【摘要】：合成孔徑雷達(dá)(SAR)是一種工作在微波波段的高分辨率、主動(dòng)式相干成像雷達(dá),其成像具有全天候、遠(yuǎn)距離、能適應(yīng)惡劣環(huán)境等優(yōu)點(diǎn),在對(duì)地觀測(cè)中發(fā)揮著重要的作用。隨著分辨率、成像方式等技術(shù)的進(jìn)步,SAR圖像數(shù)據(jù)量的急劇膨脹給數(shù)據(jù)傳輸和存儲(chǔ)帶來極大的壓力,SAR相干成像的特性帶來的相干斑噪聲給SAR圖像的解譯和應(yīng)用帶來困難。從SAR圖像的稀疏特性來看,稀疏表示理論在SAR圖像處理與應(yīng)用領(lǐng)域具有廣闊的前景。開展基于稀疏特征的SAR圖像處理與應(yīng)用方法研究,可以提高SAR圖像處理和解譯的水平,推廣SAR圖像在民用領(lǐng)域和軍事領(lǐng)域的應(yīng)用。本文從SAR圖像的稀疏特征出發(fā),基于字典學(xué)習(xí)和稀疏模型,對(duì)SAR圖像壓縮、SAR圖像相干斑抑制、SAR圖像目標(biāo)分類和SAR圖像與紅外圖像融合進(jìn)行了研究。本文主要工作總結(jié)如下:第二章研究?jī)?nèi)容:在SAR圖像信號(hào)盲稀疏度條件下,現(xiàn)有重構(gòu)算法中固定閾值的選擇限制了SAR圖像壓縮后重構(gòu)精度和重構(gòu)速度的提高。鑒于此,本文提出一種改進(jìn)的正交匹配追蹤算法。該算法通過非線性下降的閾值快速選擇原子,自動(dòng)調(diào)節(jié)候選集原子個(gè)數(shù),以便每一次迭代時(shí)更加精確地估計(jì)真正的支撐集,利用正則化過程實(shí)現(xiàn)了支撐集的第二次篩選,實(shí)現(xiàn)了盲稀疏度信號(hào)的精確重構(gòu)。本文將算法應(yīng)用于SAR圖像壓縮,提出了一種基于稀疏表示的SAR圖像壓縮方法。實(shí)驗(yàn)結(jié)果表明,本文方法能在壓縮SAR圖像的同時(shí)抑制相干斑。第三章研究?jī)?nèi)容:提出了一種基于自蛇擴(kuò)散和稀疏表示的Contourlet域SAR圖像相干斑抑制方法。對(duì)SAR圖像Contourlet變換分解后的低頻子帶采用自蛇擴(kuò)散處理,并將濾波處理后的系數(shù)作為SAR圖像低頻子帶在Contourlet域的局部均值估計(jì);基于稀疏優(yōu)化模型,利用改進(jìn)的正交匹配追蹤算法求解高頻子帶的稀疏系數(shù),重構(gòu)得到高頻子帶系數(shù);對(duì)濾波后的所有子帶系數(shù)進(jìn)行Contourlet逆變換,實(shí)現(xiàn)SAR圖像的相干斑抑制。實(shí)驗(yàn)結(jié)果表明,該方法能在抑制相干斑噪聲的同時(shí)較好地保留圖像的邊緣信息。第四章研究?jī)?nèi)容:針對(duì)SAR圖像的目標(biāo)分類,本文提出了三種方法。(1)基于多子分類器的Ad Boost分類方法。該方法首先提取訓(xùn)練樣本的2D-LDA特征和G2DPCA特征,采用SVM方法分別訓(xùn)練弱分類器,采用Ada Boost.M2算法將弱分類器提升為強(qiáng)分類器完成SAR圖像的目標(biāo)分類。實(shí)驗(yàn)結(jié)果表明,該方法在識(shí)別率和識(shí)別時(shí)間上優(yōu)于采用單一子分類器的Ada Boost算法。(2)基于EMACH和稀疏表示的分類方法。該方法針對(duì)SAR圖像訓(xùn)練樣本,采用EMACH算法訓(xùn)練模板,提取模板的G2DPCA特征構(gòu)造過完備字典,利用改進(jìn)的正交匹配追蹤算法求解測(cè)試樣本的G2DPCA特征在過完備字典下的稀疏系數(shù),根據(jù)系數(shù)的能量特征判斷SAR圖像目標(biāo)的類別。實(shí)驗(yàn)結(jié)果表明,該方法在分類速度方面明顯優(yōu)于同類別的其他分類方法。(3)提出了一種基于級(jí)聯(lián)字典和稀疏表示的分類方法。該方法利用SAR圖像訓(xùn)練樣本庫,按類別生成多個(gè)字典,構(gòu)成級(jí)聯(lián)結(jié)構(gòu),測(cè)試樣本經(jīng)過級(jí)聯(lián)字典,按需依次求解稀疏系數(shù),利用重構(gòu)誤差和投票機(jī)制完成SAR圖像的目標(biāo)分類。實(shí)驗(yàn)結(jié)果表明,該方法明顯提高了SAR圖像的目標(biāo)分類速度。第五章研究?jī)?nèi)容:針對(duì)SAR圖像與紅外圖像融合,本文提出了兩種融合方法。(1)基于自適應(yīng)權(quán)值的曲波域SAR圖像與紅外圖像融合方法。該方法引入模糊理論的分析思想,對(duì)源圖像Curvelet變換后的不同頻率子帶系數(shù)采用不同的權(quán)值進(jìn)行處理,通過自適應(yīng)加權(quán)策略實(shí)現(xiàn)SAR圖像與紅外圖像融合。實(shí)驗(yàn)結(jié)果表明,該方法真實(shí)可靠,能夠有效提高融合質(zhì)量。(2)基于稀疏表示的NSCT域SAR圖像與紅外圖像融合方法。該方法首先將源圖像進(jìn)行NSCT分解,形成不同頻帶的系數(shù);采用區(qū)域能量融合方法融合低頻子帶;構(gòu)造過完備字典,求解不同高頻子帶在字典下的稀疏系數(shù),采用能量最大原則選取稀疏系數(shù)并重構(gòu)高頻子帶;通過NSCT逆變換將不同頻帶系數(shù)融合,實(shí)現(xiàn)SAR圖像與紅外圖像融合。實(shí)驗(yàn)結(jié)果表明,本文融合方法在視覺效果和客觀指標(biāo)評(píng)價(jià)方面,都行之有效。
