一、基于Beta-Prime统计模型和QGD分类器的SAR图像地物分类方法（论文文献综述）
秦靖翔[1]（2019）在《星载SAR图像舰船检测算法研究》文中指出海上舰船监测对海上交通、国防安全具有重要意义。星载合成孔径雷达（Synthetic aperture radar,SAR）具有全天时全天候成像能力,已经成为一种重要的对海观测手段。SAR图像舰船检测技术能够实现在复杂的环境中,实时准确的定位船只位置,成为了国内外研究的热点。本文围绕SAR图像舰船检测问题,研究了基于最大稳定极值区域（Maximally Stable Extremal Regions,MSER）的恒虚警（Constant False Alarm Rate,CFAR）和基于神经网络的SAR图像舰船检测等方法。主要内容如下:（1）针对传统CFAR存在的检测速度慢问题,分别从算法改进和参数估计计算优化等方面,分析了两级CFAR算法和一种参数估计的快速计算方法相对传统CFAR的优势。（2）针对两级CFAR算法检测速度慢的问题,提出了一种基于MSER的CFAR舰船检测算法,能准确快速定位出舰船的潜在位置,实现了检测速度和检测精度的提高,性能优于两级CFAR算法。（3）针对基于CFAR的算法存在的适应性低的问题,提出了一种基于串行解卷积单次检测器（Cascaded Deconvolutional Single Shot Detector,DSSD）的舰船检测算法。该算法能对复杂场景实现有效检测,检测精度和适应性优于CFAR算法。实测星载SAR数据实验验证了上述算法的有效性。结果显示,基于MSER的CFAR算法和基于串行DSSD模型的算法能够有效实现SAR图像舰船检测,相对于传统的CFAR算法,提高了检测的速度和精度。
李汀立[2]（2019）在《SAR图像目标鉴别和识别方法研究》文中研究表明合成孔径雷达（Synthetic Aperture Radar,SAR）能全天时、全天候的工作,且具有一定的穿透能力,被广泛应用在军事和民用等领域。随着SAR成像技术的不断发展,机载和星载SAR系统得到了广泛应用,获取了海量的、大幅的SAR图像。人工解译这些SAR图像近乎不可能,迫切需要SAR图像自动解译。典型的SAR自动目标识别（Automatic Target Recognition,ATR）包含三个阶段,即目标检测、目标鉴别和目标识别。对于目标鉴别和目标识别,目前仍存在一些问题需要解决,因此研究SAR图像目标鉴别和目标识别具有重要意义。本文针对目标鉴别阶段人造杂波剔除问题和目标识别阶段的特征提取与识别方法进行了深入的分析和研究。主要研究内容可以概括为以下三个方面:1.研究了SAR目标鉴别阶段人造杂波剔除问题。目标鉴别的目的是在尽可能保留真实目标的同时,剔除目标检测阶段提取的疑似目标切片中的杂波虚警。传统鉴别特征难以有效去除人造杂波虚警,导致大量的人造杂波虚警进入目标识别阶段,对目标识别造成影响。本文针对SAR目标鉴别中人造杂波剔除问题,提出了一种基于散射中心特征和K中心一类分类器的SAR目标鉴别方法。散射中心特征由散射中心的幅度和位置组成,充分利用了散射中心的位置信息。对于自然杂波,其幅度一般与目标的幅度差异较大,利用幅度信息可以达到鉴别目标和自然杂波的目的。而对于与目标幅度接近的人造杂波,散射中心的位置能反映目标的拓扑结构,从而鉴别目标和人造杂波。从不同SAR切片中提取的散射中心的个数可能是不同的,即不同切片的散射中心特征的维度可能是不同的,因此如何测度这些维度不同的散射中心特征间的相似性（距离）是一个难点。在本文中,我们利用豪斯多夫距离（Hausdorff Distance,HD）测度不同散射中心特征间的相似性,并基于HD距离改进了传统的K中心一类分类器。最后,采用改进K中心一类分类器做鉴别器,给出切片鉴别的最终结果。基于MiniSAR数据的实验表明,散射中心特征的鉴别性能优于传统特征的鉴别性能,特别是对于人造杂波的鉴别。2.从SAR相干成像的特性出发,基于属性散射中心模型（Attribute Scattering Center Model,ASCM）,提取与SAR目标电磁散射特性相关的特征用于识别。传统SAR目标识别特征的识别效果虽然不错,但是这些特征中的大多数仅利用了SAR图像局部区域像素间的相关性,而且这些特征大多是低层次的,极易受到相干斑的影响。本文提出了一种基于ASCM和判别字典学习的SAR目标识别方法,该识别算法包含三个主要阶段。在第一个阶段,即低层局部特征提取阶段,通过遗传算法（Genetic Algorithm,GA）挑选ASCM模型的参数组合,之后将不同参数组合的ASCM模型与SAR切片卷积得到低层局部特征。在第二个阶段,即特征编码阶段,提出了一种称为类别保持和局部约束的判别字典学习方法（Label consistent and Locality constraint Discriminative Dictionary Learning,LcLcDDL）,该方法将切片的标签信息和局部几何信息融入到低层局部特征的稀疏编码中。在第三个阶段,即特征池化阶段,通过空间金字塔匹配（Spatial Pyramid Matching,SPM）,将低层局部特征的稀疏编码池化整合为最终的高层全局特征。随后,高层全局特征被送入线性支持向量机（Support Vector Machine,SVM）分类器中,判决切片的类别。基于MSTAR数据验证了得到的稀疏系数的可分性和高层全局特征的分类性能。3.针对SAR目标识别问题,基于类哈尔（Haar-like,HL）特征,结合SAR图像的局部纹理特性,提出了一种新的SAR目标识别特征:局部二值模式类哈尔（LBP-Haar-like,LHL）特征,并将该特征用于目标识别验证其效果。在SAR目标识别的过程中,特征提取是其中的重要一步。HL特征是基于与哈尔（Haar）小波相同的原理提出的,是一种简单的、易于计算的矩形特征,表征的是两个或者多个相邻矩形区域内像素强度和的差。在SAR图像中,随着方位角的变化,同一目标反射的回波信号也会发生变化,而SAR目标的局部纹理结构信息随目标方位角变化不大。因此,目标的局部纹理结构是一种对目标识别非常有用的信息。为了更好的利用SAR目标局部纹理结构信息,同时保持HL特征简单且易于计算的特点,本文引入局部二值模式（Local Binary Pattern,LBP）将目标的局部纹理结构信息融入HL特征中,提出了LHL特征。LHL特征采用与HL特征相同的特征原型,同时由LBP提取SAR切片的局部纹理特性。从一个SAR切片中可以提取数万维的LHL特征,大多数分类器难以处理如此高维度的特征。而随机森林（Random Forests,RF）分类器对特征维度不敏感,因此,我们采用RF分类器判决切片的类别。最后,基于MSTAR数据的实验结果表明LHL特征的性能优于HL特征。
