基于小波字典稀疏表示的SAR图像目标识别

针对稀疏表示识别算法在图像域构造冗余字典时过分依赖预处理及原子维数较大的问题,提出基于小波字典的 SAR图像稀疏表示识别算法。首先采用二维离散小波变换将原始图像变换到小波域,建立小波域 SAR图像特征模型,得出小波域低频成分可充分表征目标类别信息的结论。然后取小波域低频成分进行2DPCA特征抽取构造小波字典,最后由改进 OMP 算法稀疏分解系数得到识别结果。SAR MSTAR数据的实验结果表明,在无预处理的情况下识别率高达99％,并且在含噪比10％的情况下识别率仍达96％。     

基于小波字典稀疏表示的SAR图像目标识别

针对稀疏表示识别算法在图像域构造冗余字典时过分依赖预处理及原子维数较大的问题,提出基于小波字典的SAR图像稀疏表示识别算法。首先采用二维离散小波变换将原始图像变换到小波域,建立小波域SAR图像特征模型,得出小波域低频成分可充分表征目标类别信息的结论。然后取小波域低频成分进行2DPCA特征抽取构造小波字典,最后由改进OMP算法稀疏分解系数得到识别结果。SAR MSTAR数据的实验结果表明,在无预处理的情况下识别率高达99%,并且在含噪比10%的情况下识别率仍达96%。     

基于压缩感知的SAR图像压缩与重构方法

结合合成孔径雷达(SAR)图像特点,提出了一种基于压缩感知的SAR图像压缩与重构方法,并给出了具体的方法及详细流程.该方法首先将原始SAR图像进行分块处理,同时,利用离散小波变换(DWT)对分块结果进行稀疏处理,利用近似QR分解后的随机高斯矩阵对稀疏处理结果进行低维线性观测,实现了SAR图像的稀疏化表征与压缩.文中讨论的改进的正交匹配追踪(OMP)算法,与传统的OMP算法相比,改进的OMP算法在保证重构精度的前提下,可有效提高收敛速度.最后,通过离散小波反变换等处理获得最终的SAR图像重构结果.仿真实验结果证明所提方法的有效性与可行性.     

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。     

基于Tetrolet Packet变换的SAR图像稀疏表示

Tetrolet变换作为多尺度几何分析的一种,能够对平滑的自然图像进行有效的稀疏表示。SAR图像具有丰富的细节纹理信息,因此经过Tetrolet变换后的高频系数依然具有较大的幅值,从而严重影响了稀疏表示SAR图像的性能。该文针对此问题提出了一种新的变换方法Tetrolet Packet,该算法将高频子带系数进行重新排序后,使用熵作为代价函数对不同的高频子带进行不同层次的Tetrolet分解得到Tetrolet最优分解树,从而使系数能量更加集中同时尽量减少方向信息,以便于后续SAR图像压缩。实验比较了Tetrolet和Tetrolet Packet两种算法,用相同个数的变换系数来进行图像重建,无论是主观视觉质量还是客观参数PSNR评价,Tetrolet Packet稀疏表示SAR图像的性能都优于Tetrolet。最后针对两种算法的变换系数均具有类似零树结构的特性,提出分别使用SPIHT和Modified-SPIHT算法对Tetrolet和Tetrolet Packet变换系数进行编码,并探讨了该两种算法对SAR图像的压缩性能。     

结合相干斑抑制的小波域SAR图像网格编码量化

本文结合SAR图像相干斑的抑制,研究了一种在小波域对带噪SAR图像做网格编码量化的新方法。首先将SAR图像在小波域内实施软阀值去噪声,然后根据SAR图像在小波域中各子带系数固有的树结构关系对其进行零树分类,对分类后的重要性小波系数进行网格编码量化,利用卷积编码和信号空间扩展来增大量化信号间的欧氏距离,并用维特比算法寻找最优量化序列。该方法综合了小波相干斑抑制、零树编码、网格编码量化技术,不仅利用了信号小波变换域的空间相关性,而且也较好地利用了信号间的时间相关性。在压缩的同时进行了相干斑抑制,在SAR图像的压缩中取得了很好的效果。     

基于虹膜识别的身份认证系统设计

虹膜识别认证系统由4部分组成.虹膜图像采集采用自行研制的非接触式虹膜图像采集装置,并加入虹膜图像质量评估模块选取清晰虹膜图像;预处理过程中采用Hough变换精确定位,归一化后的虹膜图像具有平移、尺度和旋转不变性;特征提取采用Daubechies-4小波变换对图像进行4层小波分解,并采用汉明距离进行匹配.与现有其他方法相比,系统大大减少了编码存储空间以及编码和匹配的时间,提高了算法速度.     

使用变换域编码技术压缩SAR原始数据

首先分析了在合成孔径雷达（SAR）原始数据中通常使用的块自适应量化（BAQ）算法,然后在此基础上详细讨论了两种基于块自适应量化的变换域编码算法,即基于快速傅里叶变换块自适应量化（FFT-BAQ）和基于小波变换块自适应量化（WT-BAQ）,并对这两种算法压缩得到数据解压缩获得图像与块自适应量化得到的图像进行分析比较,结果显示变换域编码技术能改善SAR原始数据压缩性能。     

基于Brushlet变换的SAR图像SPIHT压缩算法

提出一种基于Brushlet多方向变换特点的SPHIT编码算法,并将其应用于SAR图像压缩编码中,通过对真实SAR图像的压缩实验表明,相比于传统的小波编码方法,Brushlet变换域的SPHIT算法能获得更好的压缩性能,提高了解码后的PSNR值,并且较好地保留了图像细节特征和提高了可视性.     

