论文部分内容阅读
作为一种有效的对地观测手段,合成孔径雷达(Synthetic Aperture Radar,SAR)在军事侦察、地形测量和海洋监测等领域发挥着不可替代的作用。然而,SAR图像固有的特点以及数据规模的不断扩大使得通过人工判读的方式进行SAR图像目标识别面临巨大的挑战,SAR图像自动目标识别技术引起了广泛的关注。本文围绕SAR图像特征提取和目标识别方法展开研究:针对单一特征的局限性,本文在密集提取局部SIFT描述符的基础上,根据梯度信息与幅度信息的互补性,提出一种综合利用尺度不变特征变换(Scale-Invariant Feature Transform,SIFT)特征与幅度特征的SAR图像目标识别方法。此外,将点控玻尔兹曼机模型引入到SAR图像识别中,针对该模型显层节点为伯努利分布的缺点,为了使该模型更适合于实值数据,将该模型显层节点的分布由伯努利分布推广到高斯分布。各部分的主要内容可概括如下:1.根据识别准则的不同,将现有的SAR图像目标识别方法分为三类,分别是基于匹配准则、重构准则以及分类器模型的识别方法。在三类方法中,着重介绍了模板匹配、点集匹配、PCA变换和线性SVM分类器以及稀疏表示四种方法。通过实验验证了各方法在SAR图像目标识别中的性能,分析了各方法的优缺点。2.针对局部特征无法区分图像前景和背景、对遮挡等现象敏感等缺点,将SIFT特征引入到SAR图像识别中,在密集提取局部SIFT描述符的基础上,分别研究了基于空间金字塔模型和词袋模型的SAR图像目标识别方法,验证了SIFT特征在SAR图像目标识别中的有效性。进一步地,根据梯度信息和幅度信息的互补性,提出一种综合利用SIFT特征与幅度特征的SAR图像目标识别方法。具体来说,首先利用训练样本的全局SIFT特征和图像域幅度特征分别构成字典,然后对测试样本的两种特征进行联合动态稀疏表示,根据重构误差的大小完成目标识别任务,通过验证验证了该方法的性能。3.介绍了基于高斯点控玻尔兹曼机(Gaussian Point-wise Gated Boltzmann Machine,Gaussian PGBM)的SAR图像目标识别方法。在介绍RBM模型的基础上,将点控玻尔兹曼机(Point-wise Gated Boltzmann Machine,PGBM)模型引入到SAR图像目标识别中。PGBM模型在RBM模型的基础上,引入了显层节点选择因子,将目标像素选择和特征提取统一在一个模型中。为了使该模型适用于实值数据建模,将显层节点的条件分布由伯努利分布推广到高斯分布。实验表明,该模型在进行特征学习的同时,能够较好地在背景中选取出目标像素,具有一定的应用价值。