论文部分内容阅读
SAR图像具有海量数据和人工判读复杂的特点，使得单纯依靠人工判读的解译方式无法满足实际的应用需求，因此对于SAR图像目标识别算法的研究具有重要意义。 传统的SAR图像目标识别算法中将所有的特征同等看待，然而不同特征对于目标分类的贡献度可能差别很大。给不同的特征赋予不同的权重，可能会改变目标在特征向量空间中的相对位置，从而给出更合理的识别结果。本论文基于这种考虑，提出了一种新的SAR图像目标识别算法。 本文的工作和创新主要包括: (1)分析了SAR图像纹理的几种提取方法的差异，深入分析了基于灰度共生矩阵的纹理特征提取方法，通过仿真分析了纹理特征随窗口大小的变化规律。 (2)研究了统计学习理论的基本内容，分析了建立在统计学习理论之上的传统支持向量机算法和近年来新出现的特征加权支持向量机算法。 (3)由于特征加权支持向量机算法中需要计算特征的权重，分析了常用的特征选择方法计算特征权重的方式和它们各自的优缺点。 (4)深入分析了将特征加权支持向量机应用到SAR图像目标识别领域中的意义。分析了现有的特征加权支持向量机算法存在的缺陷，结合SAR图像目标识别场景，提出了一种改进的特征加权支持向量机算法。结合改进的特征加权支持向量机算法，本文提出了一种新的SAR图像目标识别算法，该算法提取SAR图像的纹理特征作为分类特征，利用ReliefF算法计算特征权重，用改进的特征加权支持向量机方法进行目标识别。仿真表明，新的目标识别算法具有更高的识别精度。