稀疏表示系数下局部最优重构的SAR图像目标识别算法

针对现有基于稀疏表示分类的合成孔径雷达(SAR)图像目标识别方法存在的不足,提出了稀疏表示系数下局部最优重构的SAR图像目标识别算法。该算法基于全局字典上求解得到的稀疏表示系数,选取若干具有最大系数的原子并分别在各个类别上对测试样本进行重构,获得相应的重构误差。同时,考虑到SAR图像方位角的敏感性,在各类别上选取与测试样本具有相近的方位角的原子,并对重构误差进行修正,从而获得最终的决策变量对目标类别进行判定。实验结果表明,该方法在标准操作条件和扩展操作条件下均可以取得更好的性能。     

基于增强字典稀疏表示分类的SAR目标识别方法

针对合成孔径雷达(SAR)目标识别方法中分类决策存在的不足,提出基于增强字典稀疏表示分类的SAR目标识别方法。该方法通过对原始训练样本进行多信噪比、多分辨率样本构造,进而构建描述能力更强、对于扩展操作条件更稳健的增强字典进而采用稀疏表示分类器提高目标识别的整体性能。基于MSTAR数据集的实验结果表明,该方法在对于3类和10类目标的平均识别率可分别达到98.61%和98.12%,验证其区分多类目标的能力;通过测试在不同信噪比、不同分辨率下的识别性能,验证了该方法对于噪声干扰、分辨率变化具有较强的稳健性。     

复杂微动目标SAR仿真技术

针对基于微动特征提取的目标识别技术研究,提出了一种基于电磁散射计算的微动目标SAR回波仿真方法。该方法在完成雷达目标动态几何建模的基础上,结合目标高频电磁散射计算与距离频域回波模型,能够实现指定雷达视角和电磁参数条件下的微动复杂目标SAR回波仿真与图像模拟。结合实际情况,以螺旋桨飞机为例,研究了其SAR回波特性和成像特性,仿真结果表明该方法能够有效解决微动仿真问题。     

基于形态成分稀疏表示的红外小弱目标检测

信号稀疏表示的超完备字典可有效感知信号的各种结构特征。针对红外小弱目标检测问题,文中提出了一种基于图像形态成分分析(morphological component analysis,MCA)理论的自适应信号稀疏表示的小弱目标检测方法。该方法根据红外图像信号自适应的训练和构造超完备字典,并进一步分为反映目标信号特征的目标子字典和表示背景噪声的背景子字典。然后求取待检测图像块在超完备字典的稀疏表示系数,挖掘目标和背景的稀疏表示系数差异,最后通过量化和比较信号在目标子字典的表示系数检测小弱目标。实验结果证明了该方法的有效性。     

基于二维本征模态函数的 SAR 图像目标检测

合成孔径雷达（SAR）成像具有其独特的优势,能全天时全天候获取目标区域遥感数据,但是其成像机理复杂,获得的 SAR 图像解译困难。从 SAR 成像回波特点出发,结合二维经验模态分解（BEMD）理论,提出了一种基于二维本征模态函数（BIMF）的 SAR 图像目标检测算法。采用仿真和实际的 SAR 图像数据进行了验证实验,实验结果表明,利用融合的 BIMF 特征分量检测目标,其效果优于直接用原始 SAR 图像进行目标检测,并且对不同信噪比的 SAR图像,具有较强适应能力。     

稀疏相关指数在SAR图像特征选择中的应用

采用正则化多任务稀疏表示(RMTSR)模型,即在多个特征域中进行图像稀疏表示,并约束稀疏向量的结构相同的方法,可实现SAR图像目标识别,但多特征的弱关联可能导致模型的目标识别正确率较低。将稀疏相关指数(SCI)用于衡量任务关联强弱,然后推导出非线性相关信息熵(NCIE),选择相关性强的特征组合。最后,在MSTAR数据集上进行实验,从特征冗余性和目标识别性能两个方面分析基于SCI的特征选择方法。结果表明:训练样本减半时,选择的特征组合能达到91.09%的识别正确率;训练样本为1/4时,识别正确率为89.89%。     

基于导向重构与降噪稀疏自编码器的合成孔径雷达目标识别

为解决现有合成孔径雷达（SAR）目标识别算法泛化能力差和算法复杂度高等问题,提出一种基于导向重构与降噪稀疏自编码器的SAR目标识别分类算法。利用导向重构算法对SAR图像进行两尺度融合预处理,生成一维图像矢量并作归一化处理,以降低图像输出特征的维度,提高预处理的速度;采用减少降噪自编码器隐层神经元方式对图像进行低维特征抽取和识别;使用Softmax分类器进行分类处理。实验结果表明,通过导向重构与降噪稀疏自编码器的SAR目标识别算法,不仅提高了目标识别性能以及泛化能力,而且降低了自编码器的隐层神经元数量和计算复杂度,网络结构也得到改进和优化。     

