论文部分内容阅读
合成孔径雷达(Synthetic Aperture Radar,SAR)是一种微波遥感成像雷达,具有强穿透性以及高分辨率的特点。随着SAR技术的发展,SAR图像在各个领域中的应用也愈发广泛,其中SAR自动目标识别是战场侦察的一个重要方面,而SAR图像目标分类问题是目标识别的关键技术之一,如何有效的提取特征并且设计分类器直接决定了SAR图像的分类精度,所以研究SAR图像的目标分类技术具有十分重要的意义。本文分析了SAR图像目标分类方法的研究现状,并且介绍了SAR图像目标的主要特征、提取特征的模型以及常用分类器支持向量机(Support Vector Machine,SVM)等,然后针对目前SAR图像目标分类中遇到的分类准确率低以及训练效率低等问题展开了一系列研究。首先,针对分类准确率低的问题,本文采用深度学习方法提取目标的深层特征,进一步提升对SAR图像的解译能力;其次,针对训练效率低的问题,本文在深度学习的基础上引入增量学习算法,可以在现有模型的基础上训练新增数据,节省了存储内存以及计算资源。本文的主要成果有:1、提出了一种基于小波变换与深度最小二乘支持向量机(Least Square Support Vector Machine,LS-SVM)的SAR图像目标分类方法。本方法将SAR图像经过小波变换处理,然后将传统LS-SVM和快速稀疏LS-SVM(Fast Sparse Approximation for Least Square Support Vector Machine,FSALS-SVM)以类似神经网络的方式堆叠成相应的深度模型DLS-SVM以及DSLS-SVM,来提取SAR图像更具判别性的特征。实验结果表明,深度LS-SVM比相应的单层LS-SVM有更高的分类准确率,并且DSLS-SVM比传统的DLS-SVM训练时间更短。2、提出了一种基于深度增量SVM的SAR图像目标分类方法。为了解决批量处理SAR图像导致的运算效率低的问题,我们在深度学习的基础上引入了增量学习,提出了一种新的深度增量SVM算法:DISVM。DISVM能在现有模型的基础上只处理新来的图像,并且不需要存储原始图像。实验表明DISVM在保持分类准确率的前提下,提升了训练速度,在数据样本比较多的情况下,DISVM的训练时间甚至比DSLS-SVM缩短了近4倍。3、提出了一种基于增量PCANet的SAR图像目标分类方法:IPCANet。该方法将增量主成分分析与传统PCANet相结合,当训练样本数较多时,IPCANet可以仅通过新增样本学习到所有训练样本的主成分,节省了提取样本主成分的时间。实验表明IPCANet可以获得更高的准确率,同时比传统的深度学习耗时更短。