无人机雷达图像目标识别算法的研究

论文摘要

二十世纪九十年代以来，无人机雷达图像目标识别一直受到广泛的关注，在军事和民用领域有着重要的应用价值。无人机雷达图像目标识别（UAV RadarImage Target Recognition，URITR）技术是利用计算机对无人机雷达图像的特征进行分析和处理，确定无人机雷达图像目标特征与真实目标图像之间的相对应关系，从而实现对无人机雷达图像的目标达到认知识别的过程。通过对无人机雷达图像目标识别方法的研究，作者发现需要解决以下几个问题：第一，雷达图像预处理过程中的图像降噪问题，现有的方法不能同时兼顾降噪效果和边缘保留两方面。第二，对于雷达图像进行特征提取的计算速度问题，由于无人机雷达图像内容丰富信息量大，现有提取特征的计算方法仍然有很大的计算量，不能满足无人机高空执行任务处理数据的实时性。第三，雷达图像处理过程中图像特征选择的问题，特征的选择会影响目标识别率。针对上述问题，本文提出了一些方法来解决相应的问题，主要工作如下：1.提出了基于平稳小波变换和独立分量分析的均值平滑降噪法，首先对无人机雷达图像进行取对数处理，把乘性噪声变为加性噪声，然后通过平稳小波变换对经过取对数的图像进行分解，再对细节像进行独立分量分析，同时计算出相干斑噪声指数,对指数小的分量进行均值平滑处理，最后使用平稳小波变换变换进行重构，得到降噪后的雷达图像。2.提出了基于Zernike矩对称性和反对称性的快速算法。首先把雷达图像映射到单位圆内，然后通过Zernike旋转不变性得到的对称性和反对称性对目标图像进行积分，最后使用迭代公式对八分之一区域目标进行积分。3.提出了一种基于Zernike矩特征权值的目标识别方法。首先计算出Zernike矩相应阶数下的重构函数值，然后计算出该函数值和原图像之间的海明码距，再根据公式计算出各个Zernike矩的贡献值，最后由贡献值和Zernike矩值组成新的特征向量，通过支持向量机进行学习、分类和识别。实验结果表明，通过使用本文所提出算法，有效的加快了提取无人机雷达目标特征的运算速度，而且提高了目标的识别效果，同时对于雷达图像的降噪效果和边缘保持都有较好的提升。

论文目录

• 摘要
• ABSTRACT
• 图表目录
• 第1章 绪论
• 1.1 研究背景和研究意义
• 1.2 国内外研究现状
• 1.3 主要研究内容
• 1.4 本文的整体结构和内容安排
• 第2章 无人机雷达图像目标识别的理论基础
• 2.1 无人机雷达成像原理
• 2.2 雷达图像特征
• 2.3 雷达图像预处理
• 2.3.1 常见的几种滤波算法
• 2.3.2 常见的经典图像分割方法
• 2.4 支持向量机理论
• 2.4.1 广义的最优分类面
• 2.4.2 支持向量机
• 2.4.3 核函数
• 2.5 MSTAR 数据介绍
• 2.6 本章小结
• 第3章 基于平稳小波变换和独立分量分析的均值平滑雷达图像降噪方法
• 3.1 相干斑噪声产生机理
• 3.2 雷达图像对数变换
• 3.3 独立分量分析
• 3.4 平稳小波变换
• 3.5 基于平稳小波变换和独立分量分析的均值平滑雷达图像降噪方法
• 3.6 本章小结
• 第4章 基于 Zernike 矩的对称性与反对称性的特征加权目标识别
• 4.1 ZERNIKE 矩
• 4.2 ZERNIKE 旋转不变性
• 4.3 ZERNIKE 基函数的对称性和反对称性
• 4.4 基于 ZERNIKE矩的对称性与反对称性的快速特征提取方法
• 4.5 基于 ZERNIKE特征权值的目标识别方法
• 4.6 本章小结
• 第5章 实验结果与分析
• 5.1 实验方案
• 5.1.1 实验环境
• 5.1.2 实验方案设计
• 5.2 降噪算法的实验结果与分析
• 5.2.1 实验结果
• 5.2.2 实验结果分析
• 5.3 特征提取算法的实验结果与分析
• 5.4 本章小结
• 第6章 结论与展望
• 6.1 本文总结
• 6.2 未来工作展望
• 致谢
• 参考文献
• 攻读学位期间公开发表的论文