论文部分内容阅读
随着合成孔径雷达成像技术与应用领域的快速发展，合成孔径雷达的信息采集能力不断增强，人工解译已较难适应其数据量的快速增长，借助于计算机、机器学习和模式识别相关技术对合成孔径雷达图像进行自动或半自动地解译可以在较大程度上提高对数据的处理效率，这对于军事和民用领域都具有良好的应用价值。随着SAR图像分辨率的提高，它在军事领域中的应用也由最初的检测目标逐步扩展为检测并识别目标，基于高分辨SAR图像的机动目标检测、鉴别、识别是SAR图像解译领域中重要的研究方向，已成为国内外的研究热点。本文从高分辨SAR图像中机动目标的检测、鉴别与识别三个方面进行研究，从分类的角度考虑上述三个问题，所做主要工作如下：(1)研究了经典的恒虚警率检测方法，分析了SAR图像中机动目标与常见背景区域的统计特性。针对SAR图像分辨率的提高，提出了对目标和背景同时建模的基于贝叶斯分类器的机动目标检测算法。此外，由于在SAR图像的目标检测阶段所要处理的数据量是巨大的，因此，在上述算法的基础上进一步提出用视觉显著注意模型先求取图像中的显著区域，再进一步用检测方法进行检测，算法不仅具有较好的检测性能，更有良好的实时性。(2)研究了表征学习的基本理论方法，并将表征学习应用于高分辨SAR图像的机动目标特征提取上。在此基础上分别提出了基于稀疏表示的高分辨SAR图像机动目标鉴别方法和基于One-Class SVM的高分辨SAR图像机动目标鉴别方法。基于稀疏表示的目标鉴别在正样本较少的情况下也获得了较好的鉴别性能，而基于One-Class SVM的目标鉴别在正样本未知的条件下，也具有良好的鉴别性能，克服了实际中目标训练样本未知的鉴别难题。(3)研究了在语义分析中常用的词袋（BoW）模型的基本思想及其典型应用，分析了高分辨SAR图像中机动目标的常用特征，提出了一种基于BoW模型的高分辨SAR图像机动目标识别方法。并通过实验比较了该方法与稀疏表示分类器的在高分辨SAR图像机动目标识别中的性能。本文的工作得到了国家重点基础研究发展计划（973计划）： No.2013CB329402，国家自然科学基金（61072108，60601029，60971112，61173090），新世纪优秀人才项目：NCET-10-0668，高等学校学科创新引智计划（111计划）：No. B0704，教育部博士点基金(20120203110005)，武器装备预研基金项目(9*****)，以及华为创新研究计划项目(IRP-2013-01-09)的资助。