一种改进的图像域SAR目标散射中心特征提取方法

散射中心是SAR图像目标识别的重要特征。本文基于属性散射中心模型，在文献[6]的基础上，提出了一种改进的图像域SAR目标散射中心特征提取方法。在该方法中，通过引入参数规则化处理步骤，解决了属性散射中心特征提取方法的收敛问题，提高了属性散射中心特征参数估计的精度和效率；提出了一种能同时实现散射中心数目确定和结构判别的方法，实现了散射中心类型的可靠判别。仿真数据和MSTAR实测SAR图像数据的实验结果，验证了本文改进的图像域SAR目标散射中心特征提取方法的有效性。     

欺骗目标仿真SAR图像可信度评估方法

针对宽带合成孔径雷达欺骗干扰图像源生成及其效果评估问题,对典型目标进行三维建模和电磁散射特征计算,利用二维成像算法构建了欺骗目标仿真SAR图像的预估模板库,在此基础上,利用图像质量和相似度对欺骗图像进行可信度评估,提出了基于散射强点旋转相关和纹理特征匹配的图像相似度评估指标,建立了仿真SAR图像可信度评估指标体系和综合评价模型,通过仿真实验对模型的有效性进行了验证。     

高分辨率SAR图像桥梁目标仿真与特性分析

该文针对多径散射特征,给出了一种高分辨率SAR图像的仿真与特性分析方法,以桥梁目标为例开展了分析,该仿真方法从SAR工作原理出发,利用几何光学法计算和分析桥梁目标的单次散射情况和多径散射情况,并根据雷达工作原理和成像机理利用散射数据获得仿真SAR图像。文中选择了悉尼大桥为研究对象,利用分辨率为1 m的Terra-SAR数据开展了实验,仿真获得的SAR图像与实际SAR图像的主要散射特征一致,验证了方法的有效性;同时,根据仿真算法的分析过程,文中给出了悉尼大桥SAR图像主要散射特征的细节解释。实验表明,该方法能够有效获得目标的多径散射特征,同时能够有效辅助目标的SAR图像理解工作。      

SAR图像目标和阴影径向积分特征评估

为了评价理论建模建立合成孔径雷达(Synthetic Aperture Radar,SAR)图像模板的准确性,利用SAR图像中两个典型区域(目标和阴影),建立仿真与实测图像之间相似性的定量评估方法.该方法预先分割出目标和阴影区域,并分别提取目标轮廓、目标强度分布和阴影轮廓的极化映射径向积分特征,基于这三种特征计算仿真图像和实测图像的相关系数.对三种车辆目标(BMP2、BTR70、T72)的仿真SAR图像与运动和静止目标获取与识别(Moving and Stationary Target Acquisition and Recognition,MSTAR)实测SAR图像进行相似性比对和分类识别,结果表明,目标轮廓、目标强度分布、阴影轮廓的极化映射径向积分特征评估方法具有较好的相似性和分类性能.     

单幅高分辨率SAR图像建筑物三维模型重构

提出了一种利用高分辨率SAR图像进行建筑物提取和三维重构的方法.首先,分析了高分辨率SAR图像建筑物产生的电磁散射的类型,给出了不同类型散射区域的后向散射计算方法,并在此基础上给出了一种利用建筑物三维CAD模型进行SAR建筑物特征区域图像仿真的方法;其次,给出了利用建筑物的二次散射结构确定建筑物底部轮廓位置和方向的方法,并提出了一种基于分布密度函数差异的仿真图像迭代匹配方法,进行建筑物高度的反演.仿真SAR图像后向散射系数用来划分建筑物不同的散射区域,通过计算特征区域之间的分布密度函数差异,以取得最大匹配度值的仿真图像对应的检验高度作为建筑物的反演高度;最后,选用了两幅不同屋顶类型的实际机载高分辨率SAR图像进行建筑物提取和三维重构实验,试验结果较为理想,验证了所提方法的可行性和有效性.     

基于角度内插仿真的飞机目标多角度SAR数据集构建方法研究

随着SAR技术应用领域的扩大以及SAR数据获取技术的发展,构建各种典型目标的多角度SAR数据集的需求日益迫切。针对飞机目标,目前尚未有比较完备的多角度SAR图像数据集。该文探索了一种基于实测数据和智能仿真相结合的数据集构建方法,通过飞行试验采集飞机目标SAR多角度数据,并基于散射分析和自注意力生成对抗网络实现特定角度的SAR图像内插仿真,从而为数据集构建和扩容提供新的解决方案。最后,在假定部分数据缺失的情况下,通过6种评价指标对仿真图像和实际采集图像的相似度进行了评价,验证了所提方法的有效性。      

