论文部分内容阅读
随着合成孔径雷达(Synthetic Aperture Radar，SAR)技术的发展，通过各种方式得到的SAR图像数据越来越多，利用人工解译已经无法满足要求，因此对SAR图像的计算机自动处理提出了较高的要求。SAR图像的分类与自动目标识别是国内外研究的热点，本文深入研究了SAR图像的分类与自动目标识别技术，主要创新性贡献包括：1)传统的监督分类方法具有较高的分类精度，但需要足够多的训练样本，而在实际应用中，训练样本的数目是有限的。本文提出了一种基于AdaBoost的SAR图像地物分类方法，AdaBoost是一种专门研究小样本情况下的统计学习方法，与传统的监督分类方法相比，新的分类方法分类精度更高，训练速度更快，且具有较好的泛化性能。2)在分类问题上，现有的监督分类方法很多都是只考虑了两类分类这一最简单的情况，如AdaBoost，SVM等，而在实际问题中，往往是多类分类问题，包括SAR图像地物分类。本文针对SAR图像地物分类，将多类分类问题转化为多个两类分类问题，提出了两种分类策略：1．结合AdaBoost和纠错输出码的AdaBoost．ECOC；2．基于朴素贝叶斯和MetaClass的分类方法。3)传统的监督分类方法需要足够多的已标记样本训练分类器，而在SAR图像地物分类中，已标记样本的数目是有限的，为此，本文采用了同时利用少量已标记样本和大量未标记样本训练分类器的半监督学习。在传统的EM、Co-Training等半监督学习算法的基础上，提出了Agreement-Training和Combination-Training，并且融合半监督学习和主动学习解决SAR图像的地物分类问题。实验结果表明该方法具有良好的分类性能。4)本文提出了一种基于目标检测、特征提取、方位角估计和目标分类的SAR图像自动目标识别系统。1．利用恒虚警检测方法从场景中发现潜在目标；2．利用SIFT特征匹配方法提取关键点作为目标的旋转、尺度不变特征；3．提出了基于互信息的方位角估计方法，根据估计的目标方位角选择特征模板；4．提出了基于隐马尔可夫模型和基于样本分类的方法对目标进行分类。实验结果表明该系统可以获得较高的目标识别率。