导读:本文包含了合成孔径雷达图像论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:孔径,神经网络,卷积,目标,图像,算法,中值。
合成孔径雷达图像论文文献综述
于娜,王清,靳晨聪[1]（2019）在《基于合成孔径雷达图像处理的舰船目标检测与优化》一文中研究指出合成孔径雷达(SAR)具有全天候、全方位的目标监测功能,被广泛应用于国防军事和工业领域。本文主要研究了一种基于合成孔径雷达图像处理的舰船目标检测技术,海上舰船目标的检测和识别有重要的军事意义,能够提高海上交通的管理能力。本文首先介绍了合成孔径雷达的基本成像原理,然后基于LEE滤波器介绍SAR图像的噪声处理,最后针对舰船SAR图像的目标特征进行了识别与分析。(本文来源于《舰船科学技术》期刊2019年20期）
杨宏鑫[2]（2019）在《船目标逆合成孔径雷达图像的方位维定标问题研究》一文中研究指出距离——多普勒算法(Range-Doppler,RD)重构的船目标逆合成孔径雷达图像(InverseSynthetic Aperture Radar,ISAR)仅表示了目标散射点在RD域上的分布,要想更好的使用目标ISAR像,则需要对图像进行方位维定标处理。然而,传统的方位维定标算法都是基于目标匀速转动情况下进行的。为了解决这一问题,本文提出了基于仿射投影矩和加权平均法相结合的数学模型。该模型首先利用仿射投影矩对多幅ISAR图像进行规格化处理,消除船目标在ISAR图像序列中的尺度差异;然后定义一个相关函数作为评价准则,分别求解图像序列中相邻两幅图像对应的角速率;最后,采用加权平均的方式来估计目标某一时刻或者某一较短时间内的转动速率,进而实现船目标ISAR像方位维定标。仿真和实测数据的处理结果验证了该方法的有效性。(本文来源于《第十六届沈阳科学学术年会论文集（理工农医）》期刊2019-10-10）
冯伟业,廖可非,欧阳缮,牛耀[3]（2019）在《基于胶囊神经网络的合成孔径雷达图像分类方法》一文中研究指出针对合成孔径雷达(synthetic aperture radar,SAR)图像的目标分类,传统的卷积神经网络(convolutional neural network,CNN)需要大量的数据样本进行训练,无法在小样本条件下进行,其应用受到限制。提出将胶囊神经网络(capsule network,Capsnet)算法用于SAR雷达图像的分类,针对小样本SAR数据集对Capsnet结构进行轻量化设计,并在MSTAR数据集上验证了该算法的有效性。结果表明,与CNN相比,基于Capsnet的SAR目标分类抗过拟合性强,泛化效果较好,具有更高的准确性,能够很好地实现SAR图像样本的分类。(本文来源于《科学技术与工程》期刊2019年28期）
樊书辰,水鹏朗[4]（2019）在《形态学边缘信息引导的区域合并合成孔径雷达图像分割算法》一文中研究指出针对基于区域合并的合成孔径雷达(SAR)图像分割中,初始分割过度碎片化影响后续区域合并效率和质量的问题,提出了利用形态学边缘信息引导的区域合并(MEI-RCBLP)SAR图像分割算法。首先利用高斯和伽马函数赋权的加权中值滤波构造各向异性形态学方向比率算子,提取图像的边缘强度映射来表征边缘响应的强弱,并对边缘强度映射进行阈值化处理和分水岭变换得到高质量的初始分割;然后利用现有的相对公共边界长度惩罚区域合并技术,迭代地合并初始分割中最相似的相邻区域,直到满足合并终止条件,输出最终的分割结果。实验结果表明,相比利用统计区域生长、MISP超像素和均值比边缘信息引导的分割算法,所提出的MEI-RCBLP算法显着改善了初始分割质量,在保证最终分割质量的前提下初始分割区域数目减少了25%以上,同时最终的分割结果在不同的性能评价指标上总体优于上述对比算法。(本文来源于《西安交通大学学报》期刊2019年10期）
