基于深度置信网络的目标识别方法

针对合成孔径雷达图像预处理鲁棒性不足、特征提取及利用不充分等问题,提出了一种基于深度置信网络的合成孔径雷达(SAR)图像目标自动识别算法。首先提出一种基于双树复小波变换（DT-CWT）的非局部均值图像降斑算法,并结合目标方位角估计实现对原始数据鲁棒的预处理;最后,引入多层深度置信网络提取针对合成孔径雷达目标的深度抽象视觉信息作为特征并完成识别任务。采用3类运动与静止目标的获取与识别(MSTAR)实测数据进行的仿真实验结果表明,所提算法具有较高鲁棒性和识别率。     

基于多小波子带加权判别熵的SAR目标ICA特征提取及识别

传统小波独立分量分析(ICA)提取合成孔径雷达(SAR)目标特征时大都采用单一的小波基函数,并且仅利用小波分解低频子带数据进行ICA处理,而忽略了高频子带信息。针对这一问题,采用多类小波基函数对SAR目标图像进行分解;针对得到的所有低频和高频子带数据,引入子带加权的判别熵准则,结合现有的小波ICA算法,提出多小波子带加权判别熵的SAR目标图像ICA特征提取算法。采用MSTAR实测SAR目标图像数据,根据提出算法进行特征抽取,利用最近邻准则进行SAR目标识别。识别结果表明提出算法优于仅利用小波分解低频子带ICA算法。     

一种自动特征提取的SAR图像水华识别方法

针对SAR图像水华识别中人工提取特征效率低的问题,提出了一种自动特征提取识别方法.该方法应用改进的K-means算法提取SAR图像暗斑,利用数据增强算法扩充暗斑图像集,并基于对水华暗斑图像特征的深入分析对DenseNet网络结构进行改进,以实现对水华暗斑与非水华暗斑更有效地识别区分.以太湖数据集作为实验数据,该方法获得了87.30％的总体精度,这一结果表明自动特征提取识别方法对于SAR图像水华识别的有效性.     

基于NSCT和支持向量机的SAR图像识别

针对传统的合成孔径雷达图像（SAR）识别算法识别精度低,用时长等问题,提出一种基于非下采样轮廓波变换（NSCT）和支持向量机（SVM）的SAR图像识别算法。首先通过非下采样轮廓波变换将目标图像分解成不同的尺度,然后得到目标图像的低频分量和高频分量;接着在高频分量中提取方向梯度直方图特征（HOG）,在低频分量中利用局部二值化算法（Local Binary Pattern,LBP）提取纹理特征;然后将提取的梯度方向直方图特征和局部二值化特征空间连结,并使用支持向量机（SVM）作为分类器;最后对算法进行了测试。实验结果表明,该方法不仅能够有效地提高了SAR图像目标分类的精度,在MSTAR数据库上的准确率达到90.7%,而且对相干斑的影响具有较高的鲁棒性。     

基于遗传规划的SAR图像目标识别

针对SAR图像目标的特征,采用新的Hu不变矩和仿射不变矩的组合作为特征矢量,设计了一种基于遗传规划的SAR图像目标识别算法。该方法不需要数据先验知识,通过自身的学习就能快速发现数据和数学表达式之间的联系。通过对MSTAR数据中的3类目标进行仿真实验,获得了较好的识别率。     

基于改进正则化方法的SAR图像区域特征提取

合成孔径雷达(SAR)图像上的各种噪声削弱了目标、阴影等感兴趣区域(region of interest,ROI)的细节特征,影响了后续的目标检测、分类和识别等应用。传统的正则化方法能够增强SAR图像的目标特征,但是运算量过大,实时性不好。提出一种改进的正则化方法,有效地提高了SAR图像区域特征提取的速度和精度。理论上证明,降质算子的优化可以使运算量由O(M3N3)降到O(MN),同时保留了区域特征增强的能力。利用MSTAR数据库中实测的SAR图像进行算法验证,实验结果表明该方法能够大幅度提高目标杂波比,有效抑制感兴趣区域内的噪声,从而更精确地把目标和阴影等区域从背景杂波中提取出来。     

基于稀疏描述的SAR目标型号识别算法

对样本进行稀疏描述,可获得充分描述样本特征且具备区分能力的稀疏向量.提出一种基于稀疏描述的SAR目标型号识别算法.首先,对目标SAR图像进行特征提取,以抑制斑点噪声的影响.然后,利用全体训练样本构造字典矩阵,将测试样本在字典矩阵上进行投影得到其稀疏向量.最后,根据拥有相同标号且方位角最接近的样本之间差异最小的特点,构造单个样本重构误差最小准则,实现SAR目标的型号识别.在MSTAR数据上的实验验证了本文算法的有效性.     

