基于形态学和神经网络的SAR影像专题信息提取方法研究

摘要

随着SAR成像技术的迅猛发展，世界范围内掀起了SAR研究的热潮。SAR系统已经从最初的单波段单极化SAR向着多波段多极化乃至全极化和干涉SAR的方向发展，所获得数据的空间和时间分辨率不断提高，相应的数据量急剧增加，然而SAR图像处理却还是一个只有几年发展历史的新兴领域。SAR图像特殊的信息表达方式及其受到相干斑噪声和各种几何特征的影响，使得SAR图像的自动处理比光学图像困难很多。SAR图像处理技术特别是对海量数据的实时自动、半自动解译技术相对滞后，传统的目视解译人工判读处理方式已不能适应如此庞大的数据量，形成了数据海量而知识贫乏的瓶颈问题。如何利用计算机实现SAR图像的快速理解和解译，是当前迫切需要解决的难题。
　　 本文结合航天工业总公司XXXX院“雷达景象匹配参考图制备研究”合同任务，为了快速生成与实时图匹配的参考图，需要快速高效地提取出SAR影像中的典型目标。这也是合成孔径雷达景象匹配定位与制导项目中的关键技术攻关课题之一。SAR影像成像特性复杂且数据量巨大，为了实现其典型目标的快速提取，必然要求其处理算法可以高效运行并具有鲁棒性和自适应性，降低算法的计算复杂度，简化算法参数设置，减少人工干预等都具有重要意义。同时，由于SAR影像成像的复杂性，单独采用一种方法进行处理难以取得理想的效果，一般需要结合多种方法来改善处理效果。本文深入研究具备高度自适应性并可高速并行处理的数学形态学、自组织映射神经网络、脉冲耦合神经网络、盲信号处理等相关理论，并根据SAR影像成像特性和典型目标特征提出改进模型，同时通过集成学习实现SAR影像目标识别，构建起基于形态学和神经网络的SAR影像专题信息提取原型系统。该系统已实际应用于雷达景象匹配参考图制备项目，成为匹配参考图制备的有效专题信息来源。
　　 本文的主要研究内容和创新包括以下方面：
　　 1.深入研究数学形态学运算及其快速算法，提出了基于序列非线性滤波的目标快速提取算法，实现了SAR影像典型目标的自适应快速提取，有效提高了目标提取速度、处理效率和自动化程度。
　　 2.基于自组织映射(SOM)神经网络、盲信号分离和形态学重构(MR)理论，提出了SOMMR非线性盲信号分离模型，显著改善了多极化SAR影像盲信号分离斑点降噪与目标分割处理效果。
　　 3.根据脉冲耦合神经网络(PCNN)神经元点火周期理论，构建了脉冲频率矩阵(PFM)，提出了PCNN-PFM改进模型，克服了传统PCNN不能有效地处理具有强烈相干斑噪声的SAR影像的缺陷，有效改进了单极化SAR影像目标分割处理的效果和稳定性。
　　 4.研究集成学习理论框架，对影像分割得到的目标区域采用多学习机集成进行专题目标识别，有效提高了系统识别的精度和泛化推广能力。
　　 5.集成以上改进算法模型，构建了基于形态学和神经网络的SAR影像专题信息提取原型系统，实现SAR影像专题目标的高效快速提取，并已在雷达景象匹配参考图制备和十一五村镇专题信息快速提取项目中得到实际应用。

目录

文摘

英文文摘

声明

第1章绪论

1.1研究背景及意义

1.2研究现状

1.3主要研究目标和研究内容

1.4本文结构

第2章专题信息提取的形态学快速算法

2.1形态学图像变换特性

2.2形态学变换快速算法

2.3序列非线性滤波目标提取快速算法

本章小结

第3章SAR影像盲信号分离的SOMMR模型

3.1盲信号分离

3.2 SOMMR盲信号分离模型

3.3基于SOMMR模型的SAR影像盲信号分离

本章小结

第4章基于脉冲频率矩阵的PCNN-PFM改进模型

4.1脉冲耦合神经网络(PCNN)

4.2 PCNN-PFM模型

4.3基于PCNN-PFM模型的SAR影像分割

本章小结

第5章SAR影像集成学习专题目标识别

5.1集成学习

5.2 SAR影像集成学习专题目标识别

本章小结

第6章基于形态学和神经网络SAR影像专题信息提取原型系统

6.1基于形态学和神经网络SAR影像专题信息提取原型系统

6.2数据实验及结果分析

本章小结

第7章结论与展望

7.1总结与结论

7.2进一步工作的方向

致谢

参考文献

个人简历 在读期间发表的学术论文与研究成果