SAR图像中的自动识别特征提取

摘要

SAR（synthetic aperture radar，合成孔径雷达）图像相干斑噪声去除、图像目标的分割和图像特征提取与分析是SAR自动目标识别的重要而关键的处理步骤，随着科学技术地不断发展，SAR图像的处理技术、算法都越来越快速和精准，得到比较迅速地发展。SAR图像目标识别在军事领域的运用越来越广泛，而本文也正是在以SAR目标识别为背景，主要研究介绍了SAR图像的相干斑噪声去除、图像目标的分割和图像特征提取与分析等内容。
　　首先，介绍了SAR图像成像的基本原理，以及相干斑乘性噪声地形成原理，SAR图像噪声的形成与传统光学图像的噪声有着本质区别，SAR图像能够更加清晰地显示出目标图像的细节和轮廓，但是SAR图像伴随着的相干斑噪声对SAR图像地形成有着比较大的影响，随后介绍了SAR图像的去除噪声的几种传统滤波保持平滑边缘滤波、Lee滤波、增强Lee和Frost滤波、gamma MAP滤波和自适应多视图像处理，并且实验结果加以证明自适应多视图像处理在图像的均值保持、等效视数和相对标准差方面都有着其它滤波方法所没有的优势。接下来的，论文对SAR图像的分割进行研究与介绍，图像分割对图像的解译、编译、特征提取与分析有着很重要作用，图像分割的方法有很多，如何能保证对图像的分割之后，还能够很好地保留图像的细节、纹理和边缘信息是主要问题，图像分割的方法比较多，主要有阈值分割法、聚类分割法、统计分割和区域增长法分开合并法，着重介绍了最大类间方差法的多阈值和二维最大类间方差法，并对其如何对SAR图像进行分割运算进行了较为详细地分析。
　　最后论文对图像的特征提取与分析提出了线性判决分析（LDA）及其改进型左投影线性判决分析（L-2DLDA）和右投影线性判决分析（R-2DLDA）、主要分量分析法（PCA）及其改进型左投影主分量分析法（L-2DPCA）和右投影主分量分析法（D-2DPCA），并对这两种算法及其对应的改进型进行了实验结果的对比，实验结果证明改进型的L-2DLDA和R-2DLDA，L-2DPCA和D-2DPCA对图像的总体的协方差矩阵求取，原始特征向量的求取运算量都更加简化，对图像的识别率也更加高。

目录

声明

摘要

1 绪论

1．1 研究的背景和目的意义

1．2 国内外SAR目标识别检测技术研究发展概况

1．3 主要研究内容

2 SAR成像基本特性及SAR ATR系统基本结构原理

2．1 引言

2．2 SAR成像的基本原理

2．2．1 孔径合成原理

2．2．2 距离分辨率

2．2．3 方位向分辨率

2．3 SAR及其图像应用的主要特性

2．3．1 SAR的波段

2．3．2 SAR的极化

2．3．3 SAR图像中不同地物目标的特点

2．3．4 SAR图像数据的统计特性

2．4．雷达自动目标识别的基本概念

2．4．1 SAR自动目标识别的分类

2．4．2 SAR ART的技术难点

2．5 本章小结

3 SAR图像预处理

3．1 引言

3．2 图像预处理

3．3 SAR图像相干斑噪声产生机理

3．4 SAR图像相干斑噪声模型

3．5 SAR图像去噪的几种算法

3．5．1 保留边缘平滑滤波

3．5．2 Lee滤波

3．5．3 增强的Lee、Frost滤波

3．5．4 Gamma MAP滤波

3．5．5 基于最大同质区域滤波

3．5．6 多视处理

3．5．7 自适应图像多视处理

3．6 滤波方法检测标准

3．7 实验评估

3．8 SAR图像分割

3．8．1 图像分割的定义

3．8．2 SAR图像分割的方法

3．8．3 实验结果论证

3．9 本章小结

4 SAR图像特征提取方法

4．1 SAR图像特征的提取与识别概述

4．2 SAR图像特征提取方法概述

4．3 二维线性分析(2DLDA)

4．3．1 左投影二维线性分析(L-2DLDA)

4．3．2 右投影线性判决分析(R-2DLDA)

4．3．3 不同特征提取方法的实验结果比较

4．4 主分量分析法(PCA)

4．4．1 二维主分量分析法(2DPCA)

4．4．2 左投影形式二维主分量分析(L-2DPCA)

4．4．3．不同特征提取的方法实验结果比较

4．5 本章小结

5 总结与展望

致谢

参考文献

附录 读研期间撰写的学术论文