合成孔径雷达图像目标的卷积神经网识别框架

针对合成孔径雷达（SAR）图像目标识别问题,在卷积神经网的基础上,提出了一种新的识别框架。 该框架通过连接多个基本操作单元并以层次结构构造一个集特征提取和分类器训练于一体的端到端网络,同时利用深度网络的反向传播完成分类器对特征提取的反馈以改进特征的效果。 在 MSTAR开数据集上,该网络框架分类十类目标达到了98.61％ 的精度,与其他方法相比,有效提高了SAR 图像目标的识别精度。 所提框架能有效分类SAR 图像目标,具有良好的识别精度,且具备模块化结构,无须复杂预处理,实现简单。     

数据筛选的低频UWB SAR图像快速可视化

目的 为了能够快速得到适于视觉解译的UWB SAR图像,提出了一种基于数据筛选的低频UWB SAR图像快速可视化算法.方法 该方法从统计学的角度出发,讨论了低频UWB SAR图像数据的统计特性和灰度分布模型;在此基础上,首次提出采用3σ准则对低频UWB SAR图像数据进行筛选;并使用修正映射函数映射.结果 对处理后所得图像进行质量评估,可以发现,所得灰度图在等效视数、中央凹特征和对比敏感度特征等方面要优于传统方法处理的处理结果,因而更符合人类视觉系统特征,更易于人眼视觉系统全面了解低频UWB SAR图像表征的场景信息.结论 与传统方法相比,该算法能自适应压缩图像动态范围,处理耗时短,所得图像细节突出,适于对低频UWB SAR图像数据实时处理.     

K均值聚类分割的多特征图像检索方法

从图像数据库中快速、准确地检索出所需要的图像,具有广泛的应用前景。针对使用单一图像特征难以准确表达图像之间的差异问题,提出了一种利用颜色聚类分割和形状特征提取的图像检索算法。选择符合人眼视觉特征的HSV空间,分别重组最能描述图像颜色特征的H分量和形状特征的V分量;用K均值聚类算法对两个分量进行聚类分割,得到目标物体;提取目标物体的Hu不变矩和傅里叶描述子来描述形状特征;用欧式距离进行相似度测量并用于图像检索中。采用不同类型图像进行实验,结果表明该算法优于使用单一特征和一般分割方法的图像检索技术。     

基于小波分解和支持向量机的MSTAR SAR目标分类识别研究

对军事目标进行分类是整个SAR ATR过程中最困难的任务。为了进一步提高MSTAR SAR目标的识别效果,在分析了MSTAR SAR图像特点的基础上,提出了一种利用离散小波分解提取目标特征的方法。由于小波分解后的低通近似系数虽然是一种较低分辨率的SAR图像,但是它仍然包含了SAR目标回波的能量,而高通细节系数则包含了目标的细节成份和噪声,因此,可将小波分解后的低通近似系数作为特征,并利用由决策导向循环图扩展的支持向量机来对多类目标进行分类。实验结果表明,即使将3级小波分解后的低通近似系数作为特征,支持向量机的分类精度仍然很高,而且由于特征的数据量较少,因此可使得识别效率得到提高。     

基于数据融合的SAR图像目标识别算法

目前卷积神经网络已经在SAR目标识别领域得到了广泛应用, 然而, 由于SAR图像的目标样本数量过少, 以及图像相干斑噪声的存在, 使得网络不能充分的学习样本深层特征, 对网络的识别性能会造成一定的影响. 针对上述问题, 提出一种基于数据融合的目标识别方法, 算法首先对原始图像分别进行噪声抑制和边缘信息提取处理, 然后将处理后的两类特征信息进行数据融合, 将单通道灰度图像融合扩充至双通道图像来作为训练样本, 同时构建了一个高低层特征融合的卷积神经网络模型, 使用注意力机制来加强了对有用特征的学习, 实验结果显示, 该方法在MSTAR数据集上, 表现了对不同目标型号的优秀识别效果.     

一种机场目标检测与定位方法

针对机场目标检测定位时目标特征提取过于单一,识别结果不理想的问题,文章提出一种基于多源遥感图像的机场目标检测与定位方法;分别提取多光谱机场图像的跑道特征、纹理特征,以及相同区域SAR图像的后向散射特征,并将这些特征输入SVM分类器进行识别来判断候选区域是否包含机场,解决了目前特征单一、识别率较低等问题;实验结果表明该方法能更好地识别机场区域、提高识别率。     

基于目标特征的SAR图像车辆目标的方位角联合估计*

针对SAR图像地面车辆目标方位角估计精度不高的问题,尤其是0度和180度估计误差大的问题,提出了一种地面SAR图像目标方位角联合估计方法。首先,分析了地面车辆目标在不同角度的成像特点和典型目标方位角估计方法的优缺点,然后,通过判断当前目标成像所具有的特点,利用目标阴影特征与目标轮廓特征,并结合目标主轴提取方法和Hough变换方法对SAR图像目标方位角进行联合估计,最后利用MSTAR目标切片数据对该方法进行了验证实验,绝对误差在5º范围内的准确估计率都在89%以上,目标误差均值都在4º以内。实验结果表明该算法的方位角估计精度比较高,算法是有效性的和可行的。     

模糊AdaBoost算法在SAR图像目标识别中的应用

提出了一种AdaBoost算法的多类别推广方法,并将推广后的算法应用于合成孔径雷达图像目标识别中.针对AdaBoost基本算法只考虑两类分类的情况,对算法进行多类别推广,用"一对一"方法将多类别分类问题分解为多个两类分类问题,用模糊方法对多个两类AdaBoost分类器的输出进行决策判决,得到最终分类结果.将推广后的模糊AdaBoost算法应用于SAR图像目标识别,用MSTAR数据库中3个军事目标进行识别实验.实验结果表明,该算法可有效应用于SAR图像目标识别.与其他分类算法相比较,可获得较高的目标正确识别率.     

