论文部分内容阅读
合成孔径雷达(Synthetic Aperture Radar,SAR)是一种主动式相干成像雷达,它能全天候构建质量接近光学成像传感器的高分辨率图像,已广泛用于国防军事、资源遥感探测等多个领域。例如,在军事领域中,利用SAR可以对特定军事目标进行检测与识别。目前,从SAR图像中快速准确地提取目标的研究已取得重要进展,但在识别准确度等方面尚有许多问题有待深入研究。本文对基于机器学习的SAR图像目标识别方法进行了研究,主要工作如下:(1)针对深度学习的训练需要大量数据集且超参数设置复杂的问题,本文提出了基于多粒度级联森林的SAR图像目标识别算法。该算法先用基于纹理模型的空间自适应小波滤波对SAR图像进行去噪处理,然后用主成分分析(PCA)技术对图像进行数据降维,并将降维后的图像矩阵输入到多粒度级联森林中用多粒度扫描进行特征重表示,最后用多粒度级联森林的级联森林进行目标识别并计算混淆矩阵。实验结果表明,该算法训练速度快,即使在小规模数据集上也能取得良好的效果,在识别率上优于已有的算法。(2)传统的度量学习方法在大规模数据集上计算效率较低,为此,本文提出了一种基于Doublet-SVM的SAR图像目标识别算法。该算法先采用基于纹理模型的空间自适应小波滤波对图像进行去噪处理,并用t-分布邻域嵌入算法(t-SNE)进行图像矩阵的降维,然后对训练样本构建二元组,并用Doublet-SVM算法学习度量矩阵,最后利用度量矩阵和训练样本数据对测试样本进行分类并计算混淆矩阵。实验结果表明,该算法的SAR目标识别率高于已有算法。