论文部分内容阅读
合成孔径雷达(Synthetic Aperture Rader,SAR)具有全天时、全天候、主动成像、宽波段等诸多不可替代的特点,在军事和国土安全领域具有广泛的应用前景。使用肉眼对SAR图像中的目标进行判别十分困难,因此利用现有技术实现对SAR图像的自动识别是非常必要的。SAR图像在成像过程中不可避免的会产生相干斑噪声,这些斑点噪声严重影响了图像的质量。研究更有效的SAR图像去噪算法以及更可靠的SAR图像目标检测与识别算法,对提高SAR图像的诠释效率,降低人力工作有重要意义。本文的研究内容如下:(1)提出了一种基于不同感受野特征融合的SAR图像分类算法,实现了对SAR图像高准确率的分类。首先对MSTAR数据集进行数据增强,扩大数据量。然后在AlexNet模型的基础上,将不同感受野的特征向量在通道数上进行叠加,实现对AlexNet模型的改进。最后使用增强后的MSTAR数据集对改进后的特征融合模型进行实验验证。与现有基于卷积神经网络的MSTAR图像分类模型相比,本文提出算法在MSTAR图像分类问题上,获得了更高的分类准确率,算法训练速度较快。(2)提出了一种基于深度卷积神经网络的SAR图像去噪算法,针对现有SAR图像去噪算法去噪效率低、灵活性差等缺点,设计了一种基于卷积神经网络的SAR图像去噪模型。该算法引入残差学习机制,将学习含噪图像到干净图像的映射变成学习含噪图像到噪声的映射,以降低模型训练的困难程度。采用光学图像合成乘性噪声的方法来构造训练数据集和测试数据集用于模型训练,使用TerraSAR-X卫星得到的SAR图像对算法在真实SAR图像上的去噪结果进行验证。实验证明,该算法无论在合成乘性噪声图像还是在真实SAR图像上,都取得了优于传统去噪算法的去噪效果,既可以有效的抑制匀质区域的相干斑噪声,又可以很好的保留图像的边缘纹理等细节信息,该算法的时间效率也高于传统算法。(3)将SAR图像去噪算法和Faster RCNN模型相结合,实现对大场景SAR图像中多个目标自动准确的检测与识别。由于大场景中包含地面目标的SAR图像获取是极其困难的,因此需要使用人工合成的方式产生数据集。首先将MSTAR数据集提供的场景图与MSTAR的三类军事目标进行合成,并对所有合成图像中的目标进行标注,从而得到包含目标的SAR图像数据集。然后使用Frost、Lee、curvelet、PPB算法和本文提出的基于卷积神经网络的SAR图像去噪算法分别对图像进行去噪,得到不同噪声水平的图像数据集。用RoI Align替代Faster RCNN中的RoI Pooling结构,对Faster RCNN进行改进,以提高对小目标的识别性能。最后使用不同噪声水平的数据集对模型进行训练,从而实现对SAR图像中军事目标较高精度的检测与识别。