学位论文 > 优秀研究生学位论文题录展示

高分辨率单视单极化SAR图像地物分类方法研究

作　者: 付琨
导　师: 郁文贤
学　校: 国防科学技术大学
专　业: 信息与通信工程
关键词: SAR 图像解译地物分类模式识别 RCS重构统计模型神经网络模糊推理系统
分类号: TN957.52
类　型: 博士论文
年　份: 2002年
下　载: 692次
引　用: 11次
阅　读: 论文下载

内容摘要

根据我国SAR系统的发展现状和SAR信息处理的应用需求，本论文重点开展了高分辨率、单视单极化SAR图像地物分类技术研究。SAR图像地物分类是传统的ATC(Automate Terrain Classification)技术的扩展。具体内容为：根据SAR图像基本特性，提取可靠特征，将图像区分为人造目标(机动车辆、建筑物等)、自然目标(树木、灌木、树林等)、背景(草地、平地、植被等)和阴影(目标阴影、镜面散射体等)四种类别，为不同的应用提供对应的感兴趣区域(ROI)。研究目的是建立交互式的SAR图像辅助判读系统和为图像解译提供潜在目标切片。在目前直接进行SAR图像自动目标识别非常困难的情况下，SAR图像地物分类对整个解译系统来说，是一个非常实用而又关键的环节。 SAR图像地物分类技术的困难性主要源于微波成像的特殊机理和严重的相干斑干扰，使得基于图像象素层的特征提取非常困难。对单视单极化SAR图像而言，这个问题更为突出。因此，不管是分类模型的建立，还是分类类别数目的扩展和分类率的提高，难度都相当大。论文根据SAR图像特征检测概率模型，对图像中相邻分辨单元的区分能力和点目标的检测能力进行了详细分析，得出了在较小的虚警条件下，可以直接利用RCS的统计特性，在象素层进行高精度的单视SAR图像地物分类算法研究的结论。在此基础上，结合SAR图像其它固有特性研究，提出了以RCS的统计分布特性作为主要特征，阴影和高分辨率条件下的区域结构特征作为提高分类精度的辅助特征，并将二者有机结合起来进行分类方法研究的思路；分析了统计模式识别、神经网络和模糊技术应用到SAR图像地物分类中需要解决的实际问题；提出了在图像域对SAR图像质量指标近似计算和分类率的具体评估方法。根据理论推导结果和应用需求，论文针对Beta-Prime统计分布模型能够较好的描述SAR图像场景的特点，利用具有理论分类错误率最小的Bayes决策直接进行分类研究，重点解决了利用一种适应性的强RCS检测器，二项式Gamma分类器进一步提高自然目标类和背景类分类精度的问题；针对精确的统计分布模型推导困难或实用性差的难题，提出了一种基于RCS重构和空间位置模型的地物分类算法，较好的解决了基于统计分布模型的分类算法对分布模型精确性的依赖问题；针对需要直接利用样本集进行非参数估计的应用需求，重点研究了利用神经网络和模糊技术建立高精度、智能化的分类算法。提出了基于径向基函数神经网络(RBFN)的双隐层混合网络(MDHRBFN)模型，解决了标准神经网络在具体SAR图像地物分类中分类类别数目不够和分类精度差的问题；提出了基于模糊推理系统的自适应模糊RBFN分类(AFRBFN)模型，兼顾通用性与精确性，增强人机交互能力，进一步提高了算法分类率。最后，利用MSTAR实测数据对这四种算法进行了性能评估，并给出了算法集成应国防科学技术人学研究生院学仇论文一用软件系统的实现枢架。