刘苏[3]（2019）在《基于群稀疏表示的SAR图像相干斑抑制与目标检测识别》文中研究指明作为一种主动式的对地观测雷达,合成孔径雷达（Synthetic Aperture Radar,SAR）具有远距离、高分辨率、能够穿透云雾植被、全天候、全天时对地观测的特点,在军事、遥感、水文、地矿等领域有着广泛的应用。由于SAR相干成像的机理使得SAR图像的表现异于光学图像,解译更加困难。群稀疏表示理论能够有效的表述SAR图像结构及目标信息,为SAR图像相干斑抑制、目标检测、目标识别提供了更加有效的分析手段。本文从SAR图像的群稀疏性出发,在深入分析SAR图像固有的相干斑和地物电磁散射特征的基础上,开展了群稀疏表示理论在SAR图像相干斑抑制、目标检测、目标识别中的应用,对SAR技术在军事和民用领域的推广应用具有重要的意义。本文的主要研究内容如下:1.为抑制SAR图像中的相干斑噪声及保留图像结构信息,引入更适合描述SAR图像局部相似性的群稀疏表示理论,在深入分析相干斑乘性噪声模型的基础上,本文提出了基于群稀疏字典学习的SAR图像相干斑抑制算法。为克服乘性相干斑噪声影响,引入均值滤波器对SAR图像进行均值滤波,获得滤波后无噪SAR图像的近似表示。基于该滤波后图像结构信息固有的局部相似性,结合均值滤波器参数建立群稀疏求解目标函数,对相干斑抑制后结果图以及群稀疏表示系数进行双目标迭代优化计算,对具有局部相似性的图像结构信息进行重构,实现SAR图像相干斑噪声抑制。实验结果表明,与目前流行的相干斑抑制算法相比,该算法能够获得较好的相干斑抑制效果。2.为了更好的描述SAR图像目标结构和细节信息,本文利用群稀疏字典学习算法对目标低频结构特征进行保留,结合预构字典对目标高频细节信息的表征优势,提出一种基于群稀疏表示理论的超完备字典设计算法。该方法利用基于群稀疏表示的字典学习算法,获得可以有效降低相干斑噪声的学习字典,实现无噪SAR图像低频结构特征的重构。选用基于小波基和剪切波基的预构字典,对SAR图像高频细节信息进行提取。最后,通过学习字典和预构字典重构图像的合成实现SAR图像相干斑抑制。实验结果表明,该算法能够在进行相干斑抑制的同时较好的保留图像点目标及线目标。3.由于复杂外形目标的电磁散射机理,造成了目标SAR图像表征复杂,常表现为在目标尺寸范围附近群聚的多个强独立散射中心,本文提出了基于群稀疏表示理想点散射中心模型的目标检测算法。该方法首先建立了基于理想点散射中心模型的SAR目标群稀疏表示模型,引入动态群稀疏算法,利用目标群稀疏约束重构出群聚的散射中心,抑制离散分布的散射中心。然后根据感兴趣目标尺寸设定参数对重构结果进行筛选定位。实验结果表明,该算法能够获得更好的目标检测性能,且抑制了虚警。4.由于SAR图像目标常表现为稀疏的散射中心分布,且对成像方位比较敏感,目标几何特征并不稳定,本文提出了基于欧拉核二维主成分分析的SAR图像目标特征提取算法。利用二维主成分分析特征提取算法在保留图像空间结构信息上的优势,结合欧拉核函数提取图像像素间的非线性相关性,获得对SAR图像更为高效的特征提取,降低SAR图像异常值对于特征提取的影响。采用最近邻分类器进行目标分类识别,实验表明该特征提取算法在较强的噪声干扰下,提高了目标特征提取的稳定性,改善了目标分类效果。5.为了能联合使用多种特征对SAR图像进行描述,利用五个不同单演特征描述同一目标时存在一定的相关性,本文引入稀疏向量分布相似度的定义,提出基于最小加权单演特征重构残差的SAR图像目标识别算法。利用单演信号模型获得SAR图像目标在不同尺度上的五种单演特征构成冗余字典。针对同一单演特征不同尺度上稀疏表示系数结构相似性,采用尺度联合群稀疏表示模型进行目标特征的高维群稀疏向量系数重构。根据稀疏向量分布相似度定义加权值,计算测试样本特征在不同类别子字典上的最小加权残差值进行分类判别。实验结果表明,该算法能够明显提高SAR图像目标的准确识别率。
李岩檐[4]（2018）在《基于遗传算法的SAR图像特征选择方法优化研究》文中提出为了使雷达图像的解译能力和图像的高速成像能力相匹配,自动目标识别系统（Automatic Recognition System,ATR）迅速崛起,并得到了各个国家的高度重视,其中,以林肯实验室提出的,包括检测、鉴别和识别在内的三级流程最为经典。本文基于经典的三级流程,从四个方面进行了研究:第一,充分研究并归纳了合成孔径雷达（Synthetic Aperture Radar,SAR）图像中杂波的建模模型,并从中选取了最具代表性的G0分布和瑞利分布进行对比实验,证明了 G0分布用作SAR图像杂波建模更加合理,并利用恒虚警率（Constant False Alarm Rate,CFAR）算法成功获取了 789个杂波切片;第二,总结归纳了 SAR图像目标鉴别特征提取的各种算法,最终,根据提出的特征实用性三个标准,及有效性、稳定性和高效性,选择基于对比度和离散度的特征作为本文研究对象,在研究分析分形维数特征、峰值能量比特征和4个空间边界特征的基础上,提出了一种根据切片对比度,自适应选取切片描述点的方法,通过对比高贵的方法看出,新方法选取的描述点,使质量特征和峰值信噪比特征的鉴别率分别提高了 19.65%和10.94%;第三,对现有的分类器进行了归纳总结,认为最有可能实用化的鉴别器是贝叶斯鉴别器和支持向量机（Support Vector Machine,SVM）,通过实验发现,两种鉴别器都存在特征冗余的现象,需要进行特征选择,在两个鉴别器鉴别效果几乎相同的情况下,贝叶斯的效率远远高于SVM,从实用性出发,使用遗传算法与贝叶斯鉴别器结合,找出特征的最优组合,消除了特征冗余,同时,提出了贝叶斯鉴别器以及适应度函数的优化方法,与高贵的方法相比,新方法消除了漏检,大大降低了使用的风险性,且将平均鉴别时间从9.77秒减少到了 7.23秒;第四,由于鉴别特征的分布针对不同型号目标表现出了一定的差异性,因此,作者基于贝叶斯的判别原理,结合遗传算法和贝叶斯判别器,利用9个基于对比度和离散度的特征,提出了一种快速目标型号识别方法,实验结果发现,该方法对外型结构相差较大的9种目标识别率达到了 86.73%,与其它8种、平均识别率达到92.7%的经典识别方法相比,该方法不需要复杂的预处理步骤,3分钟左右对1213个目标的快速识别效率,使其在实际使用中成为一种辅助型号识别的工具变得可能。
宋文青[5]（2018）在《SAR图像自动目标提取方法研究》文中研究表明合成孔径雷达（Synthetic Aperture Radar,SAR）,由于具有全天时、全天候的工作特点,成为目前一种不可或缺的遥感观测手段,在军事和民用领域得到了广泛的发展。SAR图像自动目标提取是其应用的重要方向之一,该技术的研究近年来受到国内外学者的广泛关注。本论文以发展实用化的SAR图像自动目标提取技术为目的,结合自动目标提取相关理论和应用背景,针对其中的复杂场景SAR图像目标检测、复杂场景SAR图像目标鉴别和面向鉴别特征提取的目标切片图像分割问题,展开系统的分析和研究,具体内容如下:第一部分,研究了多目标和杂波边界等复杂场景SAR图像中的目标检测问题。对于复杂场景中的目标检测问题,背景参考窗内均匀同质杂波像素的筛选是问题解决的关键,通常采用像素筛选或半窗筛选的策略实现。通过比较传统像素筛选类和半窗筛选类检测算法的各自优势,在背景杂波服从G0分布模型假设下,提出了一种基于自动区域筛选的恒虚警率（Constant False Alarm Rate,CFAR）目标检测算法。