学位论文 > 优秀研究生学位论文题录展示

合成孔径雷达图像分类与目标检测技术研究

作　者: 付信际
导　师: 杨汝良
学　校: 中国科学院研究生院（电子学研究所）
专　业: 通信与信息系统
关键词: 合成孔径雷达分类目标检测灰度共现矩阵马尔可夫随机场小波分析分割
分类号: TN958
类　型: 博士论文
年　份: 2005年
下　载: 1579次
引　用: 12次
阅　读: 论文下载

内容摘要

随着合成孔径雷达技术应用的日益发展,合成孔径雷达数据收集能力越来越强,人工解译难以适应数据的高速增长,利用计算机及模式识别技术对这些图像进行自动或半自动快速、准确地解译可以极大提高数据处理的效率,无论在军事及民用领域都具有很好的发展前景及应用价值,SAR图像分类、目标检测、分割、识别是SAR自动半自动图像解译的几个重要的研究方向,成为国际研究热点,本文对SAR图像分类、目标检测与分割做了研究,主要贡献有: (1) 纹理分析是SAR图像分析的重要组成部分,对纹理的全面认知将极大提高对SAR图像的理解和目标识别能力。论文研究了灰度共生矩阵纹理特征提取方法及SVM(支持向量机)的分类方法,提出了灰度共生矩阵类特征基的特征提取算法,该算法特征提取的数量与需要分类的地物类型数一致,可以更简单对地物分类。 (2) 由于马尔可夫场能够有效地表征图像的空间邻域相关性并且有优化算法支持,在SAR图像处理中起着越来越重要的作用,论文研究了马尔可夫随机场的目标检测方法,在此基础上根据观测系统模型提出了递增结构能量参数的马尔科夫场目标检测方法,利用最大后验概率准则及模拟退火优化方法,通过随迭代次数不断递增的结构能量获得目标的最优检测。 (3) 由于小波分解的多分辨分析特性及神经网络的自学习、自组织等性能,在图像处理中得到了广泛的应用,论文研究了SAR图像小波多分辨分析的特性,根据Rodieck的视网膜感受野神经节细胞数学模型,提出了SAR图像非线性采样目标低频小波树特征提取方法,利用PCA(主分量分析)对低频小波树降维,用降维后的特征值训练LVQ神经网络,并应用于SAR图像目标检测,取得了较好的检测效果。 (4) SAR图像目标分割结果好坏直接影响到后续识别的方法和质量,至今已提出上千种各种类型的分割算法,在各种分割技术中,活动围道分割在研究和应用两个方面倍受关注。论文研究了活动围道的目标分割方法,根据模拟退火算法原理对梯度矢量流活动围道收敛方法进行了改进,该方法通过加入随机干扰使活动围道跳出局部最优解,最终收敛到全局最优。由于目标周围的杂波及相干斑噪

