基于非负矩阵分解的SAR图像目标配置识别

摘要

合成孔径雷达（Synthetic Aperture Radar，SAR）拥有全天时、全天候等特质，是对地观测和军事侦测的重要技术措施之一。SAR图像目标配置识别作为SAR图像分析与解释的关键技术之一，具有很强的商业和军事价值，日益成为国内外研究的热点。在SAR图像目标配置识别研究中，关键技术之一为图像的特征提取。图像特征提取的主要目的是为了抑制斑点噪声对识别率的影响并且最大限度地体现SAR图像本身具有的稀疏性，所以图像特征提取的好坏将直接影响到识别精度。
　　目前SAR图像目标配置识别的方法大都是基于灰度相关匹配和二维不变矩特征，或是基于目标边缘检测等方法。其主要思想是通过提取图像域或小波域的参数来构建特征矩阵，这种基于全局特征的方法虽然可以获得较好的识别精度，但是受噪声影响较大，运算代价高，速度慢，从而导致实用性不强。本文研究了非负矩阵分解（NonnegativeMatrix Factorization，NMF）这种有效的非负数据处理方法，具有分解速度快，分解结果有明确的物理意义，实现简单的优点，已成为高维数据降维分析领域的一个重要研究方向。本文在深入研究现有NMF算法的基础上，提出了下列三种非负矩阵分解的改进方式：
　　1、一种稀疏约束的非负矩阵分解方法。这种方法充分利用了 SAR图像本身所包含的稀疏性，通过对NMF方法进行改进从而提取出图像中的稀疏特征。有效地表征了SAR图像中的稀疏特性，在特征稀疏性和特征出图等方面，性能均优于NMF和现有的稀疏NMF。
　　2、一种近似正交的非负矩阵分解。由于 NMF有非负的约束，所以加入正交约束会给矩阵带来稀疏性，能够很好地提取出图像中的稀疏特征。确保了低维特征的非负性和局部性，减小了分解的误差，提高了对稀疏性的调节能力。
　　3、一种平滑约束的稀疏非负矩阵分解方法。这种方法是在非平滑非负矩阵分解方法上加入了平滑约束。因为矩阵中，各个列向量是互不联系和影响的，一列图像信息的变化并不影响其之前一列或之后一列的图像信息，这种特性与马尔科夫随机过程（Markoff random process，MDP）相似，所以可以在特征提取过程中加入马尔科夫随机场（Markov Random Field，MRF）模型。该方法在稀疏特性，特征出图等方面优于现有的同类NMF方法。

目录

封面

声明

中文摘要

英文摘要

插图索引

表格索引

符号对照表

缩略语对照表

目录

第一章 绪论

1.1 研究的背景和意义

1.2 国内外的研究现状

1.3 本文的主要工作及内容安排

第二章 非负矩阵分解（NMF）算法研究

2.1 非负矩阵分解（NMF）算法

2.2 NMF改进方法介绍

2.3 NMF初始化策略研究

2.4 本章小结

第三章 一种稀疏约束的非负矩阵分解方法

3.1 稀疏理论及应用

3.2 加入稀疏约束的NMF方法

3.3 实验仿真与分析

3.4 本章小结

第四章 一种近似正交非负矩阵分解方法

4.1 正交理论

4.2 近似正交非负矩阵分解方法

4.3 实验仿真与分析

4.4 本章小结

第五章 一种平滑约束的稀疏非负矩阵分解方法

5.1 平滑约束矩阵理论

5.2 平滑约束的稀疏非负矩阵分解

5.3 实验仿真与分析

5.4 本章小结

第六章 结论和展望

6.1 研究结论

6.2研究展望

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

4.参与项目信息