基于各向异性热扩散方程的SAR图像分割方法

提出了一种非监督SAR图像快速分割算法。该方法利用固体热扩散模型与图像尺度空间的等价性,在SAR图像初始分割的基础上,引入最大后验概率矩阵的各向异性多尺度平滑,在保持图像结构信息的同时滤除斑点噪声对于分割的影响。利用本算法对仿真数据和实测SAR数据分割的结果,均证明了本文方法的有效性。     

基于PSO优化空间约束聚类的SAR图像分割

相干斑噪声的存在使得合成孔径雷达(SAR)图像的分割问题变得非常复杂.本文提出一种具有鲁棒抗噪特性的SAR图像分割方法,该算法通过将多尺度条件下的边缘信息以及相邻像素的相对位置和强度信息所构成的空间信息融入模糊C-均值(FCM)聚类算法的相似性测度中,增强了分割方法的抗噪性.空间信息对FCM聚类算法的调控由粒子群优化(PSO)算法完成,优化的调控参数有助于获得良好的分割结果.该算法对初始分割不敏感,并具有鲁棒的抗噪性能.MSTAR数据的分割实验结果表明:该算法能够有效地分割SAR图像,与通过改进型FCM(IFCM)算法获得的分割结果比较,分割结果明显改善.     

一种基于G0分布的水平集SAR图像分割方法

G0分布是一种性能优良的概率统计模型,能够精确描述SAR图像中均匀区域、不均匀区域以及极不均匀区域的统计特性.文中基于G0分布提出了一种基于概率统计模型的变分水平集SAR图像分割方法.该方法通过引入G0分布统计模型,定义了一种更加适用于SAR图像分割的能量泛函.利用基于Mellin变换的G0分布的参数估计方法估计各个区域内最优的分布参数,并且通过水平集方法进行偏微分方程的数值求解,实现了SAR图像的区域和目标分割.由于G0分布的采用,使得该方法能够适用于多种SAR图像的分割.利用模拟和真实SAR图像上的分割实验验证了该方法的有效性.     

一种快速有效的SAR图像起伏地形分割算法

根据合成孔径雷达(SAR)成像机理和图像特征,针对SAR图像中的起伏地形,提出了一种基于有向多尺度模型分割算法。该方法利用了SAR图像不同方向不同尺度间的统计相依性,而且考虑了SAR图像的空间信息。由于是基于有向多尺度模型少量的特征数据,利用最大期望(EM)算法可以快速估计参数,同时利用数学形态学算法进行分割修正,实现了高精度的SAR图像起伏地形的快速分割。实测SAR图像分割实验结果证明,对比其他分割算法,该方法对起伏地形的分割效果更为精确。     

一种基于马尔可夫随机场的SAR图像分割新方法

该文提出了一种基于马尔可夫随机场(MRF)的合成孔径雷达(SAR)图像分割新方法。在传统MRF的邻域基团势函数基础上,引入了图像邻域中各个像素的强度差值以及像素之间的距离因子,使SAR图像中空间上下文信息得到了更加充分的利用。根据贝叶斯定理将图像分割问题转化为最大后验概率的求取问题,运用迭代条件模型(ICM)算法求得最大后验概率的解。在实验中,将该文提出的方法、传统上使用ICM以及模拟退火(SA)优化方法的MRF分割运用于模拟的SAR图像以及真实SAR图像。比较结果证明,该文的方法在误分率以及抗噪性上更具优势。     

基于卷积神经网络的SAR图像目标识别研究

针对合成孔径雷达(Synthetic Aperture Radar, SAR)的图像目标识别应用, 该文提出了一种基于卷积神经网络(Convolutional Neural Network, CNN)的SAR图像目标识别方法。首先通过在误差代价函数中引入类别可分性度量, 提高了卷积神经网络的类别区分能力;然后利用改进后的卷积神经网络对SAR图像进行特征提取;最后利用支持向量机(Support Vector Machine, SVM)对特征进行分类。使用美国运动和静止目标获取与识别(Moving and Stationary Target Acquisition and Recognition, MSTAR)SAR图像数据进行实验, 识别结果证明了所提方法的有效性。      

一种基于非参数密度估计和马尔可夫上下文的SAR图像分割算法

在研究传统的基于参数的合成孔径雷达(SAR)图像统计模型基础上,为了精确估计高分辨率SAR图像的统计分布,该文提出了一种结合基于核函数的非参数估计和马尔可夫上下文的SAR图像分割算法。该算法首先采用基于核函数的非参数方法估计SAR图像的统计分布,然后将此统计量作为图像分割的似然函数,利用马尔可夫上下文约束进行SAR图像分割。该文通过软件仿真对新算法和基于参数的统计模型的算法的效果进行了比较。研究发现,基于核函数的非参数估计方法仅仅依赖实际数据,在无法准确获取分布函数解析式的情况下往往具有更好的效果。实验证明,基于核函数的非参数估计方法对高分辨率SAR图像中较为复杂的场景如城区的提取取得了更为满意的结果。     

