一、SAR图像识别提取与选择特征（论文文献综述）
任浩浩[1]（2021）在《合成孔径雷达图像目标识别方法研究》文中研究说明合成孔径雷达（Synthetic Aperture Radar,SAR）是一种工作在微波段的高分辨成像雷达,因其全天时、全天候的工作特点,已在国防安全、环境监测以及能源探测等众多领域中发挥着关键作用。SAR图像解译旨在针对不同的任务需求从复杂的地物场景中根据目标与背景的物理属性提取出有用信息,实现从图像到情报信息的转化。自动目标识别（Automatic Target Recognition,ATR）致力于从复杂的图像中自动完成感兴趣目标区域检测和目标类别属性推理,是实现智能SAR图像解译的重要方式。近年来,随着机器学习理论与深度学习技术的迅猛发展,SAR ATR技术已在理论方法研究和系统设计方面取得了突破性进展。但受真实应用场景中传感器有限的数据捕获能力、昂贵的数据标注成本以及传感器独特的成像机理等诸多因素的制约,使得SAR ATR任务在训练数据库的构建、稳健目标特征提取以及高精度分类模型的设计等方面面临重大挑战。本文围绕SAR ATR任务中的样本标注、目标特征提取以及分类判决等关键问题,从深度特征提取、多视角学习、弱监督学习以及小样本学习等方面展开了理论分析、方法研究以及基于实测数据的实验验证。主要研究内容如下:（1）针对复杂扩展操作条件（Extended Operating Conditions,EOCs）下SAR图像目标识别问题,提出了一种基于扩展卷积胶囊网络的目标识别方法。该方法首先利用多个空洞卷积层提取目标多尺度鉴别特征,然后引入注意力机制思想对多尺度特征进行自适应特征增强与抑制。为了充分利用特征空间结构中蕴含的鉴别信息,该方法设计了基于胶囊单元的特征位姿学习层来学习特征的空间结构关系,可有效挖掘图像中潜在的识别信息,进而提升目标识别性能。（2）针对单视角SAR图像目标中蕴含的信息量有限而导致识别性能不佳问题,提出了一种基于有监督稀疏表示的多视角目标识别方法。该方法在训练阶段充分利用训练样本标签提供的监督信息,建立一个表示字典与分类器联合的学习框架,利用分类误差反馈调整字典学习过程;在测试阶段松弛了多视角联合优化模型中视角间的方位角间隔约束,在拓宽模型适用范围的同时,提取了多视角的共有类特性以及类互补特性,继而提升目标识别性能。（3）针对SAR图像目标识别任务中高昂的样本标注问题,提出了一种基于深度学习的弱监督目标识别方法。该方法考虑到识别模型在少量的有标签样本条件下容易发生过拟合,引入贝叶斯推理到卷积神经网络模型参数优化过程;为了充分利用无标签样本提升模型性能,设计了一种面向弱监督分类识别任务的样本选择策略来完成无标签样本的选择与标注;基于有标签样本完成识别模型参数更新,在降低样本标注成本的同时,提升模型的识别性能。（4）针对训练样本极度匮乏条件下SAR图像目标识别问题,提出了一种基于元孪生子空间分类网络的目标识别方法。该方法将元学习、度量学习以及子空间学习思想集成到同一框架中,通过设计孪生网络结构的特征嵌入模型提取低维鉴别特征,借鉴子空间学习思想设计分类器完成目标类属型推理,引入元学习“学会学习”的思想训练模型,实现样本极度匮乏条件下稳健的SAR图像目标识别。
吴桐[2]（2021）在《基于卷积神经网络的SAR图像车辆目标识别方法研究》文中指出合成孔径雷达（Synthetic Aperture Radar,SAR）是一种高分辨率成像雷达,具有全天时、全天候和穿透力强的特点,在军事侦察、城市规划、环境监测等国防和国民领域发挥着重要作用。随着获取SAR图像数据能力的不断提升和SAR图像分辨率的持续提高,如何在海量的SAR图像数据中解译信息成为研究热点。卷积神经网络（Convolutional Neural Networks,CNN）作为一种深度学习模型,对生物神经元的感知过程进行了算法上的模仿,在图像目标识别领域取得了较好的效果。研究基于CNN的SAR图像目标识别技术具有一定的工程意义。本文基于CNN,重点研究不同SAR图像数据采集条件下的车辆目标识别,采用的数据集为MSTAR数据集,该数据集公开部分的数据包含十类军事车辆目标的SAR图像。本文主要研究内容如下:1)针对SAR图像数据集的数据较少,易引起CNN模型训练过拟合的问题,设计了一种基于生成对抗网络的数据增强方法。该方法采用全卷积网络作为生成对抗网络的生成模型和判别模型,并对模型引入了多种优化技巧。实验结果表明,在五种图像质量评价指标上,设计的生成对抗网络模型获取的SAR图像数据可以取得和真实的SAR图像数据相似的结果,即获取的SAR图像数据可用于SAR图像数据集的补充。2)针对SAR图像与光学图像在图像特征上存在差异,直接将光学图像领域的CNN模型应用于SAR图像目标识别,取得的效果不理想的问题。基于光学图像领域的识别模型VGG16,设计了一种改进的CNN模型,该模型考虑到了SAR的成像特征、成像的仰俯角及车辆目标的不同变体对识别性能的影响,在改进VGG16结构的同时引入了优化算法。实验结果表明,在三种识别条件下,设计的CNN模型可以取得较高的识别正确率,且当训练数据进行一定的扩充时,识别正确率可以进一步提升。3)针对CNN模型因网络参数随机初始化引起的模型迭代初期稳定性较差,进而影响识别正确率的问题,将迁移学习理论引入到设计的CNN模型。以MSTAR数据集中的部分SAR图像车辆目标数据作为源域训练样本,将源域训练得到的模型参数迁移到目标域模型作为网络初始参数,使用目标域训练样本进行网络参数微调,实现从源域到目标域的信息迁移。实验结果表明,在三种识别条件下,设计的CNN模型在引入迁移学习理论后,可以进一步提升识别正确率,且模型的收敛趋势较好。为验证算法的可靠性,将实验结果与七种优异的SAR图像目标识别方法进行性能对比,对比结果表明,在三种识别条件下,本文的SAR图像车辆目标识别方法可以取得较高的识别正确率,能够在一定程度上促进SAR图像目标识别技术的发展。
李璐[3]（2021）在《结合特征融合的SAR目标检测与识别方法研究》文中提出合成孔径雷达（Synthetic Aperture Radar,SAR）能够全天时、全天候成像,具有连续观测的能力,在军事和民用领域得到了广泛的应用。随着SAR及其成像技术的发展和成熟,SAR图像的分辨率越来越高,收集到的SAR图像数量日渐增多,对SAR自动目标识别（Automatic Target Recognition,ATR）提出了迫切的需求。典型的SAR ATR系统包括目标检测、目标鉴别、目标识别三个阶段。其中,目标检测旨在从大场景SAR图像中找到目标并提取目标切片,目标识别旨在对目标切片进行类别、型号的划分判定。对这两个阶段的研究具有重要的意义和价值,获得了国内外研究学者的广泛关注。不论是目标检测还是目标识别中,有效的目标特性表征都是极其重要的关键因素。然而传统的SAR目标检测和目标识别方法往往只采用单一的特征对目标特性进行描述,难以实现完整、充分的目标特性表征,一定程度上限制了目标检测与目标识别的性能。本文结合特征融合的思想,挖掘并融合互补的特征对目标进行完整、充分的表征和描述,对SAR目标检测与目标识别的相关理论和技术问题进行分析和研究。主要内容可以概括为以下四个方面:1.为避免杂波统计建模同时充分利用杂波信息,研究将基于稀疏重构的显着性检测方法引入SAR目标检测任务,结合特征融合,提出基于双域稀疏重构显着性融合的SAR目标检测方法。传统基于稀疏重构的显着性检测方法虽然能在充分利用杂波信息的同时避免杂波统计建模,但仅使用单一的幅度特征,易受相干斑噪声影响,对SAR目标的表征能力弱。