合成孔径雷达海面目标识别算法设计与软件实现开题报告

1. 研究目的与意义

（1）背景：

合成孔径雷达(sar)是一种高分辨率成像雷达和有源微波遥感侦测器，在现代社会属于一种不可缺少的遥感型观测工具。合成孔径雷达的优点是能全天候进行工作、分辨率高、还能有效地识别假装和透过掩盖物。所得到的高方位分辨力相当于一个大孔径天线所能提供的方位分辨力。合成孔径雷达的首次使用是在20世纪50 年代后期，经过了几十年的逐渐发展，合成孔径雷达技术已经比较成熟，世界各国都建立起了属于本国的合成孔径雷达的详细发展计划，合成孔径雷达全天时和全天候的工作能力也使其能够在海洋领域意识和海洋监视中发挥相当大的作用。

自美国发射第一颗sar卫星seasat以来，sar舰船分类一直是众多学者关注的问题；迄今为止，已经提出了各种方法，包括:（1）传统的手工特征方法和（2）基于现代卷积神经网络的方法。对于传统的手工特征方法，人们总是需要设计一些手工制作的特征，以使用一些成熟且可解释的数学理论来表征不同的船舶类别。这是早些年的标准解决方案。然而如今，合成孔径雷达图像可以从各种海洋下越来越多的卫星获得条件、各种船舶决议等等；这些传统方法在提高模型迁移和泛化能力方面面临巨大挑战。同时，重复性的人工修改模型也费时费力，效率低下。对于基于现代卷积神经网络的方法，人们通常不会过度关注特征设计，因为这个过程经常被简洁高效的cnn所取代。这实际上得益于人工智能(ai)和深度学习(dl)的破纪录优势，可以使具有多个处理层的计算模型学习具有多级抽象的数据表示，这可以确保分类精度并实现巨大的改进。

2. 研究内容与预期目标

（1）研究内容：

实现分类系统完成合成孔径雷达海面目标识别功能，课题主要研究内容包括：

1.了解sar成像基本原理；

3. 研究方法与步骤

合成孔径雷达图像目标识别系统可以利用卷积神经网络对成孔径雷达图像进行识别，利用python编程语言搭建lenet模型和resnet模型，并基于数据集进行重新训练，以达到成功对合成孔径雷达图像进行识别的目的。为了保证本课题的正确性和科学性，在电脑上搜查了很多关于合成孔径雷达成像基本原理、海面目标特征的相关文献以及大量资料，同时学习卷积神经网络进行图像识别的知识，对搜集到的大量资料进行了一个归纳整理，方便后续自己在完成课题时更快速准确的查找到需要弄清楚的知识及代码。

1. 准备阶段：充分了解完成本课题的几个重要步骤，阅读sar的相关文献，学习cnn的理论知识、了解识别过程的大概步骤，对系统进行概要设计。

2. 系统设计与实现阶段：对算法模块进行详细设计，对python环境进行正确合理配置，编写代码。

4. 参考文献

[1]chen yitian,li binbing.main development direction and vehicle application of synthetic aperture radar [j] .science and technology vision, 2011, 21:53-102.

[2]han j, zhang d, cheng g, et al. 'object detection in optical remote sensing images based on weakly supervised learning and high-level feature learning'[j].ieee transactions on geoscience and remote sensing,2015,53:3325-3337.

[3]li h, tao c, wu z,et al.'rsi-cb: a largescale remote sensing image classification benchmark via crowdsource data'[j].proceedings of the ieee, 2017, 1-19.

5. 工作计划

(1)2022.1.10-2022.1.20

完成文献翻译、查阅sar相关背景、了解cnn以及cnn是怎么进行图像识别的、完成开题报告初稿。

(2)2022.1.21-2022.3.20