结合二维内蕴模函数和贝叶斯多任务学习的SAR目标识别

为了提高合成孔径雷达（Synthetic Aperture Radar,SAR）目标识别性能,提出了结合二维内蕴模函数（Bidimensional Intrinsic Mode Function,BIMF)与贝叶斯多任务学习的SAR目标识别方法。采用二维经验模态分解获得SAR图像的多层次BIMF,从而更好地描述原始图像的细节信息。为了获得稳健的决策,采用贝叶斯多任务学习对原始SAR图像及其多层次的BIMF进行联合稀疏表示。最后,通过比较各个类别对于测试样本的重构误差判定目标类别。基于MSTAR数据集在多种条件下对提出方法进行了验证实验,结果证明了方法的有效性。     

基于二维随机投影特征典型相关分析融合的SAR ATR方法

合成孔径雷达（Synthetic aperture radar,SAR）自动目标识别（Automatic target recognition,ATR）是现代战场情报侦察、精确打击的重要支撑技术。为提升SAR ATR整体性能,提出基于二维投影特征多重集典型相关分析（Multiset canonical correlations analysis,MCCA）的方法。首先,采用若干二维随机投影矩阵对SAR图像进行特征提取,获得多层次特征描述。考虑到这些结果之间的相关性和可能存在的冗余及干扰,进一步通过MCCA对它们进行融合处理,获取单一特征矢量。基于稀疏表示分类器（Sparse representation-based classification,SRC）对融合特征矢量进行处理,判决目标类别。实验基于MSTAR数据集开展,对方法性能进行检验确认,结果能够验证其有效性。     

复数二维经验模态分解在SAR目标识别中的应用

提出基于复数二维经验模态分解（C-BEMD）的合成孔径雷达（SAR）图像目标识别。C-BEMD作为传统BEMD的复数域推广,能直接处理原始SAR图像（包含幅度和相位信息）。采用C-BEMD对原始SAR图像进行分解,获得多层次复数内蕴模函数（BIMF）,反映目标时频二维特性。各层次BIMF既有独立描述能力,反映目标不同类型的特征;同时也具有内在关联性,即反映同一目标的固有属性。为此,分类算法基于联合稀疏表示设计,可利用内在关联性约束提高各层次BIMF的表征精度。利用MSTAR数据集中的多类目标SAR图像对方法进行测试验证,结果反映其在标准操作条件（SOC）和扩展操作条件（EOC）均可保持可靠的识别性能。     

考察独立性和相关性的多视角SAR图像目标识别方法

提出了一种考察独立性和相关性的合成孔径雷达(SAR)图像目标识别方法。由于SAR图像的方位角敏感性,参与识别的多视角SAR图像之间的关联性不够稳定。首先,基于图像相关对多视角SAR图像进行聚类,获得具有较强内在关联的多个视角集。然后,对于每一个视角集,分别采用联合稀疏表示对其进行联合重构,获得高精度的重构误差。最终,采用线性加权的方法融合各个视角集合的重构误差并根据融合误差判定目标类别。基于MSTAR数据集进行了实验测试,结果表明了提出方法的有效性。     

基于小波域两向二维主分量分析的SAR目标识别

针对合成孔径雷达图像目标识别在图像域进行特征提取时空间维数较高、计算复杂度较大、识别效率较低等问题,提出基于小波域两向二维主分量分析和概率神经网络的SAR图像目标特征提取与识别方法。该方法首先引入二维离散小波变换将预处理后的SAR图像变换到小波域,得到可充分表征目标特征信息的低频成分。然后提取低频子图像的两向二维主分量分析低维特征作为训练样本和测试样本的目标特征,最后由概率神经网络分类器完成目标识别。MSTAR数据实验结果表明,在特征矩阵维数低至6×3(原始图像128×128)的情况下平均识别率高达99.32%,且最高可达99.83%,该方法不但能够有效压缩目标特征维数和提高识别率,还对目标的方位信息具有很强的鲁棒性,可有效应用于SAR图像目标特征提取和识别。     

多元经验模态分解及在SAR图像目标识别中的应用

提出基于多元模态分解的合成孔径雷达（SAR）目标识别方法。多元模态分解是传统模态分解的多元扩展,能够有效避免传统算法中的模态混叠问题。采用多元模态分解对SAR图像进行处理,获得的多层次固有模式函数（IMF）能够更为有效地反映目标的时频特性。不同IMF之间具有良好互补性,同时它们描述同一目标因而具有内在关联性。分类阶段,采用联合稀疏表示对分解得到的IMF进行表征。联合稀疏表示在多任务学习的理念下,对多个关联稀疏表示问题进行求解,可获得更为可靠的估计结果。在获得各层次IMF对应的稀疏表示系数矢量的基础上,计算不同类别对于当前测试样本多层次IMF的重构误差之和,进而判定测试样本的目标类别。基于MSTAR数据集开展实验,通过在标准操作条件、俯仰角差异、噪声干扰以及目标遮挡条件下进行对比分析,验证了提出方法的有效性。     

