学位论文 > 优秀研究生学位论文题录展示
SAR图像舰船目标检测与鉴别技术研究
作 者: 曹峰
导 师: 计科峰
学 校: 国防科学技术大学
专 业: 电子与通信工程
关键词: 海杂波 统计建模 CFAR 舰船目标检测 G~0分布 舰船目标鉴别 特征提取 自适应遗传算法
分类号: TN957.52
类 型: 硕士论文
年 份: 2012年
下 载: 42次
引 用: 0次
阅 读: 论文下载
内容摘要
随着SAR系统及其成像技术的发展,SAR图像中目标的识别成为可能,海上舰船目标检测就是在这一背景下提出的。舰船检测与监视是当前SAR海洋应用的热点,在检测出舰船目标的基础上,通过对目标信息的进一步提取,在民事和军事等方面都具有重要意义。本文以工程应用为背景,以图像理解理论为基础,在充分分析SAR图像成像特点的基础上,较为全面的总结了SAR图像舰船目标及其尾迹检测的研究现状,通过分析不同SAR图像舰船目标检测系统,详细论述了SAR图像舰船目标自动识别系统的工作流程和关键技术,因此本文重点围绕海杂波环境精确建模、SAR图像舰船目标CFAR检测、舰船目标鉴别等重点工程问题进行展开。主要研究工作和相关成果有以下几部分:1、在分析SAR图像中海杂波统计特性的基础上,基于中高分辨率SAR图像海杂波随机性、非平稳性等特点,将常用于陆地城区建模的G。分布应用于海杂波建模。在理论分析了G。分布对SAR图像海杂波建模适用性的基础上,结合统计建模实验验证了其对于海杂波建模的适用性,实验结果表明G。分布对均匀和非均匀海洋杂波都有较好的拟合性能。2、针对中高分辨率SAR图像海洋背景下舰船目标检测,提出了一种基于G。分布的SAR图像舰船目标CFAR检测改进方法,该方法首先根据像素灰度值出现频率选取阂值对杂波像素进行筛选,然后通过抽样定理对图像进行降分辨率处理,最后再在经过像素筛选的降分辨率图像中实现基于G。分布的自适应CFAR检测,实验结果表明该方法能够实现舰船目标的快速检测和定位,而且能有效提高检测效率和去除虚警。3、在舰船目标鉴别方面,研究了基于特征选取的鉴别算法。在本文算法中结合已有文献研究及舰船目标特点对现有鉴别特征进行提取;特征选择采用自适应遗传算法进行优选,对比实现了两种自适应遗传算法对所提取鉴别特征的优选,验证了LAGA算法同AGA算法相比能够较好地抑制“早熟”现象,防止陷入局部最优,并加快了收敛速度;采取基于支持向量机的分类方法进行分类器设计,同时结合特征选取结果给出了本文鉴别方法,通过实测数据的分类实验和舰船目标鉴别验证了本文方法的有效性。
|
全文目录
摘要 9-10 ABSTRACT 10-11 第一章 绪论 11-20 1.1 研究背景及意义 11-12 1.2 SAR图像舰船目标检测的研究现状 12-17 1.2.1 国内外研究现状 12-14 1.2.2 典型的舰船目标检测系统 14-16 1.2.3 舰船目标检测的通用处理流程 16-17 1.3 论文结构安排 17-20 第二章 SAR图像海杂波统计建模 20-37 2.1 海杂波统计特性分析 20-21 2.1.1 海杂波的幅度特性 20-21 2.1.2 海杂波的相关性 21 2.2 海杂波统计建模方法 21-25 2.2.1 统计建模的一般步骤 22 2.2.2 杂波统计模型的参数估计 22-23 2.2.3 拟合优度检验 23-25 2.3 经典海杂波统计模型 25-29 2.3.1 瑞利分布 25-26 2.3.2 对数正态分布和韦布尔分布 26-27 2.3.3 K分布 27-28 2.3.4 经典杂波统计模型的参数估计 28-29 2.4 基于G~0分布海杂波统计建模分析 29-33 2.4.1 G~0分布的推导 29-32 2.4.2 G~0分布的参数估计 32-33 2.5 实验结果与分析 33-36 2.6 小结 36-37 第三章 基于G~0分布局部滑窗CFAR的舰船目标检测 37-57 3.1 影响舰船目标检测的因素 37-38 3.2 基于CFAR的舰船目标检测方法分析 38-44 3.2.1 CFAR基本原理 38-39 3.2.2 常用的CFAR检测器 39-41 3.2.3 基于经典统计模型的CFAR阂值推导 41-44 3.3 基于G~0分布局部滑窗CFAR的舰船目标检测方法 44-49 3.3.1 基于G~0分布CFAR的阂值推导 44-45 3.3.2 基于G~0分布经典局部滑窗CFAR方法分析 45-46 3.3.3 基于G~0分布局部滑窗CFAR的改进 46-49 3.4 实验结果与分析 49-55 3.5 小结 55-57 第四章 基于特征选取的舰船目标鉴别 57-75 4.1 常用鉴别方法分析 57-58 4.2 基于特征选取的舰船目标鉴别方法 58-65 4.2.1 鉴别特征提取 58-60 4.2.2 基于自适应遗传算法的特征选择 60-63 4.2.3 基于SVM的分类方法 63-64 4.2.4 基于特征选取的舰船目标鉴别方案 64-65 4.3 实验结果与分析 65-74 4.3.1 特征提取结果与分析 65-68 4.3.2 特征选择结果与分析 68-70 4.3.3 分类结果与分析 70-73 4.3.4 整个鉴别处理的实验结果与分析 73-74 4.4 小结 74-75 第五章 结束语 75-77 5.1 本文的主要工作 75-76 5.2 下一步工作展望 76-77 致谢 77-78 参考文献 78-82 作者在学期间取得的学术成果 82-83 附录A 目标部分鉴别特征 83-84
|
相似论文
- 基于SVM的高速公路路面浅层病害的自动检测算法研究,U418.6
- 海杂波背景下的舰船目标雷达成像算法研究,TN958
- 海杂波建模及其对ISAR成像的影响,TN957.54
- 空间目标ISAR成像仿真及基于ISAR像的目标识别,TN957.52
- 天波超视距雷达目标仿真与信号处理算法研究,TN958.93
- 胆囊炎和肾病综合症脉象信号的特征提取与分类研究,TP391.41
- Q学习在基于内容图像检索技术中的应用,TP391.41
- 直推式支持向量机研究及其在图像检索中的应用,TP391.41
- 中医舌诊中舌形与齿痕的特征提取及分类研究,TP391.41
- 空间交会接近视觉测量方法研究,TP391.41
- 图像实时采集、存储与处理方法研究,TP391.41
- 唇读中的特征提取、选择与融合,TP391.41
- 多币种纸币处理技术的研究与实现,TP391.41
- 基于类Harr特征和最小包含球的纸币识别方法的研究,TP391.41
- 基于图像的路面破损识别,TP391.41
- 移动机器人视觉检测和跟踪研究,TP242.62
- 高光谱与高空间分辨率遥感图像融合算法研究,TP751
- 基于随机森林的植物抗性基因识别方法研究,Q943
- 基于图像处理技术的烟叶病害自动识别研究,S435.72
- 基于视觉的番木瓜外观品质检测技术研究,S667.9
- 羊绒与羊毛纤维鉴别系统的研究,TS101.921
中图分类: > 工业技术 > 无线电电子学、电信技术 > 雷达 > 雷达设备、雷达站 > 雷达接收设备 > 数据、图像处理及录取
© 2012 www.xueweilunwen.com
|