论文部分内容阅读
合成孔径雷达(Synthetic Aperture Radar,SAR)是一种具有高分辨力的成像雷达。由于全天时、全天候的成像优势,它在民用和军用领域被广泛应用。作为应用之一的SAR目标识别由于对国防预警的重要意义成为广大学者研究的热点之一。稀疏表示从过完备字典中选取尽量少的原子线性重构信号,应用于识别问题时,不仅有天然的识别信息包含在稀疏表示系数中还表现出优良的抗噪性,而SAR目标识别的一个难题就是斑点噪声,因此以稀疏表示理论为基础的SAR目标识别具有广阔的研究前景。本文以稀疏表示为基础,结合SAR图像的特点,在SAR图像预处理、特征提取和目标识别方面展开研究,主要的研究内容如下:1.结合MSTAR数据库的SAR目标图像特点,研究了基于支持向量机(Support Vector Machine,SVM)分类思想的SAR图像预处理方法,经过对数变换、基于SVM的稳定SAR图像分割、后处理的流程后得到的SAR图像既保留了目标的细节信息又大大减弱了斑点噪声的影响,为后续的识别提供了更清晰的SAR目标图像。2.针对稀疏邻域保留嵌入(Sparse Neighborhood Preserving Embedding,SNPE)应用于SAR目标识别时在稀疏表示模型上的不足,提出改进的最大化稀疏重构间隙投影(Maximize Sparse Reconstruction Margin Projections,MSRMP),新算法不仅提升了识别率,还表现出对分类策略的不敏感性,只要特征维数足够大时,在不同分类器上识别率都能保持稳定,而且新算法传承了稀疏表示的抗噪性,在噪声严重的数据上仍保持较高的识别率。3.针对单个SAR目标拥有多角度图像的情况,对联合稀疏表示(Joint Sparse Representation,JSR)模型探讨,提出改进的联合稀疏表示(Improved Joint Sparse Representation,IJSR)模型,通过1范数最小化和低秩矩阵恢复措施寻求同一SAR目标多角度图像的共有模式,利用共有模式提取信息实现分类识别,将改进的联合稀疏表示和联合稀疏表示分别应用于MSTAR数据库上,结合稀疏表示分类策略的实验显示改进的联合稀疏表示提高了识别率。