胡显,姚群力,侯冰倩,宋红军,雷宏[5]（2019）在《基于卷积神经网络的合成孔径雷达图像目标识别》一文中研究指出为了解决现有合成孔径雷达(SAR)图像目标识别算法识别率不高、泛化能力不足的问题,提出一种基于卷积神经网络的SAR图像目标识别模型CMNet网络。通过设计针对SAR图像特点的特征提取网络,在损失函数中引入中心损失与Softmax损失联合监督训练过程,兼顾类内聚合和类间分离,提高算法精度和泛化能力。网络模型中所有卷积层后引入批量归一化层加快模型收敛速度、防止过拟合。实验使用美国运动和静止目标获取与识别数据库进行测试,10类目标平均识别率达到99. 30%。结果表明,提出的CMNet网络模型具有较高的识别率和泛化能力,在公开数据集上取得较好结果。(本文来源于《科学技术与工程》期刊2019年21期）
谌华,郭伟,闫敬文[6]（2019）在《综合边界和纹理信息的合成孔径雷达图像目标分割》一文中研究指出目的针对传统Grab Cut算法需要人工交互操作,无法实现合成孔径雷达(SAR)图像的自动分割,且方式单一(仅利用边界或纹理信息中的一种)的问题,提出一种综合利用边界和纹理信息的改进Grab Cut算法,实现对SAR图像目标的自动分割。方法首先将其他格式的彩色或灰度SAR图像转化为24 bit的位图,采用图形理论对整幅SAR图像建模,根据最大流算法找到描述图的能量函数最小的割集,从而分割出目标区域;然后采用中值滤波抑制相干噪声;最后通过邻域生长算法滤除图像斑点和小目标的干扰,从而达到目标边界的连接,实现自动对SAR图像中的目标进行分割。结果在64位Window 7环境下采用MATLAB R2014处理平台,对楼房、车库、大树、汽车群等4幅分辨率不同的SAR图像进行目标分割实验,特征目标被自动分割出来,耗时分别为1. 69 s、1. 58 s、1. 84 s和3. 09 s,相比Mean-shift和Otsu算法,平均计算效率分别提升150%和3%,并且图像中的背景杂波、目标阴影和干扰小目标均被有效去除。结论综合利用边界和纹理信息能够有效抑制相干噪声,去除图像斑点和小目标的干扰,从而达到目标边界的连接,实现对SAR图像目标的自动分割。实验结果表明,本文算法可以满足工程化应用要求,自适应性强,分割精度高,且具有较好的鲁棒性。(本文来源于《中国图象图形学报》期刊2019年06期）
宿强,杨景玉,王阳萍[7]（2019）在《基于直觉模糊C核均值聚类算法的合成孔径雷达图像变化检测》一文中研究指出针对合成孔径雷达图像中存在椒盐噪声影响变化检测精度的问题,在变化检测步骤中应用一种改进的直觉模糊C核均值聚类算法;首先运用代数运算方法——差值法、比值法、图像回归法,构建3幅光谱变化差异的图像,将3幅差异图像组成列向量;然后使用主成分分析算法对差异图像构成的列向量进行特征提取;最后采用直觉模糊C核均值聚类算法获取影像变化图。实验结果表明:所用算法可以减小椒盐噪声对合成孔径雷达影像变化检测的影响,而且该算法能更好地保留特征信息,提高变化检测的精度。(本文来源于《激光与光电子学进展》期刊2019年19期）
聂祥丽,黄夏渊,张波,乔红[8]（2019）在《极化合成孔径雷达图像相干斑抑制和分类方法综述》一文中研究指出极化合成孔径雷达(Polarimetric synthetic aperture radar, Pol SAR)是一种多参数、多通道的微波成像系统,在农林业、地质、海洋和军事等领域有着广泛的应用前景. PolSAR图像的相干斑抑制和分类是数据解译的重要环节,已经成为遥感领域的研究热点.本文综述了现有PolSAR图像的相干斑噪声抑制和分类方法并进行展望.首先,简要介绍了PolSAR系统的主要进展和应用;然后,对PolSAR图像相干斑抑制的评价指标和方法进行综述并对几种代表性方法进行了实验对比;接下来,对PolSAR图像的特征进行分析归纳,分别对有监督、无监督和半监督的PolSAR分类方法进行总结并给出了几种有监督分类方法的实验比较;最后,对PolSAR图像相干斑抑制和分类方法未来可能的研究方向进行了思考和讨论.(本文来源于《自动化学报》期刊2019年08期）