一种新的空谱联合稀疏高光谱目标检测方法

目标检测是高光谱数据处理的重要应用之一,高光谱图像中空间和光谱信息的充分利用对于目标检测率的有效提升非常关键。提出一种新的联合稀疏表示的目标检测方法,将混合范数理论和算法应用于高光谱目标检测,在联合高光谱图像空间和光谱信息的基础上,建立了基于联合稀疏性约束的混合范数正则化数学模型,并利用交替方向乘子法对模型进行了优化求解。仿真实验结果表明,该方法能有效提高高光谱目标检测的准确性,降低虚警率。     

复杂场景下的SAR图像水域边缘特征提取

合成孔径雷达(SAR)图像中的水域具有极高的遥感应用及地理应用价值;针对SAR图像固有的相干斑以及复杂场景下SAR图像水域边缘检测算法受到建筑物等人造地物强散射点干扰造成虚假边缘的问题,提出了复杂场景下SAR图像水域边缘特征提取方法;该方法通过构建SAR图像的二维灰度直方图对SAR图像进行预处理,一定程度抑制了相干斑噪声对边缘检测的影响,并在分析SAR图像中建筑物等人造地物与水域散射特性差异基础上利用二维灰度直方图对SAR图像进行分割,抑制强散射点;通过实验验证,该方法有效抑制了相干斑以及建筑物等人造地物强散射点的干扰,实现了复杂场景下的SAR图像水域边缘特征自动提取.     

稀疏FRAME模型的感兴趣目标检测算法

针对基于非齐次FRAME（Filters,Random filed,And Maximum Entropy）模型的目标检测算法在目标发生较大形变或存在阻挡等情况下的定位产生一定偏差,以及学习模型所需大量时间等各方面的研究,提出了一种稀疏FRAME模型的感兴趣目标检测算法。首先用共享稀疏编码方法对样本图像进行特征提取,由所选择的基函数构成可变形的稀疏FRAME模型;然后用交替的求和图及最大值图结构对测试图像进行匹配检测,实现目标定位。经多组实验结果表明,该算法不仅在一定程度上提高目标发生较大形变或存在阻挡等情况下的鲁棒性,而且节省了大量的样本训练时间。     

基于Q-Shift双树复小波的SAR图像相干斑噪声抑制

在复杂的SAR相干成像过程中,SAR图像会受到相干斑噪声影响,传统的图像去噪方法不能对相干斑噪声进行有效抑制,从而会严重影响SAR图像目标的提取和识别。针对SAR图像的特点,提出一种基于Q-Shift双树复小波变换（DT-CWT）的SAR图像相干斑噪声抑制方法。该方法利用Q-Shift双树复小波变换的平移不变性、多方向选择性、滤波器结构对称性等优点,对含有特征目标的含斑SAR图像进行小波系数分解,来获得更多的目标高频信息。然后通过对小波系数建模和图像重构,得到去斑SAR图像。试验结果表明,该方法对含有特征目标的SAR图像相干斑噪声有抑制效果,而且能够更好地保留图像细节和目标特征。     

基于非下采样Contourlet 变换和稀疏表示的红外与可见光图像融合方法

针对非下采样Contourlet 变换( NSCT) 中低频子带系数稀疏度较低不利于融合的问题,提出基于NSCT 和稀疏表示的图像融合方法。对红外与可见光图进行NSCT 变换;对稀疏度较低的低频子带系数提取共有和特有系数,并按照特有系数的活动水平自适应调整权重融合;对稀疏度较高的高频方向子带系数,采用同一尺度下系数绝对值之和最大的方法进行融合。经NSCT 逆变换后得到融合图像。实验结果表明,与传统基于变换的DWT、NSCT 融合方法以及基于稀疏表示的SOMP、JSR 算法比较,文中方法可以获得更好的融合效果。     

星载全方位SAR联合图像配准和DEM提取方法

为了利用单颗合成孔径雷达(SAR)卫星单航过录取数据实现数字高程模型(Digital Elevation Model, DEM)的高精度提取,基于星载全方位SAR获取的多角度图像序列,提出了多角度SAR图像序列配准和DEM提取联合处理方法。该方法根据小方位夹角图像对间配准偏移量与大方位夹角图像对间配准偏移量之间的关系,以及配准偏移量与目标高程之间的关系构建线性方程组,利用最小二乘方法解算该方程组,同时获取配准偏移量和目标高程。仿真数据处理结果验证了该方法的有效性和精确性。     

