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。      

基于正则化增强的SAR图像分割方法

SAR图像存在强烈的相干斑噪声,因此对SRN图像的分割非常困难。本文利用图像幅度的二维微分作为正则化约束对SAR图像进行增强,在抑制噪声的同时,保持了区域的边缘。对正则化增强的SAR图像进行简单的灰度门限分割,就可以取得很好的效果。试验结果表明了该方法的有效性。     

基于图像域的势函数正则化SAR图像增强算法

SAR图像增强技术是SAR信号处理中很重要的一门技术。SAR原始图像中除了包含模糊的目标区域和阴影区外还包含了大量的噪声。在目标识别过程中,如果先对原始SAR图像进行增强处理,在降低噪声的同时增强模糊的目标区域和阴影区,然后进行特征提取,就可以大大降低识别系统的运算量,提高识别效率。正则化方法广泛应用于图像分割、图像增强等领域。通过对两种正则化算法的比较,结合两种方法的优点,提出了一种改进的基于图像域的势函数正则化图像增强算法。利用MSTAR数据库数据进行仿真试验,取得了良好的效果。     

结合Bi-2DPCA和PNN集成的SAR图像目标识别

针对合成孔径雷达(SAR,synthetic aperture radar)图像目标识别存在的特征维数较高、计算复杂度较大、识别效率较低等问题,提出了一种结合两向二维主分量分析(Bi-2DPCA,bilateral two-dimensional principal component analysis)和PNN (probabilistic neural network)集成的SAR图像目标识别方法.该方法首先在小波域利用Bi-2DPCA提取训练样本和测试样本的低维特征,然后将训练完成的多个PNN弱分类器集成为一个强分类器,最后对测试样本的多个预测结果进行投票实现分类识别.MSTAR数据实验结果表明在样本特征维数低至6□3的情况下平均识别率高达98.90％,能够取得比传统识别方法更高效、更准确、更稳定的识别结果.     

基于正则化Adaboost的红外目标识别

对于高维特征空间的分类,Adaboost算法是一种有效的分类算法.然而,如果把Adaboost算法直接运用到红外目标的识别,就会面临高噪声下的Adaboost过拟合问题.采用正则化后的Adaboost算法,即AdaboostKL算法作为分类算法的学习模型,以NaiveBayes作为弱学习器,提出了基于正则化Adaboost的红外目标识别算法.正则化的目的是为避免在红外图像特征高噪声下分类器的过拟合,改善了在高噪声数据下目标识别的可靠性.在求取Adaboost的权重分布时,采用的是熵正则化的方法.通过实验,验证了此算法,则即使面对高噪声的红外数据,也能获得较好的识别效果.     

基于峰值匹配的SAR图像飞机目标识别方法

针对SAR图像飞机目标识别过程中的目标识别问题,提出一种基于峰值匹配的目标识别方法。该方法首先使用基于8邻域像素检测局部极大值的峰值提取方法提取目标和模板的峰值特征点;然后对目标进行方位角计算,设定置信区间从而缩小需要匹配的模板库;最后计算目标图像峰值点集与模板图像峰值点集的匹配代价函数,当匹配代价函数取最小值时表明目标与相应模板图像相匹配。实验结果表明该算法有效,且分类性能和分类效率较现有的一些算法有所提升。     

稀疏先验引导CNN学习的SAR图像目标识别方法

深度学习技术的应用给SAR图像目标识别带来了大幅度的性能提升,但其对实际应用中车辆目标局部部件的变化适应能力仍有待加强。利用数据内在先验知识,在高维语义特征中学习其内在的低维子空间结构,可以提升分类模型在车辆目标变体条件下的泛化性能。本文基于目标特征的稀疏性,提出了一种稀疏先验引导卷积神经网络（Convolution Neural Network,CNN）学习的SAR目标识别方法（CNN-TDDL）。首先,该方法利用CNN提取SAR图像目标的高维语义特征。其次,通过稀疏先验引导模块,利用特征稀疏性,对目标特征内在的低维子空间结构进行学习。分类任务驱动的字典学习层（Task-Driven Dictionary Learning,TDDL）将目标特征的低维子空间以稀疏编码的形式表示,再利用非负弹性正则网增强了稀疏编码的稳定性,使稀疏编码不仅有效地表征目标的低维子空间结构,并且能够提取更具判别性的类别特征。基于运动和静止目标获取与识别（Moving and Stationary Target Acquisition and Recognition,MSTAR）数据集以及仿真和实测配对和标记实验 （Synthetic and Measured Paired and Labeled Experiment,SAMPLE） 数据集的实验表明,相比于传统字典学习方法和典型深度学习方法,CNN-TDDL在MSTAR标准操作条件（Standard Operating Conditions, SOC）下识别精度提升0.85%~5.28%,型号识别精度提升3.97%以上,表现出更好的泛化性能。特征可视化分析表明稀疏先验引导模块显著提升了异类目标特征表示的可分性。      

SAR图像幅度域增强的正则化方法

正则化方法通过增加先验信息约束,达到增强SAR图像特征的目的。在分析现有先验信息约束条件的基础上,提出SAR图像幅度域上的正则化增强方法,从理论上证明了SAR图像复数域上正则化方法和幅度域上正则化方法的等价性,进一步解释了正则化方法的相位保持特性,提高了计算效率。通过参数变换,结合先验信息,给出正则化参数的选取方法,该方法操作简单,能有效地抑制噪声,保护目标。最后利用仿真图像和MSTAR图像验证了该方法的有效性。     

基于目标识别的SAR图像特征分析

特征分析是目标检测与识别的关键,也是图像解译的经典课题之一.本文分析了合成孔径雷达图像目标识别系统各阶段常用的特征,并提出了几个新的具有鲁棒性的特征,从而为SAR图像目标检测和分类提供了良好的基础.     

