登录

  • 登录
  • 忘记密码?点击找回

注册

  • 获取手机验证码 60
  • 注册

找回密码

  • 获取手机验证码60
  • 找回
毕业论文网 > 毕业论文 > 理工学类 > 自动化 > 正文

SAR图像目标识别关键技术研究毕业论文

 2022-01-26 11:20:03  

论文总字数:23597字

摘 要

合成孔径雷达(Synthetic Aperture Radar,SAR)可以有效的实现对地的监测,在检测过程不会受到光照、气候等诸多环境因素的影响,能够适应全天候,多极化的观测。此外合成孔径雷达在运行时具有很强的穿透能力,成像分辨率也较高。合成孔径雷达被广泛的运用在了军事领域。目前在许多领域中合成孔径雷达也得到了广泛运用。经过了三十年的研究,目前SAR图像的目标识别能有效的实现图像的预处理,能对图像的特征进行提取[2]近年来SAR图像的目标识别技术水平也不断的提升,识别速度也有了一定的提高,准确度也有了巨大的提升。由此可知,选择对SAR图像的目标识别进行研究具有现实的意义。针对这一研究热点,本文从传统的模板匹配方法、基于卷积神经网络模型的方法和新型的基于多参数自调节谱聚类维数约减方法三方面研究了SAR图像目标识别识别方法。

本论文的主要内容包括:

  1. 首先,本文对基于经典模板匹配的SAR图像目标识别方法进行研究。针对MSTAR数据库中的三类目标,在不同方位角下建立特征模板。建立完备的模板库,并且将该模板与实际测试SAR图像作为数据源,利用不同算法对数据源进行处理。对数据源提取转动惯量、Hu不变矩、仿射不变矩、面积周长比等特征。基于模板匹配的 SAR 图像目标识别是在待识别图像的特征向量与模板特征库之间进行的,由于目标方位角的变化会引起目标特征产生比较明显的变化,因此必须对拥有不同方位角的图像分别建立模板,在特定方位角范围内和模板之间执行特征匹配,这样可以减少匹配时间。
  2. 其次,鉴于卷积神经网络在图像分类和识别问题中表现出的优良性能,本文开展基于卷积网络的SAR目标识别方法研究。通过运用卷积神经网络模型并且完成了该模型各个层次的全面设计,在输入层实现原始图像的接收,卷积层实现对图像的特征进行有效的提取,而下采样层能起到减少处理图片数据量的作用。在卷积神经网络对图像的处理过程中还能将已经提取到的特征进行映射,最终实现自动提取特征的功能。通过多次的训练最终就能够帮助提升此方法的准确性,并且它也能够实现自动化判别,这也是此法应用的主要优势所在。

关键字:合成孔径雷达;自动目标识别 ;卷积神经网络;模板匹配算法;

Abstract

Synthetic Aperture Radar(SAR) can effectively realize the monitoring of the ground. It can not be affected by many environmental factors such as illumination and climate during the detection process, and can adapt to all-weather and multi-polar observation. In addition, Synthetic Aperture Radar has strong penetrating power during operation and high imaging resolution. Synthetic aperture radar is widely used in the military field. Synthetic Aperture Radar is also widely used in many fields. After 30 years of research, the target recognition of SAR images can effectively realize image preprocessing and extract image features[2].In recent years, the target recognition technology of SAR images has been continuously improved, and the recognition speed is also improved. With a certain improvement, the accuracy has also been greatly improved. It can be seen that it is of practical significance to select the target recognition of SAR images. Aiming at this research hotspot, this paper studies the SAR image target recognition and recognition method from the traditional template matching method, the convolutional neural network model based method and the new multi-parameter self-regulating spectral clustering dimension reduction method.

The main contents of this paper include:

Firstly, this paper studies the target recognition method of SAR images based on classical template matching. Feature templates are built under different azimuths for the three types of targets in the MSTAR database. A complete template library is built, and the template is compared with the actual test SAR image as a data source, and the data source is processed by different algorithms. The data source is extracted from the moment of inertia, Hu invariant moment, affine invariant moment, and area perimeter ratio. SAR image target recognition based on template matching is performed between the feature vector of the image to be identified and the template feature library. Since the change of the target azimuth will cause significant changes of the target feature, it is necessary to establish templates for images of different azimuths. Feature matching is performed between a certain azimuth range class and a template, which can reduce the matching time.

