基于二维非参数特征分析的SAR图像目标识别

在分析传统Fisher线性鉴别分析局限性的基础上,由图像的行信息和列信息提出了两种形式的二维非参数特征分析(2DNFA)的特征提取方法,并应用于SAR图像目标的识别。直接在SAR图像矩阵上使用非参数特征分析提取特征不仅能充分发挥非参数特征分析的性能而且保留了图像矩阵的结构信息,大大降低了散度矩阵的维数,减小了运算量。使用美国MSTAR计划录取的数据对算法进行了仿真验证,实验结果显示两种形式的二维非参数特征分析在较低特征维数下的识别率均可以达到98%以上,表明所提方法的有效性和正确性。     

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。     

两向二维NMSD及其在SAR图像识别中的应用

结合非参数特征分析和最大散度差鉴别分析的思想,提出了两向二维非参数最大散度差((2D)2NMSD)鉴别分析,并用于SAR图像目标识别。首先计算二维图像的非参数散布矩阵,然后使用最大散度差准则求取投影矩阵,最后同时对数据图像矩阵的行方向和列方向进行特征提取。基于美国运动和静止目标获取与识别(MSTAR)公共数据库提供的实测数据的实验结果表明:该方法所提取的特征用于识别,可大大降低特征维数、提高识别性能,识别率可达98%以上。     

二维压缩感知多投影矩阵特征融合的SAR目标识别方法

针对合成孔径雷达（synthetic aperture radar,SAR）目标识别问题,提出联合多层次二维压缩感知投影特征的方法。采用二维压缩感知投影作为基础特征提取算法,具有不依赖训练样本、效率高等显著优势。构建多个二维压缩感知投影矩阵提取原始SAR图像的多层次特征。不同投影矩阵获得的特征具有差异性,从不同方面描述SAR图像的灰度分布特性;同时,这些特征源自相同的输入图像,因此也具有一定的内在关联性。采用联合稀疏表示对提取的多个特征矢量进行表征分析,在内在关联性约束下考察不同特征的独立鉴别能力,从而提升每一类特征的稀疏表示精度。最终,根据求解的稀疏表示系数,分别在各个训练类别上对测试样本的多类特征进行重构,获得重构误差。根据最小误差的准则,判定测试样本所属目标类别。通过综合运用多层次二维压缩感知特征提取和联合稀疏表示分类,提高SAR目标识别的整体性能。利用MSTAR数据集中的多类目标SAR图像对方法进行测试验证,结果反映其在标准操作条件（standard operating condition,SOC）和扩展操作条件（extended operating condition,EOC）均可保持可靠的识别性能。     

基于图像抽样重组的2维核鉴别分析

2维核鉴别分析(2DKDA)存在离散度量矩阵过大而无法计算的问题。该文通过将图像抽样重组与2DKDA的结合,提出了3种基于图像抽样重组的2DKDA(SR2DKDA),它们不仅克服了2DKDA在计算上的困难,识别性能也优于2维线性鉴别分析(2DLDA)。在ORL人脸库和UMIST人脸库的实验验证了SR2DKDA的有效性。     

基于L1范数B2DPCA的SAR目标特征提取与识别

主成分分析法(PCA)等基于L2范数最小均方准则的目标特征提取方法在合成孔径雷达(SAR)图像目标识别中得到广泛应用,L2范数易受SAR图像中野值的干扰,影响目标特征提取效果。介绍一种基于L1范数双向二维主成分分析法(B2DPCA-L1)的目标特征提取方法。L1范数对野值有较强的鲁棒性,通过在L1范数框架下实现B2DPCA,有效地改善了样本中野值对特征提取的影响,同时减少了特征矩阵维数,提高了目标识别率。实验表明,所提出方法的识别性能优于基于L2范数的特征提取方法。     

基于二维子分类鉴别分析的SAR图像识别方法研究

 本文在分析传统二维鉴别分析方法局限性的基础上,提出了一种基于二维子分类鉴别分析的合成孔径雷达图像识别方法。该方法首先对SAR图像进行图像预处理,然后利用图像欧氏距离对每类目标进行子类划分,并由图像的行信息和列信息提出了两种二维子分类鉴别分析方法,最后利用最近邻分类器对提取的特征投影矩阵进行分类识别。本文利用美国实测的MSTAR数据对算法进行了仿真验证,实验结果表明了本文方法的正确性和有效性。     

基于子模式双向二维线性判别分析的人脸识别

针对表情和光照变化等对人脸识别影响的问题,提出一种基于子模式双向二维线性判别分析(Sub-pattern two-directional two-dimensional linear discriminant analysis,Sp-(2D)2 LDA)的人脸识别方法。该方法首先对原图像进行分块处理,并保持子块间的空间关系,然后对各个子训练样本集从行方向和列方向同时利用2DLDA进行特征抽取,最后把各个子特征矩阵拼接成一对应原始图像的特征矩阵,并采用最近邻分类器进行分类识别。在ORL及Yale人脸库上的试验结果表明,Sp-(2D)2 LDA有效降低了鉴别特征的维数,减少了表情和光照变化的影响,获得了较好的识别性能。     

利用曲波变换和局部线性嵌入算法的SAR图像海面油膜特征提取

溢油事故带来的海洋污染问题日益严重,SAR图像快速准确地自动识别为溢油事故的处理和决策支持提供了重要前提。为了获得更高的油膜识别准确率,提出了一种基于曲波变换（Curvelet）和局部线性嵌入（Local Linear Embedding,LLE）算法的SAR图像特征提取方法。首先,利用Curvelet对图像进行分解,选取包含了主要信息的低频分量作为新的图像矩阵;然后,利用LLE进行非线性降维,提取图像分类特征。为了验证提取特征的有效性,所提的Curvelet-LLE算法与PCA、LLE、等距特征映射（Isomap）、Curvelet变换和 Fisher 判别分析(Curvelet-KFD)、Wavelet-LLE等特征提取算法,利用K最近邻和支持向量机分类器分别进行了对比实验。实验结果表明,Curvelet-LLE算法能更有效地提取SAR图像油膜识别的分类鉴别特征,其准确率相对较高,具有较好的实用性。     

基于多尺度多方向Gabor模板的光学/SAR景象匹配

合成孔径雷达(SAR)成像制导通常采用光学基准图和SAR实时图进行特征提取和景象匹配.提出了一种光学/SAR异类影像匹配方法,利用多尺度多方向Gabor模板提取图像的Gabor特征后进行特征匹配,首先对SAR图像进行方向Frost滤波预处理,然后分别计算光学图像和SAR图像的高斯梯度图像,再利用多尺度多方向二维Gabor滤波器模板分别对两幅高斯梯度图像进行特征提取,最后对两组特征矩阵进行归一化互相关匹配.该方法直接利用光学图像和SAR实时图进行景象匹配,实验表明,该异类影像匹配方法较其他传统方法具有较高的鲁棒性和准确性.