基于神经网络的SAR图像多尺度分割的研究

论文摘要

合成孔径雷达（Synthetic Apeture Radar,SAR）是一种微波成像系统,在军事、经济和社会等领域具有广泛应用,因此,对SAR图像的解释引起了广大学者的高度重视,而SAR图像的分割是其理解的基础,所以,SAR图像分割一直是SAR图像研究的热点。由于SAR图像特殊的成像机理导致SAR图像含有大量的斑点噪声,给分割工作带来了较大的困难。针对目前SAR图像分割方法的现状和不足,并结合SAR图像固有的统计特征,本文将多尺度分析技术和神经网络理论相结合,提出了三种SAR图像分割的新方法,并通过实验验证了所提方法的可行性和有效性。具体为:1.基于自组织特征映射（Self-Organizing Feature Map,SOM）网络的SAR图像多尺度分割技术。该方法首先对SAR图像进行多尺度建模,提取SAR图像多尺度统计特征,以此作为SOM神经网络的输入,研究SOM神经网络结构、训练算法以及基于该网络的SAR图像分割,最后给出结果的评价。2.基于概率神经网络（Probabilistic Neural Network,PNN）的SAR图像多尺度分割技术。该方法仍然首先对SAR图像进行多尺度建模,提取SAR图像多尺度特征,然后用K-均值方法对训练样本进行聚类,以此减小PNN网络模式层规模,并确定参数初值,在此基础上提出改进概率神经网络的结构和训练算法以及SAR图像分割方法,最后评价分析该方法的有效性。3.基于小波神经网络的SAR图像多尺度分割技术。该方法从研究小波变换入手,分析研究各种常用小波函数的时频特性,并最终确定将morlet小波函数作为神经网络隐层传递函数,以此提出小波神经网络的结构和算法,通过研究参数初值、网络隐层规模与训练学习算法来实现SAR图像分割;同时,还将mexihat小波函数作为隐层传递函数提出SAR图像的分割方法,并将两种方法的效果进行分析比较。4.从多方面研究了本文所提出的三种方法性能,并进行分析和比较。总之,本文将多尺度技术和神经网络方法相结合,充分利用了多尺度技术和神经网络方法的优点,用于SAR图像分割取得了较好的效果。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 SAR 的发展历史和趋势
• 1.2 SAR 图像分割的意义
• 1.3 SAR 图像分割的现状与分析
• 1.4 本文的研究内容和组织
• 第二章 基础知识
• 2.1 多尺度自回归模型
• 2.1.1 多尺度分析系统
• 2.1.2 多尺度自回归（MAR）模型
• 2.2 神经网络概述
• 2.2.1 神经网络基本原理
• 2.2.2 人工神经网络的分类
• 2.3 SAR 图像及其多分辨表示
• 2.3.1 SAR 图像的成像机理
• 2.3.2 SAR 图像的统计性质
• 2.3.3 SAR 图像的多分辨表示
• 2.4 本章小结
• 第三章 基于SOM 神经网络的SAR 图像多尺度分割
• 3.1 SOM 神经网络结构
• 3.2 SOM 神经网络学习算法
• 3.3 基于SOM 神经网络的SAR 图像多尺度分割
• 3.4 本章小结
• 第四章 基于概率神经网络的SAR 图像多尺度分割
• 4.1 径向基函数神经网络
• 4.2 PARZEN窗方法
• 4.3 概率神经网络（PNN）结构
• 4.4 算法介绍
• 4.4.1 K-means 算法介绍
• 4.4.2 EM 算法
• 4.5 概率神经网络学习算法
• 4.6 基于概率神经网络的SAR 图像多尺度分割
• 4.7 本章小结
• 第五章 基于小波神经网络的SAR 图像多尺度分割
• 5.1 小波分析基础
• 5.1.1 连续小波变换
• 5.1.2 离散小波变换
• 5.1.3 常用基本小波
• 5.2 小波神经网络结构
• 5.3 小波神经网络学习算法
• 5.4 基于小波神经网络的SAR 图像分割
• 5.5 本章小结
• 第六章 本文研究内容的综合分析
• 6.1 三种方法分割效果比较与分析
• 6.2 三种方法分割效率的比较与分析
• 第七章 结束语
• 7.1 本文主要工作及创新点
• 7.2 有待进一步研究的内容
• 参考文献
• 发表论文和科研情况说明
• 致谢