因此,所提方法在图像域提取像素级幅度特征,在结构域提取超像素级结构特征,两个不同域的特征分别从不同角度描述目标且具有一定互补性,将上述特征进行特征融合,实现更加完整、充分的目标特性表征,获得更加稳健准确的能够突出目标抑制杂波的显着图,从而提升复杂场景下SAR目标检测的性能。基于mini SAR实测数据的实验结果表明,所提方法具有比传统SAR目标检测方法和其他显着性检测方法更好的目标检测性能。2.为避免杂波统计建模同时借助于卷积神经网络的表征能力提升复杂场景的目标检测性能,研究将基于卷积神经网络的单步多框检测器（Single Shot multibox Detector,SSD）引入SAR目标检测任务,结合特征融合,提出基于显着性引导的特征融合SAR目标检测网络。SSD虽然借助于卷积神经网络具有强大的表征能力且能避免杂波统计建模,但其在对场景数据进行特征提取时采取无差别处理,并且在单一尺度上只利用了当前尺度的特征进行目标检测,限制了目标表征能力。因此,所提方法一方面在SSD中引入了显着性特征,将显着性特征与网络特征整合,利用显着性特征凸显目标、抑制杂波的特性,增强目标与杂波的区分性。另一方面,在SSD中采用密集连接结构,自下而上的融合相邻尺度的特征信息,挖掘相邻尺度特征之间的相关互补优势,增强目标特征的表征能力,从而提升复杂场景下SAR目标检测的性能。基于mini SAR实测数据的实验结果表明,所提方法比传统的SAR目标检测方法和其他基于深度学习的目标检测方法具有更好的目标检测性能。3.虽然在SSD中引入密集连接实现的自下而上的特征融合确对目标检测性能提升有裨益,但其性能提升仍受限于特征融合时单向的信息传递。因此,改进不同尺度特征间的融合方式,提出结合矩形不变可旋转卷积的跨尺度特征融合SAR目标检测网络。所提方法在SSD中引入跨尺度特征融合模块,自下而上且自上而下的双向传递不同尺度特征的信息,实现跨尺度特征间相关互补信息的融合,进一步增强目标特征的表征能力,提高目标检测的性能。与此同时,考虑到在SSD中常规卷积层采样点固定的内在机制限制了网络对目标几何形变的适应能力,所提方法在常规卷积的基础上,结合SAR图像中车辆目标的矩形形状先验信息,提出矩形不变可旋转卷积,使得采样点能够根据目标自适应地调整。将矩形不变可旋转卷积引入SSD,增强网络对SAR目标的表征能力和对几何变换的建模能力。基于mini SAR实测数据的实验结果表明,所提方法比传统的SAR目标检测方法和其他基于深度学习的目标检测方法具有更好的性能。4.针对传统SAR目标识别方法往往仅采用单一的浅层特征对目标进行表征的问题,研究结合特征融合和深层特征挖掘的模型,提出基于深度森林的多级特征融合SAR目标识别方法。所提方法对目标提取从不同角度描述目标且具有一定互补性的幅度特征和结构特征;基于幅度特征和结构特征,进一步提取能够从局部到全局描述目标的多级幅度特征和多级结构特征,对目标进行更加完整、充分的目标特性表征。结合深度森林模型,通过堆叠的多层森林对多级幅度特征和多级结构特征进行融合,同时通过逐层的非线性映射对特征挖掘其深层信息,增强目标表征能力,提升SAR目标识别性能。基于MSTAR实测数据的实验结果表明,所提方法相比于传统的SAR目标识别方法和其他基于深度模型的SAR目标识别方法具有更高的识别正确率。
吴效莹[4]（2021）在《SAR图像多特征融合与分类算法研究》文中研究表明合成孔径雷达（Synthetic Aperture Radar,SAR）是一种主动的雷达成像系统,具有全天时、全天候、高分辨率的特点,已被广泛应用于经济、军事等多领域。但是SAR图像中固有斑点噪声的存在严重影响了图像的质量,对SAR图像的理解与解译带来极大挑战。而SAR图像地物分类又是SAR图像理解的重要内容,尽管在该领域的研究取得了丰富的研究成果,但仍然存在着先验知识少、多特征的融合与优化、空间结构信息的有效利用、多特征线性不可分和自适应分类建模等问题,针对上述问题,本文将张量理论、核稀疏表示和自适应核技术有机融合,充分挖掘SAR图像的空间结构信息、利用邻域内的相关性和非邻域内的差异性,对SAR图像多特征提取、融合与分类算法进行深入研究,取得以下研究成果。（1）提出了基于张量分解与聚类的半监督分类算法。基于多特征的SAR图像分类方法存在着空间结构信息缺失问题,如何保留SAR图像结构信息,提高基于特征的识别能力,降低噪声的影响,仍是这一领域的一个挑战。为此,本文首先利用聚类方法来保持图像和张量中的非局部信息,并具有保留空间结构信息的能力。其次,通过分块聚类算法生成多特征SAR图像的多个高阶聚类张量,形成多重流形结构,保留了图像固有的局部与非局部空间结构信息。然后,通过考虑局部结构、标注和未标注的信息,将改进的判别分析和张量分解理论相结合产生簇张量的多个新的投影方向,增强了类内紧致性和类间可分性,提高了基于特征的识别能力。最后基于支持向量机实现SAR图像的分类,并通过实验进行验证分析。（2）提出了一种新的基于多特征和自适应核函数组合的SAR图像分类算法。该算法通过对自适应复合核和复合权重融合策略研究实现对SAR图像的分类。首先,从SAR图像中提取灰度共生,小波能量和属性轮廓特征,构造三个互补的3D特征张量。然后,根据SAR图像的Gamma分布和非负对数似然值,将SAR图像三维特征张量分割成三维特征块,进而利用提出的自适应复合核策略来挖掘每个特征块中的上下文空间信息,并根据每个特征块的空间结构信息自动确定新复合核中的权重。最后,通过构造复合权重的决策融合策略,得到最终的分类结果,并通过对合成和真实SAR图像的实验验证了方法的有效性。（3）提出了基于多特征非局部动态核稀疏表示的SAR图像分类算法。为了解决SAR图像多特征会引起线性不可分问题,该方法首先对SAR图像进行多特征提取,并通过映射和核函数构造不同张量特征的核空间。其次,为了充分利用不同类型特征空间结构信息的局部相似性和非局部信息的差异性,降低非局部信息干扰,对核空间进行张量投影,并基于它构建了多特征非局部动态核稀疏表示模型。然后基于多特征非局部动态核稀疏表示残差构造分类器,实现SAR图像的分类。最后通过仿真和真实的SAR图像进行比较验证。（4）提出基于注意辅助栈式稀疏自编码网络的SAR图像分类算法。为了解决SAR图像标注样本有限、局部空间信息缺失和识别精度问题,首先从原始SAR图像中提取三个不同特征,以此构造注意模块频谱纹理信息特征,且经过降维和Gabor滤波,构成注意模块空间信息。其次,根据真实样本相似性和距离生成虚拟训练样本,解决标注样本不足问题,并和真实样本预训练栈式稀疏自编码网络。然后,通过逻辑回归与栈式稀疏自编码网络结合优化整个深度网络,实现SAR图像的分类。最后通过真实SAR图像进行比较验证。
