基于视觉特征的SAR图像评估方法

为了验证不同算法、模型、软件得到的仿真SAR图像的可靠性,文中提出一种基于专家视觉的SAR图像评估方法,从原始图像中提取视觉关注的目标亮度、轮廓和散射中心分布特征,利用极化映射积分得到差异度量指标,设计合成函数结合三种指标,获得可以准确反映SAR图像差异水平的评估结果。实例验证表明,该方法的性能明显优于现有方法,与专家视觉结果之间的平均误差仅为4.32％两种结果曲线的相似性高达99.78％。     

一种基于散射特征增强的SAR目标电磁仿真图像质量提升方法

现阶段深度学习算法在对合成孔径雷达（Synthetic Aperture Radar,SAR）目标识别时，通常面临着实测数据部分样本缺失的情况，利用电磁仿真数据进行辅助识别是有效途径之一。然而，仿真和实测数据存在不可避免的差异，现有仿真图像质量提升方法更关注仿真和实测图像整体风格的相似性，忽略了面向识别的目标散射特征的重要性。针对上述问题，本文提出了一种基于散射特征增强的SAR目标电磁仿真图像质量提升方法。该方法在循环生成对抗网络（Cycle Generative Adversarial Networks,CycleGAN）框架下，改进损失函数，一方面使用最小二乘损失函数替代交叉熵损失函数，避免了梯度消失，实现对目标纹理结构特征的迭代优化；另一方面引入MS-SSIM-L1损失函数，更好地保留生成图像的细节信息和结构轮廓，保持目标整体结构一致性，同时有效避免模型的过度学习。基于4类车辆目标仿真数据集和MSTAR实测数据集，利用目标轮廓、阴影轮廓和目标强度特征相似度指标，验证了本文方法增强了目标细节纹理和结构轮廓等散射特征。在此基础上，结合A-ConvNets网络开展了目标分类识别实验，相...     

一种基于RBF神经网络的极化SAR图像分类方法

极化SAR图像分类是新体制雷达应用研究的基础前沿问题.文中提出了提出了一种基于径向基函数(Radial Basis Function,RBF)神经网络的极化SAR图像分类方法.在构建包含G0分布最大似然距离和一些常规特征的极化SAR图像分类特征集的基础上,利用样本数据对RBF神经网络进行训练,完成分类器的设计.实测极化SAR图像的分类实验结果表明,该方法具有较好的图像细节保持能力.     

采用流形近邻传播聚类的极化SAR图像分类

针对传统近邻传播（Affinity Propagation, AP）聚类算法使用欧式距离构建相似度矩阵,不能有效描述极化SAR数据复杂分布的问题,本文提出一种新的基于联合流形距离的AP聚类算法(CMD-AP) 用于极化SAR图像分类。首先将待分类极化SAR图像分割成若干超像素,在相应的极化特征基础上加入图像纹理特征,利用拉普拉斯特征映射算法对特征降维;然后结合相干矩阵Wishart流形和特征矢量欧式流形作为流形距离测度,构造相似性矩阵;最后利用上述相似性矩阵,采用AP聚类算法,对极化SAR图像进行分类。该算法充分考虑了极化SAR数据集潜在的流形结构,将联合的流形距离测度引入AP算法中。实验表明,本文算法提高了极化SAR图像的分类精度,具有更优的区域一致性和边缘保持效果。      

极化SAR图像解译中的不相似性度量

不相似性度量常用来描述极化合成孔径雷达(SAR)样本数据之间的差异性,已被广泛应用于滤波、目标检测、分割分类和变化检测等多种极化SAR图像解译技术中。基于极化SAR数据的矩阵表达形式,从特征、统计分布、假设检验、信息论散度和信息几何等多角度出发,总结回顾了极化SAR图像解译问题中常见的不相似性度量,简要分析了其优势、存在的问题以及适用范围,并对极化SAR不相似性度量的研究趋势进行了展望。     

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。     

少样本条件下SAR目标识别潜力探究

随着深度学习在计算机视觉领域取得令人鼓舞的成果,基于深度学习技术实现对合成孔径雷达（Synthetic Aperture Radar, SAR）图像中时敏目标的分类识别已成为可能,实测SAR图像中时敏目标自动识别应用再次吸引了全球广大学者的目光。受客观条件所限,高质量实测SAR目标样本切片的获取代价大、成本高、数量少,且SAR对成像参数和目标姿态敏感,导致SAR图像面临的少样本条件下的目标识别问题更为突出。本文深度挖掘MSTAR(Moving and Stationary Target Acquisition and Recognition)数据集的目标识别潜力,针对10类SAR图像车辆目标分类识别潜能进行了研究和分析。为衡量不同样本数量条件下SAR目标识别潜能,同时降低对目标样本选取的随机性,提出利用不同数量实测训练样本,生成全角度训练数据集,对参与训练的样本进行规范化和合理化采样处理;将全角度扩充后得到的训练样本集作为标准模板数据集,通过遍历模板数据集,采用似然比相似性度量（Likelihood Ratio Similarity Measure, LiRSM）来衡量目标相似性,利用...     

