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。     

高分辨率SAR图像散射中心特征提取

合成孔径雷达(SAR)目标检测和识别是SAR实用化的瓶颈技术之一,提取有效的目标特征是SAR目标检测与识别的关键环节。高分辨率SAR图像中,目标属性散射中心特征反映了目标散射中心的位置、类型等信息,精确获取目标散射中心属性特征能够提高对目标的检测识别性能。针对SAR目标属性散射中心特征的提取,该文提出了一种基于改进的空间-波数分布(ISWD)的特征提取方法,该方法首先利用ISWD估计散射中心关于频率与方位角的函数,然后利用该函数来获得目标属性散射中心模型参数。最后利用仿真实验验证了方法的有效性。     

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。     

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。     

SAR图像飞机目标检测识别进展

目标检测与识别是高分辨合成孔径雷达(SAR)领域的热点问题。机场上飞机作为一种典型目标，其检测和识别有一定的独特性。该文回顾了SAR图像典型目标检测识别领域技术的发展过程，分析了SAR图像中飞机目标的散射机制及面临的技术难点，阐述了 SAR 飞机目标检测识别的系统流程、技术路线和关键科学问题，对基于传统与基于深度学习两个方面的飞机目标检测识别的研究进展进行了归纳总结，并讨论了各类方法的特点及存在的问题，展望了未来的发展趋势。该文认为如何将深度学习与目标电磁散射机理结合、提高网络或模型的泛化能力是提升SAR图像中目标检测识别精度的关键，并给出了一种基于散射信息与深度学习融合的飞机目标检测方法。      

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。     

基于相干法与非相干法的SAR图像仿真

地面目标合成孔径雷达图像仿真方法可分为相干法与非相干法2类,相干法能表现出目标的电磁散射特征但阴影特征缺失,非相干法对目标的几何与阴影特征表现较好但其表现电磁散射特性的能力欠佳.文中在分析了上述2类方法特点互补性后提出了一种新的仿真方法,新方法所得合成孔径雷达仿真图像能同时表现目标电磁散射特征和阴影特征,与同参数条件下实测图像更为相似.     

极化雷达遥感中目标特征提取

在利用全极化合成孔径雷达(SAR)遥感图像进行目标检测、分类时,一个重要的问题就是如何分析目标的特征.提出了一种利用散射矩阵特征值构成的特征参数,该参数与目标的散射强度、定向角等参数无关,而是相关于目标的结构特征.通过实际应用,证明了该参数在目标特征提取方面的有效性.     

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。     

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。     

典型几何基元的高频散射建模方法梳理

高分辨率SAR图像中蕴含目标与环境丰富的信息,但复杂的电磁散射机制使其难以直观解译,这一直是SAR图像解译的重要研究课题.该文简单梳理了典型几何基元的高频散射建模方法,以面散射、线散射和点散射为线索简要回顾了若干高频散射机制的研究发展过程,并给出几种典型几何基元的散射机制表达式及部分仿真结果,分析了典型散射机制表征面临...     

SAR车辆目标散射特性的变化规律

通过对导弹发射车电磁计算数据进行不同姿态角和极化方式下的SAR成像处理,分析了不同俯仰角、方位角和极化方式下目标散射特性的变化规律;研究了不同极化通道目标峰值散射强度随方位角的变化关系,从计算数据中得到了目标的一些基本特性;进一步探讨了SAR目标计算数据在目标识别与分类中的应用前景。文中进行了大量的对比实验,归纳总结出一些有价值的结论,为更高精度的目标识别提供帮助。     

目标电磁散射特性研究的若干热点和难点问题

尽管国内外在目标电磁散射特性研究领域取得了很大进展,但是从技术本身来说该专业领域仍然存在一些难点问题.同时,复杂环境下低散射目标的探测与识别等应用,以及太赫兹等新体制雷达的研发对目标电磁散射特性研究提出了新的需求、引入了新的问题.围绕这些应用需求和技术难点,本文从理论建模、散射测量和特征提取三个方面,归纳总结了目标电磁散射特性研究存在的若干热点和难点问题,期望为从事该方面研究的科研人员提供方向性的引导.     

合成孔径雷达极化成像解译识别技术的进展与展望

极化合成孔径雷达(SAR)能够获取目标的全极化信息，在对地观测、灾害评估、侦察监视等民用和军用领域得到广泛应用。国内主要高校、中科院、工业部门和用户单位在该领域开展了卓有成效的工作，取得一大批标志性研究成果。该文简要综述了极化SAR成像解译识别领域的主要研究进展。在解译层面，主要介绍了极化目标分解和极化旋转域解译等理论方法的研究进展。在应用层面，结合研究团队的工作，探讨了上述理论方法在舰船检测、地物分类和建筑物损毁评估等领域的应用成效。最后，对极化SAR目标解译识别技术的研究进行了展望。      

电控时变电磁材料的SAR成像特性研究

微动目标因具有在不同方向的运动分量,能够对电磁波进行微多普勒调制,导致目标成像特征出现方位向散焦效应,这种现象在目标识别与反识别领域被广泛关注与研究。相较而言,电控时变电磁材料通过外加激励实现对电磁波特征的灵活调控,具有更快的调制速度,而其成像特性没有被过多关注。该文以此为切入点,对电控时变电磁材料的合成孔径雷达(SAR)图像距离向调制特性进行了研究,分析了时变电磁材料谱变换模型和SAR目标特征控制原理。以相位调制表面(PSS)为代表,建立了非周期PSS相位调制模型,其频谱具有连续频移特性。在此基础上,探讨了PSS连续频移调制对SAR的影响,揭露了距离向目标散焦现象。通过SAR实测数据仿真,验证了所提理论方法的有效性。      

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。