宣晨[5]（2021）在《基于深度学习的合成孔径雷达图像目标识别研究》文中认为合成孔径雷达（Synthetic Aperture Radar,SAR）图像在服务地球资源探测、区域发展水平评估和国防体系建设等领域扮演着重要的角色。深度学习技术的不断突破为助力高效解译SAR图像奠定了坚实基础,基于深度学习的SAR图像识别研究也进入了发展的快车道。目前,SAR图像自动识别技术面临着训练样本不足、模型结构复杂和鲁棒性不强的问题。针对以上SAR图像识别任务中面临的难点问题,本文以深度学习框架为基础,结合迁移学习、自注意力机制和知识蒸馏技术展开研究。本文相关的主要研究内容概括如下:（1）针对SAR图像背景充斥严重散斑噪声和训练小样本数据的过拟合问题,本文将空洞卷积（Atrous Convolution）和Inception模块相结合设计出基于迁移学习的TAI-SARNet（Transferred Atrous-Inception SAR Network,TAI-SARNet）,该网络能够指数级的扩增感受野,从而助力模型提取具有判别性的特征信息。除此之外,该网络严格控制参数增长,并结合批归一化策略,缓解因模型参数冗余和内部协变量转变问题造成的过度拟合数据现象。最后,本文联合迁移学习的相关方法,对光学领域、非光学领域、联合光学及非光学领域的先验知识迁移到SAR小样本数据集上的识别性能进行探究,并取得了良好的实验结果。（2）针对深度学习模型难以有效提取和利用小样本数据特征信息的问题,本文借鉴特征重用和特征融合的思想,并结合自注意力机制设计了多尺度特征融合卷积神经网络（Convolutional Neural Network,CNN）。首先,通过将高效轻量的Ghost模块与自注意力机制相结合构建自注意力Ghost模块,并用该模块替代传统的卷积操作,有效的提取SAR图像的显着特征。其次,通过构建高效的瓶颈单元进行网络架构,用以获取目标图像不同层次的特征信息。最后,引入通道混洗单元和最大池化层构建多尺度信息支路,促进信息的充分交互。实验结果表明,本文基于自注意力机制构建的多尺度特征融合网络在多种工作条件下采集的MSTAR数据集上取得了满意的识别结果,在自构建的SAR小样本数据集上也表现出良好的鲁棒性能。（3）针对CNN模型结构复杂和参数冗余的相关问题,本文引入知识蒸馏的相关技术对复杂模型重新设计得到精简的简单模型,并对通过教师模型获得的丰富知识进行蒸馏迁移。知识蒸馏突破了基于参数的迁移学习方法对模型结构的限制,通过调控温度参数的方式蒸馏出具有丰富知识的信息,从而进一步提升简单模型在相关任务上的识别性能。实验的相关结果显示,结合知识蒸馏的简单模型依旧具有类似复杂模型的强大学习能力,也有助于提升其在SAR小样本数据上的识别性能。
邢伟达[6]（2021）在《复杂电磁环境下SAR图像中道路检测方法研究》文中研究说明道路是当今世界上最主要的陆地交通设施,同时也是军事侦察的重要目标。合成孔径雷达（SAR）可以全天时、全天候获得大面积的高分辨率雷达图像,在民用和军事领域有着十分广泛的应用前景,但日益复杂的电磁环境给SAR图像道路检测带来新的技术挑战。针对在射频干扰环境和杂波背景环境下道路检测能力亟待提升的问题,课题围绕射频干扰抑制、杂波背景抑制和道路提取,论文的主要研究工作及创新点包含以下几个方面。1.针对强射频干扰难以完全滤除的问题,提出了一种基于两步式频域陷波和线性预测的射频干扰抑制方法,该方法通过两步陷波法来提升强射频干扰抑制能力,然后利用线性预测来恢复滤除的有用信号距离向频谱和提升SAR图像质量,实测数据处理结果验证了该方法在强射频干扰的抑制能力;进一步针对弱射频干扰信号难以被检测识别的问题,提出了一种基于频谱平滑处理和缺失频谱迭代自适应估计的射频干扰抑制方法,该方法通过距离频谱平滑处理来提升弱射频干扰识别能力,然后利用迭代自适应方法从相邻频谱数据中估计被滤除的信号频谱,模拟和实测数据验证了该方法在弱射频干扰的检测和抑制能力。2.针对强杂波背景下相干斑噪声影响图像检测和识别问题,重点研究了基于空域滤波的相干斑噪声抑制算法,对比和分析了几种算法相干斑抑制前后的图像等效视数和边缘保持指数;针对SAR图像中强散射目标旁瓣影响图像解译的问题,提出了一种基于自回归模型SAR图像旁瓣抑制方法,首先通过前向和后向预测器进行信号频谱外推,然后通过幅度加窗处理来抑制旁瓣能量,仿真实验验证了该方法的旁瓣抑制能力和几何分辨率保持能力。3.根据SAR图像中道路目标形态特征,研究了一种基于图像分割与区域合并的道路检测方法,首先利用Canny算子和分水岭算法实现了道路边缘的精确定位,通过潜在道路的种子点进行区域合并,最后通过形态学操作提升道路检测准确度,不同宽度道路网络检测结果验证了道路检测方法的有效性;结合射频干扰和杂波背景抑制情况,对比了射频干扰和杂波背景抑制前后道路的提取效果。
陈琳[7]（2021）在《基于深度学习的SAR图像目标识别与分类》文中提出合成孔径雷达（Synthetic Aperture Radar,SAR）是一种能够产生高分辨率图像的成像雷达,因其特殊的成像过程,使其具备全天时、全天候、处理增益高、反干扰能力强的能力。SAR系统能够在恶劣条件下工作的特点,因而在军用、民用等各类领域都有广泛使用,应用价值极高。与传统图像应用相比,SAR图像不具有丰富的光谱,与人类视觉有变差,通用性较差,且数据集大小往往比较有限,传统的图像处理技术进行目标检测太过于依赖人工特征提取,鲁棒性及泛化能力较弱。随着深度学习在计算机等领域的不断发展,基于深度学习的SAR图像分析关注度越来越高。本文采用深度学习方法对SAR图像目标识别与分类进行深入研究。首先,研究SAR图像特征提取与匹配特征混合方法,利用该方法可更准确、有效地进行SAR图像自动配准;其次,在卷积神经网络（Convolutional Neural Networks,CNN）基础上提出改进方案用以识别SAR图像,提升识别精度;最后,研究基于Faster R-CNN的SAR图像目标识别与分类方法,进一步提升识别与分类效率。本文的主要贡献如下:1.研究并提出SAR图像特征提取与匹配特征混合方法。针对SAR图像难以直观表述,其特殊的成像机制和存在散斑噪声等问题,本文研究并提出一种提取和匹配特征的混合方法。该方法通过高斯制导滤波器（Gaussian Guidance Filter,GGF）与尺度不变特征变换结合来获得Blob特征,并从GGF中获得角特征,有效减少斑点效应。实验结果表明,该混合方法可有效提升SAR图像配准的精度。2.研究并提出基于改进卷积神经网络的SAR图像目标识别方法。传统CNN方法中,存在无法收敛或收敛速度很慢的问题。本文在CNN基础上进行改进,采用新提出的传递参数方法来训练CNN网络,并在CNN最后一层连接分类器做出输出层,最后,对参数训练做进一步训练微调,以找到全局最优点。实验结果表明,与基准方法相比,该方法具有更好的识别效果和成功率。3.研究并提出Faster R-CNN的SAR图像目标识别与分类方法。为提高深度学习方法在SAR图像目标识别与分类的准确性和效率,本文提出一种Faster R-CNN方法模型。该方法引入一个区域提议网络（Regional Proposal Network,RPN）,用以预测位置的对象范围和得分,进而生成高质量的区域建议,最终提高总体的目标识别和分类精度。实验结果表明,该方法在识别精度与效率方面都得到提升。
冯艳[8]（2021）在《SAR图像多尺度目标潜在区域提取方法研究》文中指出由于目标与环境场景具有紧密相关性,根据SAR图像场景先验信息,在SAR图像中快速获取目标潜在区域,是提高目标检测效率、降低虚警、实现目标精确检测的首要环节。高分辨率SAR图像地物具有起伏变化明显、纹理特征丰富等特点。基于像素级的处理方法的计算粒度过于精细,而且没有充分考虑像素间的空间组织关系,因此难以有效获取SAR图像多尺度目标潜在区域。本文围绕SAR图像,主要解决多尺度地物分类精度低、目标潜在区域提取效果不好的问题。本文基于地物先验空间分布特性以及多尺度分割进行了SAR图像的分类研究。SAR图像数据源的优劣、地物层级结构划分及尺度大小的选取都对分类结果产生重要的影响。针对SAR图像多尺度目标,本文主要做了以下三方面的研究:1)在同一图像尺度下,用数据融合的方法提高分类精度。由于单一极化通道获取的信息有限,考虑使用合适的数据融合方法,有效利用更多的地物信息。本文提出了一种自适应网络融合方法来对VV通道和VH通道的数据进行决策融合,提高了分类精度。2)针对多尺度目标,基于图像块进行分层分类,以实现目标潜在区域的快速提取。根据区域一致性原则进行自适应图像块划分,通过实验分析,获取地物最佳分割尺度,并结合影像地物特征及先验知识,建立了分类的层次结构。将本文所提多尺度层级分类方法与非监督的K-means聚类分割方法以及超像素分割方法进行实验对比,本文方法更有效。3)在所提层次分类基础上,获取更精细化的目标提取结果。由于河流的形态与其他地物差距较大,并且河流周围包含其他地物,直接与其他地物一起进行分类会降低整体分类效果,本文基于陆地分类结果,采用改进的区域生长算法对河流进行提取。除此之外,分层分类的结果还可用于目标检测等任务。本文在海洋区域提取基础上,再进行舰船目标检测,避免检测到陆地上的虚警目标。
