合成孔徑雷達（Synthetic Aperture Radar,SAR）有以下獨有特點:全天候、寬波段、全天時以及主動成像,在國土以及軍事安全領(lǐng)域有著廣泛的發(fā)展前景。但是由于SAR圖像目標很難用肉眼進行人工判別,所以采用已有技術(shù)對SAR圖像目標進行自動識別是必要的。SAR圖像目標識別的主要重點和難點在SAR圖像的預處理以及SAR圖像特征提取方面。本文主要討論和研究了 SAR目標自動識別結(jié)合遷移學習以及卷積神經(jīng)網(wǎng)絡算法。本文首先分析了 SAR 圖像自動識別算法（Synthetic Aperture Radar-Automatic Target Recognition,SAR-ATR）的基本概念以及結(jié)構(gòu)組成,同時介紹SAR圖像特性,針對SAR圖像成像過程中無法避免的相干斑點噪聲去噪處理,對常用的去噪算法進行分析對比并實驗。討論SAR圖像自動動識別的三個模塊:數(shù)據(jù)集預處理、特征提取以及分類識別。為后續(xù)工作做好理論基礎。其次,研究了卷積神經(jīng)網(wǎng)絡識別SAR圖像算法,利用卷積神經(jīng)網(wǎng)絡VGG16網(wǎng)絡結(jié)構(gòu)識別經(jīng)過數(shù)據(jù)增強的SAR圖像目標并實驗對比小波變換以及Lee濾波兩種預處理方法的優(yōu)劣。最后實驗結(jié)果... 

【文章來源】：大連海事大學遼寧省 211工程院校

【文章頁數(shù)】：72 頁

【學位級別】：碩士

【部分圖文】：

圖２．１?ＳＡＲ－ＡＴＲ處理過程圖??Ｆｉｇ．?２．１?ＳＡＲ－ＡＴＲ?Ｐｒｏｃｅｓｓｉｎｇ?ｄｉａｇｒａｍ??

ｔ??基于卷積神經(jīng)網(wǎng)絡和遷移學習的ＳＡＲ目標識別??僅包含灰度信息。??角地，法線??十＊測二??ｚ?（正交于軌進〉??圖２．２?ＳＡＲ成像機制圖??？?．?？?Ｊ??Ｆｉｇ．?２．２?ＳＡＲ?ｉｍａｇｉｎｇ?ｍｅｃｈａｎｉｓｍ?ｄｉａｇｒａｍ??：?（??從視覺特性上來說如圖２．３所示，（ａ）?（ｃ）分別為ＢＤＲＭ裝甲車對應的光學圖像??與Ｔ７２坦克對應的光學圖像圖像，（ｂ）?（ｄ）分別為（ａ）?（ｃ）所對應的ＳＡＲ圖像。??從視覺效果來看，我們可以清晰地看到ＳＡＲ圖像遠不如光學圖像清楚，并且ＳＡＲ圖像??有著大量的光學圖像沒有的相干相干斑點噪聲ｆ光學圖像成像有立體感而ＳＡＲ圖像沒??有立體感，但ＳＡＲ圖像對方位向較為敏感而光學圖像沒有，ＳＡＲ圖像有陰影而光學圖??像沒有，在ＳＡＲ圖像中背景雜波通常占很大比例，反而目標僅占很小的比例。光學圖??像就沒有這個性質(zhì)。從圖中也能看出這些視覺特性上ＳＡＲ圖像與光學圖像的不同之處。??從ＳＡＲ圖像的參數(shù)特性上來說，ＳＡＲ測量的是地物目標后向散射系數(shù)，因此ＳＡＲ??圖像上的信息是地物目標對于電磁波反射的回波。并且圖像信息的形成主要由目標表面??后向散射決定，也就是說目標朝向雷達天線方向的散射信息。電磁波具有振幅、頻率、??初相等元素，只要有一個要素變化就會形成不同的電磁波也就會形成不同的ＳＡＲ圖像。??ＳＡＲ測量的散射系數(shù)是地物目標綜合參數(shù)影響的體現(xiàn)。??－８－??

