SAR图像自动目标识别系统研究与设计*

研究了SAR图像自动目标识别系统。通过分析国际上先进的SAR自动目标识别系统的组成、算法实现、流程设计和所得到的结果,设计出SAR自动目标识别系统结构和识别流程图。系统结构主要由SAR图像特性库、特征库和模型库组成。识别流程在系统结构的基础上,分为检测、辨识和分类三步。最后给出了SAR图像自动目标识别系统的主要评价原则。     

一种SAR目标识别综合框架

概括了SAR图像中目标特点,分析了SAR图像目标识别主要采用的方法和存在不足,提出了一种综合的SAR目标识别框架。     

SAR图像船只分类识别研究进展

随着新一代SAR传感器的出现及应用,利用真实高分辨率、多极化SAR图像进行船只分类识别成为海上交通、渔业监测及国防应用的热点问题。首先回顾了SAR图像船只分类识别技术的发展。以近20 a国内外研究的重要成果为基础,对几何结构特征、散射特征和极化特征等船只分类特征进行了总结和比较,分析了其优缺点;总结了各种SAR图像船只分类识别算法的技术特点,并分析了各方法的适用性。最后对SAR图像船只分类识别技术的应用前景和发展趋势进行了阐述。     

OpenMP多核计算技术在SAR图像处理中的应用

SAR图像数据量大,常规识别算法复杂、处理耗时,难以满足实时性要求。针对这一问题,提出一种基于OpenMP多核计算的SAR图像目标分类算法。在分析基于模板匹配的SAR图像目标分类算法的基础上,给出基于OpenMP多核计算技术的图像处理并行处理框架,实现SAR图像目标分类算法的并行计算。最后,采用所提方法对3类目标进行分类识别实验,SAR图像分类识别的处理速度提高了8倍,表明了该方法是有效的。     

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图像处理的最新研究与应用

系统地阐述了SAR图像的特点、研究难点、处理过程、国内外最新研究方法及应用。结合国内外SAR图像最新研究动态对SAR图像消噪、纹理分割、线性特征的提取、多目标的识别、分数维方法的应用等几个热点问题作了论述。具体地论述了利用SAR图像进行目标探测与识别、目标变化评估;在民用上利用SAR图像进行矿藏资源的探测、洪涝灾害的趋势分析,并介绍了SAR信号处理算法在医学等领域取得的显著成绩。     

一种识别SAR图像中椭圆目标的方法

提出了一种对SAR图像中的椭圆形目标进行自动识别的综合方法。它利用SAR图像所具有的统计特性、CFAR检测对SAR图像进行预处理。根据中心椭圆算法构造椭圆并计算以此灰度占空比系数,采用马氏距离从背景中识别出目标。实际SAR图像实验结果表明了该方法的有效性。     

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。     

基于特征向量的SAR图像目标识别方法研究

用于描述区域特征的Hu矩不变量在模式识别中得到广泛使用。然而在噪声影响下,尤其是SAR图像中严重的相干斑噪声,Hu 矩不变量不再保持其完美的性能。以Hu七个矩不变量为基础,结合SAR图像的特点,引入四个仿射矩不变量和SAR图像中目标区域的峰值、均值和方差系数,构成SAR图像中目标识别的特征向量。该特征向量体现了SAR图像区域目标的形状特征和区域的灰度信息。通过对两种不同分辨率下的T72坦克SAR图像的目标识别仿真实验,均获得了较好的目标识别效果,说明所选取的SAR图像目标识别的特征向量是有效的,具有较强的目标识别性能。     

一种抑制SAR图像斑点噪声的图像融合方法

首先研究了图像融合小波基的选区,并利用提升小波技术分别对合成孔径雷达图像和光学遥感图像进行小波提升分解;然后,对分解后的SAR低频分量进行邻域平均,再与光学图像的低频分量进行加权平均;为了抑制SAR图像斑点噪声的影响,重点研究了高频分量的融合方法,并提出了一种依据斑点噪声特征变化而自适应地改变融合窗口的方法,该方法提高了SAR图像的目标解译和识别能力;最后,使用融合前后的SAR图像进行图像的目标检测,结果表明,融合后的图像能够明显抑制SAR斑点噪声影响,使SAR图像目标检测的效果更佳。     

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。     

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.     

