基于正则化参数估计的SAR图像分割算法

针对合成孔径雷达(SAR)图像感兴趣区域(ROI)的分割问题,提出了一种基于Mellin变换的正则化参数的自适应选取方法。首先将SAR图像乘性相干斑噪声转化为加性相干斑噪声,在此基础上应用正则化模型建立SAR图像特征增强目标函数。然后推导出正则化参数与相应范数项的关系式,应用共轭梯度法对模型进行求解,最终达到图形特征增强与相应ROI分割的目的。所提算法不仅有效抑制了背景杂波,降低了相干斑的影响,而且还克服了传统方法对参数经验值选取的弊端。基于真实SAR图像数据的实验结果验证了该方法的简便性和有效性。     

SAR复图像域上的噪声抑制和目标特征提取

基于SAR图像的稀疏先验,提出了一种基于l_k范数的复图像域正则化方法,用于SAR复图像的噪声抑制和目标特征提取.文中通过算法设计及其收敛性的研究,保证了该方法的可行性和稳健性.同时,基于正则化方法与广义岭估计的契合之处,提出了一种新的正则化参数的选取方法.理论分析和实验结果均表明,本文方法可操作性强,具有有效的噪声抑制和目标特征稀疏表示寻优功能.     

SAR图像幅度域增强的正则化方法

正则化方法通过增加先验信息约束,达到增强SAR图像特征的目的。在分析现有先验信息约束条件的基础上,提出SAR图像幅度域上的正则化增强方法,从理论上证明了SAR图像复数域上正则化方法和幅度域上正则化方法的等价性,进一步解释了正则化方法的相位保持特性,提高了计算效率。通过参数变换,结合先验信息,给出正则化参数的选取方法,该方法操作简单,能有效地抑制噪声,保护目标。最后利用仿真图像和MSTAR图像验证了该方法的有效性。     

SAR图像相干斑抑制和特征增强的自适应正则化变分方法

研究合成孔径雷达(Synthetic Aperture Radar,SAR)图像的相干斑抑制和特征增强问题.传统的SAR图像相干斑抑制方法通常会导致边缘和目标的模糊,针对该问题,本文基于SAR图像的先验信息和处理理念,通过合理构造扩散系数和正则化参数,提出了一种新的更适合SAR图像相干斑抑制和特征增强的自适应正则化变分方法.理论分析和实验结果表明,该方法不仅能有效地抑制相干斑,而且还能有效保护并增强图像的目标和边缘特征.     

基于lk范数正则化的SAR图像目标特征增强

增强SAR图像的目标特征对自动目标识别等具有重要意义。该文改进了一种基于lk范数正则化方法，并用于SAR图像目标特征增强。该方法通过开发利用符合SAR图像统计特性的先验知识，构造附加约束，把图像目标特征增强问题规划为形式简单的最优化问题，并利用一种迭代算法进行快速求解。仿真和实测数据计算结果证实了该方法的有效性。     

基于图像域的势函数正则化SAR车辆图像增强算法

SAR图像增强技术是SAR信号处理中很重要的一门技术。一幅SAR原始图像中除了包含模糊的目标区域和阴影区外还包含了大量的噪声。在目标识别过程中,如果先对原始SAR图像进行增强处理,降低噪声的同时增强模糊的目标区域和阴影区,然后进行特征提取,就可以大大降低识别系统的运算量,提高识别效率。正则化方法广泛应用于图像分割,图像增强等领域。通过对两种正则化算法的比较,结合两种方法的优点,提出了一种改进的基于图像域的势函数正则化图像增强算法。利用MSTAR数据库数据进行仿真试验,取得了良好的效果。     

基于小波字典稀疏表示的SAR图像目标识别

针对稀疏表示识别算法在图像域构造冗余字典时过分依赖预处理及原子维数较大的问题,提出基于小波字典的 SAR图像稀疏表示识别算法。首先采用二维离散小波变换将原始图像变换到小波域,建立小波域 SAR图像特征模型,得出小波域低频成分可充分表征目标类别信息的结论。然后取小波域低频成分进行2DPCA特征抽取构造小波字典,最后由改进 OMP 算法稀疏分解系数得到识别结果。SAR MSTAR数据的实验结果表明,在无预处理的情况下识别率高达99％,并且在含噪比10％的情况下识别率仍达96％。     

基于小波字典稀疏表示的SAR图像目标识别

针对稀疏表示识别算法在图像域构造冗余字典时过分依赖预处理及原子维数较大的问题,提出基于小波字典的SAR图像稀疏表示识别算法。首先采用二维离散小波变换将原始图像变换到小波域,建立小波域SAR图像特征模型,得出小波域低频成分可充分表征目标类别信息的结论。然后取小波域低频成分进行2DPCA特征抽取构造小波字典,最后由改进OMP算法稀疏分解系数得到识别结果。SAR MSTAR数据的实验结果表明,在无预处理的情况下识别率高达99%,并且在含噪比10%的情况下识别率仍达96%。     