倪意凯[9]（2021）在《基于有限标签的深度学习SAR图像识别算法研究》文中研究说明合成孔径雷达（Synthetic Aperture Radar,SAR）利用雷达与目标之间的相对运动接收被检测区域的回波进行成像。相对于光学成像,SAR成像系统具有不受天气,时间等影响等特点,能够在恶劣条件下对目标进行探测。因此SAR图像不论在军事还是在民用上的实际应用,都具有很大的价值。可以被使用于自然灾害评估、地貌检测、舰船检测、动目标跟踪、战场监控等。所以在SAR图像自动识别方面有着广阔的研究前景。在传统方法上对SAR图像的目标识别已经遇到了瓶颈,近年来深度学习的飞速发展,让SAR图像识别技术有了新的发展。基于深度学习的识别模型通常是基于监督学习,这意味着模型的训练依赖于输入的图像和图像对应的标签。监督深度学习的优势在于通过大量带标签数据来提取图像特征用于区分图像,当带标签数量下降的时候,分类精度受到限制。但由于SAR图像解译困难,带标签的SAR图像数据十分有限。我们从数据扩增和半监督学习两个方面来解决这个问题。本文的主要内容如下:1.针对在深度学习过程中SAR图像训练样本不足的问题,我们发现了基于运动插值的数据扩增技术可以通过样本中任意两张图片来生成任意张中间图片,来缓解数据不足的情况,可以在一定程度上提高SAR图像识别的精度。2.通过分析和对比了基于运动插值的数据扩增技术和传统图像数据扩增两种方法的异同,我们发现可以依次使用两种扩增方法对已有的带标签数据进行数据扩增。经实验验证,此方法可以进一步提高CNN模型对SAR图像识别的性能。3.对于在有限标签数据的情况下,SAR图像识别率不高的问题。我们发现可以使用半监督学习相关方法来进行SAR图像识别,该方法可以有效利用无标签数据,使模型学习到无标签数据中的图像特征信息。使在有限标签的条件下的模型的识别性能大大提高,接近全标签监督学习下的结果。4.我们利用注意力相关机制与前文提出的运动插值数据扩增技术,对半监督模型进行了改进,使得在有限标签下SAR图像分类的精度有进一步的提升。
冯广能[10]（2021）在《基于深度生成学习的SAR图像仿真研究》文中研究说明合成孔径雷达（Synthetic Aperture Radar,SAR）图像解译需要大量图像数据支持分析,但现实中常面临图像数据不足的问题。仿真生成SAR图像是一种解决方法,其关键是SAR图像的分割与合成,但传统分割方法在抵抗噪声干扰和分割效率上比较低;而且目前缺少一种SAR图像背景与目标的迁移合成方法。随着深度学习方法在图像生成领域的成功应用,研究利用深度生成学习模型来解决SAR图像仿真生成中的难题具有可行性及潜在价值。本论文从SAR图像特征分析、SAR图像分割和SAR图像迁移等三个方面对SAR图像仿真技术进行研究。主要工作内容是改进了全卷积网络（FullyConvolutional Networks,FCN）结构,设计了FCN-SAR图像分割方法,并首次利用循环一致性对抗网络（Cycle-Consistent GAN,CycleGAN）实现了SAR背景与目标迁移融合,光学图像与SAR图像风格迁移,具体内容如下:（1）本文首先对SAR图像中的相干斑、阴影、纹理结构、灰度等特征进行分析,给出了SAR图像的特征值和灰度统计特征。之后介绍了深度学习领域中的神经网络和生成对抗类网络,并比较不同神经网络激活函数的优点。（2）在传统SAR图像生成方法流程中,基于边缘检测和基于区域分割的SAR图像分割算法分割效率较低且结果受相干斑噪声影响较大,针对这一问题本文提出利用神经网络进行图像分割,设计了FCN-SAR网络结构。FCN-SAR网络结构层数和参数数量少,计算复杂度低。在仿真验证中,通过SAR目标和阴影区域分割仿真验证表明:相比传统分割方式,基于FCN-SAR结构的分割方法在提高SAR图像的分割效率和精确度上具有分割效率高,且不受噪声影响。（3）针对目前缺少有效的SAR图像迁移合成方法这一问题,本文基于传统生成对抗网络类方法的研究,提出利用CycleGAN进行SAR图像仿真。针对CycleGAN稳定性差的问题,采用LSGAN（Least Squares GAN）和DCGAN（Deep Convolution GAN）改进CycleGAN的模型,提高训练稳定性,并进行了多种仿真应用:在数据集处理上,用此方法对受噪声影响严重的图像进行图像预处理,能够更好的抵抗噪声干扰;利用CycleGAN进行SAR目标和背景迁移仿真,光学图像与SAR图像迁移仿真,仿真结果表明该方法泛化能力强,迁移合成图像具有较高相似度,可以用于扩充SAR图像数据集。
二、SAR图像识别提取与选择特征（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：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（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。
三、SAR图像识别提取与选择特征（论文提纲范文）
（1）合成孔径雷达图像目标识别方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 缩略词表 |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 SAR目标识别流程 |
| 1.2.2 SAR目标识别方法 |
| 1.2.3 存在的问题 |
| 1.3 本文的主要贡献与结构安排 |
| 1.3.1 本文主要贡献 |
| 1.3.2 本文结构安排 |
| 第二章 基于扩展卷积胶囊网络的SAR图像目标识别 |
| 2.1 引言 |
| 2.2 卷积神经网络概述 |
| 2.3 基于扩展卷积胶囊网络的SAR图像目标识别 |
| 2.3.1 多尺度特征提取 |
| 2.3.2 自适应特征增强与抑制 |
| 2.3.3 特征位姿信息学习 |
| 2.3.4 重构子网络 |
| 2.3.5 代价函数设计 |
| 2.3.6 模型优化 |
| 2.4 实验验证与结果分析 |
| 2.4.1 实验设置 |
| 2.4.2 标准操作条件下识别实验 |
| 2.4.3 扩展操作条件下识别实验 |
| 2.5 本章小结 |
| 第三章 基于有监督稀疏表示的多视角SAR图像目标识别 |
| 3.1 引言 |
| 3.2 SAR图像目标识别中的稀疏表示理论 |
| 3.3 基于有监督稀疏表示的多视角SAR图像目标识别 |
| 3.3.1 有监督字典与分类器联合学习 |
| 3.3.2 多视角稀疏表示 |
| 3.3.3 分类准则 |
| 3.4 实验验证与结果分析 |
| 3.4.1 实验设置 |
| 3.4.2 稀疏表示分类可视化结果分析 |
| 3.4.3 标准操作条件下的目标识别 |
