论文部分内容阅读
随着合成孔径雷达(Synthetic Aperture Radar,SAR)成像技术的发展,已经可以获取大量的SAR图像数据。SAR图像目标识别技术在军事、民用等领域的应用价值越来越突出,SAR图像的预处理、检测、鉴别及识别等方面均取得了很大的进展。在实际中,由于目标所处环境及目标配置、结构的复杂性,不可能得到目标所有状态或配置下的训练样本,其无法表示真实世界中所有情况,因此如何提高目标变体的识别性能是SAR目标识别的一个重要的研究方向。本文主要针对SAR图像预处理、SAR图像目标识别,特别是目标变体的识别等方面展开了研究,在稀疏表示和字典学习的基础上提出了基于多信息字典学习及联合动态稀疏表示的SAR图像目标识别方法。本论文的主要内容可概括如下:1.介绍SAR图像预处理过程中涉及到的目标分割、配准、截取等处理过程。2.介绍传统的模板匹配方法、基于稀疏表示的SAR目标识别方法、基于联合稀疏表示的SAR目标识别方法及基于Hausdorff距离的识别方法,通过实验,分析并验证上述几种方法的可行性和优缺点。3.针对现有的基于联合稀疏表示的SAR目标识别方法中存在的问题,结合已用于人脸识别方面的联合动态稀疏表示模型,提出了基于多信息联合动态稀疏表示的SAR图像目标识别方法。该方法利用目标图像域幅度信息和频域幅度信息分别构造字典,利用联合动态稀疏表示模型对测试目标的两种信息进行稀疏求解,根据重构误差对测试目标进行识别。该方法综合利用了目标图像域幅度信息和频域幅度信息之间的关联性,提高了对测试目标的识别性能。通过实验,验证了该方法的有效性,并与其它方法进行比较,突出了该方法的优势。4.在基于多信息联合动态稀疏表示的SAR图像目标识别方法的基础上,针对利用训练样本信息直接构造字典存在的缺陷,本文结合鉴别字典学习和联合动态稀疏表示模型,提出了基于多信息字典学习及联合动态稀疏表示的SAR图像目标识别方法。首先利用经过预处理后的训练图像的图像域幅度信息和频域幅度信息分别进行鉴别字典学习,利用学习得到的字典对测试目标的两种信息向量进行联合动态稀疏表示,并根据重构误差得到最终的识别结果。该方法结合了字典学习及联合动态稀疏表示两方面的优势,合理地利用了两种信息间的关联性,与直接由训练样本构造的字典相比,在字典尺寸较小时,仍然能够保持较好的识别性能。