基于正则化变分模型的SAR图像增强方法

讨论合成孔径雷达（SAR）图像的噪声抑制与分辨率增强问题.建立偏微分方程抑噪方法与正则化点增强方法相结合的正则化变分模型,该模型同时具有偏微分方程模型的抑噪优势和正则化模型的分辨率增强优势.在图像的背景区域采用偏微分方程模型进行噪声抑制,而在图像的目标区域,先采用后向扩散方程进行锐化,然后再采用正则化模型进行分辨率增强,使整幅图像的处理结果均得到优化.此外,在偏微分方程抑噪模型的构造上,结合SAR成像的工程背景,提出了基于SAR图像幅度信息的前向-后向扩散方程,使方程能有效抑制图像背景区域的噪声并锐化目标边缘.大量的试验结果表明该方法能有效增强目标的强散射点,显著抑制噪杂波区的噪声.     

基于分块CNN的多尺度SAR图像目标分类算法

针对合成孔径雷达（Synthetic Aperture Radar, SAR）图像目标分辨率差异大,多尺度SAR图像目标分类准确率不高的问题,提出了一种基于迁移学习和分块卷积神经网络（Convolutional Neural Network, CNN）的SAR图像目标分类算法。首先通过大量与目标域相近的源域数据对分块CNN的参数进行训练,得到不同尺度下的CNN特征提取网络;其次将CNN的卷积和池化层迁移到新的网络结构中,实现目标特征的提取;最后用超限学习机（Extreme Learning Machine, ELM）网络对提取的特征进行分类。实验数据采用美国MSTAR数据库以及多尺度SAR图像舰船目标数据集,实验结果表明,该方法对多尺度SAR图像的分类效果优于传统CNN。     

基于PGBN模型的SAR图像目标识别方法

特征提取是合成孔径雷达图像目标识别的关键步骤,也是难点之一。该文提出一种基于PGBN(Poisson Gamma Belief Network)模型的SAR图像目标识别方法。PGBN模型作为一种深层贝叶斯生成网络,利用伽马分布具有的高度非线性,从复杂的SAR图像数据中获得了更具结构化的多层特征表示,这种多层特征表示有效提高了SAR图像目标识别性能。为了获得更高的训练效率和识别率,该文进一步采用朴素贝叶斯准则提出了一种对PGBN模型进行分类的方法。实验采用MSTAR的3类目标数据进行了验证,结果表明通过该方法提取的特征有更好的结构信息,对SAR图像目标识别具有较好的性能。     

基于小波域两向二维主分量分析的SAR目标识别

针对合成孔径雷达图像目标识别在图像域进行特征提取时空间维数较高、计算复杂度较大、识别效率较低等问题,提出基于小波域两向二维主分量分析和概率神经网络的SAR图像目标特征提取与识别方法。该方法首先引入二维离散小波变换将预处理后的SAR图像变换到小波域,得到可充分表征目标特征信息的低频成分。然后提取低频子图像的两向二维主分量分析低维特征作为训练样本和测试样本的目标特征,最后由概率神经网络分类器完成目标识别。MSTAR数据实验结果表明,在特征矩阵维数低至6×3(原始图像128×128)的情况下平均识别率高达99.32%,且最高可达99.83%,该方法不但能够有效压缩目标特征维数和提高识别率,还对目标的方位信息具有很强的鲁棒性,可有效应用于SAR图像目标特征提取和识别。     

基于两级2DPCA的SAR目标特征提取与识别

对二维图像用主分量分析(PCA)来提取特征具有准确估计协方差矩阵比较困难、计算复杂度大的缺点。二维PCA(2DPCA)克服了PCA的局限性,但2DPCA仅去除了图像中各行像素间的相关性,因此它用于特征提取时得到的特征维数较大。该文采用两级2DPCA的图像特征提取方法,可进一步压缩特征维数,减少识别运算量。用运动和静止目标获取与识别(MSTAR)计划录取的合成孔径雷达(SAR)地面静止目标数据的实验结果表明,结合该文的预处理方法,两级2DPCA在大大降低了特征维数的同时,提高了识别率,且对目标方位角变化具有较强的鲁棒性。     

基于并联卷积神经网络的SAR图像目标识别

基于合成孔径雷达（synthetic aperture radar，SAR）在图像目标识别领域中识别精度低的问题，设计一种利用并联卷积神经网络（convolutional neural network，CNN）来提取SAR图像特征的目标识别方法.首先利用改进的ELU激活函数代替常规的ReLU激活函数，建立与二次代价函数相结合的深度学习模型.其次采用均方根支柱（root mean square Prop，RMSProp）与Nesterov动量结合的优化算法执行代价函数参数迭代更新的任务，利用Nesterov引入动量改变梯度，从两方面改进更新方式，有效地提高网络的收敛速度与精度.通过对美国国防研究规划局（DARPA）和空军研究实验室（AFRL）共同推出的MSTAR数据集进行实验，实验表明，该文提出的算法能充分提取出SAR图像中各类目标所蕴含的信息，具有较好的识别性能，是一种有效的目标识别算法.     

