论文部分内容阅读
合成孔径雷达(SAR)是一种雷达,用于创建二维图像或三维重建对象,如景观。它利用雷达天线在目标区域上的运动,以提供比传统光束扫描雷达更精细的空间分辨率。SAR系统利用雷达信号的远程传播特性和现代数字电子设备的复杂信息处理能力,提供高分辨率图像。它补充了摄影和其他光学成像能力,由于对地形和文化目标雷达频率的独特响应使它不受一天中的时间或大气条件的限制。SAR已被广泛用于地球遥感30多年,它提供高分辨率的昼夜天气独立图像,适用于地球科学和气候变化研究,环境和地球系统监测2D和3D绘图,变化检测,4D到行星探测等多种应用。与光学图像不同,雷达图像是通过发射微波与目标的相干相互作用形成的,因此它受到从在每个像素中随机分布的地面散射体散射的信号的相干求和。雷达图像比光学图像噪声更大。在数字图像显示和进一步分析之前,有时通过在图像上应用散斑噪声去除滤波器来抑制散斑噪声。本文主要研究了SAR图像的不同分类方法。第3章是本文的第一部分,其介绍了基于区域性的Faster RCNN应用于SAR图像分类。Faster RCNN有两个模块,第一个模块是深度全卷积神经网络,第二个模块是faster RCNN检测器。在初始CNN滑动窗口的最后一层移动穿过特征图并将其映射到每个滑动窗口位置的较低维度,它基于K个固定比率锚定框(默认边界框)生成多个可能的区域。基于区域的候选框告诉faster RCNN应该看哪里。每个区域候选框包括(a)该区域的对象性得分和(b)表示该区域的边界框的坐标。第四章是本文的第二部分,其介绍了基于有效特征融合策略的多核技术SAR目标分类方法。本章我们提出了具有高效特征融合的多核卷积神经网络。为了应对不同大小的目标,我们设置对应于不同感受野大小的三个路径。我们引入加权典型相关(WCCA)作为特征融合机制。不需要执行任何噪音过滤操作,生成的CNN模型就能够从目标图像提取很深的特性。其次我们的方法使用WCCA来自适应地从不同路径中学习CNN特征,由此产生的特征是高度相关的,因此可以实现更好的分类精度。第五章是本文的第三部分,其介绍了应用于SAR图像目标分类的多规范异构特征相关分析技术,并提出了一种自适应融合异构特征的多目标SAR图像分类方法。我们还探索同时提取人工特征和深度特征的复合框架中的SAR图像的基本特征。在MSTAR数据库上的实验结果取得了较好的精度,大大优于传统的卷积神经网络。