Secondly, in view of the excellent performance of convolutional neural networks in image classification and recognition, this paper studies the SAR target recognition method based on convolutional networks. By using the convolutional neural network model and completing the comprehensive design of each level of the model, the original image is received at the input layer, the convolution layer is used to effectively extract the features of the image, and the downsampling layer can reduce the processing image. The role of the amount of data. In the process of processing the image by the convolutional neural network, the extracted features can also be mapped, and finally the function of automatically extracting features is realized. Through multiple trainings, it can help improve the accuracy of this method, and it can also achieve automatic discrimination, which is the main advantage of this method.

Keyword: Synthetic Aperture Radar (SAR);Automatic Target Recognition (ATR);Convolutional Neural Network (CNN);Template matching algorithm

目录

摘要 I

Abstract III

第一章 绪论 1

1.1 研究背景和意义 1

1.2 国内外研究现状 2

1.3 本文的主要内容和章节安排 4

第二章 SAR图像目标识别基本原理 6

2.1 引言 6

2.2 SAR成像原理 6

2.3 SAR图像预处理方法 8

2.3.1 SAR图像相干斑噪声抑制 8

2.3.2 SAR图像分割 10

2.4 小结 10

第三章 基于模板匹配的SAR图像目标识别 12

3.1 引言 12

3.2 模板匹配简介 12

3.3 模板匹配在SAR图像目标识别中的应用 12

3.3.1 特征提取与模板库的建立 12

3.3.2 特征匹配 12

3.4 实验结果与分析 13

3.5 小结 18

第四章 基于卷积神经网络模型的SAR图像目标识别 19

4.1 引言 19

4.2 卷积神经网络理论 19

4.2.1 卷积层 20

4.2.2 池化层 23

4.2.3 全连接层 24

4.3 卷积神经网络在SAR图像目标自动识别中的应用 25

4.3.1 针对SAR图像数据的CNN检测模型 25

4.3.2 针对SAR图像数据的CNN识别模型 25

4.4 实验结果与分析 27

4.5 小结 30

第五章 总结与展望 32

5.1总结 32

5.2展望 32

致谢 34

参考文献 35

第一章 绪论

    1. 研究背景和意义

合成孔径雷达是目前应用十分广泛广泛的雷达类型,借助于相干成像这一项基本功能可以帮助判别监测范围内的目标物体。合成孔径雷达能够实现全天候的监测。此外合成孔径雷达具有较强的抗干扰能力,不会受到雾、雨等极端环境天气的影响。合成孔径雷达具有良好的分辨率,合成孔径雷达被应用到了各个领域,例如:环境监测、灾害监测等多个领域,并对这些领域都作出了重要的贡献。目前这一雷达已经广泛在军事领域中得到运用,并且表现出显著的优势,由于它可以对飞机等目标开展准确的识别,其识别的准确度较高,能增强国家的雷达监测实力,也能防止外敌入侵,保卫人民的生命财产安全。

目前,合成孔径雷达在军事领域中用得非常广泛,在军事领域应用中能够对飞机坦克装甲车等军事目标进行有效的识别和检测。此外也可将合成孔径雷达用于道路、桥梁等目标的检测,这些目标对国家经济发展有非常重要的意义。其在成像上也有特殊的特征,如果对这些目标进行检测则可以采用特征提取的方法进行有效的识别。在现实使用中,图像观测区域在不断的增大,人们也对分辨率提出了更高的,也要求进一步提高成像的清晰程度,因此如果靠人工的方式来进行目标的识别,往往不太现实,人工判读容易产生错误。此外人工判读的速度较缓,工作量较大。由于成像的过程中会有相干斑噪声,该成像方法对方位角的变化非常敏感,在不同的方位角下成像有很大的差别,因此人工判读容易产生主观的错误。由此可知对图像目标的检测和识别时如何提高准确度已经成为该领域重点研究的内容。

请支付后下载全文,论文总字数:23597字

您需要先支付 80元 才能查看全部内容!立即支付

企业微信

Copyright © 2010-2022 毕业论文网 站点地图