基于特征信息融合和极限学习机分类的SAR图像目标识别技术研究

摘要

合成孔径雷达(SAR，Synthetic Aperture Radar)在军事和民用的应用日益广泛，研制出更加智能化的SAR自动目标识别系统(ATR，automatic target recognition)的需求也更为迫切。SARATR系统涉及多学科理论与技术，众多新理论的出现进一步推动了SARATR系统的发展。特征提取、特征优化和特征分类是ATR中至关重要的步骤。
　　本文重点研究了SAR图像的特征提取与融合、特征分类，提出了解决SAR图像地物分类与目标匹配问题的新方案。一方面，提取SAR图像纹理特征，利用特征融合算法与极限学习机模型实现地物分类;另一方面，设计基于点群匹配的相似度函数来衡量SAR图像相似性，从而实现目标部分和模板库之间的匹配。文章从以下三个方面开展研究:
　　一、SAR图像特征提取结果的好坏将直接影响到后续分类算法的识别率，对于地物分类问题，纹理特征一直是研究和应用的重点。本论文研究了不同种类的纹理特征，根据特征融合算法对多特征串行与并行组合进行优化，该方法通过线性降维去除特征间冗余的信息，提升了后端分类器的识别率与稳定性。
　　二、极限学习机（ELM，extreme learning machine）具有高效且收敛速度快的特性，论文研究了不同种类极限学习机的网络构建方式，根据增量模型中增长速度与收敛速度的关系，提出了隐层节点增量数目随收敛速度调整的网络构建模式，并命名为变长增量型极限学习机（VI-ELM，variable length incremental extreme learning machine）。在UCI标准测试集上验证了该算法的有效性，并将其应用于SAR图像地物分类问题中，取得了较好的分类效果。
　　三、峰值特性是分析SAR图像的重要特性，论文研究了SAR图像强散点点群分布特征，提出了基于点群匹配的相似度函数。将点与点的匹配扩展到点与点群之间的匹配，并由此定义点群与点群之间的相似性度量标准。该方法能够反映图像相似性的一般规律，对噪声、部分遮挡、变形等不同程度的干扰能够得到较为合理的相似度，同时在效率上有很大改善。

目录

声明

摘要

第一章 绪论

1．1 课题研究背景

1．2 研究历史与现状

1．3 本论文的主要内容与结构安排

第二章 SAR图像目标识别系统

2．1 SAR图像成像机制与影像特征分析

2．2 SAR图像目标识别系统构成简介

2．3 基于模板的SAR ATR系统介绍

2．3．1 图像预处理

2．3．2 图像检测

2．3．3 图像聚类

2．3．4 图像分割

2．3．5 目标鉴别

2．3．6 目标匹配

2．4 本章小结

第三章 SAR图像特征提取与特征信息融合

3．1 引言

3．2 SAR图像纹理特征提取

3．2．1 基于灰度共生矩阵的纹理特征

3．2．2 基于Gabor滤波的纹理特征

3．3 特征信息融合理论与方法

3．4 特征信息融合的特征组合方法

3．5 基于线性降维方法的特征选择

3．6 实验结果与分析

3．6．1 正确率对比

3．6．2 稳定性对比

3．7 本章小结

第四章 基于极限学习机的SAR图像分类器设计

4．1 引言

4．2 极限学习机理论

4．2．1 极限学习机的理论基础

4．2．2 极限学习机的网络构造方式

4．3 增量算法与极限学习机

4．3．1 增量算法

4．3．2 增量型极限学习机

4．3．3 增强型极限学习机

4．4 变长型增量极限学习机算法

4．4．1 增量模型的增长速度与网络收敛速度

4．4．2 变长型网络增长方式

4．5 基于变长增量型极限学习机的SAR图像分类算法设计

4．5．1 变长增量型与其它增量型极限学习机对比

4．5．2 基于特征融合和极限学习机的SAR图像分类系统

4．6 本章小结

第五章 基于点群相似度的SAR图像目标匹配

5．1 引言

5．2 SAR图像相似性度量

5．3 点群相似度准则

5．3．1 点与点群距离相似度准则

5．3．2 点与点群灰度相似度准则

5．3．3 点群与点群相似度准则

5．4 相关系数与相似性度量实验对比

5．4．1 不同噪声下的相似度校验

5．4．2 不同部分遣挡的相似度校验

5．4．3 不同变形的相似度校验

5．4．4 不同灰度分布的相似度校验

5．4．5 基于点群相似性度量与相关系数对比

5．5 基于MSTAR目标匹配的相似性度量有效性验证

5．6 本章小结

总结与展望

致谢

参考文献

攻读硕士学位期间发表的论文