机载SAR加权ATI地面慢速运动目标检测方法

对ATI技术进行改进,提出了一种机栽双通道SAR加权ATI地面慢速运动目标检测方法。该方法将DPCA技术和ATI技术的优点结合起来,利用DPCA技术得到加权值对ATI干涉结果进行加权处理,提出了一种新的动目标检测方法。计算机仿真结果表明,该改进方法与ATI方法相比能够有效减少虚假目标的数目,并能够检测到弱目标;与DPCA方法相比,它能够检测到DPCA方法由于对消过大而无法检测到的速度更慢的目标。     

基于ICNN和IGAN的SAR目标识别方法

近年来,卷积神经网络(CNN)已广泛应用于合成孔径雷达(SAR)目标识别。由于SAR目标的训练数据集通常较小,基于CNN的SAR图像目标识别容易产生过拟合问题。生成对抗网络(GAN)是一种无监督训练网络,通过生成器和鉴别器两者之间的博弈,使生成的图像难以被鉴别器鉴别出真假。本文提出一种基于改进的卷积神经网络(ICNN)和改进的生成对抗网络(IGAN)的SAR目标识别方法,即先用训练样本对IGAN进行无监督预训练,再用训练好的IGAN鉴别器参数初始化ICNN,然后用训练样本对ICNN微调,最后用训练好的ICNN对测试样本进行分类。MSTAR实验结果表明,提出的方法不仅能够在训练样本数降至原样本数30%的情况下获得高达96.37%的识别率,而且该方法比直接采用ICNN的方法具有更强的抗噪声能力。     

采用深度学习的多方位角SAR图像目标识别研究

合成孔径雷达（Synthetic Aperture Radar,SAR）在对地面目标进行观测时,可以在多个不同的方位角获取到目标的SAR图像,但这些图像中目标的形态各不相同。考虑到SAR图像对观测方位角极其敏感和SAR图像数据规模小这两个因素,本文设计了一个利用多方位角SAR图像进行目标识别的卷积神经网络（Convolutional Neural Network,CNN）,同一目标的3幅SAR图像被当作一幅伪彩色图像输入到网络中,充分利用了SAR图像数据的获取特点,同时用池化层替代了展平操作,降低了网络参数数量。实验结果表明,即便在小规模SAR数据集上,该卷积网络具有识别精度高的特点,对同类别不同型号的目标也具有出色的识别表现。      

基于DCResNet的SAR图像车辆目标识别

合成孔径雷达（SAR）图像自动目标识别中,特征提取和目标分类是两个重要环节。残差网络（ResNet）作为一种较新的卷积神经网络,凭借其对目标特征的自适应学习能力,在SAR图像分类领域表现突出。本文在ResNet基础上,设计出了密集连接型残差网络（DCResNet）,用于SAR图像目标识别。DCResNet在残差模块中增加了跳跃性连接的密度,不仅继承了ResNet的易学习的优点,还加强了特征的传播和利用率。除此之外,DCResNet采用平均池化的方式进行下采样,抑制了SAR图像中噪声对识别精度造成的影响。关于SAR图像目标识别的实验结果证明,本文提出的DCResNet与ResNet、AlexNet相比,不仅具有更快的收敛速度和推理速度,而且目标分类的准确率更高。     

基于多尺度注意力CNN的SAR遥感目标识别

目标识别是合成孔径雷达（Synthetic Aperture Radar,SAR）图像解译的重要步骤。鉴于卷积神经网络（Convolutional Neural Network, CNN）在自然图像分类领域表现优越,基于CNN的SAR图像目标识别方法成为了当前的研究热点。SAR图像目标的散射特征往往存在于多个尺度当中,且存在固有的噪声斑,含有冗余信息,因此,SAR图像目标智能识别成为了一项挑战。针对以上问题,本文提出一种多尺度注意力卷积神经网络,结合多尺度特征提取和注意力机制,设计了基于注意力的多尺度残差特征提取模块,实现了高精度的SAR遥感图像目标识别。该方法在MSTAR数据集10类目标识别任务中的总体准确率达到了99.84%,明显优于其他算法。在测试集加入4种型号变体后,10类目标识别任务中的总体准确率达到了99.28%,验证了该方法在复杂情况下的有效性。