基于特征信息融合和極限學(xué)習(xí)機(jī)分類的SAR圖像目標(biāo)識(shí)別技術(shù)研究.pdf

1、合成孔徑雷達(dá)(SAR，Synthetic Aperture Radar)在軍事和民用的應(yīng)用日益廣泛，研制出更加智能化的SAR自動(dòng)目標(biāo)識(shí)別系統(tǒng)(ATR，automatic target recognition)的需求也更為迫切。SARATR系統(tǒng)涉及多學(xué)科理論與技術(shù)，眾多新理論的出現(xiàn)進(jìn)一步推動(dòng)了SARATR系統(tǒng)的發(fā)展。特征提取、特征優(yōu)化和特征分類是ATR中至關(guān)重要的步驟。
　　本文重點(diǎn)研究了SAR圖像的特征提取與融合、特征分類，提出了

2、解決SAR圖像地物分類與目標(biāo)匹配問(wèn)題的新方案。一方面，提取SAR圖像紋理特征，利用特征融合算法與極限學(xué)習(xí)機(jī)模型實(shí)現(xiàn)地物分類;另一方面，設(shè)計(jì)基于點(diǎn)群匹配的相似度函數(shù)來(lái)衡量SAR圖像相似性，從而實(shí)現(xiàn)目標(biāo)部分和模板庫(kù)之間的匹配。文章從以下三個(gè)方面開(kāi)展研究:
　　一、SAR圖像特征提取結(jié)果的好壞將直接影響到后續(xù)分類算法的識(shí)別率，對(duì)于地物分類問(wèn)題，紋理特征一直是研究和應(yīng)用的重點(diǎn)。本論文研究了不同種類的紋理特征，根據(jù)特征融合算法對(duì)多特征串行與

3、并行組合進(jìn)行優(yōu)化，該方法通過(guò)線性降維去除特征間冗余的信息，提升了后端分類器的識(shí)別率與穩(wěn)定性。
　　二、極限學(xué)習(xí)機(jī)（ELM，extreme learning machine）具有高效且收斂速度快的特性，論文研究了不同種類極限學(xué)習(xí)機(jī)的網(wǎng)絡(luò)構(gòu)建方式，根據(jù)增量模型中增長(zhǎng)速度與收斂速度的關(guān)系，提出了隱層節(jié)點(diǎn)增量數(shù)目隨收斂速度調(diào)整的網(wǎng)絡(luò)構(gòu)建模式，并命名為變長(zhǎng)增量型極限學(xué)習(xí)機(jī)（VI-ELM，variable length incremental

4、 extreme learning machine）。在UCI標(biāo)準(zhǔn)測(cè)試集上驗(yàn)證了該算法的有效性，并將其應(yīng)用于SAR圖像地物分類問(wèn)題中，取得了較好的分類效果。
　　三、峰值特性是分析SAR圖像的重要特性，論文研究了SAR圖像強(qiáng)散點(diǎn)點(diǎn)群分布特征，提出了基于點(diǎn)群匹配的相似度函數(shù)。將點(diǎn)與點(diǎn)的匹配擴(kuò)展到點(diǎn)與點(diǎn)群之間的匹配，并由此定義點(diǎn)群與點(diǎn)群之間的相似性度量標(biāo)準(zhǔn)。該方法能夠反映圖像相似性的一般規(guī)律，對(duì)噪聲、部分遮擋、變形等不同程度的干擾能夠