| 3.4.4 扩展操作条件下的目标识别 |
| 3.4.5 不同视角数对SAR图像目标识别的影响 |
| 3.4.6 字典大小对SAR图像目标识别的影响 |
| 3.5 本章小结 |
| 第四章 基于深度学习的弱监督SAR图像目标识别 |
| 4.1 引言 |
| 4.2 弱监督学习概述 |
| 4.3 基于深度学习的弱监督SAR图像目标识别 |
| 4.3.1 基于贝叶斯神经推理的卷积神经网络 |
| 4.3.2 样本选择策略 |
| 4.3.3 代价函数设计 |
| 4.4 实验验证与结果分析 |
| 4.4.1 实验设置 |
| 4.4.2 样本选择策略有效性评估 |
| 4.4.3 消融实验分析 |
| 4.4.4 综合性能评估 |
| 4.4.5 与经典的ATR方法性能比较 |
| 4.5 本章小结 |
| 第五章 基于元孪生子空间分类网络的SAR图像目标识别 |
| 5.1 引言 |
| 5.2 小样本学习任务中的元学习理论 |
| 5.3 基于元孪生子空间分类网络的SAR图像目标识别 |
| 5.3.1 元孪生特征嵌入网络 |
| 5.3.2 基于子空间学习的分类器 |
| 5.3.3 代价函数设计 |
| 5.4 实验验证与结果分析 |
| 5.4.1 实验数据介绍 |
| 5.4.2 不同程度的样本匮乏情况下算法性能评估 |
| 5.4.3 不同俯仰角条件下各算法性能对比 |
| 5.4.4 算法有效性分析 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 全文总结 |
| 6.2 后续工作展望 |
| 致谢 |
| 参考文献 |
| 攻读博士学位期间取得的成果 |
（2）基于卷积神经网络的SAR图像车辆目标识别方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 SAR图像目标识别的研究现状 |
| 1.2.2 卷积神经网络的研究现状 |
| 1.3 本文研究内容及章节安排 |
| 第2章 SAR图像和卷积神经网络基本理论 |
| 2.1 SAR图像基本理论 |
| 2.1.1 SAR图像成像原理 |
| 2.1.2 SAR图像特征 |
| 2.1.3 SAR图像种类 |
| 2.2 卷积神经网络基本理论 |
| 2.2.1 卷积神经网络的结构 |
| 2.2.2 卷积神经网络的特点 |
| 2.2.3 卷积神经网络的优化算法 |
| 2.3 本章小结 |
| 第3章 基于生成对抗网络的SAR图像数据增强 |
| 3.1 数据增强和生成对抗网络 |
| 3.1.1 数据增强 |
| 3.1.2 生成对抗网络 |
| 3.2 生成对抗网络模型的设计 |
| 3.2.1 模型框架 |
| 3.2.2 模型实现 |
| 3.2.3 模型训练 |
| 3.3 实验与性能分析 |
| 3.3.1 实验环境 |
| 3.3.2 实验数据集 |
| 3.3.3 实验结果评价指标 |
| 3.3.4 实验结果与性能分析 |
| 3.4 本章小结 |
| 第4章 基于卷积神经网络的SAR图像车辆目标识别 |
| 4.1 光学图像CNN识别模型 |
| 4.1.1 AlexNet模型 |
| 4.1.2 VGGNet模型 |
| 4.1.3 GoogLeNet模型 |
| 4.1.4 Res Net模型 |
| 4.2 模型设计分析 |
| 4.2.1 光学图像CNN识别模型应用于SAR图像 |
| 4.2.2 基准识别模型选择 |
| 4.2.3 模型改进方向 |
| 4.3 模型影响因素分析 |
| 4.3.1 模型深度的影响 |
| 4.3.2 卷积核数量的影响 |
| 4.3.3 模型优化算法的影响 |
| 4.4 设计的卷积神经网络模型 |
| 4.4.1 模型结构 |
| 4.4.2 模型参数量 |
| 4.4.3 模型训练 |
| 4.5 实验与性能分析 |
| 4.5.1 SOC条件下识别结果 |
| 4.5.2 EOC-1条件下识别结果 |
| 4.5.3 EOC-2条件下识别结果 |
| 4.5.4 数据增强条件下识别结果 |
| 4.6 本章小结 |
| 第5章 基于迁移微调卷积神经网络的SAR图像车辆目标识别 |
| 5.1 迁移学习理论 |
| 5.1.1 迁移学习 |
| 5.1.2 迁移学习的种类 |
| 5.2 迁移微调SARNet模型 |
| 5.2.1 可行性分析 |
| 5.2.2 算法步骤 |
| 5.3 实验与性能分析 |
| 5.3.1 SOC条件下识别结果 |
| 5.3.2 EOC-1条件下识别结果 |
| 5.3.3 EOC-2条件下识别结果 |
| 5.3.4 识别性能对比分析 |
| 5.4 本章小结 |
| 第6章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 攻读硕士学位期间取得的成果 |
| 致谢 |
（3）结合特征融合的SAR目标检测与识别方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号对照表 |
| 缩略语对照表 |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 SAR目标检测的研究现状与关键问题 |
| 1.2.1 SAR目标检测的研究现状 |
| 1.2.2 SAR目标检测的关键问题 |
| 1.3 SAR目标识别的研究现状与关键问题 |
| 1.3.1 SAR目标识别的研究现状 |
| 1.3.2 SAR目标识别的关键问题 |
| 1.4 SAR目标检测与目标识别实验数据介绍 |
| 1.4.1 SAR目标检测实验数据介绍 |
| 1.4.2 SAR目标识别实验数据介绍 |
| 1.5 论文的主要工作和内容安排 |
| 第二章 典型传统SAR目标检测与目标识别方法介绍 |
| 2.1 引言 |
| 2.2 典型传统SAR目标检测方法 |
| 2.2.1 基于CFAR的目标检测方法 |
| 2.2.2 基于显着性的目标检测方法 |
| 2.2.3 基于深度网络的目标检测方法 |
| 2.3 典型传统SAR目标识别方法 |
| 2.3.1 基于模板匹配的目标识别方法 |
| 2.3.2 基于稀疏表示的目标识别方法 |
| 2.3.3 基于SVM分类器的目标识别方法 |
| 2.3.4 基于神经网络的目标识别方法 |
| 2.4 本章小结 |
| 第三章 基于双域稀疏重构显着性融合的SAR目标检测方法 |
| 3.1 引言 |
| 3.2 基于稀疏重构的显着性检测 |
| 3.3 基于双域稀疏重构显着性融合的SAR目标检测方法 |
| 3.3.1 方法框架与流程 |
| 3.3.2 杂波模板获取 |
| 3.3.3 构建图像域显着图 |
| 3.3.4 构建结构域显着图 |
| 3.3.5 显着图融合及目标检测 |
| 3.4 实验结果与分析 |
| 3.4.1 实验数据与参数设置 |
| 3.4.2 显着图可视化及分析评估 |
| 3.4.3 目标检测结果评估与分析 |
| 3.5 本章小结 |
| 第四章 基于显着性引导的特征融合SAR目标检测网络 |
| 4.1 引言 |
| 4.2 改进Itti方法 |
| 4.3 基于显着性引导的特征融合SAR目标检测网络 |
| 4.3.1 网络结构框架 |
| 4.3.2 卷积主干子网络 |
| 4.3.3 密集连接结构 |
| 4.3.4 融合模块 |
| 4.4 实验结果与分析 |
| 4.4.1 实验数据与参数设置 |
