SAR图像目标分类方法研究

论文摘要

SAR自动目标识别是战场侦察的一个重要方面,这一过程大致可分为检测、鉴别和分类三个阶段,其中SAR图像目标分类问题是目标识别的关键技术之一,将直接影响到目标识别等很多后续的应用,所以研究SAR图像目标分类技术具有十分重要的意义。针对这一研究热点,论文从模板匹配和模式识别分类器模型这两个方面探索了SAR图像目标分类的思路和方法。在模板匹配方面,根据输入变量的不同,又可具体分为基于图像模板和基于特征模板的分类方法。在基于图像模板匹配分类方法的研究中,针对相关匹配方法计算量大、实时性差的缺陷,提出了基于方位角信息和相关匹配的SAR目标分类方法。通过估计待分类目标的方位角,将方位角信息作为索引来缩小模板库的搜索范围,从而减小了模板匹配的计算量,在保持分类性能的同时提高了分类效率。在基于特征模板匹配分类方法的研究中,针对峰值匹配方法存在的特征丢失、虚假特征及特征偏移等问题,提出了基于多重约束目标函数和模拟退火的匹配方法。该方法将点集匹配的双向1-1匹配约束和非匹配点的约束加入到目标函数中,并结合模拟退火技术寻求优化问题的最优解。改进后算法具有更好的匹配精度和容错性,从而改进了基于峰值匹配分类方法的性能。针对峰值特征稳定性较差、峰值匹配分类方法对特征提取精度要求高的缺陷,研究了基于PCA特征的SVM分类方法,该方法具有较好的分类性能和泛化能力;在SVM的研究中,针对原有核参数选择方法计算复杂度高的缺陷,提出了基于类间差异的SVM核参数选择方法。该方法计算出数据在特征空间中的类均值距离,从获取的一系列类均值距离中选出最大值,将与其对应的参数作为最优参数。通过用类均值距离计算取代了大量的SVM模型训练,有效地提高了核参数选择的速度,减少了SVM的训练时间。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 课题研究背景和意义
• 1.2 国内外研究现状及发展趋势
• 1.3 论文的主要工作及内容安排
• 第二章 基于相关匹配的SAR 目标分类方法
• 2.1 引言
• 2.2 SAR 目标方位角估计
• 2.2.1 基于目标主轴的方法
• 2.2.2 基于最小外接矩形的方法
• 2.2.3 基于主导边界的方法
• 2.3 SAR 图像相关匹配
• 2.3.1 相关匹配算法
• 2.3.2 图像相关性度量
• 2.4 基于方位角信息和相关匹配的SAR 目标分类方法
• 2.4.1 算法原理
• 2.4.2 算法描述
• 2.5 实验结果和分析
• 2.5.1 实验数据说明
• 2.5.2 SAR 目标方位角估计结果及分析
• 2.5.3 基于相关匹配的SAR 目标分类结果及分析
• 2.5.4 基于方位角信息和相关匹配的SAR 目标分类结果及分析
• 2.6 小结
• 第三章 基于峰值匹配的SAR 目标分类方法
• 3.1 引言
• 3.2 SAR 图像目标峰值特征提取
• 3.2.1 SAR 图像目标峰值模型
• 3.2.2 峰值特征提取方法
• 3.3 点特征匹配的典型方法
• 3.3.1 点特征匹配的一般过程
• 3.3.2 基于最小误判概率的硬匹配方法
• 3.3.3 基于松弛标记的软匹配方法
• 3.4 基于多重约束目标函数和模拟退火的匹配方法
• 3.4.1 基于多重约束目标函数的构造
• 3.4.2 基于模拟退火的目标函数最小化
• 3.4.3 算法流程
• 3.5 基于峰值匹配的SAR 目标分类结果及分析
• 3.6 小结
• 第四章 基于PCA 特征的SVM 分类方法
• 4.1 引言
• 4.2 PCA 特征提取
• 4.2.1 PCA 基本原理
• 4.2.2 基于PCA 特征提取的步骤
• 4.3 SVM 分类器
• 4.3.1 SVM 分类器原理
• 4.3.2 SVM 典型核函数及其参数选择方法
• 4.4 基于PCA 和SVM 的SAR 目标分类方法
• 4.4.1 基本流程
• 4.4.2 基于类间差异的SVM 核参数选择方法
• 4.4.3 基于新SVM 核参数选择方法的分类流程
• 4.5 实验结果及分析
• 4.5.1 SVM 的分类结果并与NN 比较
• 4.5.2 基于不同核参数选择方法的SVM 分类结果比较
• 4.6 小结
• 第五章 结束语
• 5.1 本文的主要成果及创新点
• 5.2 需进一步研究的问题
• 致谢
• 参考文献
• 作者在学期间取得的学术成果