论文部分内容阅读
随着合成孔径雷达(Synthetic Aperture Radar,SAR)技术不断成熟,成像分辨率不断提高,使得通过SAR图像的目标检测与识别技术受到越来越广泛的关注。首先,SAR图像目标检测作为SAR自动目标识别的第一步,其性能可直接影响到最终的目标识别,其重要性不言而喻。传统的SAR图像目标检测方法都为无监督方法,无监督方法不需要预先定义训练样本,大多仅凭SAR图像的统计信息来进行目标检测,缺乏对SAR目标特征的充分挖掘,导致该方法鲁棒性很差。通过将卷积神经网络(Convolutional Neural Networks,CNN)引入到SAR图像目标检测中,利用卷积神经网络强大的学习能力,能够充分挖掘到SAR图像目标与杂波的特征表示,以此提高检测性能。同时,将卷积神经网络进一步应用于后续的目标识别中,在训练样本充足且多样性够强的前提下,卷积神经网络在一定程度上能解决传统识别方法对数据平移、噪声及姿态敏感的问题。因此将卷积神经网络应用于SAR图像目标检测与识别具有重大意义。本文先是介绍了当前主流的传统SAR目标检测方法,并总结了它的存在问题。利用卷积神经网络所具有的优势,将其应用于SAR图像目标检测与后续的识别中,并通过实验进行了验证。本文主要工作如下:1.针对SAR目标检测在SAR自动目标识别系统中起到的重要性作用,本文首先通过对传统SAR目标检测方法的研究,发现并总结了现有检测方法存在的问题。再者,目前卷积神经网络在目标检测与识别领域中的应用已取得了突破性的进展,其强大的性能显而易见,但是在SAR图像中的应用少之甚少,通过对卷积神经网络的深入研究,说明了在SAR图像目标检测与识别中引入卷积神经网络的可行性。2.针对传统SAR图像目标检测存在的问题,本文提出了一种基于卷积神经网络的SAR图像目标检测方法,利用卷积神经网络强大的学习能力能够充分挖掘到SAR图像目标与杂波的特征表示,使目标与杂波的分界线更加明显,以此提高算法的鲁棒性,使其能够在复杂多样的SAR场景中确保高检测率的同时保证较低的误检率。3.将卷积神经网络应用于后续的SAR图像目标识别中,针对SAR图像的特性,本文提出一种对SAR图像数据拟合效果较好的CNN分类网络结构,面对SAR图像数据量的匮乏,本文利用了多种联合数据扩充方式加以解决,同时通过这种数据扩充方式,该识别模型充分解决了传统识别方法对数据平移、噪声及姿态敏感的问题。