该算法首先将局部参考窗均匀划分成若干个区域块;然后利用变化指数统计量对局部参考窗内的参考区域进行筛选,以剔除其中具有异质像素干扰的非均匀区域;接着利用均值比统计量对参考窗内的同质均匀区域进行合并,以解决杂波边界处的背景杂波筛选问题;最后利用筛选获得的均匀同质区域内的杂波像素对背景杂波的统计模型进行参数估计,进而实现待检测区域内像素的目标检测。第二部分,从图像超像素分割角度出发,进一步研究了复杂场景SAR图像中的目标检测问题。随着SAR图像分辨率的逐渐提高,目标在图像上的形状结构越来越清晰。图像超像素分割通过将图像邻域内具有相似特征的像素进行聚类,从而能够实现这种形状结构在图像上的有效提取。此外,以超像素代替像素作为图像的最小处理单元,不仅能够提高后续检测方法的计算效率,还能够提高其最终的检测性能。工作主要有以下两点:（1）在SAR图像局部区域杂波服从Gamma分布假设下,提出了一种SAR-SEEDS超像素分割算法。该算法首先以均匀网格划分作为图像初始超像素分割;然后以超像素分割的能量评估函数为判决准则,在图像层级结构中对超像素边缘进行迭代修正。SAR-SEEDS算法首先在大尺度层对超像素进行边缘更新,实现超像素边缘的粗修正;然后逐步降低尺度;最后在像素层进行边缘更新,实现超像素边缘的精细修正。该层级结构边缘更新方式,不仅能在一定程度上避免算法陷入局部最优解,同时还能有效地提升算法的收敛速度。（2）以SAR图像超像素分割预处理为基础,在背景杂波服从G0分布模型假设下,提出了一种基于超像素筛选与合并的CFAR目标检测算法。算法通过以下几个步骤实现SAR图像的目标检测:首先,利用SAR-SEEDS超像素分割算法对待检测图像进行超像素分割,实现图像局部均匀区域划分;其次,利用超像素筛选算法将图像中的超像素分为背景类超像素和潜在目标类超像素;然后,在待检测超像素的局部参考窗内,利用区域合并技术对其中的背景类超像素进行区域合并,实现背景区域的图像分割;接着,根据参考窗内背景类超像素区域的图像分割结果,选择待检测超像素的参考背景杂波区域,并确定检测阈值,实现超像素的目标检测;最后,再次利用区域合并技术对被检测为目标的超像素进行合并,进而获得最终的图像目标级的检测结果。第三部分,研究了复杂场景SAR图像中的目标鉴别问题。考虑到目标和杂波切片图像中局部结构特征分布的不同,提出了一种基于多特征融合词包（Bag of Words,BOW）模型的SAR图像目标鉴别算法。在BOW模型底层特征提取阶段,算法采用SAR-SIFT特征描述局部区域的形状信息;同时,采用基于传统鉴别特征提出的一组SAR图像局部特征来描述局部区域的对比度信息和纹理信息。对于BOW模型中多个底层特征的融合,算法采用图像层的特征融合方式生成图像的全局鉴别特征,其中各单底层特征BOW模型特征的权系数通过L2范数约束的多核学习（Multiple Kernel Learning,MKL）方法训练得到。第四部分,研究了SAR目标切片图像分割问题。在SAR目标切片图像分割问题中,背景杂波区域和目标散射区域的像素幅值一致性对图像分割质量具有直接的影响。基于此,提出了一种基于幂次变换的SAR图像Otsu分割算法。算法首先对SAR图像进行相干斑滤波,通过邻域平滑处理提高背景区域和目标区域的像素幅值一致性;然后自适应地选取变换幂次,对滤波后的SAR图像做幂次变换,以进一步增强目标区域的像素幅值一致性;最后直接利用一维Otsu分割算法对变换后的图像进行分割处理。
郑儒楠[6]（2017）在《用于机器学习中图像识别的虚拟样本算法研究及应用》文中进行了进一步梳理随着科技的发展,图像在社会治安、军事安全、信息安全、身份认证、交通监管等方面都有着广泛的应用。而图像识别技术则是图像应用的关键技术之一,受到了广泛的关注。尤其近年来机器学习算法在图像识别领域中的应用,为图像的分类、识别及特征提取等提供了新的技术手段,成为了该领域的研究热点。本论文针对实际工程中应用机器学习算法处理图像时,因存在实际训练样本不足导致机器学习效果不理想的问题,从研究图像特征提取原理入手,研究虚拟样本的生成算法、虚拟样本的数量等对机器学习性能的影响。论文首先对典型的两种机器学习算法（支持向量机和深度置信网络）进行了工作原理分析和介绍;同时通过实验验证了常用的图像特征提取与降维机理、作用。其次,本文研究了一种基于特征层面对虚拟样本有效性进行评价的基本思路,即利用特征评价中的“互信息”、“欧氏距离”以及最后的总体识别精度作为对构建虚拟样本有效性的评价;并对基于“重采样”、“奇异值重构”、“轮廓波重构”三种方法生成的虚拟样本有效性进行了实验验证和有效性评价,实验结果表明论文使用的三种虚拟样本生成算法能够实现对原始样本有效扩充,并改善识别效果。最后将论文的研究成果应用于SAR图像及人脸图像的识别中并通过在支持向量机与深度置信网络两种机器学习算法分别实验验证。人脸方面在ORL、YALE与FERET多个数据集上的实验表明,在样本数不足时通过拓展虚拟样本可以有效地提升人脸图像的识别率。另外在SAR图像的MSTAR公共数据集上使用本文使用的虚拟样本方法扩充后能够明显提高识别分类效果,拥有更加优秀的识别性能。本文的结论证实了虚拟样本在机器学习算法上的有效性以及广泛应用空间,也为机器学习中解决小样本问题提供了有力的帮助。
闫华清[7]（2017）在《基于深度网络的SAR图像目标识别方法研究》文中研究指明雷达自动目标识别（Radar Automatic Target Recognition）主要是利用目标的一维高分辨率距离像（High Resolution Range Profile,HRRP）或合成孔径雷达（Synthetic Aperture Radar,SAR）图像进行目标种类的自动判别。针对目标HRRP和SAR图像成像方式复杂,易受噪声影响,特征稀疏不稳定等特点,本文分别提出了基于稀疏降噪自编码器结合多层感知机（Sparse DAE-MLP）的HRRP识别深度模型和基于无监督深层网络的SAR图像识别模型,并将模型应用到相应的数据集上验证算法。主要内容如下:基于Sparse DAE-MLP模型的HRRP目标识别。由于传统的HRRP的目标识别主要采用了浅层模型或统计建模进行识别的方法,同时考虑到采用无监督深层网络进行特征提取时需要进行逐层预训练和调优,为了提高训练效率且利用深层网络的特征表示优势,本文提出了基于稀疏降噪自编码器结合多层感知机的深层网络的HRRP目标识别方法。首先对HRRP数据进行预处理,利用稀疏降噪自编码器学习HRRP信号的过完备非线性表示,提取的特征作为输入训练多层感知机进行目标分类。在仿真HRRP数据集上的实验结果表明,基于Sparse DAE-MLP模型的识别效果在低信噪比下有一定的识别优势。基于无监督深层网络的SAR图像的目标识别。由于传统的SAR图像识别主要采用了人工设计特征方法,考虑特征表示能力的有限性,本文分别提出了基于深度置信网和深层堆栈自编码器的SAR图像目标识别方法。首先,对SAR图像进行归一化操作,将预处理后的图像作为深度置信网的输入进行特征自学习,使用反向传播的方法调优整个网络进行目标分类;对于基于深层堆栈自编码器的SAR图像识别,将预处理后的SAR图像作为深层堆栈自编码器的输入进行特征提取,提取的深层特征通过训练SVM进行目标分类。在星载SAR舰船目标数据集上的实验结果表明,基于无监督深层网络的方法较其他浅层模型有更好的识别效果。
