论文部分内容阅读
由于成像原理的特殊性以及相干斑噪声的影响,合成孔径雷达(Synthetic Aperture Radar,SAR)图像的解译过程与光学图像处理流程存在明显差异。传统SAR自动目标识别(SAR Automatic Target Recognition,SAR-ATR)技术存在的诸多局限性,如流程孤立、误差级联放大等问题,使其无法真正实现大场景SAR图像的全自动一体化检测和识别过程。本文在深入分析传统SAR-ATR系统组成结构及其局限性的同时,结合深度学习方法的图像处理流程,将深度学习的方法应用到SAR图像解译与信息获取领域,使用深度学习的方法实现了SAR图像目标,尤其是大场景SAR图像中目标的一体化检测识别。首先,本文分析了SAR图像特有的特征后,基于MIT SAR-ATR系统和MSTAR SAR-ATR系统对传统SAR-ATR系统的基本原理与组成结构进行了研究。在此基础上结合对机器学习算法及其功能的探索,基于这些机器学习算法设计了检测识别模型,进行了不同机器学习算法在MSTAR数据集上的检测识别实验,验证了机器学习算法在SAR图像解译领域的适用性,也为后续设计对比实验提供了方法。其次,本文以卷积神经网络为切入点对机器学习算法中的深度学习算法,尤其是基于卷积神经网络的一体化SAR检测识别模型的组成结构、关键函数以及网络训练技巧、实现方法等进行了深入分析和探究。随后基于一般机器学习算法设计了SAR-ATR系统,和一体化模型设计形成对比实验,展示了基于切片图像的一体化模型检测识别准确率、抗噪性及平移不变性评估实验的结果。最后,本文在研究探讨了常用分割算法及其优缺点、适用范围等问题后,提出了一种自适应的分割算法及邻域间非极大值抑制算法,并基于以上方法构造了基于深度学习的大场景SAR图像检测识别一体化模型,展示了模型检测识别流程图,完成大场景SAR图像的一体化检测识别,最后给出了不同背景复杂度的大场景SAR图像经由一体化模型后得到的检测识别实验结果,对实验结果进行了分析,并设计了相应的对照实验,充分验证了本模型的有效性。