示的SAR图像目标识别

4.1 识别流程

4.2 基于识别能力的2DPCA特征提取和选择

4.3 分类器设计

4.3.1 拓展稀疏表示模型

4.3.2 基于置信度的近邻识别法

4.3.3 结合最近邻和拓展稀疏表示的SAR图像目标识别

4.4 实验结果及分析

4.4.1 稀疏系数分布

4.4.2 识别结果

4.4.3 对比实验

4.4.4 近邻数和拒识门限的影响

4.4.5 未预处理与预处理两种情况下的比较

4.5 本章小结

5 基于字典学习和拓展联合动态稀疏表示的SAR图像目标识别

5.1 识别流程

5.2 字典学习

5.3 拓展联合动态稀疏表示法

5.3.1 模型介绍

5.3.2 模型优化求解

5.3.3 识别标准

5.4 实验结果及分析

5.4.1 识别结果

5.4.2 对比实验

5.4.3 稀疏度和字典尺寸的影响

5.4.4 未配准与配准两种情况下的比较

5.5 本章小结

6 总结和展望

6.1 研究总结

6.2 研究展望

致谢

参考文献

附录