基于电磁散射模型的海上舰船双基SAR图像仿真

合成孔径雷达(synthetic aperture radar, SAR)在地海环境遥感和目标探测识别中发挥着重要作用。相对于单基SAR,双基SAR能够通过调整发射机和接收机的角度对场景进行多方位观测,因此开展海上舰船目标双基SAR图像仿真可为非合作目标的特征研究和探测识别提供方法和手段,在目标探测识别方面有着重要意义。为此,本文利用基于面元化的简化小斜率近似(facet-based simplified small slope approximation, FBS-SSA)方法与几何光学/物理光学(geometrical optics/physical optics, GO/PO)混合方法,提出了一种基于电磁散射模型的海上舰船目标复合场景双基SAR图像仿真方法,实现了不同双基角下的海上舰船SAR图像仿真,并分析了雷达飞行方向与舰船角度、发射机和接收机相对位置、极化、海况对雷达图像的影响。结果表明,双基角、极化、舰船朝向都会对双基SAR图像产生较大的影响,因此可以通过获取不同双基角度下的复合场景SAR图像特征从而可以更好地开展舰船识别。此外,SAR图像中的阴影特征也可作为舰船识别的辅助...     

基于联合特征和SVM的极化SAR图像分类方法

极化SAR地物分类作为极化SAR数据解译的关键环节,已成为遥感领域研究的一个新热点。在充分研究现有方法的基础上,给出了一种联合特征和SVM相结合的极化SAR图像分类方法。该方法基于目标分解理论提取极化SAR图像的多类散射特征,并结合具有上下文知识的纹理特征,构建联合特征矢量;利用提取样本区域像素的联合特征矢量训练SVM分类器;将未知数据输入训练好的分类器完成最终的分类。实测SAR图像数据的实验结果表明,算法能够充分利用极化SAR图像电磁散射特性及纹理特征的互补性,具有较好的分类性能。     

星载简缩极化SAR海上舰船目标检测性能分析

与全极化相比,简缩极化合成孔径雷达(SAR)因其更宽的幅宽,在海洋监视方面具有先天的优势。针对星载简缩极化SAR图像海上舰船目标检测,在全极化及简缩极化SAR特征参数提取方法研究基础上,基于实测Radarsat-2全极化数据模拟的混合极化(CTLR)模式简缩极化SAR图像数据,通过归一化距离对所提取极化特征参数的舰船目标和海杂波背景区分能力进行了系统分析与比较,在此基础上进一步对全极化及简缩极化的极化特征参数相似性进行了定量分析与评估,得到简缩极化和全极化的舰船目标检测分析结果。结果表明,简缩极化SAR的检测性能总体上接近于全极化。     

基于混合双隐层径向基函数网络的高分辨率SAR图像地物分类算法研究

本文在高分辨率条件下对传统的合成孔径雷达(SAR)图像自动地物分类技术进行了扩展研究.文章首先指出了经典的前馈神经网络模型在SAR图像地物分类中的不足,然后基于径向基神经网络(RBFN),结合混合专家系统,提出了一种变型的网络结构模型,称之为混合双隐层径向基函数网络(MDHRBFN),并将其应用于高分辨率单视单极化的SAR图像地物分类.实验结果表明,基于该模型的分类算法能够将SAR图像较好地区分为人造目标类、自然目标类、背景和阴影,具有比经典RBFN模型更好的分类效果,不但可以应用于SAR图像辅助判读,而且能够为目标识别过程提供潜在目标切片.     

基于改善极化相似性的极化SAR目标增强新方法

针对高分辨极化SAR目标增强问题,该文提出一种基于改善极化相似性的目标增强新方法。利用Huynen分解、极化方位角提取及极化方位角归零化处理消除了扰动分量、相干斑噪声及极化取向等因素对像素点极化特性的影响,改善了极化SAR图像同类区域内部像素点的极化相似性。与已有方法相比,该方法克服了区域内部像素点极化特性不一致对高分辨极化SAR目标增强的影响,可以获得理想的目标区域整体增强效果。利用全极化SAR实测数据验证了该文方法的优良性能。     

典型地面车辆目标SAR图像仿真与评估

典型地面车辆目标SAR图像仿真对SAR图像解译和目标识别具有重要意义。在光学区目标雷达散射截面仿真基础上,研究实现了典型地面车辆目标SAR图像仿真技术,给出了坦克目标的SAR图像仿真结果。在此基础上,进一步研究了SAR图像仿真性能评估技术,在目视定性评估的基础上,引入了两个面向SAR图像解译与目标识别的SAR图像仿真性能定量评估指标。最后,通过目标仿真SAR图像与MSTAR实测SAR图像的比对,对仿真性能进行了定性、定量的分析与评估,验证了方法的有效性。     

