一种基于中心矩特征的SAR图像目标识别方法

合成孔径雷达自动目标识别是目前国内外模式识别领域的重点研究课题之一.本文给出了一种内存需求小,低计算复杂度且具有较好识别性能的SAR图像目标识别方法,先通过自适应阈值分割来获得目标图像,然后提取其中心矩特征,采用SVM来进行识别.基于美国MSTAR实测数据的识别试验验证了该方法的有效性.     

基于几何结构的SAR图像无监督变化检测方法

 传统的基于统计特性的SAR图像变化检测方法,易受成像条件的影响而误差很大.本文针对图像内在几何结构,提出了一种无监督SAR图像变化检测算法.通过模糊微分构造描述图像局部特征的近似完整数据集,并充分利用图像局部邻域信息和空间相关性,构造深入描述图像结构化信息的特征矢量空间,最后通过基于模拟退火的K均值(SAKM)聚类算法,实现图像变化区域与非变化区域的分类.实验证明,本文方法不仅能够很好的检测出图像的轮廓变化和图像的区域变化,而且对噪声及配准精度均具有很好的鲁棒性.     

基于增强指数加权均值比的SAR图像边缘检测算法

研究学者们认为指数加权均值比(ROEWA)算子存在无法计算SAR图像边缘方向的缺陷。为此,进行了一些通过方向滤波器为ROEWA算法施加方向的工作。该文对ROEWA算法进行了深入的探讨和分析,通过对ROEWA算法卷积过程的进一步推导,获得了ROEWA算法像素级的观测公式。根据推导结果,提出了一种增强的ROEWA(EROEWA)边缘检测算法。首先,利用新的卷积策略将ROEWA的公式项解耦,获得了4个方向的指数加权均值;然后把SAR图像旋转45,再利用新的卷积策略获取额外的4个方向的指数加权均值;最后,将8个方向的指数加权均值表示成8个矢量,通过矢量合成求出边缘强度和边缘方向。实验结果表明,提出的EROEWA算法不仅具有优秀的边缘方向计算能力,与ROEWA算法相比,边缘强度的提取也有显著的增强效果。     

基于Res-Net深度特征的SAR图像目标识别方法

采用Res-Net学习合成孔径雷达(Synthetic Aperture Radar,SAR)图像多层次深度特征,并基于结构相似性准则选取其中的有效成分.通过联合稀疏表示对选取的多层次深度特征进行表征和分析,判定输入样本的目标类别.利用MSTAR数据集进行测试,该方法对10类目标的识别率达到99.02％,对于俯仰角差异...     

基于变分的SAR图像目标特征增强方法

研究了SAR图像目标特征增强的变分方法.通过分析P-M扩散方程中的扩散系数,得出梯度(Canny)边缘检测算子对SAR图像的非恒虚警性使得滤波后图像的边缘变得模糊.而ROA算子能有效地检测出图像中的边缘,但较难检测出图像中的强散射点目标.基于SAR幅度图像中相干斑噪声的Rayle igh分布,从最大后验概率估计出发,结合ROA边缘检测图像以及SAR幅度信息来构造扩散系数,建立SAR图像目标特征增强的变分模型.实测SAR图像处理结果显示该方法在充分抑制均匀区域的相干斑噪声的同时能较好地保护并增强图像的边缘和强散射区域.     

基于去取向理论的全极化SAR图像非监督分类

由于复杂地表目标的取向往往是随机分布的,产生散射回波的随机起伏使散射目标分类不容易明确,采用常规的分类方法容易造成地表的分类混淆.文中提出了一种全极化SAR图像非监督分类方法,首先对数据进行极化去取向处理,提取极化特征参数u、v,结合极化熵参数H进行非监督分类;之后将分类结果作为改进C-均值算法的初始类别划分,基于由u/v/H3个参数组成的特征空间,采用迭代方法实现对地物的分类;最后对NASA/JPL实验室的实测数据进行了实验分析,验证了文中所提分类方法的有效性.     

基于遗传算法的SAR图像目标鉴别特征选择

针对SAR图像自动目标鉴别的应用,提出了一种基于遗传算法的特征选择方法.首先提取了反映目标和杂波虚警差异的八个特征,分别是:四个空间边界属性特征,一个分形维数特征和三个对比度特征.然后对由八个特征构成的特征矢量采用遗传算法进行特征选择,以选出对于目标鉴别最优的特征序列.遗传算法中适应度函数的设计综合考虑了描述长度、鉴别总错误数以及漏报数等三个因素,使得该适应度函数对于特征优劣的评价更全面.实测数据的实验结果证明了所提算法的有效性.     

