| 【中文题名】 | 基于合成孔径雷达的目标识别技术研究 |
| 【英文题名】 | |
| 【学科专业】 | 信号与信息处理 |
| 【论文级别】 | 硕士论文 |
| 【投稿时间】 | 2007-11-5 |
| 【中关键词】 | 幂变换,SAR图像增强,SAR姿态角识别,SAR自动目标识别,, |
| 【英关键词】 | Power transform,SAR image enhancement,SAR Pose estimation,SAR target recognition, |
| 【分类导航】 | 工业技术>无线电电子学、电信技术>雷达>雷达跟踪系统>> |
| 【论文摘要】 |
基于合成孔径雷达(Synthetic Aperture Radar,简称SAR)的自动目标识别(Automatic Target Recognition,简称ATR)技术在战场感知方而非常重要,已成为国内外研究的热门课题。近些年来,雷达目标识别在特征提取、目标模式分类、目标识别算法的实现等技术领域取得了不同程度的进步,已成功应用于星载和机载合成孔径雷达地面侦察、精确制导等领域。
本文综述了自动目标识别技术的发展现状,深入研究了基于SAR的自动目标识别及其相关技术,在此基础上,将SAR雷达目标识别系统分为原始图像预处理、图像增强、目标姿态角识别和目标类型识别四个部分,对上述四个部分分别提出了一些新方法,具体如下:
1.对合成孔径雷达目标识别中原始数据经过幂变换后的正态性进行了研究,从理论上讨论了符合gamma分布、瑞利分布等分布的数据经过幂变换后转换为符合正态分布的可行性。利用MatLab进行仿真,使用偏度、峰值检验法和皮尔逊卡方检验法对仿真结果进行正态性检验,检验结果验证了理论分析的正确性。
2.提出了一种基于图像域的势函数正则化SAR图像增强算法。该方法通过设计SAR图像目... |
| 【论文题纲】 |
|
摘要 |
3-4 |
|
Abstract |
4-9 |
|
第一章 绪论 |
9-15 |
|
1.1 合成孔径雷达（SAR）简介 |
9-10 |
|
1.2 SAR 图像自动目标识别（ATR）简介 |
10-13 |
|
1.2.1 SAR ATR 的含义 |
10-11 |
|
1.2.2 SAR ATR 的一般流程 |
11 |
|
1.2.3 SAR ATR 的难点 |
11-12 |
|
1.2.4 SAR ATR 研究现状 |
12-13 |
|
1.2.5 SAR ATR 发展趋势 |
13 |
|
1.3 论文的主要内容和安排 |
13-15 |
|
第二章 SAR目标识别中幂变换的正态性研究 |
15-28 |
|
2.1 幂变换的正态性分析 |
15-19 |
|
2.1.1 一般模型 |
15-16 |
|
2.1.2 gamma 分布幂变换后的正态性分析 |
16-17 |
|
2.1.3 瑞利分布幂变换后的正态性分析 |
17 |
|
2.1.4 韦布尔分布幂变换后的正态性分析 |
17-18 |
|
2.1.5 beta 分布幂变换后的正态性分析 |
18-19 |
|
2.2 假设检验及结果分析 |
19-27 |
|
2.2.1 常用假设检验方法简介 |
19-20 |
|
2.2.2 gamma 分布幂变换后的假设检验 |
20-22 |
|
2.2.3 瑞利分布幂变换后的假设检验 |
22-23 |
|
2.2.4 卡方分布幂变换后的假设检验 |
23 |
|
2.2.5 韦布尔分布幂变换后的假设检验 |
23-24 |
|
2.2.6 beta 分布幂变换后的假设检验 |
24-25 |
|
2.2.7 指数分布幂变换后的假设检验 |
25-27 |
|
2.3 本章小结 |
27-28 |
|
第三章 基于图像域的势函数正则化SAR图像增强算法 |
28-37 |
|
3.1 吉洪诺夫(Tikhonov) 正则化方法 |
28-30 |
|
3.2 SAR 观测模型 |
30-31 |
|
3.3 基于图像域的势函数正则化图像增强方法 |
31-33 |
|
3.4 MSTAR 实测数据仿真结果及分析 |
33-36 |
|
3.5 本章小结 |
36-37 |
|
第四章 基于SAR图像目标的姿态角估计的综合方法 |
37-45 |
|
4.1 radon 变换及二维小波变换在SAR 图像姿态角识别中的应用 |
37-39 |
|
4.1.1 基于Radon 变换的姿态角估计方法 |
37-38 |
|
4.1.2 基于二维连续小波变换的姿态角识别算法 |
38-39 |
|
4.2 目标姿态角的综合估计算法 |
39-41 |
|
4.3 MSTAR 实测数据仿真结果及分析 |
41-44 |
|
4.4 本章小结 |
44-45 |
|
第五章 基于概率模型的SAR图像目标识别的次优算法 |
45-57 |
|
5.1 基于条件高斯模型的SAR 目标识别次优算法 |
46-50 |
|
5.1.1 高斯模型次优算法 |
46-47 |
|
5.1.2 MSTAR 实测数据仿真结果及分析 |
47-50 |
|
5.2 基于gamma 分布的SAR 目标识别的次优算法 |
50-53 |
|
5.2.1 gamma 模型次优算法 |
50-51 |
|
5.2.2 MSTAR 实测数据仿真结果及分析 |
51-53 |
|
5.3 基于对数分布的SAR 目标识别次优算法 |
53-55 |
|
5.3.1 对数模型次优算法 |
53-54 |
|
5.3.2 MSTAR 实测数据仿真结果及分析 |
54-55 |
|
5.4 本章小结 |
55-57 |
|
第六章 结论及展望 |
57-59 |
|
6.1 本文所作的工作 |
57-58 |
|
6.2 展望 |
58-59 |
|
参考文献 |
59-63 |
|
攻读硕士期间发表或录用的学术论文 |
63 |
|
| 【DOI】 | LunWen.ID:2.2008.346125 |
