摘要
合成孔径雷达是一种同时具备精度高分辨率、全天候、穿透能力强等一系列优点的成像雷达。随着技术的快速发展，SAR图像包含的信息量越来越多，高维的数据处理成为图像处理过程中的一大重点。数据降维技术是图像数据的特征提取过程中的关键技术，由于SAR图像的每一个数据都是一个高维的数据集，这种情况通常会导致无法预料的“维数灾难”问题。为了更好地解决维数对数据处理产生影响的问题，在对原始数据进行各种处理时就必须要对高维数据集进行数据降维，这是非常重要的一个步骤。流形学习作为一种机器学习方法，在数据可视化，人工智能，人脸识别以及图形图像检索领域被广泛应用；同时，它也是一种降维方法。本文结合SAR图像的特征以及流形学习方法的研究现状，从算法的应用和改进方面展开一系列工作，主要研究工作及研究内容总结如下： （1）结合传统的数据降维方法，对两种经典的局部流形学习方法进行研究并改进，对算法的实现过程，推导原理以及算法时间复杂度进行分析比较。 （2）在拉普拉斯映射方法的基础上引入随机过程的概念，并将局部线性嵌入方法与随机拉普拉斯映射方法进行函数融合，尽可能地保留数据集的原始几何结构，将算法应用于MSTAR数据集并通过KNN分类器进行分类，实验结果证实了局部流形学习方法的有效性。 （3）在深入研究传统单流形学习方法的基础上，考虑研究多流形学习方法，假设在高维空间中不同类别的数据集存在于不同的流形结构上，对分别属于不同类别的高维数据集嵌入不同的低维流形；并对多流形LE方法进行类别标签改进，应用多流形学习方法并构建分类器进行分类，实验结果验证了算法的有效性。
NETL