论文部分内容阅读
合成孔径雷达(Synthetic Aperture Radar,SAR)成像系统相对于光学成像系统有其独到优势,能够在任何时刻、不同气候条件下工作。近年来,无论在军事还是民用领域,对SAR图像的应用关注度不断提高,从而对SAR目标识别技术的要求也越来越高。随着深度学习理论成为人工智能研究者们研究的热点,图像处理等领域的深度学习模型被不断提出,并取得了令人瞩目的成功。本文在研究SAR图像特性的基础上,依托深度学习中的卷积神经网络模型,研究了基于深度学习的SAR图像目标识别分类方法,主要研究内容如下:本文首先描述了SAR图像的主要特性,包括分辨率特征、统计分布特征等,分析了SAR图像目标识别的主要难点,即应用传统的识别方法时,需要大量的先验知识,而人类对目标在SAR图像中特征的认知缺乏,故难以有效地选择SAR图像中的目标特征。基于深度学习具有盲学习和无监督学习的特点,本文应用基于深度学习中的卷积神经网络模型来解决此难点。由于深度学习模型对参数非常敏感,本文分析了激活函数、池化方式、卷积核尺寸、批尺寸、卷积层次结构等参数对网络性能的影响。研究结果表明:1、不同的激活函数会影响网络的性能,swish激活函数可以有效代替常用的Re LU激活函数;2、对于SAR目标而言,平均池化的效果要优于最大池化;3、不同的卷积核尺寸、批尺寸对SAR目标识别率以及网络的计算效率有一定影响;4、对SAR目标而言,层次结构的加深能有效提高识别率;本文根据实验结果选取各类参数的最优值,对SAR目标的分类识别率均能够达到99%以上。针对不同背景下的SAR图像,本文通过实验分析了不同的环境背景因素对SAR目标识别准确率的影响,并提出了两种方式来降低此类影响。一种是提取目标,尽可能剔除背景因素的影响;另一种是扩充训练数据集,增加不同背景的SAR图像样本数量。实验证明,这两种方法均能有效降低不同背景对SAR目标识别准确率的影响。本文最后还研究了目标部分被阴影遮挡对SAR目标识别的影响。在缺少类似遮挡的训练样本情况下,识别性能出现明显的下降。因此,要想提高复杂情况下的SAR图像目标识别率,改善系统的识别性能,可以增加类似条件下的训练样本图像数量。