论文题目: SAR图像中人造目标的检测和辨别
论文类型: 硕士论文
论文专业: 地图学与地理信息系统
作者: 钟雪莲
导师: 王长林
关键词: 自动目标检测,目标辨别,图像,极化响应,极化目标分解
文献来源: 中国科学院研究生院（遥感应用研究所）
发表年度: 2005
论文摘要: 目标自动检测和识别在军事上和民用上都具有重要意义,如:探测埋于地下的管道,监测隐藏在树林中的坦克、行驶于海面的船只,以及寻找和营救失事飞机等等,这些都需要用到目标检测和识别的技术。而微波雷达具有全天时、全天候成像的特点,因此SAR(Synthetic Aperture Radar)图像中目标的自动检测和识别相对来说,应用前景更为广泛。 一般的SAR自动目标识别(Automatic Target Recognition,ATR)方法分为以下三个步骤:检测,辨别和识别。检测阶段是将目标从背景中提取出来,辨别是剔除检测阶段产生的虚警,识别是对每一目标进行分类。本文主要讨论目标的检测和辨别问题,具体包括以下几方面的研究内容: 1) SAR图像中自动目标检测和辨别领域的现状分析:系统查阅并分析了SAR图像中自动目标检测和辨别领域内的算法,指出各算法的优缺点。目标检测的方法可分为3种类型:CFAR方法、多分辨率检测方法、基于相位或方位信息的目标检测。其中,基于相位信息的目标检测是最新的、也是目前最为有效的一种方法,但它还不成熟,有待进一步的发展。目标辨别可以被看成两类识别过程,在检测的虚警率很低的情况下,可以省略这一步骤。利用目标与自然地物方位向散射特性的不同来辨别目标是今后发展的一个方向。 2) 最大似然恒虚警率方法(ML-CFAR)和2L-IHP算法的比较研究:利用ADTS数据集,分析比较两算法,发现2L-IHP方法虚警率低,对隐藏的目标也有一定的检测能力。在目标分布比较密集的情况下,所有的CFAR方法都不适用,但2L-IHP仍然能够工作很好。在检测概率很高的情况下,虚警率仍然非常低。并且2L-IHP方法无需建立背景的概率密度模型,算法原理简单,计算量小。这些都说明了2L-IHP方法的优越性。 3) 2L-IHP方法的调整和改进:一般的2L-IHP方法只能使用SLC数据,而对于普通用户,SLC数据比较难于得到,因此,我们提出了基于幅度数据的单极化和全极化的2L-IHP方法。分析草地、树林和人造目标在一般的2L-IHP算法、消除天线权重的2L-IHP算法及幅度2L-IHP算法三种算法中所得到的相干值大小,发现人造目标的相干值明显高于自然地物,三种算法中,经过天线权重消除的2L-IHP算法的相干值最高,幅度2L-IHP算法最低,但是幅度2L-IHP方法所得到的目标背景之比足够用于目标检测。ADTS数据集的试验也充分说明了这一点。 4) 分析比较不同波段、不同极化数据的目标检测结果,找到最优的极化和波段:针对AIRSAR的C-、L-、P-波段全极化图像,分析了不同波段、不同极
论文目录:
摘要
Abstract
目录
第一章 前言
1.1 目标检测和辨别的概念
1.2 本研究的意义
1.3 SAR目标自动识别的流程
1.4 本研究的主要内容
第二章 SAR图像目标检测和辨别在国内外的研究现状
2.1 SAR图像预处理
2.1.1 单极化图像的处理
2.1.2 全极化图像的处理
2.2 SAR图像中目标检测的研究现状
2.2.1 CFAR方法
2.2.2 多分辨率方法
2.2.3 基于相位信息的检测
2.2.4 极化目标分解理论用于目标检测
2.3 SAR图像中目标辨别的研究现状
2.3.1 二次Gamma判别式法
2.3.2 模型阶数法
2.3.3 多尺度模型法
2.3.4 基于特征选取的目标辨别
2.3.5 基于SVM和HMM的目标辨别
2.4 我国SAR图像目标识别现状
2.5 本章小结
