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。     

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。     

烟花算法在SAR图像属性散射中心参数估计中的应用

针对合成孔径雷达（SAR）属性散射中心估计问题,提出基于烟花算法的方法。首先,在图像域对SAR图像中高能量区域进行分割解耦,获得单个独立散射中心在图像域的表现形式。在此基础上,以属性散射中心参数化模型为基础,构建优化问题,对分离出来的单个散射中心进行最优参数的搜索。在此阶段,引入烟花算法进行参数寻优。该算法具有强大的全局和局部搜索能力,在保证优化精度的条件下避免陷入局部最优,从而保证散射中心参数估计的可靠性。在原始图像中剔除求解后的单个散射中心,对残余图像进行高能量区域分割,序惯估计下一个散射中心的属性参数。最终,获取输入SAR图像上所有散射中心的参数集。实验中,首先基于MSTAR数据集中的SAR图像进行参数估计验证,通过参数估计结果与原始图像的对比以及基于估计参数集对原始图像进行重构,反映了提出算法的有效性。此外,实验还基于估计得到的属性参数进行SAR目标识别算法验证,通过与其他参数估计算法在相同条件下进行识别性能的对比,进一步体现了提出方法在属性散射中心参数估计上的性能优势。     

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。     

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.     

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。     

基于雷达散射特性的高分辨率SAR图像自动目标识别

高分辨率SAR的迅速发展为自动目标识别提供了可能,为了克服存储海量模板带来的计算复杂性,发展基于模型的目标识别现已成为新的国际研究热点.先由目标的真实三维模型依据电磁波散射理论计算雷达散射截面(RCS),利用宽带合成孔径技术得出目标散射特性的空间分辨率图像,进而基于模拟图像实现目标的CFAR检测.最后利用我国机载高分辨率SAR图像对该方法进行实验,验证了本文提出的基于雷达散射特性目标识别的有效性.     

一种基于局域中心频率的SAR图像舰船方位向速度估计方法

针对现有船速估计算法大多数只能估计出舰船距离向速度的问题,该文提出一种基于合成孔径雷达(SAR)图像局域中心频率的舰船方位向速度估计方法。首先分析了动目标在SAR图像局域多普勒中心频率的变化规律,并推导了利用中心频率变化率估计目标方位向速度的理论公式。然后给出了根据SAR图像局域方位向功率谱的概率密度函数,利用最大似然估计算法估计中心频率变化率的方法。同时,对所提方法的精度与适用性应用性进行分析。最后,通过仿真和实测数据,将该方法的估计结果与直接计算调频率获得的结果进行对比分析。结果表明,相对于调频率法,该方法具有更高的估计精度,验证了所提方法的有效性。     

基于方向小波变换的SAR图像目标方位角估计

在合成孔径雷达(SAR)自动目标识别中,目标成像的方位信息是一个非常重要的特征。文中针对SAR图像特点,提出了一种基于方向小波变换的SAR图像目标方位角估计方法,给出了方向小波角度-能量谱公式,利用能量最大准则实现方位角估计。采用MSTAR SAR实测数据进行的实验表明本文方法是有效的,方向小波变换更能反映出目标图像的方位特征。     

基于深度信念网络的属性散射中心匹配及在SAR图像目标识别中的应用

合成孔径雷达（Synthetic Aperture Radar,SAR）图像目标识别是SAR图像解译的重要应用。为提高SAR目标识别的稳健性，本文提出基于深度信念网络（Deep Belief Network,DBN）的属性散射中心匹配方法。属性散射中心参数特征丰富，能够很好地反映目标的局部散射特性。DBN发挥深度学习优势，可以实现测试样本与模板样本散射中心集的稳健匹配，并且能够较好地适应噪声干扰、部分缺失等情形。在构建的属性散射中心匹配关系的基础上，定义相似度度量准则。基于最大相似度的原则确定测试样本所属类别。实验依托MSTAR数据集开展，经验证，所提方法对于SAR目标识别问题具有良好的有效性和稳健性。     

有属性的散射中心理论及应用

讨论了基于物理光学和几何绕射理论的散射中心模型，对有属性的散射中心理论进行了详细的介绍推导，并对散射中心模型的各个参数在图像城进行了估计。结果验证了参数估计方法的有效性和散射中心理论模型的实用性。     

用于雷达目标识别的理想极化参数模型

利用目标散射矩阵理论和多散射中心理论建立一种用于雷达目标识别的极化参数模型。应用这一参数模型，雷达目标可由一个或多个散射中心的特性加以描述。通过对散射中心特性的分析，可以对雷达目标作出较精确的估算。     