分析圆柱油罐目标合成孔径雷达图像的新方法

该文提出了一种针对油罐目标的合成孔径雷达(SAR)图像的分析方法。该方法根据圆柱油罐具有圆型边缘和圆柱型外形的几何特点,利用物理光学法(Physical Optics,PO)和增量绕射长度(Incremental Length DiffractionCoefficients,ILDC)理论建立了油罐目标的散射模型,并基于该模型推导了圆柱油罐的散射中心分布特征,同时引入投影映射算法(Mapping and Projection Algorithm,MPA)建立了成像模型,有效利用了单一视角的散射数据进行SAR图像模拟,仿真结果与实际SAR图像散射特征吻合,验证了方法的有效性。同时,利用45组实测数据得到了SAR图像散射中心的特征,并根据建立的散射模型和成像模型,分析和总结了油罐目标SAR图像的主要散射特征,为SAR图像中基于油罐目标的识别领域提供了理论依据。     

基于电磁散射特性计算的目标SAR图像仿真

目标SAR图像仿真对SAR系统设计与验证、SAR图像几何纠正与地理编码、SAR图像解译和目标识别以及SAR成像处理等具有重要意义.SAR图像仿真总体分为基于信号的仿真和基于特征的仿真,不同应用决定了其相应的仿真方法也各不相同.面向SAR图像解译与目标识别应用,采用基于信号的仿真,研究实现了基于电磁散射特性计算的目标SAR图像仿真,给出了仿真信号的数学模型及仿真流程,并通过简单几何体以及实际目标的SAR图像仿真实验结果验证了其有效性.     

基于数值散射模拟与模型匹配的SAR自动目标识别研究

该文提出并实现了一种基于模型的SAR自动目标识别算法,该算法用实验室开发的BART进行离线电磁散射计算,系统参数设置和MSTAR数据库的参数完全一致,对待测图像和电磁散射数据所成的图像分别进行特征提取,然后进行搜索匹配。该文通过MSTAR 3类目标3种型号的实测数据和BART仿真数据分别验证了算法的可行性和准确性。该算法简单易实现,运行时间短,目标分类识别的效果较好。      

基于联合特征和SVM的极化SAR图像分类方法

极化SAR地物分类作为极化SAR数据解译的关键环节,已成为遥感领域研究的一个新热点。在充分研究现有方法的基础上,给出了一种联合特征和SVM相结合的极化SAR图像分类方法。该方法基于目标分解理论提取极化SAR图像的多类散射特征,并结合具有上下文知识的纹理特征,构建联合特征矢量;利用提取样本区域像素的联合特征矢量训练SVM分类器;将未知数据输入训练好的分类器完成最终的分类。实测SAR图像数据的实验结果表明,算法能够充分利用极化SAR图像电磁散射特性及纹理特征的互补性,具有较好的分类性能。     

基于梯度方向直方图的红外与可见光融合网络的损失函数

基于深度学习的图像融合方法实现了良好的图像融合性能，近年来经过快速发展，被广泛应用于生物特征识别、自动驾驶和目标追踪等方面。深度学习网络在提取图像的重要纹理细节和保存重要信息等方面依然存在许多挑战。因此，提出了一种适用于红外与可见光图像融合网络的损失函数，在损失函数中引入了梯度方向直方图（HOG）损失，HOG特征可以反映图像局部的梯度方向和梯度大小，用HOG特征作损失函数可以提升网络提取图像细节信息的能力。将HOG损失与多尺度结构相似性损失相结合，用设计的损失函数训练了NestFuse、Res2Fusion和UNFusion 3个红外与可见光图像融合网络。在TNO数据集上，所提模型将融合图像的标准差（SD）分别提高2.1476%、1.2273%和1.4444%，将融合图像的视觉信息保真度（VIF）分别提高1.6529%、1.4936%和1.2902%；在RoadScene数据集上，所提模型将融合图像的SD分别提高1.0083%、1.1669%和0.7214%，将融合图像的VIF分别提高1.8093%、1.8063%和1.0406%。实验结果表明，所提损失函数可以从源图像中提取更多有效信...     

目标高真实感红外图像生成方法

为满足仿真实验对高真实感目标红外图像的需求,提出了一种基于实测图像与三维数字仿真相结合的红外图像生成方法。通过测量获得物体表面实际辐射分布,以此为基础数据,建立真实温度分布的数学反演模型,生成目标红外纹理。再将纹理映射到几何模型,利用三维渲染技术生成高真实感红外图像。实验结果表明:该方法仿真灵活性高,生成的目标红外特征自然、准确,纹理细节丰富,图像实用性强。     

网格索引下反向插补图像纹理细节增强算法

通过对图像纹理细节增强,提高低质量采集图像的识别和细节特征分析能力.传统的图像纹理细节增强算法采用纹理结构信息特征子空间多维谱峰搜索方法,算法只考虑结构信息特征子空间中的纹理特征,对剩余的元素没有进行有效的网格化分区,细节增强效果不好.对此,首先进行图像结构纹理信息传导模型设计,引入网格索引方法对图像纹理细节增强的优先级进行判定,然后提出一种基于反向插补的网格索引下补图像纹理细节增强算法.提取亮度、对比度和结构相似度等能有效表征图像的结构化特征,采用反向插补实现图像纹理细节增强,仿真结果表明,该算法对图像纹理细节特征的检测概率最高,有效确保增强后的图像质量,提高低质量采集图像的识别和细节特征分析能力,在图像识别和成像处理等领域应用价值较高.     