| 4.4.2 显着图可视化与分析 |
| 4.4.3 目标检测结果评估与分析 |
| 4.5 本章小结 |
| 第五章 结合矩形不变可旋转卷积的跨尺度特征融合SAR目标检测网络 |
| 5.1 引言 |
| 5.2 可变形卷积 |
| 5.3 结合矩形不变可旋转卷积的跨尺度特征融合SAR目标检测网络 |
| 5.3.1 网络结构框架 |
| 5.3.2 矩形不变可旋转卷积 |
| 5.3.3 跨尺度特征融合模块 |
| 5.4 实验结果与分析 |
| 5.4.1 实验数据与参数设置 |
| 5.4.2 采样点可视化与分析 |
| 5.4.3 目标检测结果评估与分析 |
| 5.5 本章小结 |
| 第六章 基于深度森林的多级特征融合SAR目标识别方法 |
| 6.1 引言 |
| 6.2 决策树与随机森林 |
| 6.2.1 决策树 |
| 6.2.2 随机森林 |
| 6.3 基于深度森林的多级特征融合SAR目标识别方法 |
| 6.3.1 方法框架与流程 |
| 6.3.2 多级特征提取 |
| 6.3.3 基于深度森林的特征融合和识别 |
| 6.4 实验结果与分析 |
| 6.4.1 实验数据与参数设置 |
| 6.4.2 超参数设置实验与分析 |
| 6.4.3 目标识别结果评估与分析 |
| 6.5 本章小结 |
| 第七章 总结与展望 |
| 7.1 论文工作总结 |
| 7.2 工作展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（4）SAR图像多特征融合与分类算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 特征提取研究现状 |
| 1.2.2 分类方法研究现状 |
| 1.3 研究内容与结构安排 |
| 第二章 相关基础知识 |
| 2.1 SAR图像统计分布 |
| 2.1.1 对数正态分布 |
| 2.1.2 威布尔分布 |
| 2.1.3 K分布 |
| 2.1.4 伽马(Gamma)分布 |
| 2.2 SAR图像特征 |
| 2.2.1 灰度共生矩阵 |
| 2.2.2 属性轮廓 |
| 2.2.3 Gabor特征 |
| 2.3 支持向量机 |
| 2.4 小波分解原理 |
| 2.5 稀疏表示与分类 |
| 2.5.1 稀疏表示分类 |
| 2.5.2 联合稀疏表示分类 |
| 2.5.3 核稀疏表示分类 |
| 2.6 分类性能评价指标 |
| 2.7 本章小结 |
| 第三章 基于张量分解与聚类的SAR图像半监督分类算法 |
| 3.1 引言 |
| 3.2 基于张量分解与聚类的SAR图像半监督分类算法 |
| 3.2.1 张量构造 |
| 3.2.2 张量投影 |
| 3.2.3 SAR图像分类 |
| 3.3 实验结果与分析 |
| 3.3.1 实验设置 |
| 3.3.2 算法要素分类性能分析 |
| 3.3.3 仿真SAR图像结果分析 |
| 3.3.4 真实SAR图像分类结果分析 |
| 3.4 本章小结 |
| 第四章 基于多特征和自适应核函数组合的SAR图像分类算法 |
| 4.1 引言 |
| 4.2 基于自适应核函数的SAR图像分类算法 |
| 4.2.1 特征张量的构建和分块 |
| 4.2.2 上下文空间信息提取 |
| 4.2.3 自适应核函数构造 |
| 4.2.4 基于自适应核函数的SAR图像分类与优化 |
| 4.3 实验结果与分析 |
| 4.3.1 实验设置 |
| 4.3.2 算法要素分类性能分析 |
| 4.3.3 仿真SAR图像的实验结果分析 |
| 4.3.4 真实SAR图像的实验结果分析 |
| 4.4 本章小结 |
| 第五章 基于多特征非局部动态核稀疏表示的SAR图像分类算法 |
| 5.1 引言 |
| 5.2 基于非局部动态核稀疏表示的SAR图像分类算法 |
| 5.2.1 特征的表示和核变换 |
| 5.2.2 多特征的局部动态核稀疏表示 |
| 5.2.3 基于张量投影的非局部动态核稀疏表示与SAR图像分类 |
| 5.3 实验结果与分析 |
| 5.3.1 实验设置 |
| 5.3.2 参数对分类性能影响分析 |
| 5.3.3 仿真SAR图像实验结果分析 |
| 5.3.4 真实SAR图像实验结果分析 |
| 5.4 三种方法的比较分析 |
| 5.5 本章小结 |
| 第六章 基于注意辅助栈式稀疏自编码网络的SAR图像分类算法 |
| 6.1 引言 |
| 6.2 注意辅助的栈式稀疏自编码网络 |
| 6.2.1 注意模块特征提取 |
| 6.2.2 虚拟样本生成 |
| 6.2.3 栈式稀疏自编码网络 |
| 6.3 实验结果与分析 |
| 6.3.1 实验设置 |
| 6.3.2 真实SAR图像的实验结果分析 |
| 6.4 本章小结 |
| 第七章 总结和展望 |
| 7.1 研究总结 |
| 7.2 研究展望 |
| 参考文献 |
| 攻读学位期间发表的学术论文 |
| 致谢 |
（5）基于深度学习的合成孔径雷达图像目标识别研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 传统方法的SAR图像识别技术研究现状 |
| 1.2.2 深度学习的SAR图像识别技术研究现状 |
| 1.3 本文主要研究内容与章节安排 |
| 2 相关基础理论 |
| 2.1 卷积神经网络 |
| 2.1.1 卷积运算 |
| 2.1.2 池化运算 |
| 2.2 空洞卷积 |
| 2.3 深度可分离卷积 |
| 2.4 迁移学习概述 |
| 2.5 本章小结 |
| 3 基于深度迁移学习的TAI-SARNet目标识别 |
| 3.1 引言 |
| 3.2 TAI-SARNet网络结构 |
| 3.3 Atrous-Inception模块 |
| 3.4 网络优化策略 |
| 3.4.1 RMSProp优化算法 |
| 3.4.2 批归一化策略 |
| 3.5 多源域迁移学习 |
| 3.6 实验结果与分析 |
| 3.6.1 数据集描述 |
| 3.6.2 实验环境及训练策略介绍 |
| 3.6.3 网络结构设置性能分析 |
| 3.6.4 整体性能分析 |
| 3.6.5 基于小样本数据集的迁移学习性能分析 |
| 3.6.6 性能对比分析 |
| 3.7 本章小结 |
| 4 面向小样本SAR图像识别的自注意力多尺度特征融合网络 |
| 4.1 引言 |
| 4.2 自注意力多尺度特征融合网络 |
| 4.3 自注意力Ghost模块 |
| 4.3.1 自注意力机制 |
| 4.3.2 改进的Ghost模块 |
| 4.4 瓶颈单元 |
| 4.5 实验结果与分析 |
| 4.5.1 数据集配置 |
| 4.5.2 实验环境及参数配置 |
| 4.5.3 网络结构设置性能分析 |
| 4.5.4 SOC配置的性能分析 |
| 4.5.5 EOC配置的性能分析 |
| 4.5.6 基于SAR小样本数据的实验分析 |
| 4.6 本章小结 |
| 5 结合知识蒸馏的SAR图像分类预测 |
| 5.1 引言 |
| 5.2 知识蒸馏 |
| 5.3 学生网络构建 |
| 5.4 实验结果与分析 |
| 5.4.1 知识蒸馏在SOC和 EOC配置下的性能分析 |
| 5.4.2 知识蒸馏在SAR小样本数据下的实验分析 |
| 5.5 本章小结 |
| 结论 |
| 参考文献 |
| 作者简历及攻读硕士学位期间取得的研究成果 |
