论文部分内容阅读
合成孔径雷达(SAR)是一种不受天气、光照等各种外界环境影响,并可以对感兴趣的区域进行全天候、全天时侦查的微波探测传感器。自SAR研制成功以来,SAR成像技术得到了快速地发展,获得的SAR图像分辨率也越来越高。随着各种各样SAR系统的出现,使得SAR在各个领域中应用越来越广泛,因而SAR目标鉴别也成为广大学者的研究重点。然而,在实际应用中,由于可获取的目标样本通常比较少,杂波样本相对较多,导致SAR目标鉴别中的训练数据存在非平衡的情况。而传统的SAR目标鉴别算法在训练样本非平衡时目标的检测率下降,导致鉴别性能下降,所以非平衡数据下的SAR目标鉴别算法的性能有待提高。为解决以上问题,本文研究了基于传统非平衡数据分类方法的SAR目标鉴别算法、基于代价敏感字典学习的SAR目标鉴别算法和基于集成学习的SAR目标鉴别算法,以提高非平衡数据下的SAR目标鉴别算法的性能。论文安排如下:1.主要介绍本文的研究背景及意义、SAR目标鉴别研究现状、非平衡数据分类问题的研究现状和本文主要安排。2.研究了基于传统非平衡数据分类方法的SAR目标鉴别算法。首先简单介绍了利用基于双参数恒虚警(CFAR)检测和超像素分割算法得到图像切片的过程;接着对基于词包模型的鉴别特征提取方法进行了简要描述,并在miniSAR图像上进行实验;最后研究了一些传统的针对非平衡数据分类进行处理的方法,并在miniSAR数据集上进行对比实验。3.研究了基于代价敏感字典学习的SAR目标鉴别算法。首先对稀疏表示分类基本理论和K-SVD字典学习算法进行了介绍;然后介绍了基于代价敏感字典学习的SAR目标鉴别算法框架及算法流程,在稀疏编码阶段考虑了代价信息,并在整个字典学习过程中强制执行代价敏感约束;最后在miniSAR数据集上进行对比实验,验证了代价信息对非平衡数据下的SAR目标鉴别算法性能的提升作用。4.研究了基于集成学习的SAR目标鉴别算法。首先介绍集成学习基本理论;接着描述了基于三种不同字典集成方式的SAR目标鉴别算法,并在miniSAR数据集上进行对比实验;最后介绍基于集成多分类器的SAR目标鉴别算法框架及流程,基分类器分别为基于代价敏感字典学习的稀疏表示分类器(CSDL-SRC)与支持向量机(SVM),并在miniSAR数据集上进行对比实验,验证集成学习对非平衡数据下的SAR目标鉴别效果有进一步提升作用。