论文部分内容阅读
SAR图像目标识别即是从目标SAR图像中提取特征,确定目标的类别属性,具有广泛的军事与民用价值,可应用于战场监控、引导攻击、打击效果评估、海洋资源探测、环境地貌检测及自然灾害评估等。本文针对SAR图像目标识别的深度学习方法展开研究,主要内容包括:1.针对SAR图像特点,研究了SAR图像的预处理方法,包括:滤波去噪、幂变换增强和能量归一化等。并利用实测的MSTAR SAR图像数据,分析比较了中值滤波、自适应中值滤波、Lee滤波和增强型Lee滤波、Frost滤波等方法的去噪性能,仿真实验结果表明,相比其它的滤波方法,增强型Lee方法在抑制噪声的同时能够更好的保留图像的细节。2.研究了基于栈式自编码器(Stacked AutoEncoder,SAE)的SAR图像识别方法。由于SAE识别效果对结构比较敏感,本文通过设计仿真实验分别确定了SAE的最佳层数和神经元数量。然后利用该结构对普通栈式编码器、稀疏栈式编码器和去噪栈式编码器的SAR图像识别效果进行仿真实验,结果表明稀疏权值和对图像加入一定比例随机噪声可以提高模型的泛化能力,改善识别效果。针对SAE识别率不稳定的问题,研究了主分量分析(Principal Component Analysis,PCA)和SAE结合的识别方法。该方法利用PCA提取到SAR图像的主要特征,并将这些特征利用SAE识别。仿真实验结果表明,相比直接用SAE识别SAR图像,该方法可以稳定识别率,加快训练速度。在此基础上,研究了将PCA提取特征和图像数据融合后利用SAE识别的方法。仿真结果表明,该方法可以提高识别效果。3.研究了基于卷积神经网络(Convolutional Neural Network,CNN)的SAR目标识别方法。在确定本文CNN网络结构的基础上,设计实验分析了数据分批大小和学习率变化对识别效果的影响。在激活函数的选择上,通过仿真实验分析了sigmoid和ReLU两种激活函数的性能,结果表明采用sigmoid函数,网络收敛较慢且容易产生梯度弥散现象,而Re LU函数的效果较好。针对过拟合问题,在CNN中引入了dropout和L2正则化方法,仿真结果表明,这两种方法都可以减少模型过拟合,提高识别率。最后研究了CNN和二维主分量分析(Two-Dimensional Principle Component Analysis,2DPCA)结合的识别方法。该方法利用CNN得到图像数据的特征图,然后把这些特征图利用2DPCA降维后识别。仿真实验结果表明,该方法对含有较多噪声的SAR图像的识别效果显著优于CNN和2DPCA方法。