基于深度信念网络的属性散射中心匹配及在SAR图像目标识别中的应用

合成孔径雷达（Synthetic Aperture Radar,SAR）图像目标识别是SAR图像解译的重要应用。为提高SAR目标识别的稳健性，本文提出基于深度信念网络（Deep Belief Network,DBN）的属性散射中心匹配方法。属性散射中心参数特征丰富，能够很好地反映目标的局部散射特性。DBN发挥深度学习优势，可以实现测试样本与模板样本散射中心集的稳健匹配，并且能够较好地适应噪声干扰、部分缺失等情形。在构建的属性散射中心匹配关系的基础上，定义相似度度量准则。基于最大相似度的原则确定测试样本所属类别。实验依托MSTAR数据集开展，经验证，所提方法对于SAR目标识别问题具有良好的有效性和稳健性。     

烟花算法在SAR图像属性散射中心参数估计中的应用

针对合成孔径雷达（SAR）属性散射中心估计问题,提出基于烟花算法的方法。首先,在图像域对SAR图像中高能量区域进行分割解耦,获得单个独立散射中心在图像域的表现形式。在此基础上,以属性散射中心参数化模型为基础,构建优化问题,对分离出来的单个散射中心进行最优参数的搜索。在此阶段,引入烟花算法进行参数寻优。该算法具有强大的全局和局部搜索能力,在保证优化精度的条件下避免陷入局部最优,从而保证散射中心参数估计的可靠性。在原始图像中剔除求解后的单个散射中心,对残余图像进行高能量区域分割,序惯估计下一个散射中心的属性参数。最终,获取输入SAR图像上所有散射中心的参数集。实验中,首先基于MSTAR数据集中的SAR图像进行参数估计验证,通过参数估计结果与原始图像的对比以及基于估计参数集对原始图像进行重构,反映了提出算法的有效性。此外,实验还基于估计得到的属性参数进行SAR目标识别算法验证,通过与其他参数估计算法在相同条件下进行识别性能的对比,进一步体现了提出方法在属性散射中心参数估计上的性能优势。     

一种基于峰值匹配的SAR目标识别方法

文章提出了一种基于峰值匹配的SAR目标识别方法。采用最近邻匹配算法构建测试样本峰值特征集与模板样本峰值特征集之间的对应关系。在此匹配关系的基础上,设计了稳健的匹配度准则评价两组峰值特征集的匹配度,并根据最大匹配度的准则判定目标类别。在MSTAR数据集进行目标识别实验验证提出方法的有效性。     

基于狼群算法的SAR图像属性散射中心参数估计

针对合成孔径雷达（SAR）图像属性散射中心估计问题,提出基于狼群算法的新思路。方法首先在图像域上对SAR图像进行“分治”解耦。对每一个属性散射中心进行序贯估计时,采用狼群算法作为基础优化算法,获得散射中心最佳的参数集。狼群算法通过分析狼群的协作捕猎活动及猎物分配等特点,具备良好的全局搜索能力和局部开发能力。算法通过结合传统图像域解耦的思想和狼群算法的稳健优化性能,提高SAR图像整体的属性散射中心估计精度。实验中,采用所提方法对MSTAR数据集中的原始SAR图像及加噪样本进行参数估计,实验结果验证了其有效性和噪声稳健性。     

高分辨率SAR图像散射中心特征提取

合成孔径雷达(SAR)目标检测和识别是SAR实用化的瓶颈技术之一,提取有效的目标特征是SAR目标检测与识别的关键环节。高分辨率SAR图像中,目标属性散射中心特征反映了目标散射中心的位置、类型等信息,精确获取目标散射中心属性特征能够提高对目标的检测识别性能。针对SAR目标属性散射中心特征的提取,该文提出了一种基于改进的空间-波数分布(ISWD)的特征提取方法,该方法首先利用ISWD估计散射中心关于频率与方位角的函数,然后利用该函数来获得目标属性散射中心模型参数。最后利用仿真实验验证了方法的有效性。     

一种基于像素差值编码度量不确定SAR图像相似性的新方法

在SAR图像目标识别、图像匹配等应用中,定义合理可靠的相似度尤为重要。该文在分析现有SAR图像相似度基础上,提出一种基于像素差值编码的相似度准则。首先将SAR图像按照相邻像素灰度差异生成编码图像,然后以编码图像之间的一致性作为相似度。该文从理论上证明了该相似度对SAR图像中相干斑噪声、部分遮挡和模糊等因素的鲁棒性和适应性,还讨论了将该准则应用于SAR图像匹配时,如何针对不确定性,给出一定置信水平下所有合理的匹配位置。理论和实验结果表明该文提出的相似度准则对SAR图像上相干斑噪声、部分遮挡以及模糊不敏感,能有效应用于不确定SAR图像的匹配。     

