基于稀疏表示和深度学习分类器的SAR目标图像的分割与分类

摘要

合成孔径雷达(Synthetic Aperture Radar,SAR)作为一种主动相干成像雷达，有着全天时、全天候成像的优点，被广泛运用于勘探矿产、预防自然灾害和国防军事等领域。其中，在军事领域中合成孔径雷达主要应用于军事目标的检测和分类识别，因此实现快速、有效的目标分类识别对于国家军事安全有着重要的意义。
　　本研究主要内容包括：⑴基于深度K-means的SAR目标图像分类。针对传统深度学习模型卷积神经网络利用梯度下降法计算学习滤波器参数的方式复杂度高，需要调整的超参数多的问题，本文提出了基于深度K-means算法的SAR目标图像分类方法。相比于卷积神经网络，深度K-means模型的算法简单、快捷，且只有聚类中心个数一个超参数需要调整。通过利用K-means算法无监督地学习得到滤波器核，减轻了算法对大量有标签样本的需求；通过将网络堆栈成深层的方式，学习得到了原始图像抽象本质的特征。经过多组实验验证，该算法能够获得更好的分类效果。⑵基于SDAE-SVM的SAR目标图像分类。针对SAR图像分类过程中提取得到的特征往往鲁棒性较差，以及采用softmax分类器微调深度网络分类精度低的问题，本文提出了基于SDAE-SVM的SAR目标图像分类方法。该方法首先对图像进行目标分割获取目标切片，避免深度网络过拟合现象的发生，再利用去噪自编码器进行深层、鲁棒特征的提取，最后采用线性SVM(Support Vector Machine)分类对网络进行微调分类。经过多组实验证明，该算法能够获得更为理想的分类效果。⑶基于卷积自编码器和概率稀疏表示的SAR目标图像分类。针对稀疏表示初始化字典难度高、传统稀疏表示分类器分类精度低的问题，提出了基于卷积自编码器和概率稀疏表示的SAR目标图像分类。该方法首先利用卷积自编码器对图像进行特征提取和降维，并将其作为初始字典利用概率稀疏表示算法进行表示和分类。经过多组实验证明，该算法能够获得更高的分类精度。

目录

声明

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研究背景及意义

1.2国内外发展现状

1.3 SAR目标图像处理的主要内容

1.4本文工作及内容安排

第二章 基于深度K-means的SAR目标图像分类

2.1引言

2.2基于小波变换的SAR图像特征提取

2.3基于深层K-means的SAR目标图像分类

2.4实验结果及分析

2.5 本章小结

第三章 基于SDAE-SVM的SAR目标图像分类

3.1引言

3.2图像分割和目标切片的提取

3.3基于SDAE-SVM的SAR目标图像分类

3.4实验结果及分析

3.5本章小结

第四章 基于CAE和概率稀疏表示的SAR目标图像分类

4.1引言

4.2基于卷积自编码器的深度特征提取

4.3概率稀疏学习

4.4基于卷积自编码器和概率稀疏表示的SAR目标图像分类

4.5实验结果及分析

4.6本章小结

第五章 总结与展望

5.1论文总结

5.2未来研究展望

参考文献

致谢

作者简介