全文目录

摘要  5-7
ABSTRACT  7-13
第一章绪论  13-21
  1.1 研究内容的背景  13-16
  1.2 论文的意义和作用  16-17
  1.3 论文的内容及结构  17-19
  1.4 论文的主要贡献  19-21
第二章基于纹理信息的 SAR图像分类方法  21-43
  2.1 引言  21-22
  2.2 灰度共生矩阵  22-27
    2.2.1 灰度共生矩阵的特点  23-24
    2.2.2 灰度共生矩阵的特征参数  24-27
  2.3 SAR图像灰度共生矩阵特征提取分析  27-29
  2.4 支持向量机(SVM)的分类方法  29-39
    2.4.1 统计学习理论  30-32
    2.4.2 最优分类超平面  32-34
    2.4.3 广义最优分类超平面  34
    2.4.4 支持向量机  34-35
    2.4.5 核函数  35-36
    2.4.6 SVM的训练算法  36-37
    2.4.7 多类问题中的 SVM  37-38
    2.4.8 支持向量机的分类结果  38-39
  2.5 灰度共生矩阵类特征基的特征提取算法  39-40
  2.6 灰度共生矩阵类特征基方法分类结果  40-41
  2.7 本章小结  41-43
第三章基于马尔可夫随机场的SAR图像目标检测方法  43-59
  3.1 引言  43
  3.2 双参数恒虚警检测方法  43-46
    3.2.1 基于 Rayleigh分布的SAR图像目标检测  43-44
    3.2.2 基于 Gaussion分布的SAR图像目标检测  44-46
  3.2 马尔可夫随机场SAR图像目标检测方法  46-54
    3.2.1 SAR图像相关特性  46-47
    3.2.2 马尔可夫场邻域系统  47
    3.2.3 子团  47-48
    3.2.4 马尔可夫场  48-49
    3.2.5 吉布斯(Gibbs)随机场  49
    3.2.6 吉布斯随机场与马尔可夫随机场的等价性  49-50
    3.2.7 马尔可夫随机场目标检测方法  50-53
    3.2.8 马尔可夫场优化算法  53-54
  3.3 实验结果  54-57
  3.4 本章小结  57-59
第四章基于小波变换及LVQ神经网络的 SAR图像目标检测方法  59-82
  4.1 引言  59
  4.2 小波变换  59-64
    4.2.1 小波定义  59-60
    4.2.2 多分辨分析  60-61
    4.2.3 小波基函数选择  61-62
    4.2.4 二维离散小波变换  62-64
  4.3 基于多分辨率分析的SAR图像目标特征提取方法  64-72
    4.3.1 小波分量的选择  64-66
    4.3.2 多分辨分析低频小波树  66-68
    4.3.3 低频小波树主分量分析法(PCA)降维  68-69
    4.3.4 主分量分析法降维结果  69-72
  4.4 学习矢量量化(LVQ)神经网络判决算法  72-81
    4.4.1 LVQ神经网络结构  73-74
    4.4.2 LVQ学习算法  74-75
    4.4.3 LVQ3迭代学习算法  75-77
    4.4.4 实验结果及分析  77-81
  4.5 本章小结  81-82
第五章基于活动围道的 SAR图像目标分割方法  82-100
  5.1 引言  82-84
  5.2 参数型活动围道模型  84-92
    5.2.1 能量最小化形式的参数型活动围道方法  84-86
    5.2.2 参数型活动围道代表类型  86-90
    5.2.3 改进的梯度矢量流活动围道算法  90-92
  5.3 小波多尺度滤波方法  92-96
    5.3.1 SAR图像的噪声特性  92-93
    5.3.2 小波多尺度滤波方法  93-96
  5.4 MSTAR数据与实验结果  96-99
    5.5.1 MSATR数据简介  96-97
    5.4.2 实验结果  97-99
  5.5 本章小结  99-100
第六章极化目标分解的模糊C-均值非监督分类方法  100-115
  6.1 引言  100-101
  6.2 极化散射矩阵  101-102
  6.3 散射矢量与极化协方差矩阵和极化散射相关矩阵  102-104
    6.3.1 散射矢量  102-103
    6.3.2 极化协方差矩阵和极化相关矩阵  103-104
  6.4 相关矩阵特征分解非监督分类  104-107
    6.4.1 相关矩阵特征分解  104-106
    6.4.2 实验结果及分析  106-107
  6.5 WlSHART距离测度的模糊C-均值分类  107-111
    6.5.1 Wishart距离测度  107-109
    6.5.2 模糊 C-均值  109-110
    6.5.3 Wishart距离测度的模糊 C-均值分类实验结果  110-111
  6.6 纹理基元的总结与推广  111-113
  6.7 本章小结  113-115
结束语  115-117
参考文献  117-126
攻读博士学位期间发表的论文  126-127
致谢  127

合成孔径雷达图像分类与目标检测技术研究

内容摘要

全文目录

相似论文