基于角度内插仿真的飞机目标多角度SAR数据集构建方法研究

随着SAR技术应用领域的扩大以及SAR数据获取技术的发展,构建各种典型目标的多角度SAR数据集的需求日益迫切。针对飞机目标,目前尚未有比较完备的多角度SAR图像数据集。该文探索了一种基于实测数据和智能仿真相结合的数据集构建方法,通过飞行试验采集飞机目标SAR多角度数据,并基于散射分析和自注意力生成对抗网络实现特定角度的SAR图像内插仿真,从而为数据集构建和扩容提供新的解决方案。最后,在假定部分数据缺失的情况下,通过6种评价指标对仿真图像和实际采集图像的相似度进行了评价,验证了所提方法的有效性。      

结合多决策准则稀疏表示的SAR图像目标识别方法

提出组合多决策准则的稀疏表示分类（Sparse Representation-based Classification,SRC）并在合成孔径雷达（Synthetic Aperture Radar,SAR）目标识别中进行应用。传统SRC通常在全局字典上对测试样本进行重构,分别计算不同训练类别对于测试样本的重构误差,最终根据最小重构误差的原则进行分类决策。然而,由于SAR目标识别问题的复杂性,单一决策准则往往对扩展操作条件的适应性不强,导致整体性能下降。为此,文中基于稀疏表示求解的系数矢量,分别采用最小重构误差原则、最大系数能量原则以及局部最小重构误差原则分别进行分类。最小重构误差准则直接采用传统算法。最大系数能量准则分别计算不同训练类别系数能量,按照能量最大的原则进行判决。局部最小重构误差原则在局部字典上对测试样本进行表征和分析,充分体现SAR图像的视角敏感性。对于三个准则获取的决策变量,通过适当转换统一采用概率分布形式进行表达。最终,基于线性加权融合对三个准则的结果进行分析,判决测试样本所属目标类别。基于MSTAR数据集对方法进行测试,分别验证了提出方法在标准操作条件、俯仰角差异、噪声干扰及目标遮挡等情形的性能。实验结果表明:所提方法通过结合多决策准则能够有效提升SAR目标识别性能。     

基于LDLPP的SAR目标型号识别

局部保持投影算法可保持数据的局部结构,但其无法实现异类相似样本的有效分离,针对此问题,提出了一种融合样本先验类别信息的局部保持投影算法（LDLPP）,实现SAR目标型号识别。所提算法将样本的先验类别信息融入局部保持投影模型中,根据类别信息构造相似性矩阵和差异性矩阵以实现数据结构的有效捕获与保持,利用相似性矩阵保持降维前后同类样本之间的局部结构,利用差异性矩阵扩大降维后异类相似样本彼此之间的距离。采用实测的MSTAR数据进行SAR目标的型号识别,实验结果验证了所提算法的有效性。     

基于幅相分离的属性散射中心参数估计新方法

利用属性散射中心(ASC)参数估计来识别目标上的散射结构是实现合成孔径雷达(SAR)自动目标体识别(ATR)的重要步骤。为提高属性散射中心参数估计的速度并抑制杂散影响,该文首先从图像中提取多个属性散射中心,然后分别估计各个属性散射中心的参数。为提高单个属性散射中心的参数估计速率,考虑到其幅度和相位相关参数可分离,该文提出幅度相位分离的属性散射中心参数估计思想,与传统方法相比,该思想使参数估计算法复杂度和参数估计时间降低了1个数量级。引入迭代半阈值(IHT)算法提高参数估计精度。根据各个属性散射中心的参数估计结果可识别目标上各种散射结构并确定其在目标上的位置分布。仿真数据、实测数据以及MSTAR数据集得到的参数估计的高效性和高准确性,验证了该文所提方法的有效性。      

基于散射信息和元学习的SAR图像飞机目标识别

SAR图像由于数据获取难度大,样本标注难,目标覆盖率不足,导致包含地理空间目标的影像数量稀少。为了解决这些问题,该文开展了基于散射信息和元学习的SAR图像飞机目标识别方法研究。针对SAR图像中不同型号飞机空间结构离散分布差异较大的情况,设计散射关联分类器,对飞机目标的离散程度量化建模,通过不同目标离散分布的差异来动态调整样本对的权重,指导网络学习更具有区分性的类间特征表示。考虑到SAR目标成像易受背景噪声的影响,设计了自适应特征细化模块,促使网络更加关注飞机的关键部件区域,减少背景噪声干扰。该文方法有效地将目标散射分布特性与网络的自动学习过程相结合。实验结果表明,在5-way 1-shot的极少样本新类别识别任务上,该方法识别精度为59.90%,相比于基础方法提升了3.85%。减少一半训练数据量后,该方法在新类别的极少样本识别任务上仍然表现优异。     

基于SAR图像的自动目标识别系统设计与实现

设计并实现了一套完整的、基于合成孔径雷达（SAR,synthetic aperture radar）图像的自动目标识别（ATR,automatictargetrecognition）系统。该系统包括降相干斑处理、恒虚警率（CFAR,con-stantfalsealarmrate）检测、强散点聚类与鉴别、感兴趣区域（ROI,rangeofinterest）分割和基于模板的最大相关匹配等五大部分。SAR图像匹配模板库来自于对典型目标的电磁仿真,待检测SAR图像来自某机载SAR系统对某地面区域的成像实验。测试表明所介绍的ATR系统在满足工程性能要求的意义上,实现了在典型的地貌环境下对典型军事目标的实时自动识别。     

