基于神经网络和数学形态学的海杂波抑制处理技术的研究应用

论文摘要

海杂波信号具有很强的相关性,特别是体现在海尖峰效应当中,这种相关性造成了常规的基于海杂波功率谱的频域滤波方法对海杂波的抑制效果不理想。为了有效地抑制海杂波,本文回避了在常规方法中出现的海杂波相关性问题,提出了一种从图像处理的角度来抑制海杂波的方法。该方法先利用图像复原技术对由航海雷达得到的海浪图像进行图像复原,去除海浪图像中的噪声,得到海杂波图像,之后利用图像分割技术判断海杂波图像中是否含有目标,如果有目标存在,将其分离出来。图像复原部分提出了基于神经网络和数学形态学的图像复原技术,既继承了神经网络的拟合性质和收敛性质,又应用一种新型的形态学变形虫结构元素克服了传统滤波方法的缺点,在保持图像边缘信息的前提下,有效地平滑了图像中的噪声。四种改进的图像复原技术被给出,分别为基于Hopfield神经网络和数学形态学的图像复原技术、基于小波神经网络和数学形态学的图像复原技术、基于暂态混沌神经网络和数学形态学的图像复原技术及基于细胞神经网络和数学形态学的图像复原技术。图像分割部分提出了两种新的图像分割技术和两种改进的基于神经网络的图像分割技术,分别为基于中心灰度级信息矩阵法的图像分割技术、基于级间灰度级信息矩阵法的图像分割技术、基于Hopfield神经网络的图像分割技术及基于暂态混沌神经网络的图像分割技术。为了验证从图像处理角度提出的海杂波抑制方法,本文应用由IPIX航海雷达采集的无目标和有目标的两组海浪图像数据进行仿真实验,并对实验的结果做了细致的比较和分析,证实本文方法能够有效抑制海杂波。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 课题研究的背景和意义
• 1.2 国内外研究现状
• 1.4 论文的主要内容
• 1.4.1 论文的组织
• 1.4.2 论文的主要成果和创新点
• 第2章 基础知识
• 2.1 数学形态学理论
• 2.1.1 二值数学形态学
• 2.1.2 灰度数学形态学
• 2.1.3 变形虫结构元素
• 2.2 神经网络理论
• 2.2.1 Hopfield神经网络
• 2.2.2 混沌神经网络
• 2.2.3 小波神经网络
• 2.2.4 细胞神经网络
• 2.3 本章小结
• 第3章 海杂波图像复原技术的研究
• 3.1 图像复原技术
• 3.1.1 图像退化模型
• 3.1.2 无约束图像复原
• 3.1.3 有约束图像复原
• 3.2 基于Hopfield神经网络和数学形态学的图像复原技术
• 3.3 基于暂态混沌神经网络和数学形态学的图像复原技术
• 3.4 基于小波神经网络和数学形态学的图像复原技术
• 3.5 基于细胞神经网络和数学形态学的图像复原技术
• 3.6 评价图像复原技术质量的指标
• 3.7 本章小结
• 第4章 海杂波图像分割技术的研究
• 4.1 图像分割技术
• 4.2 基于灰度级信息矩阵法的图像分割技术
• 4.3 基于Hopfield神经网络的图像分割技术
• 4.4 基于暂态混沌神经网络的图像分割技术
• 4.5 本章小结
• 第5章 海杂波图像抑制技术的仿真实验
• 5.1 无目标海杂波图像抑制
• 5.2 有目标海杂波图像抑制
• 5.3 本章小结
• 总结
• 参考文献
• 攻读硕士学位期间发表的论文和取得的科研成果
• 致谢