一种基于EfficientNet与BiGRU的多角度SAR图像目标识别方法

合成孔径雷达(SAR)的自动目标识别(ATR)技术目前已广泛应用于军事和民用领域。SAR图像对成像的方位角极其敏感,同一目标在不同方位角下的SAR图像存在一定差异,而多方位角的SAR图像序列蕴含着更加丰富的分类识别信息。因此,该文提出一种基于EfficientNet和BiGRU的多角度SAR目标识别模型,并使用孤岛损失来训练模型。该方法在MSTAR数据集10类目标识别任务中可以达到100%的识别准确率,对大俯仰角(擦地角)下成像、存在版本变体、存在配置变体的3种特殊情况下的SAR目标分别达到了99.68%, 99.95%, 99.91%的识别准确率。此外,该方法在小规模的数据集上也能达到令人满意的识别准确率。实验结果表明,该方法在MSTAR的大部分数据集上识别准确率均优于其他多角度SAR目标识别方法,且具有一定的鲁棒性。      

基于两种神经网络的SAR图像多尺度分割与分析

基于多尺度回归技术和神经网络提出两种合成孔径雷达(SAR)图像分割的新方法.首先利用多尺度自回归模型(MAR)来描述SAR图像不同尺度间的统计相依性,以此提取SAR图像的多尺度统计特征;然后分别构造自组织特征映射网络和概率神经网络,并利用统计特征作为输入训练两种网络,实现SAR图像的分割.最后通过实验对这两种方法以及其他方法之间进行比较、分析,结果表明本文提出的两种方法的实验结果比较理想.     

利用RJMCMC算法的可变类SAR图像分割

自动确定地物类别数是SAR图像分割方法研究的重点和难点问题,为此,提出一种自动确定类别数的SAR图像分割算法。首先假定SAR图像中各像素强度服从同一独立的Gamma分布并以此建立图像模型;根据贝叶斯定理构建刻画图像分割的后验概率模型;设计RJMCMC（Reversible Jump Markov Chain Monte Carlo）算法模拟该后验概率模型,以确定图像类别数并同时完成区域分割。在提出的RJMCMC算法中,设计的移动操作类型包括:分裂或合并实类、改变参数矢量、改变标号及生成或删除空类。为了验证提出的可变类分割算法,分别对真实及模拟SAR图像进行可变类分割实验,定性及定量精度评价结果表明该算法的可行性及有效性。      

一种柔性自适应SAR 图像目标分割算法

合成孔径雷达(SAR)图像分割是SAR 图像处理的基础,国内外研究者提出了很多行之有效的分割方法。典型的算法如基于单阈值形态学分割算法、基于马尔科夫随机场的分割算法等。然而,考虑实际需求,图像分割需要同时兼顾快速性和准确性,这是当前手段相对缺乏的。文中提出了一种柔性自适应SAR 图像目标分割算法,将峰值点的提取过程与恒虚警率检测算法相结合分割SAR 图像中的目标。该算法可以将散射中心信息融入到目标分割中,同时完成目标分割和峰值点提取,是一种快速而又精确的图像分割算法。最后,该文基于数据集对算法进行了验证,证实了该算法的合理性与可行性。     

一种基于中心矩特征的SAR图像目标识别方法

合成孔径雷达自动目标识别是目前国内外模式识别领域的重点研究课题之一.本文给出了一种内存需求小,低计算复杂度且具有较好识别性能的SAR图像目标识别方法,先通过自适应阈值分割来获得目标图像,然后提取其中心矩特征,采用SVM来进行识别.基于美国MSTAR实测数据的识别试验验证了该方法的有效性.     

基于MSP-ROA边缘检测的SAR图像分割

该文以卡通模型为SAR图像分割的理论依据,提出了一种基于MSP-ROA边缘检测的SAR图像分割算法,算法中对边缘检测的结果做种子生长、标注和区域填充,并根据相似性准则对填充的初始分割结果进行相邻区域的合并处理,最终得到同质性和连通性都较好的SAR图像分割结果;文中给出了SAR图像分割处理的性能评估指标,并用实测的SAR图像数据验证了上述算法,最后给出了与其它分割方法比较的结果.     

基于稀疏流形学习的SAR图像识别

 稀疏性是SAR图像的一个显著特征,而且SAR图像存储模式的维数很高,要对其进行识别存在很多困难.为了解决上述问题,提出一种基于稀疏流形学习的SAR图像识别方法.首先进行图像增强,以保持目标的边缘结构信息;其次利用样本协方差矩阵的谱范数确定能得出数据低维流形的最少数据点数;再利用拉普拉斯特征值映射(LE)的核化方法计算样本外点的低维嵌入;最后采用KNR分类器进行识别.MSTAR仿真实验证明了其可行性,并与其它识别方法进行比较,验证了其优越性.     

