【摘要】：合成孔徑雷達(Synthetic Aperture Radar,SAR)成像技術(shù)不受到距離、光照、天氣等因素的影響,具備全天時、全天候、高分辨率成像的特點。目前,SAR成像技術(shù)已經(jīng)被廣泛應(yīng)用于軍事探測以及民用測繪的多個領(lǐng)域。但是,在SAR目標自動識別領(lǐng)域,由于SAR圖像的相干成像原理,致使SAR圖像被大量復(fù)雜的相干斑噪聲污染,并且由于對SAR輻射特性以及成像原理相關(guān)知識的缺乏,導(dǎo)致提取有效的SAR目標特征進行目標識別十分困難,從而制約了SAR自動目標識別技術(shù)的發(fā)展。基于此,本文繞過特征提取這一難題,利用訓(xùn)練樣本的類別信息,通過學(xué)習(xí)判別性字典來對樣本進行稀疏編碼,利用編碼系數(shù)進行SAR目標識別,最終的實驗數(shù)據(jù)證明了此類方法在SAR目標識別上具有可行性,且識別效果可觀。本文的主要工作內(nèi)容可概括為以下幾點:(1)針對SAR圖像的特性,進行了相關(guān)的預(yù)處理工作,主要涉及了噪聲抑制、目標檢測等相關(guān)算法的研究。(2)在現(xiàn)有的Fisher判別性字典學(xué)習(xí)方法的基礎(chǔ)上對目標函數(shù)進行了改進,并將該方法成功應(yīng)用在了SAR目標識別上,并取得了一定的識別效果。(3)為了驗證本文改進的算法在SAR目標識別上的性能,本文將該算法與現(xiàn)有的經(jīng)典稀疏分類方法SRC、K-SVD、D-KSVD、以及基于Fisher判別性字典學(xué)習(xí)方法的目標識別方法進行了對比,并總結(jié)了本文改進算法在SAR目標識別上的特性。(4)通過在不同大小訓(xùn)練樣本集的實驗,分析了字典大小對識別效果的影響,字典越大,本文算法識別率越高;另外,實驗結(jié)果驗證了當訓(xùn)練樣本各子類數(shù)量差異較大時,數(shù)量較少的子類對應(yīng)的識別率降低。
[Abstract]:Synthetic Aperture Radar (Synthetic Aperture Radar,SAR) imaging technology is not affected by range, illumination, weather and other factors. It has the characteristics of all-weather, all-weather and high-resolution imaging. At present, SAR imaging technology has been widely used in many fields of military detection and civil mapping. However, in the field of automatic recognition of SAR targets, due to the coherent imaging principle of SAR images, SAR images are polluted by a large number of complex speckle noises, and the lack of knowledge about SAR radiation characteristics and imaging principles is also involved. It is very difficult to extract effective SAR target features for target recognition, which restricts the development of SAR automatic target recognition technology. Based on this, this paper bypasses the difficult problem of feature extraction, makes use of the classification information of the training samples, uses the learning discriminative dictionary to carry out sparse coding of the samples, and uses the coding coefficients to recognize the SAR targets. The experimental results show that this method is feasible and effective in SAR target recognition. The main contents of this paper can be summarized as follows: (1) according to the characteristics of SAR images, the related pretreatment work is carried out, which mainly involves noise suppression. Research on related algorithms such as target detection. (2) based on the existing Fisher discriminative dictionary learning method, the objective function is improved, and the method is successfully applied to SAR target recognition. Some recognition results have been obtained. (3) in order to verify the performance of the improved algorithm in SAR target recognition, this paper compares this algorithm with the classical sparse classification method SRC,K-SVD,D-KSVD,. The target recognition methods based on Fisher discriminative dictionary learning method are compared, and the characteristics of the improved algorithm in SAR target recognition are summarized. (4) the experiment of training sample sets in different sizes is carried out. The influence of dictionary size on the recognition effect is analyzed. The larger the dictionary, the higher the recognition rate of this algorithm. In addition, the experimental results show that when the number of sub-classes of training samples varies greatly, the recognition rate of the smaller number of subclasses decreases.
【學(xué)位授予單位】：電子科技大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2017
【分類號】：TN958