全文目录

中文摘要  5-7
英文摘要  7-9
第一章绪论  9-18
  §1．1 SAR 图像解译和自动地域分类  9-10
  §1．2 国内外研究现状  10-13
  §1．3 论文的主要工作  13-18
    1．3．1 论文的研究重点  13-14
    1．3．2 论文的基本研究思路  14-15
    1．3．3 论文章节安排  15-18
第二章 SAR图像基本特性及地物分类技术的理论基础  18-43
  §2．1 概述  18-20
  §2．2 SAR图像基本特性分析  20-27
    2．2．1 SAR图像固有特性分析  20-23
    2．2．2 地域参数和SAR系统参数选择对SAR图像RCS的影响  23-27
  §2．3 SAR图像特征检测的概率模型  27-35
    2．3．1 相干斑和系统噪声的统计特性  28-30
    2．3．2 SAR图像单个分辨单元及点目标特征检测的统计模型  30-34
    2．3．3 SAR图像分布式目标、特定地域的特征检测的统计模型  34-35
  §2．4 SAR图像地物分类技术的基础理论  35-39
    2．4．1 统计模式识别技术应用于SAR图像地物分类的基础  35-36
    2．4．2 神经网络和模糊神经网络应用于SAR图像地物分类的基础  36-39
  §2．5 SAR图像质量评估和分类算法错误率的估计方法  39-42
    2．5．1 SAR图像质量评估  39-40
    2．5．2 SAR图像分类错误率的估计  40-42
  §2．6 本章小结  42-43
第三章单视高分辨率SAR图像的RCS重构  43-60
  §3．1 引言  43
  §3．2 SAR图像噪声模型  43-45
  §3．3 SAR图像RCS重构算法分析  45-49
  §3．4 基于改进相关邻域模型的SAR图像RCS重构算法  49-58
    3．4．1 标准Gamma MAP RCS重构算法  49-51
    3．4．2 基于相关邻域模型的RCS重构  51-52
    3．4．3 利用改进的相关邻域模型进行RCS重构  52-54
    3．4．4 实验结果及算法评估  54-58
  §3．5 本章小结  58-60
第四章基于统计分布模型的SAR图像地物分类算法  60-89
  §4．1 引言  60-61
  §4．2 样本集类别属性标定算法  61-67
  §4．3 基于BETA-PRIME统计模型的SAR图像地物分类算法  67-73
    4．3．1 Beta-Prime模型  67-70
    4．3．2 参数训练过程和分类结果  70-73
  §4．4 融合BETA-PRIME统计模型和二项式GAMMA分类器的SAR图像地物分类算法  73-79
    4．4．1 二项式Gamma分类器  73-76
    4．4．2 融合算法和分类结果  76-79
  §4．5 基于RCS重构和空间位置模型的SAR图像地物分类算法  79-88
    4．5．1 利用RCS重构进行目标和阴影检测  79-81
    4．5．2 利用形态学算子进行图像分割  81-82
    4．5．3 利用空间联合位置模型进行类别粗判  82-85
    3．5．4 实验结果和算法评估  85-88
  §4．6 本章小结  88-89
第五章基于神经网络的SAR图像地物分类算法  89-127
  §5．1 引言  89-90
  §5．2 径向基函数网络（RBFN）模型分析  90-102
    5．2．1 标准RBFN模型及用于分类的概率机理  91-94
    5．2．2 RBFN的常用变型结构  94-97
    5．4．3 RBFN的常用参数训练方法  97-102
  §5．3 混合双隐层径向基函数网络（MDHRBFN）模型及地物分类算法  102-114
    5．3．1 MDHRBFN模型结构  103
    5．3．2 自适应模糊序贯聚类样本类别标定算法  103-106
    5．3．3 网络参数学习方法  106-108
    5．3．4 分类算法的训练过程、分类结果与评估  108-110
    5．3．5 算法结果与评估  110-114
  §5．4 模糊推理系统与标准RBFN的功能等价关系  114-118
    5．4．1 模糊推理系统及其网络结构模型  114-117
    5．4．2 模糊推理系统与标准RBFN的功能等价关系  117-118
  §5．5 自适应模糊径向基函数网络（AFRBFN）模型及地物分类算法  118-125
    5．5．1 自适应模糊径向基函数网络（AFRBFN）模型  118-119
    5．5．2 自适应模糊径向基函数网络（AFRBFN）模型网络参数学习方法  119-121
    5．5．3 分类算法的训练过程、分类结果与评估  121-125
  §5．6 本章小结  125-127
第六章四种分类算法的性能比较和集成应用  127-136
  §6．1 概述  127
  §6．2 论文提出的四种分类算法性能分析  127-134
    6．2．1 四种分类算法对经典算法的改进  127-130
    6．2．2 四种分类算法之间的性能对比  130-134
  §6．3 SAR图像地物分类算法集成系统软件的实现  134-135
  §6．4 本章小结  135-136
第七章结束语  136-140
  §7．1 课题的主要研究成果及创新点  136-137
  §7．2 后续应开展的研究工作  137-140
致谢  140
作者在攻读博士学位期间完成的论文  140-141
参考文献  141-150
附录  150-167

高分辨率单视单极化SAR图像地物分类方法研究

内容摘要

全文目录

相似论文