复杂场景下单通道SAR目标检测及鉴别研究进展综述

SAR作为一种主动式微波成像传感器,以其全天时、全天候、作用距离远等独特的技术优势,成为当前对地观测的主要手段之一,在军事和民用领域发挥着十分重要的作用。随着SAR遥感技术的发展,高分辨率、高质量的SAR图像不断产生,仅依靠人工手段对感兴趣的目标进行检测、识别费时费力,因此亟需发展SAR自动目标识别(ATR)技术。典型的SAR ATR系统主要包括检测、鉴别、分类/识别3个阶段,其中,检测和鉴别阶段是整个SAR ATR系统的基础,是国内外雷达界一直开展的SAR应用基础研究之一。针对单通道SAR图像,简单场景下目标检测与鉴别已经取得了不错的结果;而在复杂场景下,杂波散射强度相对高、杂波背景非均匀和目标散射强度相对弱、分布密集等情况,使得SAR目标检测和鉴别依然是一个难点。该文对近十年左右复杂场景下单通道SAR目标检测及鉴别方法的研究进展进行了归纳总结,并分析了各类方法的特点及存在的问题,展望了未来复杂场景下单通道SAR目标检测与鉴别方法的发展趋势。      

一种基于间隙度特征的SAR图像车辆目标鉴别算法

该文提出一种新的基于间隙度(lacunarity)特征的高分辨率SAR图像车辆目标鉴别算法,用以去除检测阶段的自然杂波虚警。文中着重分析了高频区车辆目标和自然地物后向散射强度不规则性的差异,其中与自然地物相比,车辆目标像素集合在灰度图像上表现为较强的不规则性和较大的间隙尺寸。基于这一特点,利用分形理论提取间隙度特征来定量估算待鉴别目标像素强度分布的不规则性和间隙大小,并以此实现鉴别处理。最后,采用X波段的两种实测图像数据验证了该文算法,结果显示该特征具有较好的鉴别性能。     

一种基于属性散射中心的SAR遮挡目标识别方法

针对合成孔径雷达（Synthetic Aperture Radar,SAR）图像遮挡目标识别问题,提出基于属性散射中心局部最优匹配的方法。综合考虑匹配对数量以及匹配对之间的差异,采用粒子群算法构建测试样本和模板样本的属性散射中心集之间的局部最优匹配关系。在此基础上,引入SAR遮挡目标带来的散射中心变化特性,定义稳健的相似度准则。基于散射中心匹配结果计算测试样本与各类模板的相似度进而判定其目标类别。在MSTAR数据集上的实验结果表明,所提方法在标准操作条件下对10类目标取得98.72%的平均识别率,在随机缺失、方向缺失两种遮挡模型下也取得优于对比方法的性能,证明了所提方法对于SAR遮挡目标识别的有效性。     

雷达目标三维散射中心位置正向推导和分析

为了更好地将散射中心与目标结构联系起来,该文基于目标几何模型给出一种在单次和2次耦合散射机理下雷达目标部件级3维散射中心位置正向推算方法。重点探究了2次耦合散射机理下强散射情况的射线等效位置确定原理及方法。对其他弱散射情况,应用等价变换等效为强散射情况。最后,使用此位置推算方法推导并分析了直角二面角,钝角二面角,SLICY, T72坦克模型的部件级3维散射中心位置,并与相应的仿真或实测SAR图像进行比对以验证此位置推算方法的正确性。     

步进频信号散射中心的提取及目标识别

针对宽带步进频测量雷达体制，用几何绕射理论（GTD）模型来描述目标宽带RCS测量数据，利用多重信号特征（MUSIC）算法估计目标散射中心的数目和位置，并将目标的散射中心作为特征进行目标识别。利用暗室测量的缩比目标模型数据进行目标识别实验，结果表明，用该方法提取的散射中心特征稳当有效，识别效果较好。     

独立属性散射中心参数降耦合估计方法

属性散射中心模型是基于几何绕射(GTD)模型完善得到,其模型参数具有频率和方位依赖特性,相比点散射模型对目标特征描述更为准确。但属性散射中心模型中也引入了参数维数增加的问题,模型参数估计相对困难。针对属性散射中心模型的参数估计,该文对图像分割后获得的独立散射中心进行研究,提出一种将部分参数降耦合的参数估计算法。通过建立合理的代价函数进行参数估计。相对传统参数估计方法,该方法无需获取准确的参数的初始值,从而在复杂性和时效性上有很大的改进。最后,基于仿真数据的实验论证了该文方法的有效性。     

一种高分辨雷达目标识别方法

研究了宽带高分辨雷达目标识别问题,基于目标一维距离像,提取目标散射中心特征,并根据该特征设计了简单目标的目标分类器,利用暗室测量得到的缩比模型高分辨回波数据进行识别,结果表明该识别方法具有良好的识别性能。