本文關鍵詞：基于特征信息融合和極限學習機分類的SAR圖像目標識別技術研究，，由筆耕文化傳播整理發(fā)布。

【摘要】：合成孔徑雷達(S AR, Synthetic Aperture Radar)在軍事和民用的應用日益廣泛,研制出更加智能化的SAR自動目標識別系統(tǒng)(ATR, automatic target recognition)的需求也更為迫切。SAR ATR系統(tǒng)涉及多學科理論與技術,眾多新理論的出現進一步推動了SARATR系統(tǒng)的發(fā)展。特征提取、特征優(yōu)化和特征分類是ATR中至關重要的步驟。本文重點研究了SAR圖像的特征提取與融合、特征分類,提出了解決SAR圖像地物分類與目標匹配問題的新方案。一方面,提取SAR圖像紋理特征,利用特征融合算法與極限學習機模型實現地物分類；另一方面,設計基于點群匹配的相似度函數來衡量SAR圖像相似性,從而實現目標部分和模板庫之間的匹配。文章從以下三個方面開展研究：一、SAR圖像特征提取結果的好壞將直接影響到后續(xù)分類算法的識別率,對于地物分類問題,紋理特征一直是研究和應用的重點。本論文研究了不同種類的紋理特征,根據特征融合算法對多特征串行與并行組合進行優(yōu)化,該方法通過線性降維去除特征間冗余的信息,提升了后端分類器的識別率與穩(wěn)定性。二、極限學習機(ELM, extreme learning machine)具有高效且收斂速度快的特性,論文研究了不同種類極限學習機的網絡構建方式,根據增量模型中增長速度與收斂速度的關系,提出了隱層節(jié)點增量數目隨收斂速度調整的網絡構建模式,并命名為變長增量型極限學習機(VI-ELM, variable length incremental extreme learning machine).在UCI標準測試集上驗證了該算法的有效性,并將其應用于SAR圖像地物分類問題中,取得了較好的分類效果。三、峰值特性是分析SAR圖像的重要特性,論文研究了SAR圖像強散點點群分布特征,提出了基于點群匹配的相似度函數。將點與點的匹配擴展到點與點群之間的匹配,并由此定義點群與點群之間的相似性度量標準。該方法能夠反映圖像相似性的一般規(guī)律,對噪聲、部分遮擋、變形等不同程度的干擾能夠得到較為合理的相似度,同時在效率上有很大改善。
【關鍵詞】：合成孔徑雷達 特征融合 增量學習 極限學習機 變長增量型極限學習機 點群匹配
【學位授予單位】：東南大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：TN957.52
【目錄】：