基于自适应窗和形状自适应小波变换的SAR图像相干斑抑制

结合SAR图像空域的先验知识和小波域系数的特性,提出了一种新的SAR图像相干斑抑制算法.使用最近提出的局部多项式近似-置信区间交叉(local polynomial approximation-intersection of confidence intervals(LPA-ICI))构造自适应窗,寻找到与SAR图像中每个像素点相对应的同质区域,在每个同质区域内利用本文给出的快速形状自适应小波变换进行硬阈值收缩抑斑,最后根据本文提出的稀疏加权方法融合多个估计样本获得最终抑斑图像.实验结果表明本文提出的算法有着很好的抑斑性能,尤其是在去除重构图像中的"振铃"效应以及有效保留原始SAR图像中的点目标方面性能更突出.     

基于数据扩维的SAR目标识别性能提升技术

卷积神经网络的出现使得深度学习在视觉领域取得了巨大的成功,并逐渐延伸到合成孔径雷达(SAR)图像识别领域。然而,SAR图像样本量不足,难以支撑卷积神经网络的训练需求,并且SAR图像包含大量相干斑噪声及不确定性,网络结构的设计较为困难。所以,深度学习在SAR图像识别领域的应用受到阻碍。针对上述问题,文中提出一种基于数据扩维的SAR目标识别性能提升方法,通过对原始SAR 图像进行相关预处理操作并把处理后图像与原始图像结合,从而将一维的原始数据扩充成多维数据来作为训练样本。该扩维方法不仅间接扩充了样本量来支撑网络训练,同时也在网络训练前加入了“主动学习冶影响,所以无需针对SAR图像特性来构建复杂卷积网络,而采用成熟、简单的网络进行训练就可以达到理想的测试精度。最后,使用MSTAR 数据对该方法进行了性能验证,实验结果显示了所提方法的有效性。     

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。      

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。     

基于图像域的势函数正则化SAR车辆图像增强算法

SAR图像增强技术是SAR信号处理中很重要的一门技术。一幅SAR原始图像中除了包含模糊的目标区域和阴影区外还包含了大量的噪声。在目标识别过程中,如果先对原始SAR图像进行增强处理,降低噪声的同时增强模糊的目标区域和阴影区,然后进行特征提取,就可以大大降低识别系统的运算量,提高识别效率。正则化方法广泛应用于图像分割,图像增强等领域。通过对两种正则化算法的比较,结合两种方法的优点,提出了一种改进的基于图像域的势函数正则化图像增强算法。利用MSTAR数据库数据进行仿真试验,取得了良好的效果。     

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。      

基于非负矩阵分解的SAR图像目标识别

 特征提取是合成孔径雷达自动目标识别的关键技术,同时也是难点问题之一。本文提出了一种基于非负矩阵分解算法与Fisher线性判别方法的合成孔径雷达图像目标识别的方法,通过基于基向量非负加权组合的形式构建SAR目标图像,能充分利用目标的局部空间结构信息提取目标特征信息实现目标识别。首先将水平集分割预处理后的SAR目标图像样本构成初始矩阵,然后利用非负矩阵分解后得到的权向量作为目标图像的特征向量,再通过依据Fisher线性判别构成的分类器,实现对MSTAR数据中3类目标的识别,并与目前已有的几种典型方案进行对比。试验结果表明该方法是可行且有效的,并能够明显提高对目标识别的稳定性和正确率。     

基于KPCA和稀疏表示的SAR目标识别方法

提出了一种基于KPCA（Kernel Principal Component Analysis）和稀疏表示的合成孔径雷达（Synthetic Aperture Rader,SAR）目标识别方法。该方法首先利用KPCA方法提取样本特征,然后在特征空间内构造稀疏表示模型,通过梯度投影法（Gradient Projection for Sparse Reconstruction,GPSR）求得测试样本的稀疏系数,最后根据稀疏系数的能量特征实现分类识别。利用美国运动和静止目标获取与识别（Moving and Stationary Target Acquisition and Recognition ,MSTAR）实测SAR数据进行实验,实验结果表明该方法在方位角未知的情况下平均识别率达到96.78%,能够明显的提高目标的识别结果,是一种有效的SAR目标识别方法。      

基于Gabor滤波器和ICA技术的SAR目标识别算法

提出了一种基于Gabor滤波器和独立分量分析(ICA)技术对合成孔径雷达(SAR)目标识别的算法.该方法提取预处理后SAR图像的低频子带图像,利用Gabor滤波器组对该低频子带图像在不同方向和尺度上滤波,再用主成分分析(PCA)+ICA方法对Gabor滤波后图像提取有效特征向量作为目标识别特征,最后用支持向量机(SVM)对该特征进行分类完成目标识别.使用MSTAR数据库中3类SAR目标数据对该方法进行目标识别的仿真实验,平均识别率最高可达96.56%.通过与其他识别方法对比实验,验证了文中方法的有效性.     

基于Gabor滤波器和局部纹理特征提取的SAR目标识别算法

该文提出了一种基于Gabor滤波器和Three-Patch Local Binary Patterns(TPLBP)局部纹理特征提取的合成孔径雷达(Synthetic Aperture Rader, SAR)图像目标识别算法。首先, 利用Gabor滤波器对SAR图像在不同方向上进行滤波, 增强SAR图像中目标及其阴影的关键特征;然后, 利用TPLBP算法对Gabor滤波之后的图像进行局部纹理特征提取, 该算法克服了Local Binary Patterns(LBP)算法无法描述大范围领域纹理特征的缺陷, 并且保持了LBP旋转不变的特性, 减少了SAR图像目标方位变化对识别效果的影响;最后利用极限学习机(Extreme Learning Machine, ELM)分类器实现目标识别。该文通过MSTAR数据库中的3类SAR目标识别实验验证了该算法的有效性。