谢英杰,戴文鑫,李川,袁榕澳,刘一静[9]（2019）在《基于机器学习算法的合成孔径雷达图像的目标识别》一文中研究指出合成孔径雷达有着观测范围广和分辨率高的特点,可以全天候工作,并能有效地识别伪装和穿透掩盖物,但也存在雷达图像数据量大且目标电磁散射特征复杂等特点,为目标的识别引入了噪声和干扰,因此发展快速和智能化的SAR图像目标识别技术得到越来越多的关注.本文针对美国空军研究实验室SAR图像中的8个目标物引入3种机器学习算法和一些数据处理方法构建了相关的识别模型,并对其识别能力进行对比分析,结果显示这3种机器学习算法通过优化算法都可以获得较高的识别准确率(> 80%),尤其是KNN算法的测试集准确率都可以高达97%.本文研究结果可为SAR目标识别的人工智能化技术提供一些方法上的参考和指导.(本文来源于《河南大学学报(自然科学版)》期刊2019年02期）
郭倩,王海鹏,徐丰[10]（2018）在《星载合成孔径雷达图像的飞机目标检测》一文中研究指出针对大场景下星载合成孔径雷达(SAR)图像中飞机目标检测问题,提出一种端到端的飞机目标检测算法。先在大场景SAR图像中对机场目标进行粗检测,定位机场区域,再通过精确分割算法获得机场的精细区域。对机场区域中的飞机目标进行检测,采用一种基于Canny算子的边缘检测与卷积神经网络结合的飞机目标检测算法。通过飞机边缘检测、边界框预处理等操作确定潜在飞机目标在机场中的位置范围,采用基于GoogLeNet的卷积神经网络对可疑目标进行鉴别。利用星载合成孔径雷达数据对算法进行验证,证明该方法的有效性与实用性。(本文来源于《上海航天》期刊2018年06期）
合成孔径雷达图像论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
距离——多普勒算法(Range-Doppler,RD)重构的船目标逆合成孔径雷达图像(InverseSynthetic Aperture Radar,ISAR)仅表示了目标散射点在RD域上的分布,要想更好的使用目标ISAR像,则需要对图像进行方位维定标处理。然而,传统的方位维定标算法都是基于目标匀速转动情况下进行的。为了解决这一问题,本文提出了基于仿射投影矩和加权平均法相结合的数学模型。该模型首先利用仿射投影矩对多幅ISAR图像进行规格化处理,消除船目标在ISAR图像序列中的尺度差异;然后定义一个相关函数作为评价准则,分别求解图像序列中相邻两幅图像对应的角速率;最后,采用加权平均的方式来估计目标某一时刻或者某一较短时间内的转动速率,进而实现船目标ISAR像方位维定标。仿真和实测数据的处理结果验证了该方法的有效性。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
合成孔径雷达图像论文参考文献
[1].于娜,王清,靳晨聪.基于合成孔径雷达图像处理的舰船目标检测与优化[J].舰船科学技术.2019
[2].杨宏鑫.船目标逆合成孔径雷达图像的方位维定标问题研究[C].第十六届沈阳科学学术年会论文集（理工农医）.2019
[3].冯伟业,廖可非,欧阳缮,牛耀.基于胶囊神经网络的合成孔径雷达图像分类方法[J].科学技术与工程.2019
[4].樊书辰,水鹏朗.形态学边缘信息引导的区域合并合成孔径雷达图像分割算法[J].西安交通大学学报.2019
[5].胡显,姚群力,侯冰倩,宋红军,雷宏.基于卷积神经网络的合成孔径雷达图像目标识别[J].科学技术与工程.2019
[6].谌华,郭伟,闫敬文.综合边界和纹理信息的合成孔径雷达图像目标分割[J].中国图象图形学报.2019
[7].宿强,杨景玉,王阳萍.基于直觉模糊C核均值聚类算法的合成孔径雷达图像变化检测[J].激光与光电子学进展.2019
[8].聂祥丽,黄夏渊,张波,乔红.极化合成孔径雷达图像相干斑抑制和分类方法综述[J].自动化学报.2019
[9].谢英杰,戴文鑫,李川,袁榕澳,刘一静.基于机器学习算法的合成孔径雷达图像的目标识别[J].河南大学学报(自然科学版).2019
[10].郭倩,王海鹏,徐丰.星载合成孔径雷达图像的飞机目标检测[J].上海航天.2018
论文知识图