．＇ｆ?’?１??ｉ?ｒ?＊?？??ｉ?＇??基于卷積神經(jīng)網(wǎng)絡和遷移學習的ＳＡＲ目標識別??理后的結(jié)果圖像。從處理后圖像可以看出經(jīng)過Ｌｅｅ濾波處理后比較重視保存輪廓信息而??忽略細節(jié)信息，明顯可以看出ＳＡＲ目標的整體結(jié)構(gòu)更加清楚，但是不可避免的是清晰??度損失很嚴重，可以看出很大７部分的相干斑點噪聲明顯被去除抑制，去噪效果比賴??Ｉｔ?酬??ｍ??（ａ）?ＳＡＲ圖像?（ｂ）Ｌｅｅ濾波處理圖像??（ａ）?ＳＡＲ?ｉｍａｇｅｓ?（ｂ）Ｌｅｅ?ｆｉｌｔｅｒｅｄ?ｉｍａｇｅｓ??圖２．４?Ｌｅｅ濾波預處理??Ｆｉｇ．?２．４?Ｌｅｅ?ｆｉｌｔｅｒ?ｐｒｅｐｒｏｃｅｓｓｉｎｇ??？?！?＾??基于變換域的代表性濾波算法有小波變換濾波［５Ｇ］。小波閾值去噪從方式原理上都可??以直接當成低通濾波。但是不同于低通濾波的是，小波變換在去除噪聲的同時還能把圖??像特征保存下來。首先確定小波分解尺度，然后進行小波分解，再逐層對各分解尺度的??子圖像進行濾波處理，等到所有分解尺度的全部子圖像均完成濾波處理后，進行小波逆??－１２－??

【參考文獻】：
期刊論文
[1]基于并聯(lián)卷積神經(jīng)網(wǎng)絡的SAR圖像目標識別[J]. 李清,魏雪云.  電波科學學報. 2020(03)
[2]SAR圖像海岸線分割的超像素合并方法[J]. 彭超,魏雪云.  電光與控制. 2019(11)
[3]基于遷移學習和卷積神經(jīng)網(wǎng)絡的控制圖識別[J]. 徐旭東,馬立乾.  計算機應用. 2018(S2)
[4]基于支持向量機的星載SAR信號識別技術(shù)研究[J]. 王哲濤,宋小全.  現(xiàn)代雷達. 2018(11)
[5]基于遷移學習的SAR圖像目標檢測[J]. 張椰,朱衛(wèi)綱.  雷達科學與技術(shù). 2018(05)
[6]基于卷積神經(jīng)網(wǎng)絡的SAR圖像目標識別算法研究[J]. 張笑,劉文波.  電子測量技術(shù). 2018(14)
[7]面向SAR目標分類的卷積神經(jīng)網(wǎng)絡算法研究[J]. 侯宇超,白艷萍,郝巖,張明星.  重慶理工大學學報(自然科學). 2018(07)
[8]面向SAR目標識別的深度卷積神經(jīng)網(wǎng)絡結(jié)構(gòu)設計[J]. 谷雨,徐英.  中國圖象圖形學報. 2018(06)
[9]基于卷積神經(jīng)網(wǎng)絡遷移學習的SAR圖像目標分類[J]. 劉晨,曲長文,周強,李智,李健偉.  現(xiàn)代雷達. 2018(03)
[10]深度卷積神經(jīng)網(wǎng)絡在SAR自動目標識別領(lǐng)域的應用綜述[J]. 許強,李偉,Pierre Loumbi.  電訊技術(shù). 2018(01)

碩士論文
[1]基于極化合成孔徑雷達圖像分類算法研究[D]. 安健.電子科技大學 2014



本文編號：3115304