管冬冬[8]（2015）在《基于局部特征的SAR图像地物分类方法研究》文中研究表明SAR图像地物分类是SAR图像自动解译技术的重要环节,分类后的图像能够广泛应用于地图绘制、自然灾害分析、军事侦察等任务中,在军事和民用领域都具有重要的应用价值。然而,SAR图像的相干斑噪声、几何畸变、对系统参数和雷达波入射角敏感等给地物分类带来了很大的困难。针对这一问题,本文对SAR图像中不同地物的特点进行了分析,重点研究了以局部特征为基础的地物分类方法。本文的主要工作包括以下两个方面:（1）.针对单一特征无法完整地描述目标,提出了一种结合了局部空间和结构信息的新特征。新特征通过灰度共生矩阵获取像素之间的空间信息,并利用局部模式直方图提取SAR图像的基础结构信息,在考虑了特征之间相关性的基础上,对两种信息进行了结合。最后,利用基于高斯内核的支持向量机完成地物分类。实测SAR图像上的分类实验验证了该算法的有效性。（2）.针对不同的分类任务,研究了基于分割的SAR图像地物分类方法,提出了一种基于超级像素的SAR图像分割算法,该算法以超级像素为基本处理单元,构建了新的基于局部灰度和边缘特征的区域相似度,利用新的区域相似度,采用自底而上的区域合并策略迭代合并相似的超级像素,最后结合模糊聚类技术完成分割。仿真和实测SAR图像的实验结果表明,该方法所得结果目视效果更好、分类正确率更高。
陈天泽[9]（2014）在《SAR图像结构特征匹配方法研究》文中研究指明合成孔径雷达（SAR）是目前遥感数据获取手段中发展最为迅速和最有成效的方式之一。随着遥感平台和微波成像技术的进一步发展,多种类型的SAR图像数据越来越多,许多应用需要综合多种SAR图像数据来进行对比分析。图像匹配是根据图像的物理和几何属性,找到同一场景中两幅或多幅SAR图像在空间上的对应性,因此,SAR图像匹配成为各类SAR数据应用中基础且共性的关键技术。结构特征是SAR图像特征匹配中最常用的特征之一。但由于SAR图像成像机理的特殊性和SAR图像结构特征提取的复杂性,SAR图像及其结构特征具有较为严重的不确定性,严重影响了SAR图像结构特征匹配的性能。因此,本文在SAR图像及其结构特征不确定性分析的基础上,针对三类结构特征各自所具有的典型不确定性,重点研究稳健、精确、高效的SAR图像结构特征匹配方法。主要研究内容和研究成果如下:SAR图像及其结构特征的不确定性分析:从成像机理的角度概述了SAR图像的物理和几何特性,探索性地提出并概括了SAR图像及其结构特征不确定性的概念、组成和分类,总结了SAR图像特征的随机性、模糊性和不完整性三类不确定性的典型表现形式,分析了三类不确定性对结构特征匹配的影响,总结了SAR图像结构特征匹配的特点,归纳了用于SAR图像特征匹配的特征选择准则,并以此准则分析了本文所选择的三类结构特征的特性。SAR图像模糊轮廓特征匹配:针对SAR图像模糊导致轮廓边缘定位不准而影响轮廓特征匹配性能的问题,基于形状上下文描述子,实现了对轮廓特征的不变性描述,并基于Rough Set提出了一种模糊轮廓不变描述子,设计了一种SAR图像模糊轮廓特征匹配方法。通过实际SAR图像数据和MSTAR目标模板数据集的SAR图像轮廓特征匹配和目标分类实验,验证了本方法的性能,实现了SAR图像场景匹配和目标分类,并提高了轮廓匹配的精度。SAR图像不确定性直线特征匹配:针对SAR图像的多边缘特征,利用多尺度和DS理论方法,分别提出了SAR图像直线特征多尺度提取方法和基于DS理论的SAR图像直线提取融合方法;两种方法可以分别较好地提取简单背景和复杂背景的SAR图像中的直线特征。针对SAR图像直线特征中的不连续和定位不准等问题,通过建立直线交点的不确定性模型,基于模糊粗糙集提出了直线特征交点的不确定性知识表达,提出了一种利用直线对（组）交点来实现SAR图像不确定性直线特征匹配方法。通过简单场景和复杂场景下的直线交点特征匹配实验,证明该方法可以较好的地实现具有明显结构特征的SAR图像场景匹配和图像配准,并提高特征匹配的准确性。SAR图像点特征匹配:针对相干斑噪声影响SAR图像点特征匹配性能的问题,利用常规SIFT特征匹配方法获取初始特征匹配点集,建立几何变换模型参数空间,再基于边缘点集的强度特征建立由几何变换关系确定的相似性测度,通过迭代优化逐一增加匹配点对个数,逐步确定满足不同几何变换模型的匹配点集,提出了一种SAR图像全局最优的联合匹配框架,实现了基于精确几何模型的SAR图像SIFT特征的优化匹配。通过多种场景类型下多种类型数据的对比实验,证明该方法可降低相干斑噪声对SIFT特征匹配的影响,提高SIFT特征匹配方法的适应性,是一种稳健、精确的高性能SAR图像点特征匹配方法。最后,系统性的总结了全文的工作,并归纳总结了进一步研究的建议和设想。
刘赵强[10]（2014）在《高分辨SAR图像机动目标检测与识别技术研究》文中研究表明随着合成孔径雷达成像技术与应用领域的快速发展，合成孔径雷达的信息采集能力不断增强，人工解译已较难适应其数据量的快速增长，借助于计算机、机器学习和模式识别相关技术对合成孔径雷达图像进行自动或半自动地解译可以在较大程度上提高对数据的处理效率，这对于军事和民用领域都具有良好的应用价值。随着SAR图像分辨率的提高，它在军事领域中的应用也由最初的检测目标逐步扩展为检测并识别目标，基于高分辨SAR图像的机动目标检测、鉴别、识别是SAR图像解译领域中重要的研究方向，已成为国内外的研究热点。本文从高分辨SAR图像中机动目标的检测、鉴别与识别三个方面进行研究，从分类的角度考虑上述三个问题，所做主要工作如下：（1）研究了经典的恒虚警率检测方法，分析了SAR图像中机动目标与常见背景区域的统计特性。针对SAR图像分辨率的提高，提出了对目标和背景同时建模的基于贝叶斯分类器的机动目标检测算法。此外，由于在SAR图像的目标检测阶段所要处理的数据量是巨大的，因此，在上述算法的基础上进一步提出用视觉显着注意模型先求取图像中的显着区域，再进一步用检测方法进行检测，算法不仅具有较好的检测性能，更有良好的实时性。（2）研究了表征学习的基本理论方法，并将表征学习应用于高分辨SAR图像的机动目标特征提取上。在此基础上分别提出了基于稀疏表示的高分辨SAR图像机动目标鉴别方法和基于One-Class SVM的高分辨SAR图像机动目标鉴别方法。基于稀疏表示的目标鉴别在正样本较少的情况下也获得了较好的鉴别性能，而基于One-Class SVM的目标鉴别在正样本未知的条件下，也具有良好的鉴别性能，克服了实际中目标训练样本未知的鉴别难题。（3）研究了在语义分析中常用的词袋（BoW）模型的基本思想及其典型应用，分析了高分辨SAR图像中机动目标的常用特征，提出了一种基于BoW模型的高分辨SAR图像机动目标识别方法。并通过实验比较了该方法与稀疏表示分类器的在高分辨SAR图像机动目标识别中的性能。本文的工作得到了国家重点基础研究发展计划（973计划）： No.2013CB329402，国家自然科学基金（61072108，60601029，60971112，61173090），新世纪优秀人才项目：NCET-10-0668，高等学校学科创新引智计划（111计划）：No. B0704，教育部博士点基金（20120203110005），武器装备预研基金项目（9*****），以及华为创新研究计划项目（IRP-2013-01-09）的资助。
