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。     

SAR图像目标识别的卷积神经网模型

目的 合成孔径雷达图像目标识别可以有效提高合成孔径雷达数据的利用效率。针对合成孔径雷达图像目标识别滤波处理耗时长、识别精度不高的问题,本文提出一种卷积神经网络模型应用于合成孔径雷达图像目标识别。方法 首先,针对合成孔径雷达图像特点设计特征提取部分的网络结构;其次,代价函数中引入L2范数提高模型的抗噪性能和泛化性;再次,全连接层使用Dropout减小网络的运算量并提高泛化性;最后研究了滤波对于网络模型的收敛速度和准确率的影响。结果 实验使用美国运动和静止目标获取与识别数据库,10类目标识别的实验结果表明改进后的卷积神经网络整体识别率（包含变体）由93.76%提升至98.10%。通过设置4组对比实验说明网络结构的改进和优化的有效性。卷积神经网络噪声抑制实验验证了卷积神经网络的特征提取过程对于SAR图像相干斑噪声有抑制作用,可以省去耗时的滤波处理。结论 本文提出的卷积神经网络模型提高了网络的准确率、泛化性,无需耗时的滤波处理,是一种合成孔径雷达图像目标识别的有效方法。     

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。     

基于小波神经网的SAR图像识别算法

针对SAR图像的自动目标识别问题,研究了基于小波分析和神经网络的识别算法.由非线性小波基作为网络中神经元的激励函数,隐层结点数由小波分解次数和处理目标类别数决定,输出层由目标的类别数决定,同时利用目标的方位角来限定被识别目标的范围.实验结果表明,该方法有效降低了训练和识别的难度,取得了优于BP网络的识别结果,具有广阔的应用前景.     

基于最大类间方差的最大熵图像分割

最大熵分割算法对于目标与背景之间界限模糊的图像分割效果较好,但该算法对图像边缘的处理能力较差。最大类间方差分割算法对图像边缘的识别能力较强,但该算法对于目标和背景之间界限模糊的图像分割效果不好。针对上述问题,提出了一种基于最大类间方差的最大熵图像分割算法,该算法既能很好地对目标与背景之间界限模糊的图像进行分割,又能有效地识别图像的边缘。实验结果表明,本文所提算法对目标与背景之间界限模糊的图像的分割效果以及对图像边缘的识别能力均优于传统的最大类间方差算法和最大熵算法,且具有更好的有效性和鲁棒性。     

基于Laplacian正则化最小二乘的半监督SAR目标识别

提出了一种基于核主成分分析(kernel principal component analysis,简称KPCA)和拉普拉斯正则化最小二乘(Laplacian regularized least squares,简称LapRLS)的合成孔径雷达(synthetic aperture radar,简称SAR)目标识别方法.KPCA特征提取方法不仅能够提取目标主要特征,而且有效地降低了特征维数.Laplacian正则化最小二乘分类是一种半监督学习方法,将训练集样本作为有标识样本,测试集样本作为无标识样本,在学习过程中将测试集样本包含进来以获得更高的识别率.在MSTAR实测SAR地面目标数据上进行实验,结果表明,该方法具有较高的识别率,并对目标角度间隔具有鲁棒性.与模板匹配法、支撑矢量机以及正则化最小二乘监督学习方法相比,具有更高的SAR目标识别正确率.此外,还通过实验分析了不同情况下有标识样本数目对目标识别性能的影响.     