基于混合双隐层径向基函数网络的高分辨率SAR图像地物分类算法研究

本文在高分辨率条件下对传统的合成孔径雷达(SAR)图像自动地物分类技术进行了扩展研究．文章首先指出了经典的前馈神经网络模型在SAR图像地物分类中的不足，然后基于径向基神经网络(RBFN)，结合混合专家系统，提出了一种变型的网络结构模型，称之为混合双隐层径向基函数网络(MDHRBFN)，并将其应用于高分辨率单视单极化的SAR图像地物分类．实验结果表明，基于该模型的分类算法能够将SAR图像较好地区分为人造目标类、自然目标类、背景和阴影，具有比经典RBFN模型更好的分类效果，不但可以应用于SAR图像辅助判读，而且能够为目标识别过程提供潜在目标切片．     

多极化前向散射RCS分析及其对目标分类识别的影响

在前向散射情况下,基于阴影逆合成孔径雷达(SISAR)成像原理可以获得运动目标的轮廓像,从而对运动目标进行分类与识别。为了研究多极化对前向散射雷达运动目标识别的影响,该文根据前向散射阴影逆合成孔径原理,建立了目标前向散射雷达截面积(RCS)与目标轮廓像谱信息之间的联系,首次将多极化引入到前向散射目标的分类识别中;并借助电磁仿真软件CST,仿真得到了多极化条件下目标的前向散射RCS曲线。通过分析仿真结果发现同一个目标在不同极化情况下具有不同的前向散射RCS旁瓣曲线,此种差异对应于目标轮廓像的差异;联合多极化产生的前向散射RCS旁瓣差异可以获得更多关于目标轮廓的特征信息。仿真结果验证了多极化能够提高前向散射目标分类识别的能力。     

复杂场景下的极化SAR图像机场跑道检测

提出一种基于极化分解分类与结构特征相结合的复杂场景全极化SAR图像机场跑道检测方法。首先利用先验信息粗选图像中各类样本目标进行H/α分解提取图像中各类训练样本,然后根据极化SAR图像的统计特性,利用贝叶斯分类器对图像进行分类,提取图像中机场跑道疑似区域,再结合机场跑道的五种结构特征用二叉树法进行判别,最终确定机场跑道区域。利用美国UAVSAR系统采集的多组全极化实测数据对算法进行实验,结果表明,该算法能够有效地检测出跑道,且检测的跑道结构完整,轮廓清晰,虚警率低。      

特征选择与深度学习相结合的极化SAR图像分类

给出了一种特征选择与深度学习相结合的极化合成孔径雷达(polarimetric synthetic aperture radar, PolSAR)图像有监督分类算法。该算法首先根据极化SAR图像数据以及目标分解获取原始特征参数集,然后利用随机森林(Random Forest, RF)方法对特征参数集进行重要性评估,并根据特征重要性排名选择最优极化特征。以最优极,化特征为输入,通过卷积神经网络(convolutional neural network, CNN)学习多层特征信息,再利用训练好的网络模型对极化SAR图像进行分类。利用美国AIRSAR机载系统采集的实测数据进行实验,并同已有经典有监督分类算法进行比较,结果表明本文算法能够选取有效的极化特征,最终得到较为准确的分类效果。      

基于多层编码器的SAR目标及阴影联合特征提取算法

针对合成孔径雷达(SAR)图像目标识别问题,提出一种基于多层自动编码器的特征提取算法。该方法利用随机神经网络受限波尔兹曼机学习建模环境概率分布的能力,通过组建更具函数表达能力的多层神经网络,提取描述目标及其阴影轮廓形状的综合特征。利用两种分类模型实现目标自动识别。基于MSTAR 数据的仿真实验结果验证了算法的有效性。      

基于稀疏表示和拉伸变换的SAR图像目标识别

目标识别是SAR图像解译的关键环节,针对已有基于稀疏表示的SAR图像目标识别方法识别率不高的问题,在分析影响识别率原因的基础上,结合SAR图像中目标区域和阴影区域特性,提出了一种基于稀疏表示和拉伸变换的SAR图像目标识别方法。该方法通过对训练样本图像进行拉伸变换生成了新的训练样本图像,利用已有的和新的训练样本图像构造稀疏字典,通过求解目标区域和阴影区域的联合稀疏表示,根据重构误差最小准则完成了SAR图像目标识别。利用MSTAR实测SAR图像对提出的目标识别方法进行了测试,结果表明新方法识别率高于已有方法,从而验证了新方法的有效性。     

一种双频极化SAR图像分类方法

本文提出了一种利用两种不同频率下的极化SAR图像进行地物分类的新方法,该方法是基于目标的散射特性随频率变化而改变的趋势和程度实现的。基于不同频率下所提取的特征量,定义了特征变化量和特征变化平面。本论文选择了极化熵变化量 和极化度变化量 作为特征,通过将 平面分割为9个区域,进而将目标分为9个类。这种方法反映了目标散射特性随频率的变化关系,物理意义直观,实现方法简单易行。将这种分类方法与Wishart分类器相结合,就可以实现对极化SAR图像的无监督迭代分类。实测的SIR-C数据的分类结果表明,该方法是一种有效的极化SAR图像分类方法。