面向SAR目标识别的深度卷积神经网络结构设计

目的 针对用于SAR （synthetic aperture radar） 目标识别的深度卷积神经网络模型结构的优化设计难题,在分析卷积核宽度对分类性能影响基础上,设计了一种适用于SAR目标识别的深度卷积神经网络结构。方法 首先基于二维随机卷积特征和具有单个隐层的神经网络模型-超限学习机分析了卷积核宽度对SAR图像目标分类性能的影响;然后,基于上述分析结果,在实现空间特征提取的卷积层中采用多个具有不同宽度的卷积核提取目标的多尺度局部特征,设计了一种适用于SAR图像目标识别的深度模型结构;最后,在对MSTAR （moving and stationary target acquisition and recognition） 数据集中的训练样本进行样本扩充基础上,设定了深度模型训练的超参数,进行了深度模型参数训练与分类性能验证。结果 实验结果表明,对于具有较强相干斑噪声的SAR图像而言,采用宽度更大的卷积核能够提取目标的局部特征,提出的模型因能从输入图像提取目标的多尺度局部特征,对于10类目标的分类结果（包含非变形目标和变形目标两种情况）接近或优于已知文献的最优分类结果,目标总体分类精度分别达到了98.39%和97.69%,验证了提出模型结构的有效性。结论 对于SAR图像目标识别,由于与可见光图像具有不同的成像机理,应采用更大的卷积核来提取目标的空间特征用于分类,通过对深度模型进行优化设计能够提高SAR图像目标识别的精度。     

快速扩散与SOM分类结合的MSTAR图像分割算法

运动、静止目标获取与识别(MSTAR)计划表明,将合成孔径雷达(SAR)图像分割成目标、阴影和背景杂波区域对于从开放环境中进行目标识别是一种有效的手段,但由于SAR图像自身固有的斑点噪声的影响,传统的分割方法很难获得准确的分割,为此提出了一种同性扩散抑制MSTAR图像斑点噪声的方法,它能快速取得感兴趣的目标区域图像.图像预处理后,利用基于自组织特征映射神经网络的图像分割算法对图像进行分割.通过实验确定自组织映射神经网络的分类数.实验结果表明分割效果是显著的.     

基于小样本学习的SAR图像识别

深度学习已成为图像识别领域的一个研究热点。与传统图像识别方法不同,深度学习从大量数据中自动学习特征,并且具有强大的自学习能力和高效的特征表达能力。但在小样本条件下,传统的深度学习方法如卷积神经网络难以学习到有效的特征,造成图像识别的准确率较低。因此,提出一种新的小样本条件下的图像识别算法用于解决SAR图像的分类识别。该算法以卷积神经网络为基础,结合自编码器,形成深度卷积自编码网络结构。首先对图像进行预处理,使用2D Gabor滤波增强图像,在此基础上对模型进行训练,最后构建图像分类模型。该算法设计的网络结构能自动学习并提取小样本图像中的有效特征,进而提高识别准确率。在MSTAR数据集的10类目标分类中,选择训练集数据中10%的样本作为新的训练数据,其余数据为验证数据,并且,测试数据在卷积神经网络中的识别准确率为76.38%,而在提出的卷积自编码结构中的识别准确率达到了88.09%。实验结果表明,提出的算法在小样本图像识别中比卷积神经网络模型更加有效。     

基于ICA和SVM的SAR图像特征提取与目标识别

提出一种利用独立分量分析和支持向量机的合成孔径雷达图像特征提取与目标识别方法。对图像小波分解后提取低频子带图像,对低频子带图像进行独立分量分析提取特征向量,利用支持向量机对特征向量分类完成目标识别。将该方法用于MSTAR数据中的3类目标识别,识别率最高可达96.92%。实验结果表明,该方法是一种有效的合成孔径雷达图像特征提取与目标识别方法。     

一种有效的SAR图像自动目标识别方法

提出了一种有效的SAR图像中自动目标识别的方法。首先采取双阈值CFAR目标分割算法对SAR图像进行目标分割。通过对SAR图像的空间局部特征和PCA全局特征的提取,在参数学习的基础上,结合了遗传算法进行迭代优化获取分类器,实现SAR图像的自动目标识别。该方法可以直接对原始图像进行计算,避免了基于数据特征计算所带来的问题。实验结果显示,这种基于遗传算法的自动目标识别方法对T-72和BMP2坦克进行识别,获得了较好的识别率。