基于轮廓波CNN和选择性注意机制的高分辨SAR目标检测和分类

摘要

合成孔径雷达（Synthetic Aperture Rader,SAR）由于不受光照和气象等限制条件的影响，能够实现全天时、全天候的对地观测，在实际中具有广泛的应用。其中，SAR图像目标检测和分类在军事目标的检测和识别上有着重要的意义。深度学习算法自主的特征学习能力使其在图像分类，图像分割，目标检测等领域有着巨大的优势，在SAR图像处理领域已经取得了很多的成果。 本文在SAR图像目标检测和分类以及深度学习的理论基础上，提出了一个SAR图像目标检测算法和两个SAR图像目标分类算法： 1.提出一种基于CNN和选择性注意机制的SAR图像目标检测方法。针对传统SAR图像目标检测算法检测速度慢以及在复杂场景下检测效果不佳的问题，该方法引入选择性注意机制快速计算SAR图像的显著特征图，根据显著区域提取图像的目标候选区，卷积神经网络（Convolutional Neural Network,CNN）用来学习目标候选区的特征并且判别该目标候选区属于目标还是背景，最后通过非极大值抑制得到最终的检测结果。经过实验验证，该方法可以快速并且准确地检测出SAR图像上所有的目标。 2.提出一种基于多层特征SENet的SAR图像目标分类方法。该方法网络模型中的Inception模块通过卷积分组提取了图像的多尺度信息，SE模块学习获得了网络中各个特征通道的重要度，依照这个重要程度去提升有用的特征并抑制对当前任务用处不大的特征，残差模块解决了网络层数增加导致的性能退化问题，此外，对网络模型进行了改进，将网络的低层特征与高层特征结合组成更具表征能力的特征信息，增强了网络的泛化性能。通过在MSTAR数据上的测试以及与其他五种方法的比较，证明了该方法有很好的分类效果。 3.提出一种基于NSCT_SENet及特征结合的SAR图像目标分类方法。该方法将非下采样轮廓波变换（Nonsubsampled Contourlet Transform,NSCT）引入到网络中，对SAR图像进行分解，有效地提取了图像的多尺度、多方向信息，缓解了SAR图像相干斑及背景杂波对目标的影响，在网络模型中将这些特征信息与提取的原始图像的特征信息进行结合，使得最后的特征信息更丰富、更具有代表性。通过仿真实验证明，该方法比其他方法法在MSTAR数据上有更好的分类效果。

目录

第一个书签之前

摘要

ABSTRACT

插图索引

表格索引

符号对照表

缩略语对照表

第一章绪论

1.1研究工作的背景和意义

1.2图像目标检测研究现状

1.2.1自然图像目标检测研究现状

1.2.2SAR图像目标检测研究现状

1.3图像目标分类研究现状

1.4深度学习研究现状

1.5SAR图像目标检测方法

1.6SAR图像目标分类方法

1.7本文主要研究内容和章节安排

第二章基于CNN和选择性注意机制的SAR图像目标检测方法

2.1引言

2.2选择性注意机制

2.3形态学处理

2.4卷积神经网络基本理论

2.5基于CNN和选择性注意机制的SAR图像目标检测方法

2.5.1目标候选区的提取

2.5.2分类网络模型

2.5.3分类判断

2.5.4非极大值抑制选择最终的定位框

2.6本章实验的结果以及分析

2.6.1实验数据和环境配置说明

2.6.2评价准则

2.6.3仿真实验结果分析

2.7本章小结

第三章基于多层特征SENet的SAR图像目标分类方法

3.1引言

3.2数据增强

3.3SENet网络相关模块

3.3.1Inception模块

3.3.2批规范化

3.3.3残差模块

3.3.4Squeeze_and_excitation模块

3.3.5全局平均池化

3.4基于多层特征SENet的SAR图像目标分类方法

3.4.1训练数据集的获取及扩充

3.4.2分类网络模型

3.5本章实验的结果以及分析

3.6本章小结

第四章基于NSCT_SENet及特征结合的SAR图像目标分类

4.1引言

4.2非下采样轮廓波原理介绍

4.2.1轮廓波变换

4.2.2非下采样轮廓波变换

4.3特征结合

4.4基于NSCT_SENet及特征结合的SAR图像目标分类

4.4.1训练样本集的获取及扩充

4.4.2分类网络模型

4.5本章实验的结果以及分析

4.6本章小结

第五章总结与展望

5.1本文的工作和总结

5.2工作展望

参考文献

致谢

作者简介

1.基本情况

2.教育背景

3.攻读硕士学位期间的研究成果

3.1申请（授权）专利