• 摘要5-6
• Abstract6-10
• 第一章 緒論10-14
• 1.1 課題研究背景10-11
• 1.2 研究歷史與現狀11-12
• 1.3 本論文的主要內容與結構安排12-14
• 第二章 SAR圖像目標識別系統(tǒng)14-24
• 2.1 SAR圖像成像機制與影像特征分析14-15
• 2.2 SAR圖像目標識別系統(tǒng)構成簡介15-16
• 2.3 基于模板的SAR ATR系統(tǒng)介紹16-22
• 2.3.1 圖像預處理17
• 2.3.2 圖像檢測17-18
• 2.3.3 圖像聚類18-19
• 2.3.4 圖像分割19
• 2.3.5 目標鑒別19-21
• 2.3.6 目標匹配21-22
• 2.4 本章小結22-24
• 第三章 SAR圖像特征提取與特征信息融合24-38
• 3.1 引言24-25
• 3.2 SAR圖像紋理特征提取25-29
• 3.2.1 基于灰度共生矩陣的紋理特征25-27
• 3.2.2 基于Gabor濾波的紋理特征27-29
• 3.3 特征信息融合理論與方法29-30
• 3.4 特征信息融合的特征組合方法30-31
• 3.5 基于線性降維方法的特征選擇31-34
• 3.6 實驗結果與分析34-36
• 3.6.1 正確率對比34-35
• 3.6.2 穩(wěn)定性對比35-36
• 3.7 本章小結36-38
• 第四章 基于極限學習機的SAR圖像分類器設計38-56
• 4.1 引言38
• 4.2 極限學習機理論38-42
• 4.2.1 極限學習機的理論基礎39-41
• 4.2.2 極限學習機的網絡構造方式41-42
• 4.3 增量算法與極限學習機42-46
• 4.3.1 增量算法42-43
• 4.3.2 增量型極限學習機43-44
• 4.3.3 增強型極限學習機44-46
• 4.4 變長型增量極限學習機算法46-48
• 4.4.1 增量模型的增長速度與網絡收斂速度46-47
• 4.4.2 變長型網絡增長方式47-48
• 4.5 基于變長增量型極限學習機的SAR圖像分類算法設計48-54
• 4.5.1 變長增量型與其它增量型極限學習機對比48-50
• 4.5.2 基于特征融合和極限學習機的SAR圖像分類系統(tǒng)50-54
• 4.6 本章小結54-56
• 第五章 基于點群相似度的SAR圖像目標匹配56-68
• 5.1 引言56
• 5.2 SAR圖像相似性度量56-57
• 5.3 點群相似度準則57-59
• 5.3.1 點與點群距離相似度準則57
• 5.3.2 點與點群灰度相似度準則57-59
• 5.3.3 點群與點群相似度準則59
• 5.4 相關系數與相似性度量實驗對比59-65
• 5.4.1 不同噪聲下的相似度校驗60-61
• 5.4.2 不同部分遮擋的相似度校驗61-62
• 5.4.3 不同變形的相似度校驗62-63
• 5.4.4 不同灰度分布的相似度校驗63-64
• 5.4.5 基于點群相似性度量與相關系數對比64-65
• 5.5 基于MSTAR目標匹配的相似性度量有效性驗證65-67
• 5.6 本章小結67-68
• 總結與展望68-70
• 致謝70-72
• 參考文獻72-76
• 攻讀碩士學位期間發(fā)表的論文76

【相似文獻】

中國期刊全文數據庫 前10條

1 丁曉蓮;周激流;李曉華;吳朋;;人臉識別率與圖像分辨率關系的比較分析[J];計算機工程;2009年11期

2 賈麗娟;;關于圖像分辨率的教學思考[J];印刷世界;2011年05期

3 張秀屏，劉錫國，叢玉良;提高彩電圖像分辨率的研討[J];光學精密工程;1994年02期

4 周中華;如何使拷屏圖像更清楚[J];桌面出版與設計;1999年04期

5 林阿嵐;;如何取得完美圖像[J];電子測試;2001年08期

6 宋其華;郭根生;;解析計算機圖像分辨率[J];中國電化教育;2003年11期

7 馮金菊;;淺談分辨率[J];才智;2008年22期

8 江靜;蔡鶴;;小議分辨率與輸出圖像的關系[J];科教文匯(上旬刊);2008年03期

9 李春雨;李衛(wèi)平;;篡改圖像的識別技術研究與仿真[J];計算機仿真;2011年11期

10 ;教你詳細了解各種分辨率[J];計算機與網絡;2011年24期

中國重要會議論文全文數據庫 前10條

1 王江寧;紀力強;;昆蟲圖像特征研究[A];第十五屆全國圖象圖形學學術會議論文集[C];2010年

2 楊德強;蘇光大;徐天偉;;一種基于幻想臉的人臉圖像分辨率提升新技術[A];第二十七屆中國控制會議論文集[C];2008年

3 張莉;李佩臻;;用Photoshop對1：1萬DRG入庫數據的處理[A];全國測繪科技信息網中南分網第二十一次學術信息交流會論文集[C];2007年

4 任曉暉;龔勇清;;體全息存儲再現圖像分辨率實驗研究[A];第十一屆全國光學測試學術討論會論文（摘要集）[C];2006年

5 廖熠;趙榮椿;;一種基于小波分層模型的自然景物圖像表面恢復算法[A];第十屆全國信號處理學術年會（CCSP-2001）論文集[C];2001年

6 劉達;李樞平;;對DCI數字影院技術規(guī)范中圖像分級技術的理解[A];中國電影電視技術學會影視技術文集[C];2007年

7 湯敏;王惠南;;基于IDL語言的醫(yī)學圖像可視化初步研究[A];第十二屆全國圖象圖形學學術會議論文集[C];2005年

8 趙源萌;鄧朝;張馨;張存林;;被動式人體太赫茲安檢成像的分辨率增強算法研究[A];中國光學學會2011年學術大會摘要集[C];2011年

9 張尚軍;徐光;祁小江;;影響CR膠片質量原因的探討[A];2009中華醫(yī)學會影像技術分會第十七次全國學術大會論文集[C];2009年

10 何東曉;隋守鑫;劉微;;高清透霧攝像機的研發(fā)及在交通領域的應用[A];第八屆中國智能交通年會優(yōu)秀論文集——智能交通與安全[C];2013年