利用快速加权PCA检测遮挡区域的人脸识别

针对人脸识别中存在遮挡而影响识别性能的问题,提出了一种利用快速加权PCA检测遮挡区域的鲁棒人脸识别算法。首先,利用快速加权PCA检测输入图像的遮挡区域,将其与图库图像的遮挡区域进行比较;然后,利用局部二值模式匹配确定最优权重系数,利用相位相关算法匹配确定遮挡掩码;最后,计算每个测试图像的匹配得分,并利用最近邻分类器完成人脸识别。在FRGC2和UND人脸库上的实验结果表明,本文算法的识别率可高达99.6%,相比其他几种较新的人脸识别算法,本文算法取得了更好的识别性能。     

基于SAR 数据的三维散射中心模型位置重构方法

该文面向目标识别应用阐述了基于SAR 数据的3 维散射中心模型位置重构的基本方法。首先阐述了如何从SAR 数据中重构出目标的3 维散射中心模型的基本框架,然后提出了基于散射中心模型2 维参数的3 维散射中心模型重构方法,最后通过仿真实验验证了该方法的正确性。      

基于模型迭代匹配的单幅高分辨SAR图像遮挡建筑物高度估计方法

分析了高分辨SAR图像中受遮挡建筑物的特点,提出了一种针对遮挡情况建筑物的高度估计方法。该方法基于模型迭代匹配的思想,将一系列高度参数假设依所提构建的计算模型变换为特征信号并与SAR图像进行匹配,使似然函数达到最大的高度假设即为待估计的遮挡建筑物高度。基于仿真和实测SAR数据的实验结果表明,和已有方法相比,所提方法可以更准确地实现对部分被遮挡建筑物的高度估计。     

多元经验模态分解及在SAR图像目标识别中的应用

提出基于多元模态分解的合成孔径雷达（SAR）目标识别方法。多元模态分解是传统模态分解的多元扩展,能够有效避免传统算法中的模态混叠问题。采用多元模态分解对SAR图像进行处理,获得的多层次固有模式函数（IMF）能够更为有效地反映目标的时频特性。不同IMF之间具有良好互补性,同时它们描述同一目标因而具有内在关联性。分类阶段,采用联合稀疏表示对分解得到的IMF进行表征。联合稀疏表示在多任务学习的理念下,对多个关联稀疏表示问题进行求解,可获得更为可靠的估计结果。在获得各层次IMF对应的稀疏表示系数矢量的基础上,计算不同类别对于当前测试样本多层次IMF的重构误差之和,进而判定测试样本的目标类别。基于MSTAR数据集开展实验,通过在标准操作条件、俯仰角差异、噪声干扰以及目标遮挡条件下进行对比分析,验证了提出方法的有效性。     

SAR目标属性散射中心特征提取与分析

散射中心是高频区雷达目标电磁散射的基本特征,对SAR图像解译、目标识别等具有重要意义。与经典的理想点散射中心模型相比,属性散射中心模型通过引入散射响应对频率、方位角的依赖因子,可更精确地建模高分辨SAR图像目标的散射特性,但与此同时,由于特征参数的维数更高,因此相应的特征提取方法也更复杂。提出了一种基于CLEAN思想的图像域区域解耦合的近似最大似然估计(RD-AML-CLEAN)高分辨SAR图像目标属性散射中心特征提取方法,并通过仿真SAR图像数据的实验结果对算法性能进行了定性、定量的分析与评估。     

基于邻域一致性的极化SAR图像仿射配准

极化SAR图像的配准是极化SAR图像处理的基础,需要具备较高的精度与速度.基于深度学习的极化SAR图像配准大多数是结合图像块特征的匹配与基于随机抽样一致性的参数迭代估计来实现的.目前尚未实现端到端的基于深度卷积神经网络的一步仿射配准.该文提出了一种基于弱监督学习的端到端极化SAR图像配准框架,无需图像切块处理或迭代参数...     

以一种新的距离度量作为反馈的相关跟踪方法

基于相关的模板匹配方法在图像跟踪中得到了广泛的应用,但是这种方法的主要缺点是对图像噪声非常敏感,而且由这种方法得出的相关曲面比较平坦。为了有效抑制噪声和局部遮挡对图像的影响,提出用鲁棒统计中的一个值代替相关值作为距离度量。它不是计算两幅图像的对应像素差值,而是计算两幅图像中差别不大的对应像素对的个数。实验证明这样得到的曲面相对　　收稿日期:2003 08 31;　修订日期:2003 10 28作者简介:张桂林(1944 ),男,天津人,教授,博士生导师,主要研究方向为自动识别、人体生物统计特征识别、图像处理算法与系统性能评估等。　　　　　　　要尖锐得多。当上述的距离度量应用于跟踪过程中时,模板的合理更新对跟踪非常重要。基于上述的距离度量方法,提出了一种新的模板更新策略。利用两幅图像中近似像素在整修匹配模板像素中所占的比例大小决定加权系数。这种加权策略可以自适应地根据图像序列的变化选择更新相关模板,同时在一定程度上减小模板漂移的危险。