（6）复杂电磁环境下SAR图像中道路检测方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 符号对照表 |
| 缩略语对照表 |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 合成孔径雷达射频干扰抑制的研究现状 |
| 1.2.2 合成孔径雷达道路目标检测的研究现状 |
| 1.3 论文的主要内容及安排 |
| 第二章 基于复杂电磁环境下射频干扰抑制方法 |
| 2.1 引言 |
| 2.2 信号模型 |
| 2.2.1 问题描述 |
| 2.2.2 干扰特性分析 |
| 2.3 基于线性预测的射频干扰抑制方法 |
| 2.3.1 频域陷波法 |
| 2.3.2 两步陷波法 |
| 2.3.3 线性预测法 |
| 2.3.4 算法分析 |
| 2.3.5 实测数据实验 |
| 2.4 基于迭代自适应的射频干扰抑制方法 |
| 2.4.1 干扰识别 |
| 2.4.2 缺失谱反演 |
| 2.4.3 迭代自适应法 |
| 2.4.4 算法分析 |
| 2.4.5 实测数据实验 |
| 2.5 本章小结 |
| 第三章 SAR图像中相干斑、旁瓣抑制方法 |
| 3.1 引言 |
| 3.2 相干斑产生机理 |
| 3.3 相干斑抑制方法研究 |
| 3.3.1 Lee滤波 |
| 3.3.2 Kuan滤波 |
| 3.3.3 Gamma Map滤波 |
| 3.3.4 仿真结果与分析 |
| 3.4 高旁瓣产生原理及发展 |
| 3.5 基于自回归模型的旁瓣抑制方法 |
| 3.5.1 SAR自回归信号模型 |
| 3.5.2 带宽外推 |
| 3.5.3 算法性能分析 |
| 3.5.4 场景目标仿真结果 |
| 3.6 本章小结 |
| 第四章 复杂电磁环境下SAR图像道路目标检测及分析 |
| 4.1 引言 |
| 4.2 道路目标特征分析 |
| 4.3 线特征提取 |
| 4.4 基于图像分割与区域合并的道路检测方法 |
| 4.5 复杂电磁环境下道路检测影响分析 |
| 4.6 本章小结 |
| 第五章 复杂电磁环境下道路检测软件设计 |
| 5.1 引言 |
| 5.2 射频干扰抑制软件设计 |
| 5.3 相干斑、旁瓣抑制软件设计 |
| 5.4 道路检测软件设计 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 论文总结 |
| 6.2 工作展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间取得的学术成果 |
| 个人简历 |
（7）基于深度学习的SAR图像目标识别与分类（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 SAR技术发展 |
| 1.2.2 SAR图像研究 |
| 1.3 研究内容及目标 |
| 1.4 论文组织结构 |
| 第二章 基于SAR图像的特征提取和图像识别 |
| 2.1 SAR模型与成像特征 |
| 2.1.1 SAR概述 |
| 2.1.2 SAR成像原理 |
| 2.2 SAR检测和识别系统 |
| 2.3 SAR目标识别 |
| 2.3.1 SAR图像预处理 |
| 2.3.2 特征设计与提取 |
| 2.3.3 目标识别 |
| 2.4 特征提取与分类 |
| 2.4.1 SIFT算法 |
| 2.4.2 使用GGF进行斑点检测 |
| 2.4.3 使用GGF进行角检测 |
| 2.4.4 图像特征匹配 |
| 2.5 实验结果及分析 |
| 2.5.1 斑点噪声误差对比分析 |
| 2.5.2 图像配准分析 |
| 2.5.3 性能对比分析 |
| 2.6 本章小结 |
| 第三章 基于改进CNN的SAR目标识别方法 |
| 3.1 改进的卷积神经网络算法 |
| 3.1.1 卷积神经网络组成结构 |
| 3.1.2 改进的CNN算法 |
| 3.2 改进CNN算法关键函数 |
| 3.2.1 网络拓扑 |
| 3.2.2 输入层 |
| 3.2.3 隐藏层 |
| 3.2.4 目标函数 |
| 3.3 实验结果及分析 |
| 3.3.1 实验分析 |
| 3.3.2 可靠性分析 |
| 3.4 本章小结 |
| 第四章 基于改进Faster R-CNN的SAR目标识别与分类 |
| 4.1 Faster R-CNN及改进 |
| 4.1.1 Faster-R-CNN |
| 4.1.2 区域划分网络 |
| 4.1.3 RPN |
| 4.1.4 RoI Align |
| 4.2 SAR图像检测识别 |
| 4.2.1 预筛 |
| 4.2.2 鉴别器 |
| 4.2.3 分类器 |
| 4.3 实验结果及分析 |
| 4.3.1 置信度对比分析 |
| 4.3.2 检测结果对比分析 |
| 4.4 本章小结 |
| 第五章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表的学术论文目录 |
| 学位论文评阅及答辩情况表 |
（8）SAR图像多尺度目标潜在区域提取方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 基于数据融合的图像分类进展 |
| 1.2.2 目标区域提取的研究现状 |
| 1.3 论文主要内容及章节安排 |
| 1.3.1 主要研究内容 |
| 1.3.2 章节安排 |
| 第二章 多尺度目标区域提取技术 |
| 2.1 引言 |
| 2.2 图像分割技术介绍 |
| 2.2.1 阈值分割 |
| 2.2.2 区域分割 |
| 2.2.3 边缘分割 |
| 2.2.4 图像语义分割 |
| 2.3 多尺度分割规则 |
| 2.3.1 基于对象的多尺度分割规则 |
| 2.3.2 分层分类的多尺度分割规则 |
| 2.4 SAR图像特征提取与分类方法 |
| 2.4.1 传统的特征提取与分类方法 |
| 2.4.2 基于CNN的特征提取方法 |
| 2.5 本章小结 |
| 第三章 基于数据融合的SAR图像地物分类 |
| 3.1 引言 |
| 3.2 卷积神经网络用于SAR图像分类 |
| 3.2.1 常用的卷积神经网络 |
| 3.2.2 构建两流卷积神经网络 |
| 3.3 两流网络数据融合方法 |
| 3.3.1 均值融合方法 |
| 3.3.2 自适应融合方法 |
| 3.4 实验结果及分析 |
| 3.4.1 参数设置与实验数据 |
| 3.4.2 分类评价指标 |
| 3.4.3 实验对比分析 |
| 3.5 本章小结 |
| 第四章 基于分层分类的目标潜在区域提取 |
| 4.1 引言 |
| 4.2 多尺度目标潜在区域分层提取策略 |
| 4.2.1 构建分层模型 |
| 4.2.2 选择划分尺度 |
| 4.2.3 基于分层的目标潜在区域提取方法 |
| 4.3 常用的多尺度目标区域提取方法 |
| 4.3.1 基于K均值聚类的图像分割 |
| 4.3.2 基于超像素的图像分割 |
| 4.3.3 基于区域生长的图像分割 |
| 4.4 基于分层分类的后续目标处理 |
| 4.4.1 分层分类后用于河流区域提取 |
| 4.4.2 分层提取后用于目标检测 |
| 4.5 实验与对比分析 |
| 4.5.1 数据介绍及处理 |
| 4.5.2 基于K均值聚类的分割结果 |
| 4.5.3 基于超像素的分割结果 |
| 4.5.4 基于分层策略的多目标区域提取结果 |