[Abstract]:Synthetic Aperture Radar (SAR) is a high-resolution, active coherent imaging radar operating in microwave band. Its imaging has the advantages of all-weather, long-distance, and can adapt to harsh environment. It plays an important role in earth observation. With the development of resolution, imaging methods and other technologies, the rapid expansion of SAR image data to data transmission. Sparse representation theory has broad prospects in the field of SAR image processing and application from the point of view of sparse characteristics of SAR images. In order to improve the level of SAR image processing and interpretation and popularize the application of SAR image in civil and military fields, this paper studies SAR image compression, speckle suppression, target classification and fusion of SAR image and infrared image based on the sparse features of SAR image, dictionary learning and sparse model. The work is summarized as follows: In the second chapter, under the condition of blind sparsity of SAR image signal, the selection of fixed threshold limits the improvement of reconstruction precision and reconstruction speed after SAR image compression. Selecting atoms and automatically adjusting the number of atoms in the candidate set are used to estimate the true support set more accurately in each iteration. The second selection of the support set is realized by the regularization process, and the blind sparseness signal is reconstructed accurately. Experimental results show that the proposed method can suppress speckles while compressing SAR images. Chapter 3: A speckle suppression method for SAR images in Contourlet domain based on Self-Snake diffusion and sparse representation is proposed. Based on the sparse optimization model, the sparse coefficients of the high-frequency subband are solved by the improved orthogonal matching pursuit algorithm, and the high-frequency subband coefficients are reconstructed. All the filtered subband coefficients are inversely transformed by the Contourlet transform to achieve speckle suppression. The experimental results show that this method can suppress speckle noise and preserve image edge information. Chapter 4: Aiming at target classification of SAR images, three methods are proposed. (1) Ad Boost classification method based on multi-sub-classifier. The weak classifier is trained by SVM method, and the weak classifier is upgraded to strong classifier by Ada Boost. M2 algorithm. The experimental results show that