一种SAR图像舰船目标旁瓣去除方法

SAR图像舰船目标的几何结构参数对于SAR图像舰船目标识别具有重要意义，然而由于实际获取的SAR图像中舰船存在旁瓣干扰，导致提取的舰船几何结构参数和真实值相距甚远。本文提出一种基于距离约束的SAR图像舰船目标旁瓣去除方法，提出方法首先基于矩技术对目标方位角进行估计；然后利用获取的方位角将目标旋转至水平方向并提取目标主轴；最后通过比较舰船两侧到主轴的最大距离和平均距离对目标图像进行迭代，实现目标旁瓣去除。基于弹载和星载SAR图像舰船目标切片数据的实验结果表明，提出的方法能够有效去除旁瓣杂波，进而有利于获取精确的舰船几何结构特征。     

基于精细分割的SAR图像舰船目标几何结构特征提取

随着高分辨率星载合成孔径雷达（synthetic aperture radar,SAR）系统的研制和使用,利用SAR图像实现快速准确的舰船目标识别分类成为了海上目标侦察监视的重要手段.文中针对SAR舰船目标切片图像,提出一种基于精细分割的SAR图像舰船目标几何结构特征提取方法.首先,采用基于Radon变换的分割方法将舰船目标和成像干扰区域进行分离,对分离出的舰船目标切片进行阈值分割处理,并利用形态学手段处理分割图像,减小旁瓣影响,准确提取目标主区域;然后基于椭圆形状约束进行目标区域的细化分割,解决分割区域"毛刺"现象和区域断裂现象,得到舰船目标的最佳图像分割区域;最后,通过逼近目标区域获得其对应的最小外接矩形（minimum enclosing rectangle,MER）,进而实现目标区域几何结构特征的精确提取.通过对获取的高分三号卫星SAR图像数据进行仿真实验,证明了本文方法提取舰船目标几何结构特征的高准确性和强稳定性,对海上舰船目标的识别与分类具有重要意义.     

SAR图像目标方位角估计方法综述

目标方位角估计是进行SAR图像自动目标识别(ATR)的重要步骤。由于目标SAR图像对目标方位角的敏感性,在目标识别之前进行方位角估计能够提高系统的效率,增强系统的实时性。本文在分析SAR目标模型的基础上,对目标方位角估计算法进行了全面系统的研究,总结了目前存在的目标方位角估计方法的主要研究思路,即:提取目标主轴、提取目标主导边界、最小外接矩形获取,并介绍了有代表性的算法,指出了这些算法的优缺点,展望了今后的发展方向。     

一种利用方位角信息基于峰值匹配的SAR图像目标分类方法

本文研究了基于峰值匹配的SAR图像目标分类问题,给出了一种利用方位角信息基于峰值匹配的SAR图像目标分类方法.该方法先对输入待分类SAR图像进行目标峰值提取,再基于提取的峰值进行目标方位角估计,然后根据该估计及其置信区间由模板SAR图像数据库检索出方位角位于该估计及该估计+180°置信区间内的所有SAR图像,并分别提取其峰值,这样即可通过寻找待分类SAR图像与由模板库检索的模板SAR图像目标峰值间的最佳匹配,实现目标分类.和不利用方位角信息的目标分类方法相比,本文方法显然具有更高的计算效率.另外,如何快速有效的确定待分类SAR图像与每一幅模板SAR图像目标峰值间的对应关系,计算其匹配度,是基于峰值匹配SAR目标分类中的另一个关键问题,针对该问题,本文提出了一种基于匹配代价函数表搜索的SAR图像目标峰值对应关系确定方法,该方法能在得到较好分类性能的同时,有效提高分类效率.实测MSTAR SAR图像数据的分类结果验证了本文方法的有效性.     