第三章 SAR图像中的自动目标检测
3.1 数据源介绍
3.1.1 ADTS数据
3.1.2 AIRSAR数据
3.2 CFAR和2L-IHP算法
3.2.1 ML-CFAR算法
3.2.2 2L-IHP算法
3.2.3 ML-CFAR和2L-IHP的比较
3.3 2L-IHP算法的调整和改进
3.3.1 幅度2L-IHP
3.3.2 极化2L-IHP
3.3.3 地物相干系数分析
3.4 不同极化不同波段SAR图像对目标检测的影响
3.4.1 单极化数据的处理与分析
3.4.2 全极化数据的处理与分析
3.4.3 单极化和全极化数据处理的比较
3.5 小波分解方法
3.5.1 小波分解用于检测的原理
3.5.2 检测阈值的设定
3.5.3 最佳小波分解层数的选择
3.5.4 算法的缺点和不足
3.6 本章小结
第四章 极化信息用于SAR图像目标的辨别
4.1 数据源—PISAR
4.2 目标极化理论及方法
4.2.1 描述极化的方式
4.2.2 极化合成技术
4.2.3 理想地物的散射特性
4.2.4 AIRSAR数据的极化响应分析
4.2.5 目标极化分解理论
4.3 Cameron分解
4.3.1 Cameron分解的原理
4.3.2 Cameron分解的图形化表示
4.3.3 Cameron分解的优缺点
4.3.4 PI-SAR数据试验结果和讨论
4.4 SSCM分解
4.4.1 Cameron分解的缺陷
4.4.2 SSCM分解原理
4.4.3 试验的初步结果
4.5 本章小结
第五章 结论和讨论
5.1 本文主要结论
5.2 讨论与展望
参考文献
附录
发布时间: 2005-09-19
参考文献
- [1].SAR图像目标识别中几个问题的研究[D]. 胡笑斌.合肥工业大学2005
- [2].星载SAR控制软件故障注入技术研究[D]. 朱鹏.中国科学院研究生院（电子学研究所）2004
- [3].极化SAR图像变化检测算法研究[D]. 丛润民.中国民航大学2014
- [4].合成孔径雷达（SAR）成像技术研究[D]. 裘金飞.南京理工大学2005
- [5].电离层对星载SAR性能影响[D]. 冯越.中国科学院研究生院（电子学研究所）2003
- [6].多通道SAR运动目标检测技术研究[D]. 杨筱筱.南京邮电大学2018
- [7].弹载SAR制导高效实时成像处理设计[D]. 陈文平.西安电子科技大学2018
- [8].基于素描信息和贝叶斯网络特征学习的SAR图像语义分割[D]. 李远杰.西安电子科技大学2018
- [9].基于素描图和先验约束的高分辨率SAR图像路网检测[D]. 王雅静.西安电子科技大学2018
- [10].SAR图像的地形形变信息提取算法研究与实现[D]. 付凯.电子科技大学2018
相关论文
- [1].SAR图像分割及目标识别[D]. 何壸.西安电子科技大学2006
- [2].SAR图像典型目标特征提取与识别方法研究[D]. 夏昕.四川大学2006
- [3].高分辨率SAR图像目标特征提取研究[D]. 高贵.国防科学技术大学2003
- [4].基于极化SAR的目标特征提取及其应用[D]. 高明星.清华大学2004
- [5].SAR图像目标识别中几个问题的研究[D]. 胡笑斌.合肥工业大学2005
- [6].合成孔径雷达图像自动目标识别方法研究[D]. 罗峰.四川大学2005
- [7].合成孔径雷达（SAR）图像目标检测[D]. 徐建军.浙江大学2006
- [8].基于统计模型的SAR图像车辆目标检测方法研究[D]. 张琦.国防科学技术大学2005
- [9].极化SAR图像人造目标提取算法研究[D]. 孙德明.哈尔滨工业大学2006
- [10].合成孔径雷达图像恒虚警目标检测[D]. 李岚.中国科学院电子学研究所2001