基于半监督学习的SAR目标检测网络

现有的基于卷积神经网络(CNN)的合成孔径雷达(SAR)图像目标检测算法依赖于大量切片级标记的样本,然而对SAR图像进行切片级标记需要耗费大量的人力和物力。相对于切片级标记,仅标记图像中是否含有目标的图像级标记较为容易。该文利用少量切片级标记的样本和大量图像级标记的样本,提出一种基于卷积神经网络的半监督SAR图像目标检测方法。该方法的目标检测网络由候选区域提取网络和检测网络组成。半监督训练过程中,首先使用切片级标记的样本训练目标检测网络,训练收敛后输出的候选切片构成候选区域集;然后将图像级标记的杂波样本输入网络,将输出的负切片加入候选区域集;接着将图像级标记的目标样本也输入网络,对输出结果中的正负切片进行挑选并加入候选区域集;最后使用更新后的候选区域集训练检测网络。更新候选区域集和训练检测网络交替迭代直至收敛。基于实测数据的实验结果证明,所提方法的性能与使用全部样本进行切片级标记的全监督方法的性能相差不大。

     

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。     

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。     

采用热核特征的SAR图像目标识别

为了解决SAR图像受相干斑噪声干扰和震后发生形变而识别率偏低的问题,提出了一种新的仿射、形变不变特征-热核特征,并将该特征用于SAR图像目标识别.首先采用推广的核模糊C-均值方法分割SAR图像,提取SAR图像目标形状;接着对目标形状进行Delaunay三角剖分,采用余切权重法对Laplace-Beltrami Operator离散化,通过离散化Laplace-Beltrami Operator特征值、特征向量求每一点热核特征;然后采用谱距离公式对点点间热核距离计算,转化为距离分布表示目标形状的热核特征;最后采用L1相似性准则对图像进行相似性度量,得到识别结果.实验表明:与经典的Hu不变矩方法相比,对于仿射变换和发生形变的SAR图像,该方法都具有更高的识别率.因此,基于热核特征的SAR图像识别方法是一种更加有效的识别方法.     

图像分块匹配的SAR目标识别方法

提出基于分块匹配的合成孔径雷达（Synthetic Aperture Radar,SAR）目标识别方法。对待识别SAR图像进行4分块处理,每个分块描述目标的局部区域。对于每个分块,基于单演信号构造特征矢量,描述其时频分布以及局部细节信息。单演信号从幅度、相位以及局部方位3个层次对图像进行分解,可有效描述图像的局部变化情况,对于扩展操作条件下的目标变化分析具有重要的参考意义。对于构造得到的4个特征矢量,分别采用稀疏表示分类（Sparse Representation-based Classification,SRC）分别进行分类,获得相应的重构误差矢量。在此基础上,按照线性加权融合的基本思想,通过构造随机权值矩阵进行分析。对于不同权值矢量下获得的结果,经统计分析构造有效的决策变量,通过比较不同训练类别的结果,判定测试样本的类别。所提方法在特征提取和分类决策过程中充分考虑SAR图像获取条件的不确定,通过统计分析获得最优决策结果。实验在MSTAR数据集上设置和开展,包含了1类标准操作条件和3类扩展操作条件。通过与现有几类方法对比,有效证明了所提方法的有效性。     

基于Contourlet变换和SVM的SAR图像目标识别

针对SAR图像具有斑点噪声,特征提取较难的特点,提出了基于Contourlet变换和SVM的SAR图像目标识别分类算法.该算法的在特征提取时利用了Contourlet域的标准偏差进行特征提取的方法,后端用支持向量机分类器,提高分类精度.实验结果证明该分类算法能够减少SVM的特征维数,具有较好的分类性能.     

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.     

基于图像中心矩和特征向量的目标识别方法

单独使用中心矩进行目标识别,不仅算法耗时,而且效果也不理想。针对这个问题,提出了一种基于图像中心矩和特征向量相结合的目标识别方法,该方法具备了中心矩和可见光图像特征量各自的优点,降低了特征空间维数。通过引入匹配模板特征向量之间的欧式距离,进一步降低了算法的复杂度,提高了系统识别的速度,算例仿真验证了本方法的有效性和实时性。     

基于ganna分布模型的SAR图像目标识别方法研究

合成孔径雷达目标识别是目前世界上模式识别领域的重点研究课题之一,大体可分为两个部分的识别过程,即对目标姿态角的识别和对目标类型的识别。本文首先介绍了对SAR图像的增强算法,然后通过对基于模板与基于模型的识别方法的比较,将基于Radon变换的目标姿态角识别方法与基于gamma模型的SAR目标类型识别算法相结合,从而提出一种SAR目标识别的综合方法。利用MSTAR数据库数据进行仿真试验,取得了良好的效果。     

一种基于SAR图像的典型线特征抽取方法

针对合成孔径雷达(Synthetic Aperture Radar)图像的相干斑噪声会使图像的分割和目标的提取困难的问题,文中利用改进的Lee滤波手段去除相干斑噪声,并使用照度均衡算法平衡SAR图像的光照度,最后使用图割(Graph Cuts)算法交互式地对SAR图像中的线性结构进行抽取。实验结果表明Lee滤波和照度均衡算法分别对于抑制相干斑噪声干扰和修正图像对比度有显著效果,图割算法可以有效地提取出用户感兴趣的线性结构。     

结合L1图模型和局部保持投影特征的SAR变形目标识别方法

局部保持投影(LPP)是一种能描述数据实际分布的流形学习算法,可以有效地捕获数据的局部信息。针对高精度SAR变形目标识别问题,文中提出一种结合L1图模型和LPP的SAR变形目标识别算法。考虑到稀疏描述具有判别力且对噪声具有鲁棒性的优点,构建L1图模型捕获样本之间的局部结构。此外,还采用一种正则化方法有效地解决了LPP算法中存在的矩阵奇异性问题。实测的MSTAR