二、基于Beta-Prime统计模型和QGD分类器的SAR图像地物分类方法（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、基于Beta-Prime统计模型和QGD分类器的SAR图像地物分类方法（论文提纲范文）
（1）星载SAR图像舰船检测算法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究工作的背景与意义 |
| 1.2 SAR图像目标检测算法的研究和应用现状 |
| 1.2.1 国内外研究现状 |
| 1.2.2 国内外应用现状 |
| 1.3 本论文的结构安排 |
| 第二章 基于杂波统计分布的SAR图像舰船目标CFAR检测原理 |
| 2.1 恒虚警检测方法 |
| 2.1.1 恒虚警检测原理 |
| 2.1.2 快速CFAR检测算法 |
| 2.2 本章小结 |
| 第三章 基于MSER的 CFAR舰船目标检测方法 |
| 3.1 MSER原理 |
| 3.2 基于MSER的 CFAR检测算法 |
| 3.2.1 现代SAR图像杂波统计模型 |
| 3.2.2 基于MSER的 CFAR检测算法 |
| 3.3 实测数据实验与分析 |
| 3.3.1 潜在舰船目标区域的提取 |
| 3.3.2 检测结果 |
| 3.4 本章小结 |
| 第四章 基于神经网络的SAR图像舰船目标检测算法 |
| 4.1 SSD模型 |
| 4.2 基于改进的DSSD模型小目标检测算法 |
| 4.2.1 改进的DSSD模型 |
| 4.2.2 算法 |
| 4.3 实测数据实验与分析 |
| 4.3.1 实验数据 |
| 4.3.2 实验结果 |
| 4.3.3 两种检测算法的比较 |
| 4.4 本章小结 |
| 第五章 全文总结与展望 |
| 5.1 本文总结 |
| 5.2 未来展望 |
| 致谢 |
| 参考文献 |
（2）SAR图像目标鉴别和识别方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号对照表 |
| 缩略语对照表 |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 SAR ATR研究现状和相关技术 |
| 1.2.1 SAR ATR国内外研究现状 |
| 1.2.2 SAR ATR研究的相关技术 |
| 1.3 SAR ATR中目标鉴别和识别的关键问题 |
| 1.4 论文主要研究内容和章节安排 |
| 第二章 典型的SAR目标鉴别和识别特征介绍 |
| 2.1 引言 |
| 2.2 典型的SAR目标鉴别特征 |
| 2.2.1 老林肯特征 |
| 2.2.2 新林肯特征 |
| 2.2.3 Gao特征 |
| 2.2.4 Bhanu特征 |
| 2.3 典型的SAR目标识别特征 |
| 2.3.1 几何特征—区域特征 |
| 2.3.2 数学特征—矩特征 |
| 2.3.3 电磁特征 |
| 2.4 本章小结 |
| 第三章 基于散射中心特征和K中心一类分类器的SAR目标鉴别 |
| 3.1 引言 |
| 3.2 所提SAR目标鉴别方法的框架 |
| 3.3 特征提取 |
| 3.3.1 散射中心模型 |
| 3.3.2 散射中心特征提取 |
| 3.3.3 散射中心特征的预处理 |
| 3.4 基于HD距离改进的K中心一类分类器 |
| 3.4.1 HD距离 |
| 3.4.2 改进的K中心一类分类器 |
| 3.5 实验结果 |
| 3.5.1 实验数据介绍 |
| 3.5.2 特征可分性分析 |
| 3.5.3 参数分析 |
| 3.5.4 算法分析 |
| 3.5.5 鉴别结果和分析 |
| 3.6 本章小结 |
| 第四章 基于属性散射中心模型和判别字典学习的SAR目标识别 |
| 4.1 引言 |
| 4.2 所提SAR目标识别方法框架 |
| 4.3 基于ASCM模型的低层局部特征提取 |
| 4.3.1 ASCM模型 |
| 4.3.2 基于GA的ASCM参数选择 |
| 4.4 LcLcDDL判别字典学习法 |
| 4.4.1 LC-KSVD字典学习法 |
| 4.4.2 LLC编码法 |
| 4.4.3 LcLcDDL字典学习法 |
| 4.5 实验结果 |
| 4.5.1 实验数据介绍和SPM参数说明 |
| 4.5.2 低层特征的有效性分析 |
| 4.5.3 LcLcDDL的有效性分析 |
| 4.5.4 算法分析 |
| 4.5.5 识别结果和分析 |
| 4.6 本章小结 |
| 第五章 基于LBP-Haar-like特征的SAR目标识别 |
| 5.1 引言 |
| 5.2 LHL特征提取 |
| 5.2.1 HL特征简介 |
| 5.2.2 图像的纹理特征 |
| 5.2.3 LHL特征提取 |
| 5.3 随机森林分类器 |
| 5.4 实验结果 |
| 5.4.1 实验数据说明 |
| 5.4.2 特征可分性分析 |
| 5.4.3 识别结果和分析 |
| 5.5 本章小结 |
| 第六章 工作总结与展望 |
| 6.1 工作总结 |
| 6.2 工作展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（3）基于群稀疏表示的SAR图像相干斑抑制与目标检测识别（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 SAR图像相干斑抑制的研究现状 |
| 1.2.2 SAR图像目标检测的研究现状 |
| 1.2.3 SAR图像目标识别的研究现状 |
| 1.3 论文的主要研究工作及内容安排 |
| 第二章 群稀疏表示理论基础 |
| 2.1 概述 |
| 2.2 稀疏表示理论 |
| 2.2.1 压缩感知理论 |
| 2.2.2 稀疏学习理论 |
| 2.3 群稀疏表示理论 |
| 2.4 基于群稀疏表示理论的SAR图像压缩重构 |
| 2.5 实验结果及性能分析 |
| 2.5.1 二维仿真灰度图压缩重构实验及分析 |
| 2.5.2 SAR图像压缩重构实验 |
| 2.6 本章小结 |
| 第三章 基于群稀疏表示的SAR图像相干斑抑制 |
| 3.1 概述 |
| 3.2 基于群稀疏表示字典学习的SAR图像相干斑抑制 |
| 3.2.1 SAR图像群稀疏表示模型 |
| 3.2.2 基于GSRDL算法的SAR图像相干斑抑制 |
| 3.2.3 实验结果及性能分析 |
| 3.3 基于群稀疏表示的过完备字典设计 |
| 3.3.1 小波基与剪切波基 |
| 3.3.2 基于OD-GSR的 SAR图像相干斑抑制 |
| 3.3.3 实验结果及性能分析 |
| 3.4 本章小结 |
| 第四章 基于群稀疏表示的SAR目标检测及特征提取 |
| 4.1 概述 |
| 4.2 基于群稀疏表示的SAR图像目标检测 |
