论文部分内容阅读
合成孔径雷达(Synthetic Aperture Radar，SAR)图像目标识别(Target Recognition)技术综合了现代信号处理技术和模式识别技术，利用计算机对采集的信息进行自动分析，完成发现、定位与识别目标的任务，提高了信息的处理速度和精度，是SAR图像解译和分析的重要组成部分，具有重要的商业和军事价值，也是国内外SAR图像处理和模式识别领域的研究热点。本文深入地研究了SAR图像目标识别的一系列关键技术和方法，主要的工作和创新性贡献包括：
1.提出一种特征分类辨识算法，并提出一种基于特征分类辨识的SAR图像目标检测方法。在恒虚警检测、扩展分形检测、面积辨识和峰值能量比辨识后，用特征分类辨识算法辨识目标和背景杂波，完成目标检测。实验证明，经过特征分类辨识后，在保持检测率不变的前提下，虚警数目显著减少。
2.分析研究了双参数恒虚警检测分割、马尔可夫随机场(Markov Random Field，MRF)分割和水平集分割方法对SAR目标图像的分割。用模板匹配识别方法证实了这三种分割方法可有效提取目标的形状特征实现目标的正确识别。比较分析了这三种分割方法的优缺点。
3.分析了峰值特征、不变矩特征、Radon变换特征和SIFT特征对目标的识别性能。提出一种基于MRF分割和Gabor小波变换的特征提取方法。提出一种小波域第一特征分量的特征提取方法。实验证明，提出的两种特征提取方法得到的识别率均远远高于上述四种特征得到的识别率，可实现目标的正确识别。
4.分析了主成分分析(Principal Component Analysis，PCA)，线性判别分析(Linear Discriminant Analysis，LDA)和独立分量分析(Independent Component Analysis，ICA)特征提取方法对目标的识别性能。提出一种小波域非负矩阵分解(Non—negative Matrix Factorization，NMF)的特征提取方法，得到的识别率高于相同条件下PCA、LDA和ICA特征提取得到的识别率。提出一种KFD+ICA特征提取方法，有效结合了KFD和ICA的优越性，可在较低特征维数情况下获得较高的目标识别率。
5.分析了K—近邻法、高斯混合模型和神经网络分类法在SAR图像目标识别中的应用。分析了支持向量机(Support Vector Machine，SVM)和AdaBoost分类法对多类目标的识别性能，并与其他分类方法比较，验证了这两种分类方法在SAR图像目标识别中的优越性。提出一种多特征决策融合的目标识别方法，得到的识别率高于用单独特征分类得到的识别率。提出一种多分类器决策融合的目标识别方法，得到的识别率高于用单独分类器分类得到的识别率。
6.提出了一种基于隐马尔可夫模型(Hidden Markov Model，HMM)和目标多方位角图像的目标识别方法，实验证实，该方法在图像数多于1幅的情况下可得到较高的识别率。提出了一种SVM和HMM相结合的两级目标识别方法，得到的识别率高于单独用SVM识别或单独用HMM识别得到的识别率。提出了像素层融合，特征层融合，特征层组合以及决策层融合四种利用目标多方位角图像的目标识别方法。分析了四种方法的识别性能与图像数和方位角间隔的关系。实验结果表明，选择合适的图像数以及方位角间隔，利用多方位角图像得到的识别率比用单图像得到的识别率有显著的提高。