论文部分内容阅读
合成孔径雷达(Synthetic Apeture Radar,SAR)是一种微波成像系统,在军事、经济和社会等领域具有广泛应用,因此,对SAR图像的解释引起了广大学者的高度重视,而SAR图像的分割是其理解的基础,所以,SAR图像分割一直是SAR图像研究的热点。由于SAR图像特殊的成像机理导致SAR图像含有大量的斑点噪声,给分割工作带来了较大的困难。针对目前SAR图像分割方法的现状和不足,并结合SAR图像固有的统计特征,本文将多尺度分析技术和神经网络理论相结合,提出了三种SAR图像分割的新方法,并通过实验验证了所提方法的可行性和有效性。具体为:1.基于自组织特征映射(Self-Organizing Feature Map,SOM)网络的SAR图像多尺度分割技术。该方法首先对SAR图像进行多尺度建模,提取SAR图像多尺度统计特征,以此作为SOM神经网络的输入,研究SOM神经网络结构、训练算法以及基于该网络的SAR图像分割,最后给出结果的评价。2.基于概率神经网络(Probabilistic Neural Network,PNN)的SAR图像多尺度分割技术。该方法仍然首先对SAR图像进行多尺度建模,提取SAR图像多尺度特征,然后用K-均值方法对训练样本进行聚类,以此减小PNN网络模式层规模,并确定参数初值,在此基础上提出改进概率神经网络的结构和训练算法以及SAR图像分割方法,最后评价分析该方法的有效性。3.基于小波神经网络的SAR图像多尺度分割技术。该方法从研究小波变换入手,分析研究各种常用小波函数的时频特性,并最终确定将morlet小波函数作为神经网络隐层传递函数,以此提出小波神经网络的结构和算法,通过研究参数初值、网络隐层规模与训练学习算法来实现SAR图像分割;同时,还将mexihat小波函数作为隐层传递函数提出SAR图像的分割方法,并将两种方法的效果进行分析比较。4.从多方面研究了本文所提出的三种方法性能,并进行分析和比较。总之,本文将多尺度技术和神经网络方法相结合,充分利用了多尺度技术和神经网络方法的优点,用于SAR图像分割取得了较好的效果。