基于支持向量机的合成孔径雷达图像目标识别

论文摘要

合成孔径雷达(Synthetic Aperture Radar,SAR)作为微波遥感的代表,在地球科学遥感领域有着独特的优势,广泛地应用于军事、农业、地质、海洋监视、灾情监视等领域。如何实现SAR图像的目标的准确识别,同时提高运算速度,成为了图像处理与解译领域的研究热点。作为建立在统计学习理论基础上新一代的机器学习技术,支持向量机(Support Vector Machine,SVM)在小训练样本、非线性情况下具有较好的泛化性能和推广能力。本文将支持向量机的有关方法应用于SAR图像的目标识别方向,主要工作有：介绍SVM理论,总结出SVM的基本思想和应用方向；综述SAR图像目标识别的研究现状,总结SAR图像目标识别的一般流程和关键技术；介绍基于小波变换的目标特征提取方法,验证该方法具有较高的特征提取准确率；介绍基于核的主成分分析方法(KPCA),采用构造核函数的方式,巧妙避开非常复杂繁琐的点积运算,有效地解决了大规模样本集带来的巨大运算量难题,提高运算速度；在常用支持向量机算法的基础上提出增量训练算法,即根据训练集中支持向量的分布特点,用支持向量来替代样本集,实现了小规模的矩阵运算。经仿真验证,基于增量算法支持向量机的SAR图像目标识别,在小样本、非线性情况下能够达到较高的识别率,并且提高了运算速度,缩短了训练时间。最后,采用KPCA特征选择方法和支持向量机结合的方法对SAR图像进行目标识别,试验结果证明：采用KPCA特征选择方法和SVM增量训练算法结合的方法可以取得较高的识别精度,且运行时间大大缩短,是一种有效的SAR目标识别方法。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 研究背景与意义
• 1.2 国内外研究现状
• 1.2.1 SAR图像目标识别研究现状
• 1.2.2 支持向量机研究现状
• 1.3 本文主要工作与结构安排
• 1.4 本章小结
• 第二章 支持向量机理论
• 2.1 SVM理论基础
• 2.1.1 机器学习理论
• 2.1.2 函数集的VC维和推广能力的界
• 2.1.3 结构风险最小化原则
• 2.2 线性判别函数和判别平面
• 2.3 支持矢量机
• 2.3.1 最优分类面
• 2.3.2 广义最优分类面
• 2.3.3 核函数
• 2.3.4 多类支持向量机
• 2.4 本章小结
• 第三章 合成孔径雷达
• 3.1 合成孔径雷达图像
• 3.1.1 SAR成像原理
• 3.1.2 SAR图像的特点
• 3.2 SAR图像中的相干斑抑制
• 3.2.1 相干斑噪声的产生和影响
• 3.2.2 相干斑的数学模型
• 3.2.3 相干斑抑制方法
• 3.3 SAR图像中的目标特征提取
• 3.4 本章小结
• 第四章 基于增量支持矢量机的目标分类方法
• 4.1 引言
• 4.1.1 增量学习算法的意义
• 4.1.2 支持向量的分布特点
• 4.2 SVM增量训练算法
• 4.2.1 SVM增量算法的概念
• 4.2.2 算法的实现步骤与流程
• 4.3 仿真验证
• 4.3.1 试验数据与特征提取
• 4.3.2 学习性能
• 4.3.3 分类效果
• 4.4 本章小结
• 第五章 基于增量支持矢量机的SAR图像目标识别
• 5.1 SAR图像目标识别流程
• 5.2 SAR图像数据集MSTAR
• 5.3 基于SVM的SAR图像目标识别算法
• 5.3.1 图像预处理
• 5.3.2 特征提取
• 5.3.3 特征选择
• 5.4 基于SVM的SAR图像目标识别试验
• 5.4.1 试验流程
• 5.4.2 试验结果
• 5.4.3 本文方法与其他方法的试验比较
• 5.5 本章小结
• 第六章 结语
• 6.1 本文工作总结
• 6.2 进一步研究的工作
• 致谢
• 参考文献
• 攻读学位期间发表的学术论文