【參考文獻】

相關(guān)期刊論文 前9條

1 謝成芳;彭真明;周晶晶;張萍;張偉;;基于Contourlet變換的地震多屬性融合方法[J];石油地球物理勘探;2014年04期

2 姬憲法;陳長春;;機載合成孔徑雷達原理及應(yīng)用[J];機電產(chǎn)品開發(fā)與創(chuàng)新;2014年02期

3 彭真明;景亮;何艷敏;張萍;;基于多尺度稀疏字典的多聚焦圖像超分辨融合[J];光學(xué)精密工程;2014年01期

4 馬科;彭真明;何艷敏;高原;張萍;;改進的非下采樣Contourlet變換紅外弱小目標檢測方法[J];強激光與粒子束;2013年11期

5 唐湘蓉;彭真明;蔡涵鵬;;基于Gabor變換的時頻分析在氣層識別中的應(yīng)用[J];石油天然氣學(xué)報;2012年03期

6 吳蕓;彭真明;;分形約束二維Otsu紅外圖像分割方法[J];指揮控制與仿真;2011年02期

7 胡利平;劉宏偉;尹奎英;吳順君;;基于G2DPCA的SAR目標特征提取與識別[J];宇航學(xué)報;2009年06期

8 曾義;彭真明;;一種基于視覺特征的多分辨率快速圖像融合方法[J];成都信息工程學(xué)院學(xué)報;2007年04期

9 甄莉;彭真明;;提升格式D9/7小波在圖像融合中的應(yīng)用[J];計算機應(yīng)用;2007年S1期

相關(guān)博士學(xué)位論文 前10條

1 路錦正;基于稀疏表示的圖像超分辨率重構(gòu)技術(shù)研究[D];電子科技大學(xué);2013年

2 劉保昌;SAR解多普勒模糊與雙基SAR成像算法研究[D];西安電子科技大學(xué);2010年

3 胡利平;合成孔徑雷達圖像目標識別技術(shù)研究[D];西安電子科技大學(xué);2009年

4 鄧承志;圖像稀疏表示理論及其應(yīng)用研究[D];華中科技大學(xué);2008年

5 李強;單脈沖雷達目標三維成像與識別研究[D];西安電子科技大學(xué);2007年

6 李海艷;極化SAR圖像海面船只監(jiān)測方法研究[D];中國科學(xué)院研究生院（海洋研究所）;2007年

7 高貴;SAR圖像目標ROI自動獲取技術(shù)研究[D];國防科學(xué)技術(shù)大學(xué);2007年

8 黃玉琴;基于SAR圖像的城市形態(tài)時空變化的研究[D];中國科學(xué)院研究生院（遙感應(yīng)用研究所）;2006年

9 賈承麗;SAR圖像道路和機場提取方法研究[D];國防科學(xué)技術(shù)大學(xué);2006年

10 傅斌;SAR淺海水下地形探測[D];中國海洋大學(xué);2005年

相關(guān)碩士學(xué)位論文 前6條

1 韓文婷;SAR圖像自動目標識別研究[D];西安電子科技大學(xué);2014年

2 胡丹;基于SVM的SAR圖像地物分類研究[D];中南大學(xué);2008年

3 袁小金;合成孔徑雷達圖像提高分辨率技術(shù)研究[D];上海交通大學(xué);2007年

4 曹海梅;遙感圖像中水上橋梁目標識別與毀傷分析研究[D];南京理工大學(xué);2005年

5 羅峰;合成孔徑雷達圖像自動目標識別方法研究[D];四川大學(xué);2005年

6 蔣運輝;SAR圖像中的道路檢測技術(shù)研究[D];電子科技大學(xué);2005年

，

本文編號：2448846