| 4.2.1 理想点散射中心模型及稀疏基构造 |
| 4.2.2 基于群稀疏表示理想点散射中心模型的目标检测算法 |
| 4.2.3 实验结果及性能分析 |
| 4.3 基于欧拉核2DPCA及群稀疏表示的SAR图像特征提取 |
| 4.3.1 欧拉核主成分分析算法 |
| 4.3.2 欧拉核2DPCA算法 |
| 4.3.3 实验结果及性能分析 |
| 4.4 本章小结 |
| 第五章 基于单演特征相关性及群稀疏表示的SAR图像目标识别 |
| 5.1 概述 |
| 5.2 二维图像及单演信号 |
| 5.2.1 图像中的局部能量、相位和指向 |
| 5.2.2 单演信号的对称性和非对称性 |
| 5.3 基于最小加权单演特征重构残差的SAR图像目标识别 |
| 5.4 实验结果及性能分析 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 本文主要研究内容 |
| 6.2 启发与展望 |
| 参考文献 |
| 致谢 |
| 在学期间的研究成果及发表的学术论文 |
（4）基于遗传算法的SAR图像特征选择方法优化研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 本文的主要工作 |
| 1.4 本文的章节安排 |
| 第二章 SAR图像ROI切片获取 |
| 2.1 目标数据库的选取 |
| 2.2 杂波数据库的获取 |
| 2.2.1 CFAR检测算法 |
| 2.2.2 背景杂波建模 |
| 2.2.3 实验结果 |
| 2.3 本章小结 |
| 第三章 ROI切片的特征提取 |
| 3.1 特征的初步筛选准则 |
| 3.2 候选特征的筛选 |
| 3.3 已有的候选特征的提取及研究 |
| 3.3.1 分形维数特征 |
| 3.3.2 峰值能量比特征 |
| 3.3.3 空间边界特征 |
| 3.4 新特征的研究和提取 |
| 3.4.1 描述点的选择 |
| 3.4.2 对比度相关的特征提取 |
| 3.5 实验结果 |
| 3.6 本章小结 |
| 第四章 基于遗传算法的特征选择 |
| 4.1 引言 |
| 4.2 基于遗传算法的特征选择框架 |
| 4.2.1 特征的编码 |
| 4.2.2 初始种群的设定 |
| 4.2.3 遗传算子的确定 |
| 4.2.4 终止条件的设定 |
| 4.3 鉴别器与适应度函数的设计 |
| 4.3.1 Bayes鉴别器原理 |
| 4.3.2 SVM鉴别器原理 |
| 4.3.3 Bayes鉴别器与SVM鉴别器的比较 |
| 4.3.4 Bayes鉴别器与适应度函数优化 |
| 4.3.5 实验结果 |
| 4.4 基于Bayes判别的快速型号识别方法 |
| 4.4.1 Bayes判别原理 |
| 4.4.2 识别特征的初步筛选 |
| 4.4.3 基于遗传算法的特征选择设计 |
| 4.4.4 Bayes判别快速型号识别算法设计 |
| 4.4.5 实验结果 |
| 4.5 本章小结 |
| 第五章 总结和展望 |
| 5.1 总结 |
| 5.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士研究生期间发表的相关论文 |
（5）SAR图像自动目标提取方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号对照表 |
| 缩略语对照表 |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 SAR图像自动目标识别系统的研究现状 |
| 1.2.2 SAR图像自动目标提取技术的研究现状 |
| 1.3 SAR图像自动目标提取关键技术分析 |
| 1.4 论文主要研究内容与章节安排 |
| 第二章 基于自动区域筛选的SAR图像目标检测算法 |
| 2.1 引言 |
| 2.2 VI-CFAR检测原理 |
| 2.3 SAR图像ABC-CFAR目标检测算法 |
| 2.3.1 自动区域筛选方法 |
| 2.3.2 基于G0分布模型的CFAR检测 |
| 2.3.3 筛选阈值的计算 |
| 2.3.4 ABC-CFAR算法流程及快速实现方法 |
| 2.4 实验结果和分析 |
| 2.5 本章小结 |
| 第三章 基于超像素筛选与合并的SAR图像目标检测算法 |
| 3.1 引言 |
| 3.2 SAR-SEEDS图像超像素分割算法 |
| 3.2.1 SAR图像超像素分割目标函数构建 |
| 3.2.2 SAR图像超像素分割目标函数求解 |
| 3.2.3 SAR-SEEDS超像素分割算法处理步骤 |
| 3.3 SAR图像SCM-CFAR目标检测算法 |
| 3.3.1 超像素筛选 |
| 3.3.2 参考窗内背景杂波区域图像分割 |
| 3.3.3 参考背景筛选和超像素CFAR检测 |
| 3.3.4 目标超像素聚类 |
| 3.4 实验结果和分析 |
| 3.4.1 SAR-SEEDS超像素分割算法的性能分析 |
| 3.4.2 SCM-CFAR检测算法的性能分析 |
| 3.5 本章小结 |
| 第四章 基于多特征融合词包模型的SAR图像目标鉴别算法 |
| 4.1 引言 |
| 4.2 BOW模型原理 |
| 4.3 SAR图像局部区域描述子 |
| 4.3.1 SIFT和SAR-SIFT特征 |
| 4.3.2 对比度特征和纹理特征 |
| 4.4 多核学习 |
| 4.5 实验结果和分析 |
| 4.5.1 实验1和实验2 |
| 4.5.2 实验3 |
| 4.6 本章小结 |
| 第五章 基于幂次变换的SAR图像Otsu分割算法 |
| 5.1 引言 |
| 5.2 Otsu图像分割算法 |
| 5.2.1 算法的原理 |
| 5.2.2 算法在SAR图像中的应用分析 |
| 5.3 基于幂次变换的Otsu图像分割算法 |
| 5.3.1 相干斑滤波及其对分割结果的影响 |
| 5.3.2 幂次变换及其对分割结果的影响 |
| 5.3.3 算法流程及复杂度分析 |
| 5.4 实验结果和分析 |
| 5.4.1 算法有效性分析 |
| 5.4.2 算法稳健性分析 |
| 5.4.3 算法运行时间分析 |
| 5.5 本章小结 |
| 第六章 工作总结与展望 |
| 6.1 工作总结 |
| 6.2 工作展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（6）用于机器学习中图像识别的虚拟样本算法研究及应用（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 注释表 |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 论文主要内容及章节结构 |
| 第二章 基于机器学习的图像识别方法 |
| 2.1 图像识别的基本流程 |
| 2.2 机器学习识别算法理论基础 |
| 2.2.1 支持向量机 |
| 2.2.2 神经网络模型 |
| 2.2.3 传统神经网络的缺陷 |