单演信号在红外图像目标分类中的应用研究

红外成像是夜间观测的重要手段,在军事民用领域都有着广泛运用。针对红外图像目标分类问题,将单演信号引入用于特征提取,用于对目标特性的分析。经过单演信号处理后的红外图像可用幅度、相位和方位三个成分描述。对于每一个成分的多尺度结果,采用矢量串接以及降采样结合的方式构建单一特征矢量。最终构造得到的三个特征矢量能够反映目标的多层次特性。采用联合稀疏表示作为三种单演信号特征矢量的表征模型。在重构过程中,充分利用三类特征之间的关联性从而提高整体重构精度。在不同类别上按照联合稀疏表示的求解结果计算对于测试样本的重构误差,进而决定测试样本的类别信息。该方法通过单演信号获取红外图像中目标的多层次特性,基于联合稀疏表示模型对这些特征进行充分分析和挖掘,从而提高目标分类的精度和稳健性。实验基于公开的中波红外（Medium wave infrared,MWIR）图像数据集开展,分别对原始样本、模拟噪声样本以及模拟遮挡样本进行分类。根据实验结果,并与几类现有算法对比,反映了所提方法对于红外图像目标分类问题能够取得更高的有效性和稳健性。     

合成孔径雷达运动目标谱图二维压缩与重构方法

在完成合成孔径雷达(SAR)双通道回波数据对消处理的基础上,提出一种基于压缩感知的运动目标谱图二维压缩与重构方法。通过构造二维观测矩阵对SAR谱图在距离和慢时间方向上分别进行压缩,接收端设计二维正交匹配追踪法来重构原始谱图信息,进一步得到目标高分辨二维像。该方法可大幅降低SAR运动目标谱图数据量,并在稀疏度估计值不小于应有稀疏度值且两者比较接近的条件下,准确重构出原始谱图信息,同时得到高质量的运动目标二维像。仿真验证了方法的有效性。     

主从模式编队卫星SAR压缩感知成像算法

为减轻主从模式编队卫星SAR对稀疏目标场景回波信号的采集与传输负担,提出了编队卫星SAR的回波信号稀疏方法。在研究编队卫星SAR回波信号特征的基础上,构建了编队卫星SAR距离向和方位向的稀疏基、测量矩阵和重构矩阵。针对主从模式编队卫星SAR与地面的数据传输特点,提出了低传输负荷下的主从模式编队卫星SAR压缩感知成像方法,并借助于正交匹配追踪算法 (Orthogonal Matching Pursuit,OMP) 对稀疏后的回波信号进行了恢复重构,获得了高质量的编队卫星SAR图像。仿真结果表明,针对稀疏目标场景,本文提出的压缩感知成像方法利用较少的回波数据便能重构出原始目标场景,实现了低负荷下的编队卫星SAR成像。      

深度特征联合表征的红外图像目标识别方法

针对红外图像目标识别问题,提出了联合卷积神经网络和联合稀疏表示的方法。卷积神经网络学习红外目标图像的深度特征,描述目标的多层次特性。不同深度特征可实现对目标不同特性的描述,因此具有良好的互补性。综合运用多层次深度特征,可为目标识别提供更为充分的信息。分类过程中,采用联合稀疏表示对待识别样本的多层次深度特征矢量进行表征,通过不同特征矢量之间的相关性约束提升整体表示精度。因此,联合稀疏表示在利用各层次深度特征的同时,充分考察了它们之间的内在关联。根据联合稀疏表示的输出结果,按照误差最小的原则判定输入样本的目标类别。实验基于中波红外（ MWIR）目标图像数据集开展,分别在原始测试样本、噪声测试样本以及少量训练样本3类条件下对提出方法进行了测试,并与4类现有红外目标识别方法进行了对比分析。实验结果表明,提出方法在设置的3类测试条件下均可以取得优势性能,表明其对于红外图像目标识别问题具有应用潜力。     