this method is superior to Ada Boost algorithm with single Subclassifier in recognition rate and recognition time. (2) Classification method based on EMACH and sparse representation. The training samples are trained by EMACH algorithm, and the G2DPCA features of the template are extracted to construct an over-complete dictionary. The sparse coefficients of G2DPCA features in the over-complete dictionary of the test samples are solved by the improved orthogonal matching pursuit algorithm, and the classification of SAR image targets is judged according to the energy features of the coefficients. (3) A classification method based on cascaded dictionary and sparse representation is proposed, which uses the SAR image training sample library to generate multiple dictionaries according to the category, and forms a cascaded structure. The test samples are cascaded dictionaries, and the sparse coefficients are solved in turn according to the need. The reconstruction error and the input are used. The experimental results show that the proposed method improves the classification speed of SAR image. Chapter 5: Aiming at the fusion of SAR image and infrared image, two fusion methods are proposed. (1) Curvilinear SAR image and infrared image fusion method based on adaptive weights. According to the analysis idea of fuzzy theory, different weights are used to process the sub-band coefficients of different frequencies of the source image after Curvelet transform, and the fusion of SAR image and infrared image is realized by adaptive weighting strategy. The experimental results show that this method is reliable and can effectively improve the fusion quality. (2) SAR image and red image in NSCT domain based on sparse representation First, the source image is decomposed by NSCT to form the coefficients of different frequency bands; then the low-frequency sub-bands are fused by regional energy fusion method; then the sparse coefficients of different high-frequency sub-bands are solved by constructing an over-complete dictionary; then the sparse coefficients are selected and the high-frequency sub-bands are reconstructed by using the principle of maximum energy; and the inversion of NSCT is performed. Different band coefficients are fused to realize the fusion of SAR image and infrared image. The experimental results show that the fusion method is effective in visual effect and objective evaluation.
【學(xué)位授予單位】：南京航空航天大學(xué)
【學(xué)位級(jí)別】：博士
【學(xué)位授予年份】：2016
【分類號(hào)】：TN957.52