基于字典学习的图像稀疏去噪算法

针对图像稀疏去噪时采用固定字典稀疏效果不理想、去噪质量不高等问题,提出了基于字典学习的图像稀疏去噪算法。该算法首先选择初始化DCT字典,通过K-SVD算法对噪声图像样本反复迭代、更新得到字典,对图像进行稀疏表示,最后采用OMP算法对图像进行重构,得到去噪后图像。对不同类型和细节信息的实测图像,研究了采用DCT字典、基于自然图像训练字典和基于噪声图像训练字典的OMP算法的图像去噪性能,并设计仿真实验进行性能比较。仿真实验结果表明,基于噪声图像训练字典的图像稀疏去噪算法与其他两种算法相比去噪性能较好,具有自适应性。     

基于加权特征融合的 SAR 图像目标分类方法

针对现有分类器对 SAR 图像分类正确率不高的问题,考虑到单一的特征很难完全描述 SAR 目标,并且单一的分类器识别率有限,提出了一种基于加权特征融合的图像分类方法,采用多种特征来描述目标,并且用多个分类器同时对目标识别。实验结果显示,提出的方法能够达到较高的分类正确率,证明了该方法的有效性。     

一种基于小波变换的卫星SAR海洋图像舰船目标检测方法

本文依据SAR图像海洋背景和舰船目标特点分析,提出了基于小波交换的卫星SAR海洋图像船舶目标检测方法,仿真分析结果表明该方法实用、有效.     

基于GLC-KSVD的稀疏表示人脸识别算法

稀疏编码中的字典学习是基于稀疏表示图像分类的核心内容,为此提出了一种基于Gabor特征和标签一致K-SVD(GLC-KSVD)字典学习的稀疏表示人脸识别算法;由于Gabor特征对光照、表情和姿态等具有一定的鲁棒性,首先对图像进行Gabor特征提取,用增广的Gabor特征矩阵来构建初始字典,然后通过字典学习得到原子与类别标签相对应的判别性字典和线性分类器,字典学习模型综合了重建误差、分类误差和稀疏编码误差,通过字典的标签一致约束,同一类别的样本得到相似的编码系数;实验结果表明:该算法具有良好的识别精度和较高的识别效率。     

面向合成孔径雷达图像任意方向舰船检测的改进YOLOv3模型

为实现合成孔径雷达(SAR)图像舰船检测能同时输出目标位置和方位角估计信息,提出基于改进YOLOv3的任意方向舰船目标检测模型。定义有利于模型参数回归稳定性的角度范围,根据垂直框和旋转框预测结果定义多任务损失函数。通过融合垂直框和旋转框预测结果进行目标方位角估计校正,以进一步提高检测性能。采用SAR舰船目标检测数据集(SSDD+)和高分辨率SAR图像数据集(HRSID)分别进行改进模型的性能测试和迁移测试。实验结果表明：对于SSDD+,当交并比为0.5时平均精度均值mAP_0.5达到了0.841;对HRSID进行迁移测试时,mAP_0.5能够达到0.530;当网络输入尺寸为416×416时处理一帧图像耗时约为25 ms;采用高分辨率可见光舰船数据集(HRSC2016)进行改进模型的适用性测试,mAP_0.5为0.888,超过了部分已知模型的精度;该改进模型适用于纯海洋背景下SAR图像中的舰船目标检测,能够满足舰船目标检测的实时性需求。     

基于PCA的红外图像区域特征选择方法

特征提取在模式识别和分类中起着关键的作用,本文针对红外目标的准确分类识别问题,围绕红外图像特征提取和特征选择进行研究,提出了基于PCA的区域特征选择方法。该方法首先采用基于数学形态学的滤波技术对红外图像进行预处理,有效地增强了目标区域,便于目标特征的提取;其次,本文研究了区域形状特征提取及基于PCA的特征选择方法,通过对区域特征进行优化选择,构造准确描述目标特性且维数较低的特征。实验结果表明,本文提出的方法有效地提取红外目标的特征,可用于红外目标的分类且有利于提高算法的效率。     

一种基于小波变换的遥感SAR图像与TM图像融合新算法

以高空间分辨率的SAR图像和高光谱分辨率的TM图像为例，提出了一种基于小波变换的多源遥感图像融合方法。该方法首先对TM图像作IHS变换，得到亮度I、色度H与饱和度S三个分量；其次，依据特征量积和匹配度为融合准则，将TM图像的亮度分量和SAR图像进行融合处理．并用融合结果替代TM图像的亮度分量；最后，作IHS反变换得到融合图像。实验结果表明，文中方法在增强空间细节信息的同时更好地保持了光谱信息，与IHS法和小波变换法相比，证明了文中方法的有效性。