一种联合阴影和目标区域图像的SAR目标识别方法

地面目标的SAR图像中除了包含目标散射回波形成的区域,还包括由目标遮挡地面形成的阴影区域。但是由于这两种区域中的图像特性不相同,所以传统的SAR图像自动目标识别主要利用目标区域信息进行目标识别,或者单独使用阴影区域进行识别。该文提出一种阴影区域与目标区域图像联合的稀疏表示模型。通过使用1\2范数最小化方法求解该模型得到联合的稀疏表示,然后根据联合重构误差最小准则进行SAR图像目标识别。在运动和静止目标获取与识别(MSTAR)数据集上的识别实验结果表明,通过联合稀疏表示模型可以有效地将目标区域与阴影区域信息进行融合,相对于采用单独区域图像的稀疏表示识别方法性能更好。     

结合二维内蕴模函数和贝叶斯多任务学习的SAR目标识别

为了提高合成孔径雷达（Synthetic Aperture Radar,SAR）目标识别性能,提出了结合二维内蕴模函数（Bidimensional Intrinsic Mode Function,BIMF)与贝叶斯多任务学习的SAR目标识别方法。采用二维经验模态分解获得SAR图像的多层次BIMF,从而更好地描述原始图像的细节信息。为了获得稳健的决策,采用贝叶斯多任务学习对原始SAR图像及其多层次的BIMF进行联合稀疏表示。最后,通过比较各个类别对于测试样本的重构误差判定目标类别。基于MSTAR数据集在多种条件下对提出方法进行了验证实验,结果证明了方法的有效性。     

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。     

基于特征转移金字塔网络的SAR图像跨尺度目标检测

SAR图像多尺度目标检测能够实现大场景SAR图像中关键目标的定位与识别,是SAR图像解译的关键技术之一.然而针对尺寸相差较大的SAR目标的同时检测,即跨尺度目标检测问题,现有目标检测方法难以实现.该文提出一种基于特征转移金字塔网络(FTPN)的SAR图像跨尺度目标检测方法.在特征提取阶段采用特征转移方法,实现各层特征图...     

考察独立性和相关性的多视角SAR图像目标识别方法

提出了一种考察独立性和相关性的合成孔径雷达(SAR)图像目标识别方法。由于SAR图像的方位角敏感性,参与识别的多视角SAR图像之间的关联性不够稳定。首先,基于图像相关对多视角SAR图像进行聚类,获得具有较强内在关联的多个视角集。然后,对于每一个视角集,分别采用联合稀疏表示对其进行联合重构,获得高精度的重构误差。最终,采用线性加权的方法融合各个视角集合的重构误差并根据融合误差判定目标类别。基于MSTAR数据集进行了实验测试,结果表明了提出方法的有效性。     

结合多源特征与高斯过程模型的SAR图像目标识别

针对合成孔径雷达(Synthetic Aperture Radar,SAR)图像目标识别问题,提出结合多源特征和高斯过程模型的方法。分别利用主成分分析(Principal Component Analysis,PCA)、非负矩阵分解(Non-negative Matrix Factorization,NMF)以及单演信号提取SAR图像的特征矢量,并将它们串接为单一矢量。三类特征从不同角度描述SAR图像目标特性,从而为目标识别提供更为有效的信息。决策分类过程采用高斯过程模型进行多元分类,基于融合特征矢量获得概率意义上的最佳决策。实验中,采用MSTAR数据集设置3类目标、10类目标、型号差异以及俯仰角差异识别问题,结果验证了提出方法的优越性能。     

高分辨率SAR图像目标峰值特征提取

峰值特征是进行SAR图像自动目标识别的重要特征。本文提出了SAR图像目标的通用高斯峰值模型,根据该模型提出了目标峰值提取方法。利用实测数据以及蒙特卡罗仿真结果表明:通用高斯峰值模型是实际峰值的一种精确模型,基于该模型的峰值提取方法具有良好的提取精度。     

一种多视角SAR图像目标识别方法

针对合成孔径雷达（Synthetic Aperture Radar,SAR）图像目标识别问题,提出了一种联合多视角的方法。基于图像相关准则对多视角SAR图像进行聚类分析,获得若干视角集。分别对每个多视角子集采用多重集典型相关（Multiset Canonical Correlations Analysis,MCCA）进行特征融合,获得特征矢量。采用联合稀疏表示对各个视角集的特征矢量进行表征分类,获得决策结果。在样本丰富的MSTAR数据集上开展实验与分析,结果表明,所提方法对10类目标样本在标准操作条件、噪声干扰以及遮挡情形下均可以取得优势性能,验证了其有效性。     

高分辨率SAR图像目标峰值提取及峰值稳定性分析

SAR图像自动目标识别的一个主要途径是通过目标峰值序列的匹配进行识别。该文提出了SAR图像的通用高斯峰值模型,并根据该模型设计了SAR图像目标峰值提取方法,进而利用实测目标数据分析了目标峰值对于目标方位角,雷达俯仰角以及目标结构等目标配置条件变化下的稳定性。结果表明,目标SAR图像峰值对于目标的配置条件变化具有一定的稳定性,这说明,利用峰值特征进行SAR图像目标识别是可行的。     