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 劉焱彬;平民級(jí)圖像處理軟件──Photolmpact 5.0[J];電腦知識(shí)與技術(shù);2000年03期

2 ;圖像處理中心簡(jiǎn)介[J];宇航學(xué)報(bào);2001年04期

3 陳伯濤;辦公室里新來的圖像處理專家[J];電子與電腦;2001年03期

4 嚴(yán)肅;圖像處理超出狹義的范圍[J];中南民族學(xué)院學(xué)報(bào)(自然科學(xué)版);2001年02期

5 ;數(shù)據(jù)圖像處理三大技術(shù)[J];計(jì)算機(jī)時(shí)代;2004年12期

6 魏麒,何勇;圖像處理中的一個(gè)兩階段半雜交流水作業(yè)問題(英文)[J];Applied Mathematics:A Journal of Chinese Universities;2005年04期

7 阿飛;圖像處理軟件的色彩車間——“通道”[J];電腦愛好者;2005年03期

8 潘路;趙文娟;;圖像處理課程教學(xué)探討[J];中國(guó)西部科技;2006年22期

9 蘇曉;;基于GDI+的自建圖像處理庫[J];當(dāng)代經(jīng)理人;2006年09期

10 汪新星;吳秀玲;劉衛(wèi)平;孫俊英;;高分辨電子顯微像圖像處理技術(shù)的應(yīng)用[J];材料導(dǎo)報(bào);2007年06期

相關(guān)會(huì)議論文 前10條

1 苑廷剛;李愛東;李汀;艾康偉;嚴(yán)波濤;;圖像處理技術(shù)在田徑科研中的應(yīng)用初探[A];第七屆全國(guó)體育科學(xué)大會(huì)論文摘要匯編（二）[C];2004年

2 黃海永;朱浩;王朔中;;圖像處理軟件中宏結(jié)構(gòu)的實(shí)現(xiàn)和擴(kuò)展[A];面向21世紀(jì)的科技進(jìn)步與社會(huì)經(jīng)濟(jì)發(fā)展（上冊(cè)）[C];1999年

3 楊文杰;劉浩學(xué);;基于馬爾可夫場(chǎng)理論的圖像處理新方法評(píng)述[A];面向21世紀(jì)的科技進(jìn)步與社會(huì)經(jīng)濟(jì)發(fā)展（上冊(cè)）[C];1999年

4 王晉疆;劉文耀;肖松山;陳曉東;孫正;;光電圖像處理課程中教學(xué)環(huán)節(jié)的設(shè)計(jì)[A];光電技術(shù)與系統(tǒng)文選——中國(guó)光學(xué)學(xué)會(huì)光電技術(shù)專業(yè)委員會(huì)成立二十周年暨第十一屆全國(guó)光電技術(shù)與系統(tǒng)學(xué)術(shù)會(huì)議論文集[C];2005年

5 王鵬;;圖像處理技術(shù)與實(shí)驗(yàn)數(shù)據(jù)處理[A];全面建設(shè)小康社會(huì)：中國(guó)科技工作者的歷史責(zé)任——中國(guó)科協(xié)2003年學(xué)術(shù)年會(huì)論文集（上）[C];2003年

6 王曉劍;曹婉;王莎莎;;一種基于高速DSP的圖像處理應(yīng)用平臺(tái)[A];2008中國(guó)儀器儀表與測(cè)控技術(shù)進(jìn)展大會(huì)論文集（Ⅲ）[C];2008年

7 張煒;蔣大林;郎芬玲;曹廣鑫;王秀芬;;圖像處理技術(shù)應(yīng)用于選礦領(lǐng)域的綜述[A];第九屆全國(guó)信息獲取與處理學(xué)術(shù)會(huì)議論文集Ⅱ[C];2011年

8 劉春桐;趙兵;張志利;仲啟媛;;基于圖像處理的自動(dòng)瞄準(zhǔn)系統(tǒng)精度研究[A];全國(guó)自動(dòng)化新技術(shù)學(xué)術(shù)交流會(huì)會(huì)議論文集（一）[C];2005年

9 李向榮;;美式落袋球自動(dòng)擺球系統(tǒng)的圖像處理研究[A];2008中國(guó)儀器儀表與測(cè)控技術(shù)進(jìn)展大會(huì)論文集（Ⅲ）[C];2008年

10 周榮官;周醒馭;;地質(zhì)雷達(dá)圖像處理在崩塌隱患探測(cè)中的應(yīng)用及分析[A];第六屆全國(guó)信號(hào)和智能信息處理與應(yīng)用學(xué)術(shù)會(huì)議論文集[C];2012年

相關(guān)重要報(bào)紙文章 前10條

1 新疆大學(xué)紡織與服裝學(xué)院 袁春燕;圖像處理技術(shù)讓數(shù)據(jù)更真實(shí)[N];中國(guó)紡織報(bào);2013年