| 2.2.4 深度置信网络 |
| 2.3 特征提取与降维 |
| 2.3.1 主成分分析 |
| 2.3.2 局部二元模式 |
| 2.4 实验结果与分析 |
| 2.5 本章小结 |
| 第三章 图像识别中的虚拟样本算法研究 |
| 3.1 构建虚拟样本算法依据 |
| 3.1.1 虚拟样本相关基础 |
| 3.1.2 评判虚拟样本 |
| 3.2 基于虚拟样本算法构建图像 |
| 3.2.1 基于重采样法构建虚拟图像 |
| 3.2.2 基于奇异值重构法构建虚拟图像 |
| 3.2.3 基于轮廓波重构法构建虚拟图像 |
| 3.3 实验结果与分析 |
| 3.3.1 重采样虚拟样本参数选择 |
| 3.3.2 奇异值重构虚拟样本参数选择 |
| 3.3.3 轮廓波重构虚拟样本参数选择 |
| 3.3.4 虚拟样本有效性对比实验 |
| 3.4 本章小结 |
| 第四章 虚拟样本的应用研究 |
| 4.1 应用虚拟样本的人脸图像识别 |
| 4.1.1 人脸图像识别方法介绍 |
| 4.1.2 常用人脸图像数据库 |
| 4.1.3 人脸识别实验与分析 |
| 4.1.4 添加不同比例虚拟样本对识别结果的影响 |
| 4.2 应用虚拟样本的SAR图像识别 |
| 4.2.1 对SAR图像识别添加虚拟样本的必要性 |
| 4.2.2 本文SAR图像识别方法 |
| 4.2.3 数据源 |
| 4.3 实验结果与分析 |
| 4.3.1 重采样虚拟样本实验结果 |
| 4.3.2 奇异值重构虚拟样本实验结果 |
| 4.3.3 轮廓波重构虚拟样本实验结果 |
| 4.3.4 实验总结分析 |
| 4.4 本章小结 |
| 第五章 总结与展望 |
| 5.1 本文主要工作 |
| 5.2 本文主要创新点 |
| 5.3 进一步工作展望 |
| 参考文献 |
| 致谢 |
| 在学期间的研究成果及发表的学术论文 |
（7）基于深度网络的SAR图像目标识别方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 论文研究背景 |
| 1.2 雷达目标识别发展概述 |
| 1.3 论文研究内容 |
| 1.4 论文组织结构 |
| 第二章 雷达目标识别基础与样本数据集构建 |
| 2.1 引言 |
| 2.2 目标识别基本理论 |
| 2.2.1 数据预处理 |
| 2.2.2 特征提取与模型建立 |
| 2.2.3 分类器设计 |
| 2.3 雷达目标识别典型分类算法 |
| 2.3.1 SVM分类器 |
| 2.3.2 贝叶斯分类器 |
| 2.3.3 神经网络分类器 |
| 2.3.4 集成与提升学习 |
| 2.4 雷达目标识别HRRP仿真数据集 |
| 2.5 星载SAR图像舰船目标识别样本数据集 |
| 2.6 本章小结 |
| 第三章 基于稀疏降噪自编码器与多层感知机的HRRP目标识别方法 |
| 3.1 引言 |
| 3.2 基于稀疏降噪自编码器与多层感知机的识别算法 |
| 3.2.1 HRRP数据预处理 |
| 3.2.2 基于稀疏DAE的鲁棒特征学习 |
| 3.2.3 有监督的多层感知机分类器 |
| 3.3 仿真实验分析 |
| 3.3.1 实验参数设置 |
| 3.3.2 模型降噪与重建 |
| 3.3.3 识别性能对比 |
| 3.4 本章小结 |
| 第四章 基于无监督深层网络的SAR图像舰船目标识别 |
| 4.1 引言 |
| 4.2 基于深度置信网的SAR图像舰船目标识别 |
| 4.2.1 受限玻尔兹曼机 |
| 4.2.2 高斯型受限玻尔兹曼机 |
| 4.2.3 深度置信网 |
| 4.2.4 基于DBN的舰船SAR图像识别仿真 |
| 4.3 基于深度堆栈自编码器SAR图像舰船目标识别 |
| 4.3.1 基本自编码器 |
| 4.3.2 降噪自编码器 |
| 4.3.3 稀疏自编码器 |
| 4.3.4 深度自编码器 |
| 4.3.5 基于堆栈自编码器的SAR图像舰船目标识别 |
| 4.4 对比与结果分析 |
| 4.5 本章小结 |
| 第五章 结束语 |
| 5.1 主要工作内容 |
| 5.2 后续研究工作 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间已发表或录用的论文 |
（8）基于局部特征的SAR图像地物分类方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 SAR图像地物分类的研究现状 |
| 1.3 论文结构安排及创新点 |
| 第二章 SAR图像典型地物的局部特征分析 |
| 2.1 引言 |
| 2.2 SAR成像原理 |
| 2.3 SAR图像基本特性 |
| 2.3.1 SAR图像噪声模型 |
| 2.3.2 SAR图像几何特性 |
| 2.3.3 地物参数对RCS的影响 |
| 2.3.4 典型地物在SAR图像中的表现 |
| 2.4 小结 |
| 第三章 基于结构与空间信息的SAR图像局部特征提取 |
| 3.1 引言 |
| 3.2 一种基于空间和结构信息的SAR图像地物分类方法 |
| 3.2.1 SAR图像空间信息提取 |
| 3.2.2 SAR图像结构信息提取 |
| 3.2.3 一种结合了空间信息和结构信息的新特征 |
| 3.2.4 基于新特征的地物分类方法 |
| 3.3 地物分类实验结果与分析 |
| 3.3.1 数据集与实验配置 |
| 3.3.2 实验结果与分析 |
| 3.4 本章小结 |
| 第四章 基于超级像素和模糊聚类的SAR图像地物分类 |
| 4.1 引言 |
| 4.2 基于超级像素的SAR图像地物分类 |
| 4.2.1 SLIC超级像素生成算法 |
| 4.2.2 局部特征提取及相似度构建 |
| 4.2.3 区域合并及模糊聚类 |
| 4.3 地物分类实验结果与分析 |
| 4.3.1 仿真SAR图像实验结果 |
| 4.3.2 实测SAR图像实验结果 |
| 4.4 本章小结 |
| 第五章 结束语 |
| 5.1 本文的主要工作和创新点 |
| 5.2 需要进一步研究的问题 |
| 致谢 |
| 参考文献 |
| 作者攻读硕士期间取得的学术成果 |
（9）SAR图像结构特征匹配方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 图像匹配的基本知识 |
| 1.2.1 图像匹配的问题描述 |
| 1.2.2 特征匹配的四要素 |
| 1.2.3 图像匹配方法的分类 |
| 1.3 国内外相关研究进展 |
| 1.3.1 特征匹配研究的总体情况 |
| 1.3.2 结构特征匹配方法发展现状与分析 |
| 1.3.3 SAR图像结构特征匹配的发展现状 |
| 1.4 论文主要工作和组织结构 |
| 第二章 SAR图像结构特征匹配的基本知识 |
| 2.1 SAR图像特性 |
| 2.1.1 物理特性 |
| 2.1.2 几何特性 |
| 2.2 SAR图像结构特征匹配的不确定性分析 |
| 2.2.1 SAR图像不确定性及其分类 |