| 4.6 本章小结 |
| 第五章 总结与展望 |
| 5.1 工作总结 |
| 5.2 存在的问题及展望 |
| 致谢 |
| 参考文献 |
（9）基于有限标签的深度学习SAR图像识别算法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究工作的背景与意义 |
| 1.2 国内外研究历史与现状 |
| 1.2.1 SAR图像识别研究历史与现状 |
| 1.2.2 深度学习研究历史与现状 |
| 1.3 论文的研究内容及结构安排 |
| 第二章 基于半监督的深度学习理论 |
| 2.1 引言 |
| 2.2 监督学习与卷积神经网络 |
| 2.2.1 监督学习 |
| 2.2.2 全连接神经网络 |
| 2.2.3 卷积神经网络 |
| 2.3 半监督学习假设 |
| 2.3.1 平滑假设 |
| 2.3.2 聚类假设 |
| 2.3.3 流形假设 |
| 2.4 半监督学习算法 |
| 2.4.1 生成式方法 |
| 2.4.2 基于分歧的半监督学习 |
| 2.4.3 基于图的半监督算法 |
| 2.4.4 基于支持向量机的半监督算法 |
| 2.5 本章小结 |
| 第三章 基于运动插值的SAR图像数据扩增 |
| 3.1 引言 |
| 3.2 SAR图像成像原理 |
| 3.2.1 合成孔径原理 |
| 3.2.2 SAR成像算法 |
| 3.2.3 SAR图像特点 |
| 3.3 基于图像处理的数据扩增 |
| 3.3.1 几何变换 |
| 3.3.2 灰度变换 |
| 3.3.3 添加噪声和滤波 |
| 3.3.4 随机扩增算法 |
| 3.4 基于运动插值的数据扩增算法 |
| 3.4.1 深度学习预测光流 |
| 3.4.2 中间图片生成 |
| 3.4.3 任意步长图片合成 |
| 3.4.4 损失函数 |
| 3.4.5 扩增结果 |
| 3.5 实验结果与分析 |
| 3.5.1 实验数据集 |
| 3.5.2 实验超参数设置 |
| 3.5.3 实验结果对比 |
| 3.6 本章小结 |
| 第四章 半监督深度学习SAR图像分类 |
| 4.1 引言 |
| 4.2 半监督深度学习方案 |
| 4.2.1 自洽正则化 |
| 4.2.2 熵最小化 |
| 4.2.3 传统正则化 |
| 4.3 其他半监督图像分类算法 |
| 4.3.1 Adaboost算法 |
| 4.3.2 GAN相关算法 |
| 4.4 MixMatch算法 |
| 4.4.1 算法流程 |
| 4.4.2 使用方法函数 |
| 4.4.3 损失函数 |
| 4.5 注意力机制 |
| 4.5.1 注意力机制的提出 |
| 4.5.2 注意力机制模型 |
| 4.5.3 拆分注意力机制模块 |
| 4.6 实验结果与分析 |
| 4.6.1 实验超参数设置 |
| 4.6.2 实验结果与分析 |
| 4.7 本章小结 |
| 第五章 总结与展望 |
| 5.1 全文总结 |
| 5.2 后续工作展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间取得的成果 |
（10）基于深度生成学习的SAR图像仿真研究（论文提纲范文）
| 摘要 |
| abstract |
| 缩略词表 |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 传统SAR图像生成技术研究现状 |
| 1.2.2 基于深度学习的SAR图像生成技术研究现状 |
| 1.3 论文的主要内容安排 |
| 第二章 SAR图像区域特征和深度生成模型 |
| 2.1 SAR图像特征 |
| 2.1.1 相干斑噪声 |
| 2.1.2 图像阴影 |
| 2.1.3 纹理特征 |
| 2.1.4 灰度统计特征 |
| 2.2 神经网络 |
| 2.2.1 神经网络 |
| 2.2.2 神经网络的层次结构 |
| 2.2.3 神经网络的激活函数 |
| 2.3 GAN模型 |
| 2.3.1 GAN的策略 |
| 2.3.2 GAN的生成和判别模型 |
| 2.3.3 GAN的损失函数 |
| 2.3.4 GAN的训练 |
| 2.4 CycleGAN模型 |
| 2.4.1 风格迁移 |
| 2.4.2 CycleGAN的损失函数 |
| 2.4.3 CycleGAN的网络结构 |
| 2.5 本章小结 |
| 第三章 SAR图像分割 |
| 3.1 传统SAR图像区域分割方法 |
| 3.1.1 SAR图像结构分析 |
| 3.1.2 边缘分割算法 |
| 3.1.3 区域分割算法 |
| 3.2 基于卷积神经网络的语义分割 |
| 3.2.1 基于全卷积神经网络的语义分割 |
| 3.2.2 语义分割的网络结构 |
| 3.3 FCN-SAR模型分割算法 |
| 3.3.1 网络结构和参数 |
| 3.3.2 损失函数和梯度下降算法 |
| 3.3.3 实验训练和测试流程 |
| 3.3.4 评价指标 |
| 3.3.5 构建用于语义分割学习的SAR图像数据集 |
| 3.3.6 模型训练和测试实验结果 |
| 3.4 本章小结 |
| 第四章 基于CycleGAN的 SAR图像仿真 |
| 4.1 CycleGAN仿真流程 |
| 4.2 实验环境搭建 |
| 4.2.1 基于Windows的Tensor Flow的环境 |
| 4.3 CycleGAN的改进 |
| 4.3.1 改进损失函数与激活函数 |
| 4.3.2 改进网络结构 |
| 4.4 评价指标 |
| 4.5 SAR数据集构建与预处理 |
| 4.5.1 数据集构建 |
| 4.5.2 数据集的预处理 |
| 4.6 SAR目标背景迁移方法 |
| 4.6.1 算法流程和数据集制作 |
| 4.6.2 模型训练和测试结果 |
| 4.6.3 直方图均衡优化结果 |
| 4.7 光学图像与SAR图像的迁移仿真 |
| 4.7.1 算法流程和数据集制作 |
| 4.7.2 模型训练和测试结果 |
| 4.7.3 实验结果分析 |
| 4.8 本章小结 |
| 第五章 总结与展望 |
| 5.1 工作总结 |
| 5.2 工作展望 |
| 致谢 |
| 参考文献 |
| 攻硕期间取得的研究成果 |
四、SAR图像识别提取与选择特征（论文参考文献）
- [1]合成孔径雷达图像目标识别方法研究[D]. 任浩浩. 电子科技大学, 2021
- [2]基于卷积神经网络的SAR图像车辆目标识别方法研究[D]. 吴桐. 长春理工大学, 2021(02)
- [3]结合特征融合的SAR目标检测与识别方法研究[D]. 李璐. 西安电子科技大学, 2021
- [4]SAR图像多特征融合与分类算法研究[D]. 吴效莹. 天津理工大学, 2021(08)
- [5]基于深度学习的合成孔径雷达图像目标识别研究[D]. 宣晨. 五邑大学, 2021(12)
- [6]复杂电磁环境下SAR图像中道路检测方法研究[D]. 邢伟达. 内蒙古工业大学, 2021(01)
- [7]基于深度学习的SAR图像目标识别与分类[D]. 陈琳. 山东大学, 2021(11)
- [8]SAR图像多尺度目标潜在区域提取方法研究[D]. 冯艳. 电子科技大学, 2021(01)
- [9]基于有限标签的深度学习SAR图像识别算法研究[D]. 倪意凯. 电子科技大学, 2021(01)
- [10]基于深度生成学习的SAR图像仿真研究[D]. 冯广能. 电子科技大学, 2021(01)