2 楊朝暉;我鄰域圖像處理達(dá)到每秒1350億次超高速[N];科技日?qǐng)?bào);2008年

3 吳啟海;圖像處理時(shí)8位/通道或16位/通道模式的選擇探討[N];中國(guó)攝影報(bào);2012年

4 殷幼芳;印前圖像處理技術(shù)對(duì)印刷質(zhì)量的影響[N];中國(guó)包裝報(bào);2005年

5 徐和德;圖像處理要適度[N];中國(guó)攝影報(bào);2006年

6 記者 申明;中星微發(fā)布場(chǎng)景高保真圖像處理技術(shù)[N];科技日?qǐng)?bào);2010年

7 楊玉軍;郵編圖像處理技術(shù)通過驗(yàn)收[N];中國(guó)郵政報(bào);2000年

8 董長(zhǎng)生 吳志軍;用圖像處理軟件推動(dòng)刑偵信息技術(shù)工作[N];人民公安報(bào);2003年

9 殷幼芳;藝術(shù)化的圖像處理技術(shù)[N];中國(guó)包裝報(bào);2006年

10 ;富士圖像處理方案走進(jìn)手機(jī)[N];計(jì)算機(jī)世界;2002年

相關(guān)博士學(xué)位論文 前10條

1 羅軍;圖像處理快速算法研究與硬件化[D];武漢大學(xué);2014年

2 孫傳猛;煤巖圖像處理及細(xì)觀損傷本構(gòu)模型研究[D];重慶大學(xué);2015年

3 嵇曉平;基于各向異性擴(kuò)散方程圖像處理問題的研究[D];哈爾濱工業(yè)大學(xué);2015年

4 黎海生;量子圖像處理關(guān)鍵技術(shù)研究[D];電子科技大學(xué);2014年

5 吳玉蓮;非局部信息和TGV正則在圖像處理中的應(yīng)用研究[D];西安電子科技大學(xué);2015年

6 張還;聚合物復(fù)合材料微觀圖像處理與分析[D];南京農(nóng)業(yè)大學(xué);2014年

7 劉宇飛;基于模型修正與圖像處理的多尺度結(jié)構(gòu)損傷識(shí)別[D];清華大學(xué);2015年

8 樊瑤;基于圖像處理的路面裂縫檢測(cè)關(guān)鍵技術(shù)研究[D];長(zhǎng)安大學(xué);2016年

9 陸飛;基于浮點(diǎn)坐標(biāo)系的圖像處理方法及應(yīng)用研究[D];浙江工業(yè)大學(xué);2016年

10 職占江;圖像處理的變分模型若干問題研究[D];大連理工大學(xué);2016年

相關(guān)碩士學(xué)位論文 前10條

1 董國(guó)齡;基于圖像處理技術(shù)的水表自動(dòng)檢定及管理系統(tǒng)的設(shè)計(jì)[D];天津理工大學(xué);2015年

2 李永晨;基于DSP的多路圖像處理硬件系統(tǒng)研究[D];天津理工大學(xué);2015年

3 杜高峰;基于opencv圖像處理的列車受電弓動(dòng)態(tài)特性監(jiān)測(cè)方法研究[D];西南交通大學(xué);2015年

4 王世豪;基于小波及壓縮感知的圖像處理方法及應(yīng)用研究[D];燕山大學(xué);2015年

5 牛蕾;基于非線性動(dòng)力系統(tǒng)的圖像處理[D];東北林業(yè)大學(xué);2015年

6 宋君毅;基于圖像處理的魚群監(jiān)測(cè)技術(shù)研究[D];天津理工大學(xué);2015年

7 古偉楷;基于異構(gòu)計(jì)算技術(shù)的視頻與圖像處理研究[D];華南理工大學(xué);2015年

8 康睿;基于圖像處理的砂土顆粒細(xì)觀特性分析[D];寧夏大學(xué);2015年

9 趙杰;柴油噴霧粒子圖像處理及軟件的設(shè)計(jì)[D];長(zhǎng)安大學(xué);2015年

10 石璐;基于圖像處理的礦質(zhì)混合料級(jí)配檢測(cè)算法研究[D];長(zhǎng)安大學(xué);2015年

，

本文編號(hào)：2207761