基于级联CFAR的SAR图像目标快速检测方法

针对高对比度场景下合成孔径雷达(SAR)图像的实时目标检测问题,提出一种基于级联恒虚警率(CFAR)的SAR图像目标快速检测算法,将二维图像的检测沿距离向和方位向拆分成两个一维的CFAR检测, 采用距离向-方位向级联检测器并加以分割关联方法对目标进行检测。首先,按距离向叠加后进行距离向检测,并进行分割关联以划分不同目标的区域;然后,对过检单元进行方位向检测得到目标位置;同时,进行分割关联,从而实现目标检测。文中利用仿真的SAR图像、MSTAR数据和实测数据进行实验。仿真结果表明:该算法具有速度快、检测率高的优点,满足实时处理要求。     

基于分块CNN的多尺度SAR图像目标分类算法

针对合成孔径雷达（Synthetic Aperture Radar, SAR）图像目标分辨率差异大,多尺度SAR图像目标分类准确率不高的问题,提出了一种基于迁移学习和分块卷积神经网络（Convolutional Neural Network, CNN）的SAR图像目标分类算法。首先通过大量与目标域相近的源域数据对分块CNN的参数进行训练,得到不同尺度下的CNN特征提取网络;其次将CNN的卷积和池化层迁移到新的网络结构中,实现目标特征的提取;最后用超限学习机（Extreme Learning Machine, ELM）网络对提取的特征进行分类。实验数据采用美国MSTAR数据库以及多尺度SAR图像舰船目标数据集,实验结果表明,该方法对多尺度SAR图像的分类效果优于传统CNN。     

SAR图像稀疏对抗攻击

基于深度学习的图像解译技术在多个领域都取得了巨大成功,在合成孔径雷达（Synthetic Aperture Radar,SAR）图像分类、检测、分割等问题中也逐渐开始广泛应用。现有的SAR图像分类深度学习模型由于训练数据集样本量较小易过拟合,样本的微小改变易导致模型分类错误,产生对抗攻击现象。针对上述问题,本文从攻击方法、攻击结果和攻击目标三方面说明了SAR图像对抗攻击存在的问题和挑战。本文聚焦SAR图像的稀疏性,具体阐述了稀疏攻击提出背景和SAR图像中稀疏性的表现形式,并就常见稀疏攻击方法进行分析总结。文章在MSTAR数据集上验证了现有的稀疏攻击方法的有效性,分析了算法计算效率和成功率、耗时等指标,并对SAR图像分类稀疏对抗攻击方法进行展望。      

多尺度曲波分解下的可变类SAR图像分割

为了实现SAR图像的可变类分割,本文提出了一种基于区域的多尺度可变类分割方法。首先,利用曲波变换对SAR图像进行多尺度分解,获取多尺度曲波系数;然后按尺度由粗-细次序,利用曲波逆变换对各尺度曲波系数进行重构,获取各尺度分解图像,进而获得多尺度分解图像。在此基础上,利用规则划分技术划分图像域;然后利用Gamma分布及马尔科夫随机场（Markov Random Field, MRF）模型建立基于区域的特征场模型及标号场模型;假设图像类别数为随机变量,并服从Poisson分布;并在贝叶斯理论框架下建立基于区域的多尺度可变类分割模型。最后,利用可逆变马尔可夫链蒙特卡罗（Reversible Jump Markov Chain Monte Carlo, RJMCMC）算法以实现该模型求解;在求解过程中,按尺度由粗-细次序,将当前尺度分割解作为下一低尺度分割的初始解,以细尺度的分割解作为最终分割结果。利用提出方法对模拟及真实SAR图像进行可变类分割实验,通过其实验结果验证提出方法的可行性及有效性。      

烟花算法在SAR图像属性散射中心参数估计中的应用

针对合成孔径雷达（SAR）属性散射中心估计问题,提出基于烟花算法的方法。首先,在图像域对SAR图像中高能量区域进行分割解耦,获得单个独立散射中心在图像域的表现形式。在此基础上,以属性散射中心参数化模型为基础,构建优化问题,对分离出来的单个散射中心进行最优参数的搜索。在此阶段,引入烟花算法进行参数寻优。该算法具有强大的全局和局部搜索能力,在保证优化精度的条件下避免陷入局部最优,从而保证散射中心参数估计的可靠性。在原始图像中剔除求解后的单个散射中心,对残余图像进行高能量区域分割,序惯估计下一个散射中心的属性参数。最终,获取输入SAR图像上所有散射中心的参数集。实验中,首先基于MSTAR数据集中的SAR图像进行参数估计验证,通过参数估计结果与原始图像的对比以及基于估计参数集对原始图像进行重构,反映了提出算法的有效性。此外,实验还基于估计得到的属性参数进行SAR目标识别算法验证,通过与其他参数估计算法在相同条件下进行识别性能的对比,进一步体现了提出方法在属性散射中心参数估计上的性能优势。