基于非负矩阵分解的sar图像目标配置识别

《基于非负矩阵分解的sar图像目标配置识别》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、基于非负矩阵分解的SAR图像目标配置识别作者姓名师萌导师姓名、职称慕彩红副教授一级学科电子科学与技术二级学科电路与系统申请学位类别工学硕士提交学位论文日期2014年11月学校代码10701学号1202120911分类TN82号TN75密级公开西安电子科技大学硕士学位论文基于非负矩阵分解的SAR图像目标配置识别作者姓名：师萌一级学科：电子科学与技术二级学科：电路与系统学位类别：工学硕士指导教师姓名、职称：慕彩红副教授提交日期：2014年11月ResearchonSARImagetargetConfigurationRecognitionMethodBasedOnNMFAthesissub

2、mittedtoXIDIANUNIVERSITYinpartialfulfillmentoftherequirementsforthedegreeofMasterinElectronicScienceandTechnologyByShiMengSupervisor:AssociateProf.MuCaihongNovember2014西安电子科技大学学位论文独创性（或创新性）声明秉承学校严谨的学风和优良的科学道德，本人声明所呈交的论文是我个人在导师指导下进行的研究工作及取得的研究成果。尽我所知，除了文中特别加以标注和致谢中所罗列的内容以外，论文中不包含其他人已经发表或撰写过的研究成果；

3、也不包含为获得西安电子科技大学或其它教育机构的学位或证书而使用过的材料。与我一同工作的同志对本研究所做的任何贡献均已在论文中作了明确的说明并表示了谢意。学位论文若有不实之处，本人承担一切法律责任。本人签名：日期：西安电子科技大学关于论文使用授权的说明本人完全了解西安电子科技大学有关保留和使用学位论文的规定，即：研究生在校攻读学位期间论文工作的知识产权单位属于西安电子科技大学。学校有权保留送交论文的复印件，允许查阅、借阅论文；学校可以公布论文的全部或部分内容，允许采用影印、缩印或其它复制手段保存论文。同时本人保证，获得学位后结合学位论文研究成果撰写的文章，署名单位为西安电子科技大学。保密

4、的学位论文在年解密后适用本授权书。本人签名：导师签名：日期：日期：摘要摘要合成孔径雷达（SyntheticApertureRadar，SAR）拥有全天时、全天候等特质，是对地观测和军事侦测的重要技术措施之一。SAR图像目标配置识别作为SAR图像分析与解释的关键技术之一，具有很强的商业和军事价值，日益成为国内外研究的热点。在SAR图像目标配置识别研究中，关键技术之一为图像的特征提取。图像特征提取的主要目的是为了抑制斑点噪声对识别率的影响并且最大限度地体现SAR图像本身具有的稀疏性，所以图像特征提取的好坏将直接影响到识别精度。目前SAR图像目标配置识别的方法大都是基于灰度相关匹配和二维不变

5、矩特征，或是基于目标边缘检测等方法。其主要思想是通过提取图像域或小波域的参数来构建特征矩阵，这种基于全局特征的方法虽然可以获得较好的识别精度，但是受噪声影响较大，运算代价高，速度慢，从而导致实用性不强。本文研究了非负矩阵分解（NonnegativeMatrixFactorization，NMF）这种有效的非负数据处理方法，具有分解速度快，分解结果有明确的物理意义，实现简单的优点，已成为高维数据降维分析领域的一个重要研究方向。本文在深入研究现有NMF算法的基础上，提出了下列三种非负矩阵分解的改进方式：1、一种稀疏约束的非负矩阵分解方法。这种方法充分利用了SAR图像本身所包含的稀疏性，通过

6、对NMF方法进行改进从而提取出图像中的稀疏特征。有效地表征了SAR图像中的稀疏特性，在特征稀疏性和特征出图等方面，性能均优于NMF和现有的稀疏NMF。2、一种近似正交的非负矩阵分解。由于NMF有非负的约束，所以加入正交约束会给矩阵带来稀疏性，能够很好地提取出图像中的稀疏特征。确保了低维特征的非负性和局部性，减小了分解的误差，提高了对稀疏性的调节能力。3、一种平滑约束的稀疏非负矩阵分解方法。这种方法是在非平滑非负矩阵分解方法上加入了平滑约束。因为矩阵中，各个列向量是互不联系和影响的，一列图像信息的变化并不影响其之前一列或之后一列的图像信息，这种特性与马尔科夫随机过程（Markoffran

7、domprocess，MDP）相似，所以可以在特征提取过程中加入马尔科夫随机场（MarkovRandomField，MRF）模型。该方法在稀疏特性，特征出图等方面优于现有的同类NMF方法。本文工作得到如下基金资助：国家自然科学基金（No.61003199），中央高校基本科研业务费专项资金资助I西安电子科技大学硕士学位论文（Nos.JB140216和K5051202019）。关键词：非负矩阵分解，稀疏约束，特征提取，目标配置识别论文类型：应用基础