基于L1范数B2DPCA的SAR目标特征提取与识别

主成分分析法(PCA)等基于L2范数最小均方准则的目标特征提取方法在合成孔径雷达(SAR)图像目标识别中得到广泛应用,L2范数易受SAR图像中野值的干扰,影响目标特征提取效果。介绍一种基于L1范数双向二维主成分分析法(B2DPCA-L1)的目标特征提取方法。L1范数对野值有较强的鲁棒性,通过在L1范数框架下实现B2DPCA,有效地改善了样本中野值对特征提取的影响,同时减少了特征矩阵维数,提高了目标识别率。实验表明,所提出方法的识别性能优于基于L2范数的特征提取方法。     

基于Markov随机场的SAR图像目标检测方法

提出了一种递增结构能量参数的Markov随机场模型的合成孔径雷达图像目标检测算法,利用模拟退火优化方法,获得最大后验概率准则下的目标检测结果。实验结果表明,该算法不仅能有效减少斑点噪声及背景杂波的影响,而且还可以排除具有较强回波的角反射器的干扰。     

SAR图像舰船目标去旁瓣处理

准确分割出SAR图像舰船成像区域是舰船目标几何参数提取、目标分类识别的基础。受SAR成像机理影响,图像不可避免地存在旁瓣效应,严重影响目标特征提取精度。提出一种舰船目标去旁瓣方法：首先确定目标区域及强散射区域最小外接矩形,在两个外接矩形区域内,根据旁瓣自身特征进行统计分析,删除疑似旁瓣区域,最后对剩余区域重新计算区域参数,获取更准确成像区域。通过对高分辨率机载SAR图像实验验证,该算法能有效去除旁瓣对SAR舰船目标影响,更精确分割出目标真实成像区域。     

基于ICNN和IGAN的SAR目标识别方法

近年来,卷积神经网络(CNN)已广泛应用于合成孔径雷达(SAR)目标识别。由于SAR目标的训练数据集通常较小,基于CNN的SAR图像目标识别容易产生过拟合问题。生成对抗网络(GAN)是一种无监督训练网络,通过生成器和鉴别器两者之间的博弈,使生成的图像难以被鉴别器鉴别出真假。本文提出一种基于改进的卷积神经网络(ICNN)和改进的生成对抗网络(IGAN)的SAR目标识别方法,即先用训练样本对IGAN进行无监督预训练,再用训练好的IGAN鉴别器参数初始化ICNN,然后用训练样本对ICNN微调,最后用训练好的ICNN对测试样本进行分类。MSTAR实验结果表明,提出的方法不仅能够在训练样本数降至原样本数30%的情况下获得高达96.37%的识别率,而且该方法比直接采用ICNN的方法具有更强的抗噪声能力。     

基于散射信息和元学习的SAR图像飞机目标识别

SAR图像由于数据获取难度大,样本标注难,目标覆盖率不足,导致包含地理空间目标的影像数量稀少。为了解决这些问题,该文开展了基于散射信息和元学习的SAR图像飞机目标识别方法研究。针对SAR图像中不同型号飞机空间结构离散分布差异较大的情况,设计散射关联分类器,对飞机目标的离散程度量化建模,通过不同目标离散分布的差异来动态调整样本对的权重,指导网络学习更具有区分性的类间特征表示。考虑到SAR目标成像易受背景噪声的影响,设计了自适应特征细化模块,促使网络更加关注飞机的关键部件区域,减少背景噪声干扰。该文方法有效地将目标散射分布特性与网络的自动学习过程相结合。实验结果表明,在5-way 1-shot的极少样本新类别识别任务上,该方法识别精度为59.90%,相比于基础方法提升了3.85%。减少一半训练数据量后,该方法在新类别的极少样本识别任务上仍然表现优异。     

基于小波字典稀疏表示的SAR图像目标识别

针对稀疏表示识别算法在图像域构造冗余字典时过分依赖预处理及原子维数较大的问题,提出基于小波字典的 SAR图像稀疏表示识别算法。首先采用二维离散小波变换将原始图像变换到小波域,建立小波域 SAR图像特征模型,得出小波域低频成分可充分表征目标类别信息的结论。然后取小波域低频成分进行2DPCA特征抽取构造小波字典,最后由改进 OMP 算法稀疏分解系数得到识别结果。SAR MSTAR数据的实验结果表明,在无预处理的情况下识别率高达99％,并且在含噪比10％的情况下识别率仍达96％。     

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.     

基于样本正交子空间的SAR目标识别方法

利用合成孔径雷达(Synthetic Aperture Radar, SAR)获取的目标像进行识别时,基于子空间的自动目标识别(Automatic Target Recognition, ATR)方法通常是对样本数据的值空间进行操作。当识别相似目标时,由于彼此的值空间存在较大的交集,生成的识别模板的可分性较差。该文提出一种SAR目标ATR方法,该方法将SAR样本数据的正交子空间作为投影空间。因此,不同类目标样本在投影空间的差异性加大,能够明显提高识别效果。实验结果表明,本文方法的识别性能优于其它同类方法。     

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。     

SAR图像非线性分布目标检测方法研究

在一定条件下,遥感图像上可以观测到舰船的尾迹或自然界的内波现象。目前对舰船尾迹的检测多集中在线性尾迹的检测上,该文提出一种基于生理视觉的静态边界轮廓系统和移动窗口形态滤波非线性分布目标检测方法,并且转换成二值图像后,运用二值形态滤波对线状要素进行分类,将非线性特征进行区分,以便进一步的处理。文中仿真和实际SAR图像试验的结果表明该算法是有效的。