基于支持向量机的SAR图像目标识别

论文摘要

合成孔径雷达(SAR)具有全天候、远距离、极强的穿透力和高分辨率等特点,在国民经济和军事领域中都有着广泛的应用。如何对SAR图像进行快速、准确地解译越来越引起人们的关注和重视。将机器学习领域新的研究成果应用到雷达目标识别中并构造有效的分类器具有重要的意义。建立在统计学习理论基础之上的支持向量机方法(SVM)被看作是对传统学习分类方法的一个好的替代,特别是在小样本、高维和非线性情况下,具有较好的泛化性能。本文基于支持向量机对SAR图像的目标特征提取和分类识别方法进行了较为深入的研究,所做的工作主要有:综述了SAR图像目标识别的研究现状,总结出其中的关键技术和一般流程;研究了基于SAR图像形状特征的Hu不变矩特征提取的方法,该方法的优势是具有旋转、平移和尺度不变性;将支持向量机方法应用于SAR图像目标识别,该方法在小样本、非线性情况下能够达到较高的识别率;对传统支持向量机训练算法进行了改进:即利用SVM训练中支持向量的分布特点,采用预先提取边界向量和循环迭代的方法进行训练,减小了训练样本规模,提高了训练速度。最后通过仿真实验证明:利用Hu不变矩特征和支持向量机相结合可以获得较高的识别精度,是一种有效的SAR图像目标识别方法;本文给出的快速支持向量机训练算法在不影响分类正确率的前提下提高了样本训练的速度。

论文目录

• 摘要
• ABSTRACT
• 1 绪论
• 1.1 选题背景及研究意义
• 1.2 研究现状及发展趋势
• 1.2.1 SAR 图像目标识别研究现状及发展趋势
• 1.2.2 支持向量机研究现状
• 1.3 研究内容和组织结构
• 2 合成孔径雷达（SAR）
• 2.1 SAR 成像的基本原理
• 2.2 SAR 成像目标特性分析
• 2.2.1 SAR 图像中不同地物目标的特点
• 2.2.2 SAR 图像数据的统计特性
• 2.3 SAR 图像目标识别
• 2.3.1 雷达目标识别概述
• 2.3.2 SAR 图像自动目标识别的难点
• 2.3.3 SAR 图像目标识别的关键技术
• 2.3.4 SAR 图像目标识别流程
• 2.4 本章小结
• 3 SAR 图像预处理及特征提取
• 3.1 对SAR 图像进行预处理的必要性
• 3.2.1 SAR 图像斑点噪声抑制
• 3.2.2 SAR 图像边缘检测及分割
• 3.3 SAR 图像目标特征提取
• 3.3.1 SAR 图像目标特征概述
• 3.3.2 基于形状特征的Hu 不变矩特征提取
• 3.4 本章小结
• 4 统计学习理论与支持向量机
• 4.1 统计学习理论的基本思想
• 4.1.1 函数集的VC 维
• 4.1.2 推广能力的界
• 4.1.3 结构风险最小化（SRM）
• 4.2 支持向量机
• 4.2.1 线性可分最优分类面
• 4.2.2 线性不可分最优分类面
• 4.2.3 核函数
• 4.2.4 多类支持向量机
• 4.3 支持向量机常用训练算法
• 4.4 改进的快速支持向量机训练算法
• 4.5 本章小结
• 5 应用支持向量机的SAR 图像目标识别实验
• 5.1 实验流程
• 5.2 HU 不变矩特征提取及归一化
• 5.3 SVM 分类器设计
• 5.4 HU 不变矩特征和的SVM 结合的目标识别实验
• 5.4.1 实验内容
• 5.4.2 实验结果与分析
• 5.5 改进的快速支持向量机训练算法实验
• 5.5.1 实验内容
• 5.5.2 实验结果与分析
• 6 结论
• 6.1 本文工作总结
• 6.2 未来工作展望
• 致谢
• 参考文献
• 附录