论文总字数：25804字

摘 要

合成孔径雷达（SAR）是近些年来雷达研究的重点，它作为一种主动式微波雷达，在观测效果上具有实孔径雷达不可比拟的优点。因而，合成孔径雷达在生产生活的各个方面都有广泛的应用和研究前景。近些年来，随着各行各业对合成孔径数据解译方面的需求，科研人员在提高极化SAR图像成像效果和图像分类效率做出了巨大贡献。

本文设计了一个基于人工神经网络的合成孔径雷达图像分类器。在获取了SAR图像电子仿真图的情况下，对SAR图像进行了纹理特征分析，并利用图像的灰度共生矩阵获得了常用的纹理特征：能量、最大概率、熵、对比度等。

采用了类内类间距准则对合成孔径雷达图像的纹理特征值进行选择，压缩了特征空间，解决了可能会出现的过拟合情况，在不影响分类器分类效果的前提下减少了分类器的输入维数。

最后选取了径向基神经网络算法对分类与识别过程进行了训练与，实现了分类器的最终设计。用丘陵、机场、麦田三类从合成孔径雷达获取的地貌特征图进行特征提取与特征选择，并对分类器进行了训练和测试，分类效果理想。

关键词：合成孔径雷达，模式识别，纹理特征，特征提取，径向基神经网络

ABSTRACT

Synthetic Aperture Radar (SAR) is the focus of radar research in recent years. As an active microwave radar, it has the advantage that the Real Aperture Radar does not have in observing the target. Therefore, synthetic aperture radar has wide application and research prospects in all aspects of production and life. Nowadays, with the demand for interpretation of synthetic aperture data in various industries, researchers have made great contributions to improving the imaging process and image classification efficiency of SAR images.

In this paper, a synthetic aperture radar image classifier based on artificial neural network is designed. In the case of obtaining the electronic simulation map of SAR image, the texture features of the SAR image are analyzed, and the common texture features are obtained by using the gray level co-occurrence matrix of the image: energy, maximum probability, entropy, contrast and so on.

The intra-class class spacing criterion is used to select the texture feature values of the synthetic aperture radar image, compress the feature space, solve the over-fitting situation that may occur. Besides, it can reduce the input of the classifier without affecting the classification effect of the classifier.

Finally, the radial basis neural network algorithm is selected to train the classification and recognition process, and the final design of the classifier is realized. The feature extraction and feature selection were obtained from the geomorphological maps obtained from synthetic aperture radar in hills, airports and wheat fields. The classifiers were trained and tested, and the classification results are ideal.

Key words: SAR, Pattern Recognition, texture feature, feature extraction, RBF neural network

目 录

第一章 绪论 5

1.1论文背景与研究意义 5

1.2国内外现状 6

1.3作者的主要研究工作 7

1.4论文的主要内容以及组织结构 7

第二章 合成孔径雷达成像 8

2.1引言 8

2.2 雷达技术发展现状 9

2.3雷达成像算法 10

第三章 模式识别概述 12

3.1引言 12

3.2模式识别的基本概念 12

3.3 模式识别的历史发展 13

第四章 特征提取和特征选择 15

4.1引言 15

4.2图像特征 15

4.3灰度共生矩阵的概念及计算方法 16

4.4 灰度共生矩阵中的统计值 17

4.5 特征选择 21

第五章 RBF神经网络 23

5.1 引言 23

5.2神经网络概述 23

5.3 B-P神经网络 26

5.4 RBF神经网络 28

第六章 SAR图像分类器的设计及测试结果 31

6.1 引言 31

6.2 SAR图像分类器的工作流程 31

6.2.1 SAR图像纹理特征统计量的计算 32

6.2.2 特征值的选取 34

6.2.3训练 35

6.2.4 SAR图像分类器的性能测试 36

6.3特征值的筛选与否对分类器性能的影响 37

6.3.1验证方案 37

6.3.2 验证结果及结论 37

第七章 总结与展望 39

7.1 总结 39

7.2 展望 39

插图及附表清单

图2.1:合成孔径雷达成像的过程………………………………………………………….….....5

图3.1:模式识别流程图……………………………………………………………,……...…..…7

图3.2:句法结构和形式语言模型………………………………………………………………..8

图5.1:神经网络模型……………………………………………………………………………17

图5.2:Sigmod函数图…………………………………………………………………………...18

图5.3:Sigmod函数导数图……………………………………………………………………...19

图5.4:tanh函数图………………………………………………………………….…………...19

图5.5:BP神经网络结构图……………………………………………………………………..20

图5.6:RBF神经网络结构…………………………………………………………………........23

图6.1:SAR图像分类流程图…………………………………………………………………...24

图6.2:计算窗口示意图…………………………………………………………………….…...26

图6.3:丘陵、机场和麦田的典型图…………………………………………………………....26

图6.4:丘陵、机场以及麦田地貌六项统计量………………………………………………....27

图6.5:选取出的熵、对比度以及相关性三项特征值……………………………………...….28

图6.6:6次训练中误差迭代次数变化曲线………………………………………………...…..29

图6.7:两种分类器的图像分类准确率图 ………………………………………….….…..…..30

表4.1:图像A,B灰度共生矩阵特征值………….………………………………………….…..15

表6.1:图像分类器分类准确率表……………………………………………………................29

表6.2:两种分类器的图像分类准确率表………………………………………………………30

第一章 绪论

1.1论文背景与研究意义

上世纪80年代，美国科学家Carl Wiley提出的多普勒锐化概念，推动了人们对合成孔径雷达技术的发展。合成孔径雷达是为了达到实用的成像分辨率的技巧常用的雷达系统，它利用观测目标和工作雷达的相对运动，使得观测目标对雷达发送的无间断波束形成后向散射，再利用合成孔径等原理获取图像，通过这种相对运动能够降低对雷达硬件技术的要求。