基于深度学习的SAR目标识别DSP设计

SAR图像目标识别主要针对桥梁、机场等战略军事目标以及飞机、坦克、汽车等战术目标,进行精确的识别分类及定位,是SAR图像解译的重要一环。首先,构建C6678的卷积神经网络主要处理层,然后结合C6678的处理及存储特性,对卷积层和网络调度进行优化设计,完成了YOLOv3-TINY目标识别网络在C6678上的设计实现方法。该方法能够对常用卷积神经网络模型进行重构及修改,解决了C6678等多核DSP处理平台运行深度学习网络的难题。实验结果表明,该方法在检测性能上与GPU一致,考虑到机载SAR的实时图像帧率,虽然该方法在C6678的实时性能相对GPU还有较大差距,但其能够满足机载SAR实时处理需求。     

Time–frequency analysis for moving ship targets in GEO spaceborne/airborne bistatic SAR imaging based on a GEO satellite transmitter

The track of a synthetic aperture radar (SAR) system mounted on a geosynchronous orbit (GEO) satellite can be curvilinear. GEO spaceborne/airborne bistatic (SA-Bi) SAR, which employs a GEO satellite as a transmitter and an aeroplane that works on the ‘receive-only’ mode as a receiver, is distinct from general bistatic SAR systems. During coherent integration time, the rotation of ship targets results in a time-varying Doppler frequency shift that produces a smeared Doppler spectrum and a blurred image after Fourier transform. This article mainly studies the time–frequency characteristics of ship targets in a GEO SA-Bi SAR system. First, the geometric model of a GEO SA-Bi SAR in ship target imaging is built, and the Doppler frequency shift function induced by target rotation is derived in detail. Then, the instantaneous frequency characteristics of moving targets are analytically calculated based on the time–frequency analysis method. Moreover, a rotation target imaging strategy of GEO SA-Bi SAR based on the time–frequency analysis method is proposed and tested with simulation data, which demonstrates the correctness and effectiveness of the proposed method.     

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。     

Adaptive target recognition

Target recognition is a multilevel process requiring a sequence of algorithms at low, intermediate and high levels. Generally, such systems are open loop with no feedback between levels and assuring their performance at the given probability of correct identification (PCI) and probability of false alarm (Pf) is a key challenge in computer vision and pattern recognition research. In this paper, a robust closed-loop system for recognition of SAR images based on reinforcement learning is presented. The parameters in model-based SAR target recognition are learned. The method meets performance specifications by using PCI and Pf as feedback for the learning system. It has been experimentally validated by learning the parameters of the recognition system for SAR imagery, successfully recognizing articulated targets, targets of different configuration and targets at different depression angles.     

基于RM算法的车辆目标SAR精细仿真成像

复杂车辆目标的SAR图像仿真,对于目标识别与解译的理论研究和实际应用具有十分重要的意义。针对复杂目标CAD(Computer Aided Design)模型的扫频仿真RCS数据,在传统RM算法的基础上,引入基于谱变形的旁瓣抑制方法对目标模板图像进行精细化处理。实验表明,精细化成像结果的图像质量相对于原始成像结果得到了明显的改善。     

综合边界和纹理信息的合成孔径雷达图像目标分割

目的 针对传统Grab Cut算法需要人工交互操作,无法实现合成孔径雷达（SAR）图像的自动分割,且方式单一（仅利用边界或纹理信息中的一种）的问题,提出一种综合利用边界和纹理信息的改进Grab Cut算法,实现对SAR图像目标的自动分割。方法 首先将其他格式的彩色或灰度SAR图像转化为24 bit的位图,采用图形理论对整幅SAR图像建模,根据最大流算法找到描述图的能量函数最小的割集,从而分割出目标区域;然后采用中值滤波抑制相干噪声;最后通过邻域生长算法滤除图像斑点和小目标的干扰,从而达到目标边界的连接,实现自动对SAR图像中的目标进行分割。结果 在64位Window 7环境下采用MATLAB R2014处理平台,对楼房、车库、大树、汽车群等4幅分辨率不同的SAR图像进行目标分割实验,特征目标被自动分割出来,耗时分别为1.69 s、1.58 s、1.84 s和3.09 s,相比Mean-shift和Otsu算法,平均计算效率分别提升150%和3%,并且图像中的背景杂波、目标阴影和干扰小目标均被有效去除。结论 综合利用边界和纹理信息能够有效抑制相干噪声,去除图像斑点和小目标的干扰,从而达到目标边界的连接,实现对SAR图像目标的自动分割。实验结果表明,本文算法可以满足工程化应用要求,自适应性强,分割精度高,且具有较好的鲁棒性。