基于线性回归的SAR目标方位角估计方法

方位角估计是合成孔径雷达(SAR)图像自动目标识别研究中的一个重要问题。一般而言,基于SAR图像的目标方位角估计方法应满足精度高、速度足够快、对目标部署条件的变化具有一定的稳健性。文中在分析现有的SAR图像目标方位角估计方法优缺点的基础上,给出了一种有效的基于线性回归的SAR图像目标方位角估计方法,并通过对大量实测MSTARSAR图像目标方位角的估计试验,详细分析了该方法对SAR图像目标方位角的估计性能。     

基于阴影的SAR图像车辆目标三维特征提取

目标长、宽、高三维几何特征,对SAR图像解译与目标识别等具有重要意义。从SAR成像几何出发,根据SAR观测俯仰角、目标及阴影之间的几何关系,研究提出了基于两维高分辨SAR图像阴影信息的车辆目标三维几何特征提取方法。该方法既可由某一方位角的单幅SAR图像提取目标三维几何特征,也可通过任意有限(3～5)个方位角SAR图像的融合提取目标三维几何特征,而且融合还可有效提高目标三维几何特征的提取精度。通过大量MSTAR实测SAR图像数据的实验结果,验证了其有效性。     

基于方向小波变换的SAR图像目标方位角估计

在合成孔径雷达(SAR)自动目标识别中,目标成像的方位信息是一个非常重要的特征。文中针对SAR图像特点,提出了一种基于方向小波变换的SAR图像目标方位角估计方法,给出了方向小波角度-能量谱公式,利用能量最大准则实现方位角估计。采用MSTAR SAR实测数据进行的实验表明本文方法是有效的,方向小波变换更能反映出目标图像的方位特征。     

基于稀疏先验的SAR图像目标方位角稳健估计方法

稳健的高精度目标方位角估计能有效提高SAR ATR的计算效率和识别性能.SAR图像中目标的近雷达主导边界包含较为精确的目标方位角信息,可用于目标方位角估计.由于目标电磁散射特性以及SAR图像斑点噪声的影响,提取的目标近雷达主导边界很不规则,存在"野值"点.本文根据"野值"点稀疏分布的特性,利用最大后验原理提出了一种稳健的方位角估计方法.该方法能够有效检测和剔除主导边界中的"野值",从而提高目标方位角估计的精度和稳健性.针对仅利用距离主导边界估计带来的目标垂直与水平方位的模糊性,基于分割图像中目标区域长宽比特征提出了一种解模糊的新方法.MSTAR实测数据的实验结果表明提出的算法具有较高的精度与稳健性.     

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...     

SAR图像目标峰值提取及稳定性分析

SAR图像峰值本质上对应于目标和(或)背景杂波的散射中心，本文研究了由SAR图像提取目标峰值的方法：分析了目标峰值随目标方位角和仰角的变化，结果表明，目标SAR图像峰值在一定的方位角和仰角变化范围内具有一定的“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。     

An evident sidelobe control method based on NSCT for ship target in SAR images

Evident sidelobe on faint ship target seriously affects the accuracy of the target segmentation in Synthetic Aperture Radar (SAR) images. To avoid this problem, a novel sidelobe control method based on NonSubsampled Contourlet Transform (NSCT) for ship targets in SAR images is presented in this paper. This method enhances the SAR images in NSCT domain based on target azimuth estimation and then inhibits the sidelobe directionally in NSCT high-pass frequency subbands. Experimental results on RADARSAT-2 images demonstrate that the proposed method can not only reduce the strong sidelobes effectively, but also enhance the intensity of the objects successfully. Therefore, it gives a good segmentation result on the dark ship images with strong sidelobe, and enhances the detection rate on these targets.     

多尺度特征融合与特征通道关系校准的SAR图像船舶检测

目前深度学习技术在SAR图像的船舶检测中已取得显著的成果,但针对SAR船舶图像中复杂多变的背景环境,如何准确高效地提取目标特征,提升检测精度与检测速度仍存在着巨大的挑战.针对上述问题,该文提出了一种多尺度特征融合与特征通道关系校准的SAR图像船舶检测算法.在Faster R-CNN的基础上,首先通过引入通道注意力机制对...     