基于最大熵准则的多视角SAR目标分类方法

针对合成孔径雷达（Synthetic aperture radar,SAR）目标分类问题,提出基于最大熵准则的多视角方法。采用经典的图像相似度测度构建不同视角SAR图像之间的相关性矩阵,在此基础上分别计算不同视角组合条件下的非线性相关信息熵值。非线性相关信息熵值可分析多个变量之间的统计特性,熵值的大小即可反映不同变量之间的内在关联。根据最大熵的原则选择最优的视角子集,其中SAR图像具有最大的内在相关性。分类过程以联合稀疏表示为基础,对具有最大熵值的多个视角进行联合表示。联合稀疏表示模型同时处理若干稀疏表示问题,在它们具有关联的条件下具有提升重构精度的优势。根据不同视角求解得到的表示系数,按照类别分别计算对于选取多视角的重构误差,并根据误差最小的准则进行最终决策。文中方法可有效对多视角SAR图像样本进行相关性分析,并利用联合稀疏表示利用这种相关性,能够更好提高分类精度。采用MSTAR数据集对方法进行分析测试,通过与几类其他方法在多种测试条件下进行对比,结果显示了最大熵准则在多视角选取中的有效性和文中方法对SAR目标分类性能的优越性。     

一种联合阴影和目标区域图像的SAR目标识别方法

地面目标的SAR图像中除了包含目标散射回波形成的区域,还包括由目标遮挡地面形成的阴影区域。但是由于这两种区域中的图像特性不相同,所以传统的SAR图像自动目标识别主要利用目标区域信息进行目标识别,或者单独使用阴影区域进行识别。该文提出一种阴影区域与目标区域图像联合的稀疏表示模型。通过使用1\2范数最小化方法求解该模型得到联合的稀疏表示,然后根据联合重构误差最小准则进行SAR图像目标识别。在运动和静止目标获取与识别(MSTAR)数据集上的识别实验结果表明,通过联合稀疏表示模型可以有效地将目标区域与阴影区域信息进行融合,相对于采用单独区域图像的稀疏表示识别方法性能更好。     

结合多决策准则稀疏表示的SAR图像目标识别方法

提出组合多决策准则的稀疏表示分类（Sparse Representation-based Classification,SRC）并在合成孔径雷达（Synthetic Aperture Radar,SAR）目标识别中进行应用。传统SRC通常在全局字典上对测试样本进行重构,分别计算不同训练类别对于测试样本的重构误差,最终根据最小重构误差的原则进行分类决策。然而,由于SAR目标识别问题的复杂性,单一决策准则往往对扩展操作条件的适应性不强,导致整体性能下降。为此,文中基于稀疏表示求解的系数矢量,分别采用最小重构误差原则、最大系数能量原则以及局部最小重构误差原则分别进行分类。最小重构误差准则直接采用传统算法。最大系数能量准则分别计算不同训练类别系数能量,按照能量最大的原则进行判决。局部最小重构误差原则在局部字典上对测试样本进行表征和分析,充分体现SAR图像的视角敏感性。对于三个准则获取的决策变量,通过适当转换统一采用概率分布形式进行表达。最终,基于线性加权融合对三个准则的结果进行分析,判决测试样本所属目标类别。基于MSTAR数据集对方法进行测试,分别验证了提出方法在标准操作条件、俯仰角差异、噪声干扰及目标遮挡等情形的性能。实验结果表明:所提方法通过结合多决策准则能够有效提升SAR目标识别性能。     

基于KPCA和稀疏表示的SAR目标识别方法

提出了一种基于KPCA（Kernel Principal Component Analysis）和稀疏表示的合成孔径雷达（Synthetic Aperture Rader,SAR）目标识别方法。该方法首先利用KPCA方法提取样本特征,然后在特征空间内构造稀疏表示模型,通过梯度投影法（Gradient Projection for Sparse Reconstruction,GPSR）求得测试样本的稀疏系数,最后根据稀疏系数的能量特征实现分类识别。利用美国运动和静止目标获取与识别（Moving and Stationary Target Acquisition and Recognition ,MSTAR）实测SAR数据进行实验,实验结果表明该方法在方位角未知的情况下平均识别率达到96.78%,能够明显的提高目标的识别结果,是一种有效的SAR目标识别方法。      

一种基于自适应核字典学习的SAR目标识别方法

提出一种基于自适应核字典学习的合成孔径雷达（synthetic aperture radar，SAR）目标识别方法.该方法首先将SAR图像的特征信息通过核函数映射到高维度的核空间中并进行字典学习；然后根据更新后的字典动态计算稀疏度；最后依据最小重构误差准则实现SAR目标识别.在公开数据集MSTAR上的仿真实验结果表明，该方法提取到的特征信息可分度高，对SAR目标的识别具有较好的性能.