如今的合成孔径雷达经过几十年的发展，在各个方面都有较大的优势：1）它无需光源就能在任何时间任何气候下实现观测，因而在观测得时间和空间两方面的应用都有一般雷达无可比拟的优点；2）在数字化方法引入SAR成像后，CS算法、R-D算法等又经过进一步的发展，使得SAR图像已经具有和光学图像媲美的分辨率和分辨力；3）与光学成像系统相比，SAR成像还能透过光学成像系统所不能穿过的区域，例如，光学成像系统无法获得被森林等遮挡的物体图像，而SAR成像系统却可以穿透这些遮挡物，获取重要信息。这种特性的其中一个应用就是能在军事侦察时发挥重要作用；4）与实孔径雷达系统相比，能在相同天线长度下，实现更高程度的分辨率和分辨力，从而采集到图像更丰富的信息，能提取出更多更有用的特征值，从而显著提高下一步图像处理的效率。

当雷达系统获取了合成孔径雷达的图像后，就需要对SAR图像进行高质量的解译分析，而其中的关键一步就是针对SAR图像进行特征提取\选择算法研究，设计出高质量的分类器，完成雷达图像的高效分类。只有实现了对图像分类较高的准确度，才能为SAR图像后续处理奠定基础，才能推动SAR更广泛的应用，使该技术能在生产生活的各个方面做出贡献。例如：可通过实时成像检测森林等重要地区的火灾发生、监测重要水域的流量大小；高效测绘各类地面状况、侦察多元复杂的战场情况、实现对各种飞行仪器的导航精确成像鉴别多样地表情况下的植被类型、勘探地表下的各类矿物等。总之，无论在民用生活还是军事生活中，对SAR图像分类技术的研究都是推动雷达图像进一步解译的前提。

1.2国内外现状

目前国内外对于SAR图像的分类技术中的特征提取大概分为以下方向：

（1） 直接对获得的雷达遥感数据进行操作，获得基于观测目标物理特性的信息，对观测目标的物理特性进行处理，利用基于简单测量、目标分解和统计建模等方法获取特征值。这种技术需要研究人员对于微波理论、计算机技术有较深的理解。

（2） 利用已经较为成熟的雷达成像技术，在获得较为清晰的SAR图像后，对雷达图像实现特征值提取和选择。这种技术将现在发展较为成熟的模式识别引入到了SAR图像分类技术中，前景广泛。

1.3作者的主要研究工作

本文将模式识别技术应用到SAR图像的分类中，通过人工神经网络算法设计了一个分类器，完成了：

（1）对图像灰度共生矩阵的计算，对SAR图像的纹理特征进行提取和分析，并利用类内类间距准则完成了特征空间的压缩，构造出了合理的特征空间。

（2）用人工神经网络中的RBF神经网络实现了分类器最后一步的设计。最后用丘陵、机场、麦田三类SAR图像数据进行地貌分类的实验验证，分类正确率在95%以上。

1.4论文的主要内容以及组织结构

本文主要研究了模式识别技术在SAR图像分类中的应用，详细介绍了模式识别的关键技术：特征提取和特征选择，并对SAR图像的纹理特征进行分析，并利用类内类间距准则压缩特征空间，采用人工神经网络中的RBF神经网络实现分类器的设计。最后用丘陵、机场、麦田三类SAR图像数据进行地貌分类的实验验证。

论文内容的组织结构如下:

第一章绪论部分介绍论文的背景以及研究意义，介绍国内外对SAR图像分类器设计的方向和发展。

第二章介绍合成孔径雷达成像技术和成像算法。

第三章引入模式识别与图像处理的知识和方法。

第四章对图像的灰度共生矩阵进行纹理特征分析和选择，为SAR图像的纹理特征提取奠定理论基础，并通过聚类算法选取特征值，将其作为分类器的输入。

第五章介绍神经网络的基本概念，并通过介绍径向基（RBF）神经网络实现SAR图像分类器的最终设计。

第六章介绍了分类器的工作流程，以及每个流程的细节。选取丘陵、机场和麦田三类合成孔径雷达成像图，随机划分训练集与测试集，对该分类器的性能进行了验证，并分析实验结果。最后对本文的工作进行总结并对极化合成孔径雷达的发展做出展望。

第二章 合成孔径雷达成像

2.1引言

雷达成像是近现代雷达技术在理论与实践上发展的一个重大突破。它能够将观测目标或区域的物理特性的空间分布反映出来，是观测目标具有反射特性的物理量分布的维度空间函数。其中合成孔径雷达和逆合成孔径雷达是雷达成像研究领域的一个热点。合成孔径雷达的接收数据很容易受到观测目标相干波以及观测角度引发的形变影响。本章介绍了雷达技术的发展现状、雷达成像技术的发展以及合成孔径雷达常用的成像算法。

剩余内容已隐藏，请支付后下载全文，论文总字数：25804字