相似性约束的深度置信网络在SAR图像目标识别的应用

特征提取是合成孔径雷达(SAR)图像目标识别的关键环节。SAR图像中存在的相干斑点和非光滑特性使得传统针对光学图像的特征提取方法变得很难应用。虽然可以采用深度置信网络(DBN)自动地进行特征学习,但是该方法属于无监督学习方法,这使得学习到的特征与具体的任务是无关的。该文提出一种叫做相似性约束的受限玻尔兹曼机模型。该模型在学习过程中通过约束特征向量之间的相似性达到引入监督信息的目的。另外,可以将多个相似性约束的受限玻尔兹曼机堆叠成一种新的深度模型,称其为相似性约束的深度置信网络模型。实验结果表明在SAR图像目标识别应用中,该方法相比主成分分析(PCA)以及原始DBN具有更好的识别性能。     

一种基于自适应核字典学习的SAR目标识别方法

提出一种基于自适应核字典学习的合成孔径雷达（synthetic aperture radar，SAR）目标识别方法.该方法首先将SAR图像的特征信息通过核函数映射到高维度的核空间中并进行字典学习；然后根据更新后的字典动态计算稀疏度；最后依据最小重构误差准则实现SAR目标识别.在公开数据集MSTAR上的仿真实验结果表明，该方法提取到的特征信息可分度高，对SAR目标的识别具有较好的性能.     

稀疏先验引导CNN学习的SAR图像目标识别方法

深度学习技术的应用给SAR图像目标识别带来了大幅度的性能提升,但其对实际应用中车辆目标局部部件的变化适应能力仍有待加强。利用数据内在先验知识,在高维语义特征中学习其内在的低维子空间结构,可以提升分类模型在车辆目标变体条件下的泛化性能。本文基于目标特征的稀疏性,提出了一种稀疏先验引导卷积神经网络（Convolution Neural Network,CNN）学习的SAR目标识别方法（CNN-TDDL）。首先,该方法利用CNN提取SAR图像目标的高维语义特征。其次,通过稀疏先验引导模块,利用特征稀疏性,对目标特征内在的低维子空间结构进行学习。分类任务驱动的字典学习层（Task-Driven Dictionary Learning,TDDL）将目标特征的低维子空间以稀疏编码的形式表示,再利用非负弹性正则网增强了稀疏编码的稳定性,使稀疏编码不仅有效地表征目标的低维子空间结构,并且能够提取更具判别性的类别特征。基于运动和静止目标获取与识别（Moving and Stationary Target Acquisition and Recognition,MSTAR）数据集以及仿真和实测配对和标记实验 （Synthetic and Measured Paired and Labeled Experiment,SAMPLE） 数据集的实验表明,相比于传统字典学习方法和典型深度学习方法,CNN-TDDL在MSTAR标准操作条件（Standard Operating Conditions, SOC）下识别精度提升0.85%~5.28%,型号识别精度提升3.97%以上,表现出更好的泛化性能。特征可视化分析表明稀疏先验引导模块显著提升了异类目标特征表示的可分性。      

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。     

基于2DPCA-SCN正则化的SAR图像目标识别方法

合成孔径雷达（synthetic aperture radar,SAR）图像解译是一项重大的科学应用挑战,SAR图像目标识别已成为该领域的主要研究方向之一。针对SAR图像识别算法训练参数较多的问题,本文提出一种二维主成分分析（two-dimensional principal component analysis,2DPCA）与L2正则化约束的随机配置网络（stochastic configuration network,SCN）进行集成学习的SAR图像目标识别方法。2DPCA不仅能够有效地提取出目标的特征信息而且通过稀疏表征方式降低数据量,SCN正则化算法参数较少且可以有效避免网络过拟合问题,提高网络的识别率。我们将提出的方法在MSTAR (moving and stationary target acquisition and recognition)数据集上进行实验,结果表明该方法相对传统方法具有更高的识别率。      

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。     

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。     

复数二维经验模态分解在SAR目标识别中的应用

提出基于复数二维经验模态分解（C-BEMD）的合成孔径雷达（SAR）图像目标识别。C-BEMD作为传统BEMD的复数域推广,能直接处理原始SAR图像（包含幅度和相位信息）。采用C-BEMD对原始SAR图像进行分解,获得多层次复数内蕴模函数（BIMF）,反映目标时频二维特性。各层次BIMF既有独立描述能力,反映目标不同类型的特征;同时也具有内在关联性,即反映同一目标的固有属性。为此,分类算法基于联合稀疏表示设计,可利用内在关联性约束提高各层次BIMF的表征精度。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（SOC）和扩展操作条件（EOC）均可保持可靠的识别性能。     

基于小波域NMF特征提取的SAR图像目标识别方法

该文提出了一种基于小波域非负矩阵分解特征提取的合成孔径雷达图像目标识别方法。该方法对图像二维离散小波分解后提取低频子带图像,用非负矩阵分解对低频子带图像提取特征向量作为目标的特征,利用支持向量机进行分类完成目标识别。将该方法用于对MSTAR数据中三类目标识别,识别率最高可达97.51%,明显提高了目标的正确识别率。实验结果表明,该方法是一种有效的合成孔径雷达图像特征提取与目标识别方法。