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。     

基于稀疏先验的SAR图像目标方位角稳健估计方法

稳健的高精度目标方位角估计能有效提高SAR ATR的计算效率和识别性能.SAR图像中目标的近雷达主导边界包含较为精确的目标方位角信息,可用于目标方位角估计.由于目标电磁散射特性以及SAR图像斑点噪声的影响,提取的目标近雷达主导边界很不规则,存在"野值"点.本文根据"野值"点稀疏分布的特性,利用最大后验原理提出了一种稳健的方位角估计方法.该方法能够有效检测和剔除主导边界中的"野值",从而提高目标方位角估计的精度和稳健性.针对仅利用距离主导边界估计带来的目标垂直与水平方位的模糊性,基于分割图像中目标区域长宽比特征提出了一种解模糊的新方法.MSTAR实测数据的实验结果表明提出的算法具有较高的精度与稳健性.     

SAR图像目标峰值提取及稳定性分析

SAR图像峰值本质上对应于目标和(或)背景杂波的散射中心，本文研究了由SAR图像提取目标峰值的方法：分析了目标峰值随目标方位角和仰角的变化，结果表明，目标SAR图像峰值在一定的方位角和仰角变化范围内具有一定的“稳定性”。这说明，利用峰值特征进行SAR图像目标识别是可行的。     

基于稀疏描述的SAR目标方位角估计算法

精确的目标方位角估计对于基于模板的SAR ATR算法的性能提高大有裨益,可降低算法运算量,提高运算效率。提出一种有效的基于稀疏描述的SAR目标方位角估计方法。首先,利用所有训练样本构造字典矩阵,获得测试样本的稀疏描述向量;然后,通过稀疏描述向量中的非零系数计算重构误差,利用SAR图像中特有的目标方位角敏感特性,选出重构误差最小的样本所对应的方位角作为估角结果。不同于现有的方位角估计方法,所提算法可以有效地克服180°方位角模糊问题。采用实测的MSTAR数据进行实验,实验结果验证了所提方法的有效性。     

基于线性回归的SAR目标方位角估计方法

方位角估计是合成孔径雷达(SAR)图像自动目标识别研究中的一个重要问题。一般而言,基于SAR图像的目标方位角估计方法应满足精度高、速度足够快、对目标部署条件的变化具有一定的稳健性。文中在分析现有的SAR图像目标方位角估计方法优缺点的基础上,给出了一种有效的基于线性回归的SAR图像目标方位角估计方法,并通过对大量实测MSTARSAR图像目标方位角的估计试验,详细分析了该方法对SAR图像目标方位角的估计性能。     

高分辨率SAR图像目标峰值提取及峰值稳定性分析

SAR图像自动目标识别的一个主要途径是通过目标峰值序列的匹配进行识别。该文提出了SAR图像的通用高斯峰值模型,并根据该模型设计了SAR图像目标峰值提取方法,进而利用实测目标数据分析了目标峰值对于目标方位角,雷达俯仰角以及目标结构等目标配置条件变化下的稳定性。结果表明,目标SAR图像峰值对于目标的配置条件变化具有一定的稳定性,这说明,利用峰值特征进行SAR图像目标识别是可行的。     

SAR图像目标方位角估计方法综述

目标方位角估计是进行SAR图像自动目标识别(ATR)的重要步骤。由于目标SAR图像对目标方位角的敏感性,在目标识别之前进行方位角估计能够提高系统的效率,增强系统的实时性。本文在分析SAR目标模型的基础上,对目标方位角估计算法进行了全面系统的研究,总结了目前存在的目标方位角估计方法的主要研究思路,即:提取目标主轴、提取目标主导边界、最小外接矩形获取,并介绍了有代表性的算法,指出了这些算法的优缺点,展望了今后的发展方向。     

基于Hough变换与目标主轴提取的SAR图像目标方位角估计方法

该文提出了一种基于Hough变换与目标主轴提取的SAR图像目标方位角估计方法。针对传统基于Hough变换估计方法的不足,在估计过程中引入目标的主轴信息指导方位角的估计。利用基于马尔可夫随机场(MRF)的图像分割提取准确的目标成像轮廓。在此基础上,基于Hough变换检测目标轮廓的直边,基于轮廓特征点检测获得目标主轴的大致方向,结合Hough变换检测结果与目标主轴信息获得最终的方位角估计。实验结果验证了该文方法的有效性。     

基于块稀疏贝叶斯学习的SAR图像目标方位角估计方法

提出了一种基于块稀疏贝叶斯学习的合成孔径雷达（Synthetic aperture radar,SAR）图像目标方位角估计方法。SAR图像具有较强的方位角敏感性,因此对于具有某一方位角的SAR图像仅能与其具有相近方位角的样本具有较高的相关性。方法基于稀疏表示的基本思想,首先对所有训练样本按照方位角顺序排列为全局字典。在此条件下,待估计样本在该字典上的线性表示系数具有块稀疏特性,即非零表示系数主要聚集在字典上的某一局部区域。求解得到的块稀疏位置包含的训练样本可以有效地反映待估计样本的方位角信息。采用块稀疏贝叶斯学习（Block sparse Bayesian learning, BSBL）算法求解全局字典上的稀疏表示系数,并根据具有最小重构误差的原则获得最佳的局部分块。在获取最佳分块的基础上,方位角计算方法采用线性加权的方式综合了该分块区间内所有训练样本的方位角信息从而获得更为稳健的估计结果。所提出的方法在充分考察SAR图像方位角敏感性的基础上,综合运用局部区间内样本的有效信息,避免了基于单一样本估计的不确定性。为了验证所提出方法的有效性,基于Moving and stationary target acquisition and recognition （MSTAR）数据集进行了方位角估计实验并与几类经典方法进行对比分析。实验结果验证了所提出方法的性能优势。     

高分辨率SAR图像舰船目标几何结构特征提取

随着SAR图像分辨率的提高,利用SAR图像进行舰船识别成为遥感卫星获取海洋情报的新途径。几何结构特征是对目标的直观描述,提取方法简单,成为对舰船目标进行初分类的重要依据。本文首先介绍了几种典型的几何结构特征及其计算方法,并分析了它们在舰船识别中的作用,然后介绍了一种基于方位角估计的几何结构特征提取方法:对图像进行预处理抑制旁瓣,利用矩技术估计方位角,旋转目标至水平状态,采用逐步逼近的方法获得最小外接矩形,进而提取其他几何结构特征。实验结果证明本文方法提取的几何结构特征准确度高,算法稳定性好。