一种SAR图像机动目标检测与分析方法

从SAR(合成孔径雷达)图像中检测和分析目标是进行SAR自动目标识别的关键步骤,提出了一种SAR图像中地面机动目标检测与分析的方法,该方法在对图像进行预处理后首先利用背景杂波强度分布为指数分布假设的恒虚警率算法以及形态学运算对原始的SAR场景数据进行快速检测获得感兴趣的目标区域,然后提取目标区域8个特征构成特征矢量以详细描述目标。实验结果表明,该方法计算速度快,能够从获得的目标区域得到大量有用的信息,而且该方法具有一定的通用性。     

基于累积概率分布的海域SAR图像目标检测识别

高分辨率SAR图像目标识别系统首先要检测出图像中可能的目标区域。该文利用累积概率分布及K-S距离方法确定海洋SAR图像中可能的目标区域，并提出了综合分析整幅图像及目标区域图像确定阈值的方法，利用此方法把成群像素区域二值化为二值图像，二值化结果优于常规方法，特别适用于弱对比度的SAR图像目标检测识别。     

一种有效的SAR图像目标识别方法

SAR图像目标识别是SAR图像应用中非常重要的环节,但由于SAR图像中相干斑噪声的存在,使得传统方法不能很好地对SAR图像进行分类识别。结合不变矩特征提取和支持向量机分类方法的优势,提出了一种有效的SAR图像目标识别方法,采用该方法对含有飞机和坦克目标的SAR图像进行了目标识别实验,取得了较好的识别效果。     

SAR目标特性分析技术

随着合成孔径雷达（SAR）传感器技术的发展和获取信息的增多,如何有效地实现SAR图像的信息提取和解译,是当前亟待解决的关键问题。本文研究和综述了面向识别的SAR目标特性分析技术。首先,从SAR的成像原理出发,深入分析和探讨了影响SAR图像目标特性的主要因素;然后,系统总结了点状目标、线状目标和面状目标的一些特性分析和特征提取技术;最后,对SAR目标识别技术的未来发展方向进行了展望。     

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。     

一种基于肤色检测的人眼快速定位方法

眼睛的位置是人脸识别过程中一个很重要的信息.针对彩色人脸图像上的眼睛定位问题,提出一种结合肤色分割和形态学运算的人眼定位方法.该方法首先利用肤色模型通过最大类间方差法自动优选阈值分割图像,接着从非肤色区域入手,采用形态学运算去除非肤色区域中的干扰区域来获取可能的眼睛区域,最后结合人眼的几何特征实现人眼的快速准确定位.实验结果表明,提出的算法有效地平衡了眼睛定位的实时性和准确性之间的矛盾,定位效率高.     

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.     

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。     

SAR图象自动目标识别研究

目前,SAR已经成为一种不可或缺的对地观测和军事侦察手段.面对不断增长的SAR图象数据收集能力,如何对这些图象进行自动或半自动快速、准确地解译已经越来越引起人们的关注和重视.自动目标识别(ATR)是自动或半自动SAR图象解译研究的一个重要方面.SAR ATR过程可概述为:从观测得到的SAR图象中,找到感兴趣的区域(ROI),并计算出每个ROI的种类.为此,介绍了SAR ATR的含义及其一般流程,对SAR ATR系统按照它所采用的分类方法进行了归纳分类,分析了SAR ATR的难点,介绍了国内外SAR ATR的研究现状和发展趋势.     

频域CFAR技术在SAR图像目标检测中的效能评估

针对SAR图像目标检测缺乏客观效能评估的问题,提出了一种利用平均阀值ADT来评估频域CFAR检测性能的方法。实现了频域中三种CFAR处理器对于SAR图像中异质区域的MATLAB仿真,利用ADT对仿真效果进行评估,验证了频域CFAR技术在SAR图像自动目标检测处理中的可行性、准确性和有效性。     

Adaptive wavelet network for multiple cardiac arrhythmias recognition

This paper proposes a method for electrocardiogram (ECG) heartbeat detection and recognition using adaptive wavelet network (AWN). The ECG beat recognition can be divided into a sequence of stages, starting with feature extraction from QRS complexes, and then according to characteristic features to identify the cardiac arrhythmias including the supraventricular ectopic beat, bundle branch ectopic beat, and ventricular ectopic beat. The method of ECG beats is a two-subnetwork architecture, Morlet wavelets are used to enhance the features from each heartbeat, and probabilistic neural network (PNN) performs the recognition tasks. The AWN method is used for application in a dynamic environment, with add-in and delete-off features using automatic target adjustment and parameter tuning. The experimental results used from the MIT-BIH arrhythmia database demonstrate the efficiency of the proposed non-invasive method. Compared with conventional multi-layer neural networks, the test results also show accurate discrimination, fast learning, good adaptability, and faster processing time for detection.     