| 2.2.2 SAR图像结构特征不确定性的表现形式 |
| 2.2.3 SAR图像结构特征不确定性对特征匹配的影响 |
| 2.2.4 SAR图像结构特征匹配中不确定性影响的消减 |
| 2.3 SAR图像结构特征匹配的特点 |
| 2.4 SAR图像结构匹配的特征选择 |
| 2.4.1 SAR图像特征匹配中特征选择的准则 |
| 2.4.2 SAR图像匹配中的结构特征分析 |
| 2.5 小结 |
| 第三章 SAR图像模糊轮廓特征匹配 |
| 3.1 引言 |
| 3.2 SAR图像轮廓特征提取 |
| 3.2.1 SAR图像轮廓特征提取方法分析 |
| 3.2.2 全局活动轮廓模型轮廓特征提取方法 |
| 3.2.3 实验结果 |
| 3.3 模糊轮廓特征描述 |
| 3.3.1 SAR图像轮廓特征的模糊性分析 |
| 3.3.2 模糊轮廓描述的基本概念 |
| 3.3.3 Rough Set的基本概念 |
| 3.3.4 轮廓边缘的模糊描述 |
| 3.3.5 轮廓特征的不变描述 |
| 3.4 直方图距离测度 |
| 3.5 实验结果与分析 |
| 3.5.1 SAR图像匹配实验 |
| 3.5.2 SAR图像目标分类实验 |
| 3.6 小结 |
| 第四章 SAR图像不确定性直线特征匹配 |
| 4.1 引言 |
| 4.2 SAR图像边缘提取 |
| 4.2.1 SAR图像边缘模型 |
| 4.2.2 ROEWA算子改进 |
| 4.3 SAR图像直线和交点提取 |
| 4.3.1 直线提取方法分析 |
| 4.3.2 SAR图像多尺度直线特征提取方法 |
| 4.3.3 基于DS理论的SAR图像直线提取融合方法 |
| 4.3.4 直线交点特征提取 |
| 4.4 直线交点的不确定性表达 |
| 4.4.1 直线交点的不确定性分析 |
| 4.4.2 直线段交点的几何不变描述 |
| 4.4.3 直线方向的不确定性建模 |
| 4.4.4 基于模糊粗糙集的不确定性表达 |
| 4.5 实验结果与分析 |
| 4.5.1 简单背景的SAR图像直线特征匹配实验 |
| 4.5.2 复杂场景的SAR图像直线特征匹配实验 |
| 4.6 小结 |
| 第五章 稳健的SAR图像点特征匹配 |
| 5.1 引言 |
| 5.2 SAR图像显着性边缘点集匹配 |
| 5.2.1 边缘点集匹配的特点分析 |
| 5.2.2 基于像素迁移的图像匹配 |
| 5.2.3 联合相似度构建 |
| 5.2.4 仿射变换模型及参数分解 |
| 5.2.5 遗传算法优化寻优方法的改进 |
| 5.2.6 性能分析 |
| 5.2.7 实验结果与分析 |
| 5.3 SAR图像SIFT特征匹配 |
| 5.3.1 引言 |
| 5.3.2 SIFT特征匹配 |
| 5.3.3 SIFT算子分析 |
| 5.4 基于边缘点的SAR图像SIFT特征匹配优化 |
| 5.4.1 联合匹配算法框架 |
| 5.4.2 实验结果与分析 |
| 5.5 小结 |
| 第六章 结论与展望 |
| 6.1 主要贡献及结论 |
| 6.2 未来研究展望 |
| 致谢 |
| 参考文献 |
| 作者在学期间取得的学术成果 |
（10）高分辨SAR图像机动目标检测与识别技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 研究内容与创新 |
| 1.4 论文架构与内容安排 |
| 第二章 高分辨 SAR 图像机动目标自动识别理论 |
| 2.1 高分辨 SAR 图像自动目标识别流程 |
| 2.2 高分辨 SAR 图像机动目标检测方法 |
| 2.2.1 恒虚警率目标检测方法 |
| 2.2.2 基于图像分割技术的目标检测方法 |
| 2.2.3 基于极化目标分解理论的目标检测 |
| 2.3 高分辨 SAR 图像机动目标鉴别方法 |
| 2.4 高分辨 SAR 图像机动目标识别方法 |
| 2.5 本章小结 |
| 第三章 基于视觉显着注意的高分辨 SAR 图像目标检测 |
| 3.1 视觉显着注意机制及常用模型 |
| 3.1.1 视觉显着注意机制 |
| 3.1.2 典型的的视觉注意计算模型 |
| 3.2 高分辨 SAR 图像机动目标与背景的统计分析 |
| 3.3 视觉显着注意下的高分辨 SAR 图像感兴趣区域筛选 |
| 3.4 基于贝叶斯分类器的高分辨 SAR 图像机动目标检测 |
| 3.4.1 局部贝叶斯分类器 |
| 3.4.2 潜在目标区域切片的提取 |
| 3.5 仿真实验与结果分析 |
| 3.5.1 实验条件与参数设定 |
| 3.5.2 实验结果与分析 |
| 3.6 小结 |
| 第四章 基于表征学习的高分辨 SAR 图像机动目标鉴别 |
| 4.1 基于表征学习的高分辨 SAR 图像特征抽取 |
| 4.2 基于稀疏表示的高分辨 SAR 图像机动目标鉴别 |
| 4.3 基于 One-class SVM 的高分辨 SAR 图像机动目标鉴别 |
| 4.4 仿真实验与结果分析 |
| 4.4.1 实验条件与参数设定 |
| 4.4.2 实验结果与分析 |
| 4.5 小结 |
| 第五章 基于语义分析的高分辨 SAR 图像机动目标识别 |
| 5.1 BoW 模型 |
| 5.1.1 BoW 模型的基本原理 |
| 5.1.2 BoW 模型的典型应用 |
| 5.2 高分辨 SAR 图像机动目标特征提取 |
| 5.3 基于 BoW 模型的高分辨 SAR 图像机动目标识别 |
| 5.4 仿真实验与结果分析 |
| 5.4.1 实验条件与参数设定 |
| 5.4.2 实验结果与分析 |
| 5.5 小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 硕士期间成果 |
四、基于Beta-Prime统计模型和QGD分类器的SAR图像地物分类方法（论文参考文献）
- [1]星载SAR图像舰船检测算法研究[D]. 秦靖翔. 电子科技大学, 2019(12)
- [2]SAR图像目标鉴别和识别方法研究[D]. 李汀立. 西安电子科技大学, 2019(02)
- [3]基于群稀疏表示的SAR图像相干斑抑制与目标检测识别[D]. 刘苏. 南京航空航天大学, 2019
- [4]基于遗传算法的SAR图像特征选择方法优化研究[D]. 李岩檐. 电子科技大学, 2018(10)
- [5]SAR图像自动目标提取方法研究[D]. 宋文青. 西安电子科技大学, 2018(02)
- [6]用于机器学习中图像识别的虚拟样本算法研究及应用[D]. 郑儒楠. 南京航空航天大学, 2017(03)
- [7]基于深度网络的SAR图像目标识别方法研究[D]. 闫华清. 上海交通大学, 2017(03)
- [8]基于局部特征的SAR图像地物分类方法研究[D]. 管冬冬. 国防科学技术大学, 2015(04)
- [9]SAR图像结构特征匹配方法研究[D]. 陈天泽. 国防科学技术大学, 2014(02)
- [10]高分辨SAR图像机动目标检测与识别技术研究[D]. 刘赵强. 西安电子科技大学, 2014(11)