高分辨SAR目标散射中心模型分析

散射中心是光学区雷达目标电磁散射的基本特征,是高分辨SAR图像解译的根本特征。以高分辨SAR图像解译为应用背景,分析了目前典型的三种散射中心模型（理想点散射中心模型、衰减指数和模型、属性散射中心模型）的优缺．点和适用条件,并导出了模型及模型参数间的关系。通过理论分析、仿真及实测SAR图像数据验证了属性散射中心模型是目前最符合高分辨SAR图像解译应用需求的散射中心模型。在此基础上,分析了属性散射中心的特性与特点,为研究基于属性散射中心模型的高分辨SAR图像特征提取及解译方法奠定了基础。     

基于SEEMD的高分辨率SAR图像目标特征提取方法

针对高分辨率合成孔径雷达(SAR)图像,本文提出了一种基于分离集合平均经验模态分解(SEEMD)的目标散射特征提取方法.首先在图像二维波数域进行SEEMD分解获得每个目标的散射函数,然后估计目标散射特征参数,通过该参数可以区分目标所属的散射类型.最后,仿真实验和实测数据的处理验证了方法的有效性.     

基于lk范数正则化的SAR图像目标特征增强

增强SAR图像的目标特征对自动目标识别等具有重要意义。该文改进了一种基于lk范数正则化方法，并用于SAR图像目标特征增强。该方法通过开发利用符合SAR图像统计特性的先验知识，构造附加约束，把图像目标特征增强问题规划为形式简单的最优化问题，并利用一种迭代算法进行快速求解。仿真和实测数据计算结果证实了该方法的有效性。     

高分辨率SAR图像机动目标纹理特征提取与分析

该文基于高频区目标散射中心理论分析了高分辨率SAR图像机动目标和自然地物后向散射特性的差异,探讨了两类目标纹理现象产生的机理,并在此基础上,分别基于局部统计量和分形模型提取机动目标的纹理特征,给出了鉴别特征优选方法。文中利用MSTAR的车辆目标实测数据检验了该文计算的纹理特征,给出纹理特征优选结果以及各纹理特征鉴别的性能,结果表明该文提取的纹理特征具有较好的鉴别性能,能消除大部分自然地物产生的虚警。     

红外与可见光图像多特征自适应融合方法

由于成像机理不同,红外图像以像素分布表征典型目标,而可见光图像以边缘和梯度描述纹理细节,现有的融合方法不能依据源图像特征自适应变化,造成融合结果不能同时保留红外目标特征与可见光纹理细节。为此,本文提出红外与可见光图像多特征自适应融合方法。首先,构建了多尺度密集连接网络,可以有效聚合所有不同尺度不同层级的中间特征,利于增强特征提取和特征重构能力。其次,设计了多特征自适应损失函数,采用VGG-16网络提取源图像的多尺度特征,以像素强度和梯度为测量准则,以特征保留度计算特征权重系数。多特征自适应损失函数监督网络训练,可以均衡提取源图像各自的特征信息,从而获得更优的融合效果。公开数据集的实验结果表明,该方法在主、客观评价方面均优于其他典型方法。     

基于属性散射中心卷积核调制的SAR目标识别深层网络

卷积神经网络(CNN)的特征提取能力与其参数量有关,一般来说,参数量越多,CNN的特征提取能力越强。但要学好这些参数需要大量的训练数据,而在实际应用中,可用于模型训练的合成孔径雷达(SAR)图像往往是有限的。减少CNN的参数量可以降低对训练样本的需求,但同时也会降低CNN的特征表达能力,影响其目标识别性能。针对此问题,该文提出一种基于属性散射中心(ASC)卷积核调制的SAR目标识别深层网络。由于SAR图像具有电磁散射特性,为了提取更符合SAR目标特性的散射结构和边缘特征,所提网络使用预先设定的具有不同指向和长度的ASC核对少量CNN卷积核进行调制以生成更多卷积核,从而在降低网络参数量的同时保证其特征提取能力。此外,该网络在浅层使用ASC调制卷积核来提取更符合SAR图像特性的散射结构和边缘特征,而在高层使用CNN卷积核来提取SAR图像的语义特征。由于同时使用ASC调制卷积核和CNN卷积核,该网络能够兼顾SAR目标的电磁散射特性和CNN的特征提取优势。使用实测SAR图像进行的实验证明了所提网络可以在降低对训练样本需求的同时保证优秀的SAR目标识别性能。     

SAR目标属性散射中心特征提取与分析

散射中心是高频区雷达目标电磁散射的基本特征,对SAR图像解译、目标识别等具有重要意义。与经典的理想点散射中心模型相比,属性散射中心模型通过引入散射响应对频率、方位角的依赖因子,可更精确地建模高分辨SAR图像目标的散射特性,但与此同时,由于特征参数的维数更高,因此相应的特征提取方法也更复杂。提出了一种基于CLEAN思想的图像域区域解耦合的近似最大似然估计(RD-AML-CLEAN)高分辨SAR图像目标属性散射中心特征提取方法,并通过仿真SAR图像数据的实验结果对算法性能进行了定性、定量的分析与评估。