星载SAR影像上船舶方位向模糊去除算法

目的 掌握海上船舶分布状态对于海上交通流分析和通航安全管理具有重要作用。遥感技术,特别是星载合成孔径雷达(SAR)技术的发展,为大范围海上船舶检测提供了有效的手段,但受SAR成像机制影响,海上船舶目标在星载SAR影像上通常存在着不同程度的方位向模糊噪声,这些噪声易被误判为船舶,导致船舶识别中虚警率提高。方法 本文简述了方位向模糊噪声的产生原因,提出了一种新的星载SAR影像上船舶方位向模糊去除算法,该算法的核心是构建目标方位向角度一致性、方位向位置偏移距离和方位向模糊能量衰减3个判别规则,对潜在SAR影像亮斑目标进行逐层筛选,实现船舶真实目标和方位向模糊目标的判别。结果 选取中国渤海海域和黄海海域的30 m分辨率的Radarsat-2数据进行案例分析,并与船舶自动识别系统(AIS)实测数据进行比对校验,结果表明,传统的双参数恒虚警率(CFAR)算法和基于K分布的CFAR等算法对于船舶难以剔除方位向模糊,容易造成虚警,而本文算法对实验影像的船舶方位向模糊去除准确率优于95.8%,能够有效剔除船舶方位向模糊。结论 该算法为星载SAR影像上船舶方位向模糊去除提供了新的手段,有助于提高SAR影像上船舶目标检测的准确性。     

一种子像素精度SAR图像目标峰值提取方法

SAR图像目标峰值是SAR图像目标识别的重要特征 ,它本质对应于目标散射中心 ,目标峰值提取是SAR图像目标识别的一个重要步骤。基于峰值SAR图像目标识别系统要求目标峰值提取方法应具有快速、高精度的特点。现有的SAR图像目标峰值提取方法精度较低 ,其对目标峰值位置的估计精度只能达到像素级。为了提高SAR图像目标峰值提取精度 ,该文在分析SAR图像峰值模型基础上 ,提出了一种子像素精度SAR图像目标峰值提取方法 ,并通过仿真实验 ,分析了该方法对目标峰值位置、幅度的估计性能 ,结果表明在SNR =2 0dB的情况下 ,该方法对目标峰值位置估计的标准偏差 <0 .1个像素 ,峰值幅度估计的标准偏差小于 0 .0 5 H(这里H表示目标峰值的真实幅度 ) ,文中还给出了该方法对实测MSTARSAR图像的目标峰值提取结果。     

利用高斯混合模型的SAR图像目标CFAR检测新方法

SAR（合成孔径雷达）图像杂波分布模型种类繁多且对实际地物的建模能力有限。在使用基于杂波统计模型的CFAR(恒虚警率)算法对SAR图像进行目标检测时,杂波统计模型的失配会导致检测结果产生较大的CFAR损失,算法精度不高。提出了一种基于高斯混合模型的CFAR检测新方法。该方法以理论上可以拟合任意形状概率密度分布的高斯混合模型对实际SAR图像的背景杂波进行拟合,利用拟合后得到的分布模型,根据CFAR检测的原理推导出目标检测阈值的计算公式完成目标的检测。新方法对服从不同分布模型的背景杂波,使用形式上统一的模型进行描述,克服了CFAR检测高度依赖背景杂波分布的缺点,提高了CFAR的通用性。实验结果表明,即使在背景杂波类型未知的情况下,新方法依然得到了良好的目标检测效果。