高分辨率SAR圖像目標識別關(guān)鍵技術(shù).pdf

1、合成孔徑雷達(SAR)因為其成像不受天氣，光照等條件的影響，在民用和軍事等領(lǐng)域已得到廣泛的應用。隨著SAR技術(shù)發(fā)展不斷深入，SAR圖像由傳統(tǒng)的基于人工判讀逐漸轉(zhuǎn)化為SAR圖像的自動目標識別(SAR ATR)。本文主要研究了SAR ATR關(guān)鍵技術(shù)，其中主要包括三大部分：SAR圖像濾波、特征提取以及目標分類器設(shè)計。針對每個部分所涉及的算法本文分別從理論和仿真數(shù)據(jù)給予了詳細的分析。
　　提出一種基于差分曲率驅(qū)動的各項異性擴散SAR圖像濾

2、波方法。SAR的成像特點決定了SAR圖像受相干斑噪聲的影響，且符合乘性模型。在處理過程中，通過對數(shù)變換，把乘性模型轉(zhuǎn)化為加性模型。主要分析了基于偏微分方程的去噪算法，針對傳統(tǒng)的P-M、平均曲率驅(qū)動、高斯曲率驅(qū)動等去噪算法不能保留圖像邊緣、細節(jié)信息，提出改進的基于差分曲率驅(qū)動的各項異性擴散方法，該方法可以較好地區(qū)分圖像的邊緣、孤立噪點和圖像的平坦區(qū)域，因此，去噪的同時保留了圖像邊緣信息。
　　研究了一種基于變換特性的SAR圖像特征提

3、取方法。由于直接對去噪后的SAR圖像進行目標分類，其識別效率極低，因此，在分類器設(shè)計之前對圖像進行了特征提取，既減小了計算量，也達到了進一步去噪的作用。主要研究分析了PCA算法，該算法利用 K-L變換原理，把圖像轉(zhuǎn)化為一維向量，根據(jù)其協(xié)方差矩陣的特征值的大小，來選擇具有代表性的特征向量。進一步研究了與PCA算法類似的2DPCA算法，該算法直接利用原始圖像進行特征提取，解決了PCA在處理大圖像時所需計算量很大的問題。
　　提出一種復

4、合的SAR目標分類器設(shè)計方法。利用特征提取過程得到的投影數(shù)據(jù)進行目標分類，主要分析了近鄰法，支持向量機和不等間距最優(yōu)分類面支持向量機三種分類器設(shè)計方法。因為本次研究針對多類別目標進行，因此，采用一對一分類設(shè)計，把訓練樣本的所有類別兩兩組合分別設(shè)計二分類器，對每個分類器識別出的結(jié)果進行投票選取。結(jié)合近鄰法和支持向量機的特點，提出一種改進的分類器設(shè)計方法，該方法根據(jù)訓練樣本數(shù)據(jù)的分布不同采用不同的分類器，同時，既解決了大量樣本數(shù)據(jù)直接采用近