论文部分内容阅读
合成孔径雷达(Synthetic Aperture Radar,SAR)在军事及民用领域有着巨大的应用价值。SAR全天时、全天候成像的优势是其他遥感技术所无法替代的。随着当代深度学习技术的发展,各种目标跟踪算法和图像去噪模型在自然图像处理领域都取得了不俗的表现。深度学习技术为SAR图像处理技术研究提供了新的方法。一方面,视频SAR中运动目标的高效检测和监视技术一直是研究的热点,另一方面,InSAR图像中存在的相位噪声对后续相位解缠造成了困难,现有的干涉相位滤波算法集中于提升滤波精度花费了大量的计算时间。因此对目标跟踪算法和图像滤波技术的研究有着充分价值和意义。本文结合深度学习中的循环神经网络对视频SAR目标跟踪和InSAR图像滤波两个方面进行了研究。一方面通过全连接网络构建的循环神经网络实现了视频SAR的目标跟踪,另一方面是基于卷积实现的循环神经网络PFNet,PFNet在InSAR图像滤波中较经典干涉相位滤波算法也有更好的表现。本文中涉及的主要工作内容和创新如下:1、详细介绍了深度学习中监督学习方法的工作流程及前向传播、梯度下降、反向传播等相关的基本概念;对深度学习中三种基本的神经网络模型:全连接神经网络、卷积神经网络、循环神经网络进行了解释,对三种基本网络模型各个模块、结构改进的演算过程和作用进行了详细说明;2、在视频SAR的目标跟踪任务中,通过人工对实测数据进行标注,制作了一批用于目标跟踪的数据集;3、首先在实测视频SAR数据中,本文使用的孪生Re3算法展现了优秀的跟踪性能;然后验证了三种循环神经网络单元中窥视孔连接LSTM单元更适用于目标跟踪任务;最后就图像不同深度特征对于孪生Re3网络目标跟踪性能的影响进行了分析,结合低、高两层特征的信息就能够比较好的完成目标跟踪;4、研究了一种基于循环神经网络的InSAR图像滤波方法PFNet。在实验阶段,对比了两种经典干涉图像滤波算法,首先在仿真数据集上验证了PFNet的滤波效果均优于两种传统方法,PFNet-GRU在不同信噪比的仿真数据中展现了良好的泛化能力,最后在实测数据中PFNet-GRU的滤波效果也优于两种经典的InSAR图像滤波算法。