【摘要】：過去二十年中,合成孔徑雷達(Synthetic Aperture Radar,SAR)自動目標識別已經受到越來越多的關注。許多有監(jiān)督特征學習算法被提出來,而且應用到合成孔徑雷達的自動目標識別中。本文采用了無監(jiān)督學習算法——K均值(K-means)聚類算法,通過分塊自編碼和優(yōu)化接受域參數(shù)進行SAR圖像特征學習,從而自動學習到無標簽數(shù)據(jù)中鑒別性特征,并將所提取特征用于SAR圖像目標識別中。然而,無監(jiān)督學習一般對訓練數(shù)據(jù)量有較高要求,因此,我們提出了兩種數(shù)據(jù)增強方法,通過旋轉目標物體的方位角,以及在原始圖像上增加隨機值,來獲得更多可以用來訓練模型的數(shù)據(jù),使模型可以學習具有多樣性的特征,達到提高識別效果的目的。采用公開的MSTAR數(shù)據(jù)庫進行實驗驗證,結果表明所提方法可達到96.67%的主流識別率。
[Abstract]:In the past two decades, synthetic Aperture Radar (Synthetic Aperture) automatic target recognition has attracted more and more attention. Many supervised feature learning algorithms have been proposed and applied to automatic target recognition of synthetic Aperture Radar (SAR). In this paper, an unsupervised learning algorithm, K-means (K-means) clustering algorithm, is used to study the features of SAR images by blocking self-coding and optimizing the parameters of accepted domain, so as to automatically learn the discriminative features in untagged data. The extracted features are applied to target recognition in SAR images. However, unsupervised learning generally requires a high amount of training data. Therefore, we propose two methods for data enhancement, by rotating the azimuth of the target object and adding random values to the original image. To obtain more data that can be used to train the model, so that the model can learn a variety of features, and achieve the purpose of improving the recognition effect. The experimental results using open MSTAR database show that the proposed method can achieve the mainstream recognition rate of 96.67%.
【作者單位】： 五邑大學信息工程學院;
【基金】：國家自然科學基金(61372193) 廣東高等學校優(yōu)秀青年培養(yǎng)計劃項目(SYQ2014001) 廣東省特色創(chuàng)新類項目(2015KTSCX143,2015KTSCX145,2015KTSCX148) 廣東省青年創(chuàng)新項目(2015KQNCX172)
【分類號】：TN957.52

【相似文獻】

相關期刊論文 前10條

1 奚惠寧;任蕊;;判斷有關醫(yī)學圖像專利申請是否為非授權客體[J];電視技術;2013年S2期

2 韓雙旺;崔兆順;李德錄;李芙蓉;;基于閾值的彩色目標圖像的提取與測量[J];自動化與儀器儀表;2010年03期

3 林靜;王薇婕;關丹丹;景軍鋒;;基于浮雕圖像的3D浮雕效果實現(xiàn)[J];微型機與應用;2012年11期

4 李敏潔;魏仲慧;何昕;;基于FPGA的多功能圖像目標發(fā)生器的設計與實現(xiàn)[J];微計算機信息;2005年25期

5 韓雙旺;崔兆順;鮑麗紅;李德錄;;基于目標圖像的提取與測量[J];上海工程技術大學學報;2007年04期

6 劉進;孫婧;徐正全;顧鑫;;基于目標的圖像輕量級加密[J];華中科技大學學報(自然科學版);2011年06期

7 于明;王倩;郭迎春;;一種圖像的顯著區(qū)域提取方法[J];光電工程;2012年08期

8 郭旭平,李在銘;圖像目標的可視識別與智能跟蹤[J];系統(tǒng)工程與電子技術;1998年08期

9 王成;張劍戈;江旭峰;章魯;;基于知識的三維核醫(yī)學圖像左心室心肌區(qū)的提取[J];中國生物醫(yī)學工程學報;2007年01期

10 衛(wèi)穎奇;彭進業(yè);張漢寧;;個性化圖像推薦及可視化研究[J];計算機工程;2011年02期

相關會議論文 前5條

1 張林怡;王運鋒;王建國;;分維數(shù)在SAR圖像海岸線檢測中的應用研究[A];第十屆全國信號處理學術年會（CCSP-2001）論文集[C];2001年

2 李吉成;魯新平;楊衛(wèi)平;張志龍;高穎慧;沈振康;;圖像目標的自動識別和快速篩選技術[A];2006年全國光電技術學術交流會會議文集（D 光電信息處理技術專題）[C];2006年

3 佘二永;;SAR圖像目標解譯技術分析[A];第九屆全國信息獲取與處理學術會議論文集Ⅰ[C];2011年

4 趙朝杰;朱虹;黎璐;董敏;袁承興;;基于內容感知的圖像非等比例縮放[A];第十四屆全國圖象圖形學學術會議論文集[C];2008年

5 奚惠寧;;淺談有關醫(yī)學圖像的專利申請如何判斷是否是非授權客體[A];2013年中華全國專利代理人協(xié)會年會暨第四屆知識產權論壇論文匯編第二部分[C];2013年

相關博士學位論文 前10條

1 錢智明;面向圖像標注的張量表示與語義建模方法研究[D];國防科學技術大學;2015年

2 鄧劍勛;多示例圖像檢索算法研究及在人臉識別中的應用[D];重慶大學;2012年

3 王亮申;圖像特征提取及基于內容圖像數(shù)據(jù)庫檢索理論和方法研究[D];大連理工大學;2002年

4 魏波;點時空約束圖像目標跟蹤理論與實時實現(xiàn)技術研究[D];電子科技大學;2000年

5 劉俊;基于鉬靶圖像的計算機輔助乳腺癌檢測系統(tǒng)中關鍵技術研究[D];武漢科技大學;2012年

6 付華柱;圖像協(xié)同關聯(lián)性約束的研究與應用[D];天津大學;2013年

7 廖宜濤;基于圖像與光譜信息的豬肉品質在線無損檢測研究[D];浙江大學;2011年

8 陳海林;基于判別學習的圖像目標分類研究[D];中國科學技術大學;2009年

9 王洪元;圖像動態(tài)分析中的若干智能化方法研究[D];南京理工大學;2004年

10 徐麗;面向圖像標記的條件隨機場模型研究[D];長安大學;2013年

相關碩士學位論文 前10條

1 徐衍魯;基于改進的K-means和層次聚類方法的詞袋模型研究[D];上海師范大學;2015年

2 甘洪涌;SAR圖像自動目標識別算法研究[D];哈爾濱理工大學;2014年

3 張玉營;基于認知理論的高分辨率PolSAR圖像目標解譯算法研究[D];哈爾濱工業(yè)大學;2015年

4 王帥;視頻中扇貝圖像的檢測與定位研究[D];大連海洋大學;2015年

5 李偉;改進的主顏色提取方法及自適應權重圖像檢索算法研究[D];華中師范大學;2015年

6 李星云;碼垛機器人視覺控制關鍵技術的研究[D];西南科技大學;2015年

7 梁，

本文編號：2167746