基于子孔径与全孔径特征学习的SAR多通道虚假目标鉴别

SAR多通道引起的虚假目标与散焦的船舶目标形状纹理特征非常相似,在全孔径SAR图像中难以区分。针对此类虚假目标造成的虚警问题,该文提出一种基于子孔径与全孔径特征学习的SAR多通道虚假目标鉴别方法。首先,对复数SAR图像进行幅值计算得到幅度图像,利用迁移学习方法提取幅度图像中的全孔径特征;接着,对复数SAR图像进行子孔径分解获得一系列子孔径图像,然后用栈式卷积自编码器(SCAE)提取子孔径图像中的子孔径特征;最后,将子孔径和全孔径特征进行串联并利用联合特征进行分类。在高分三号超精细条带模式SAR图像上的实验结果表明,该方法可以有效的鉴别船舶目标和多通道虚假目标,与仅使用全孔径特征学习的方法相比准确率提升了16.32%。      

基于圆迹SAR的目标方位散射特征提取研究

人造目标多数具有各向异性,各向异性目标在不同的方位向角响应不同,依据此特性可以实现人造目标的识别与分类等,而圆迹合成孔径雷达能够获得目标的全方位信息,因此本文基于圆迹合成孔径雷达提出回波反演的方法,提取目标点的回波信号强度与相位随方位向的变化曲线,并定义方位向特征:散射持续角、回波信号响应峰值与峰值散射方位角,依据方位向特征可以实现人造目标识别与自适应成像等应用,文中已通过微波暗室实验与机载实验数据定性的证明了方法的有效性与应用的可行性。      

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。      

Ship detection optimization method in SAR imagery based on multi-feature weighting

Aiming at the problem that the accuracy of traditional ship detection algorithms is not satisfying in complex scene with many false alarm targets,a ship detection optimization method in SAR imagery based on multi-feature weighting was proposed.Firstly,the marker-based watershed algorithm was employed to remove land from SAR amplitude image.Then,the CFAR algorithm based on log-normal distribution was used to obtain candidate targets from no land image.Furthermore,the length to width ratio,the ship area and the contrast ratio of the candidate targets were extracted.Finally,a variance coefficient method was proposed to distribute the weight of the three features,and the confidence levels were calculated by combining the normalized feature vectors of the candidate targets with the feature weight.By determining the best confidence level,false alarm targets among the candidate targets were removed to optimize ship detection results.In order to verify the proposed method,experiments were carried on with the GF-3 SAR images of different complex scenes.The experimental results show that the proposed method is feasible and effective.     

联合多方位角调频率估计的星载SAR三维成像方法

星载合成孔径雷达(Synthetic Aperture Radar, SAR)通过波束的方位向扫描可以实现单次航过的多方位观测。在多方位角观测过程中,卫星弯曲轨道可等效为长3维曲线阵列,从而具备了3维成像能力。由于多方位角观测在高度维采样的稀疏性,无法直接通过3维FFT实现无模糊成像,且目标在不同方位角SAR图像的投影与高程间的传递相对复杂。针对该问题,该文提出了联合多方位角调频率估计的星载SAR3维成像方法。该方法首先给出了不同观测方位角下多普勒调频率误差与目标高程误差间的关系,利用视错位法(Map Drift, MD)估计多普勒调频率误差。然后,联合多方位角高程估计结果提升高程估计精度。最后,利用高程估计结果恢复目标3维几何信息,从而实现3维成像。仿真实验验证了该方法的高程估计精度可达米级。      

基于弹跳射线法的海上目标快速成像与识别算法

合成孔径雷达(Synthetic Aperture Radar,SAR)以全天候、全天时的观测能力,在军事和民用领域有着广泛的应用背景。考虑到SAR研究的成本和效率以及SAR图像在目标检测领域的应用,SAR图像的仿真技术发挥了重要优势。针对传统成像方法耗时较长的问题,本文利用基于弹跳射线法（SBR）的快速成像技术以达到快速获取大批量SAR图像的目的。为了更加精准地识别SAR图像中的目标,在Faster RCNN目标检测网络的基础上,根据真实舰船目标改变候选框的初始尺寸以及利用特征融合的方式对原算法框架加以改进。最后,在Faster RCNN框架中加入特征金字塔结构（Feature pyramid networks,FPN）,进一步提高目标识别算法对SAR图像中的舰船目标检测和识别的能力。