中國重要報紙全文數據庫 前10條

1 劉筱霞;陳永常;PHOTOSHOP中圖像分辨率的設置[N];中國包裝報;2002年

2 王樹連;從購買圖像到租用衛(wèi)星[N];中國測繪報;2003年

3 楊興平;如何抓取指定分辨率的圖像[N];中國電腦教育報;2003年

4 李鑫;飛利浦200BW8商務人士明智新寵[N];電子資訊時報;2007年

5 記者 曾遺榮邋通訊員 冷承秋 實習生 向哲林;美國一高科技公司將落戶武漢[N];湖北日報;2007年

6 唐鳳碧;正確運用數碼相機分辨率[N];中國攝影報;2007年

7 ;創(chuàng)維TWH-43L（DLP）光顯背投圖像不良的檢修[N];電子報;2008年

8 WLF;細說分辨率[N];電腦報;2003年

9 宏杉;感受專業(yè)動力[N];中國計算機報;2001年

10 宋連黨;家庭VCD像冊大制作[N];中國電腦教育報;2003年

中國博士學位論文全文數據庫 前10條

1 吳輝群;慢性病信息管理系統(tǒng)中視網膜圖像的互操作性及其血管網絡定量分析研究[D];復旦大學;2014年

2 田虎;單目圖像的深度估計[D];北京郵電大學;2015年

3 唐玉芳;商品圖像分類算法研究[D];北京郵電大學;2015年

4 賈勇;建筑物透視探測關鍵技術研究[D];電子科技大學;2014年

5 黃仁杰;非可控條件下人臉識別中的若干問題研究[D];電子科技大學;2015年

6 萬方;基于多幅圖像的三維結構化場景重建技術研究[D];武漢大學;2013年

7 馬鐘;視覺感知啟發(fā)的對象發(fā)現關鍵技術研究[D];西北工業(yè)大學;2015年

8 張旭;面向局部特征和特征表達的圖像分類算法研究[D];合肥工業(yè)大學;2016年

9 王洪;航空光電平臺圖像穩(wěn)定技術研究[D];中國科學院研究生院（長春光學精密機械與物理研究所）;2012年

10 孫艷;基于內容圖像檢索與敏感圖像過濾的若干算法研究[D];吉林大學;2011年

中國碩士學位論文全文數據庫 前10條

1 楊棟;面向CTA圖像的冠脈血管分割算法研究和血管狹窄度分析[D];浙江大學;2015年

2 龔若皓;基于嵌入式移動GPU的圖像編解碼并行優(yōu)化[D];西南交通大學;2015年

3 曹福來;發(fā)動機燃油噴霧圖像篩選及處理方法的分析研究[D];長安大學;2015年

4 張弛;基于卷積神經網絡的鞋印圖像分類算法研究[D];大連海事大學;2016年

5 張貴平;圖像視點調整技術研究[D];南京大學;2014年

6 李杰;高速圖像數據實時存儲與顯示關鍵技術研究[D];中北大學;2016年

7 胡蓓蕾;基于圖像融合的水下圖像顏色恢復[D];中國海洋大學;2015年

8 周黎;基于千兆網的高性能嵌入式圖像處理技術研究[D];中國科學院研究生院(光電技術研究所);2016年

9 顧幫忠;基于CCD的DR影像校正[D];東南大學;2015年

10 張磊;鉚釘尺寸與表面缺陷在線檢測關鍵技術研究[D];西南交通大學;2016年

  本文關鍵詞：基于特征信息融合和極限學習機分類的SAR圖像目標識別技術研究，由筆耕文化傳播整理發(fā)布。

本文編號：429147