共查询到19条相似文献,搜索用时 78 毫秒
1.
2.
3.
4.
提出了一种基于块稀疏贝叶斯学习的合成孔径雷达(Synthetic aperture radar,SAR)图像目标方位角估计方法。SAR图像具有较强的方位角敏感性,因此对于具有某一方位角的SAR图像仅能与其具有相近方位角的样本具有较高的相关性。方法基于稀疏表示的基本思想,首先对所有训练样本按照方位角顺序排列为全局字典。在此条件下,待估计样本在该字典上的线性表示系数具有块稀疏特性,即非零表示系数主要聚集在字典上的某一局部区域。求解得到的块稀疏位置包含的训练样本可以有效地反映待估计样本的方位角信息。采用块稀疏贝叶斯学习(Block sparse Bayesian learning, BSBL)算法求解全局字典上的稀疏表示系数,并根据具有最小重构误差的原则获得最佳的局部分块。在获取最佳分块的基础上,方位角计算方法采用线性加权的方式综合了该分块区间内所有训练样本的方位角信息从而获得更为稳健的估计结果。所提出的方法在充分考察SAR图像方位角敏感性的基础上,综合运用局部区间内样本的有效信息,避免了基于单一样本估计的不确定性。为了验证所提出方法的有效性,基于Moving and stationary target acquisition and recognition (MSTAR)数据集进行了方位角估计实验并与几类经典方法进行对比分析。实验结果验证了所提出方法的性能优势。 相似文献
5.
6.
7.
合成孔径雷达(Synthetic Aperture Radar,SAR)在对地面目标进行观测时,可以在多个不同的方位角获取到目标的SAR图像,但这些图像中目标的形态各不相同。考虑到SAR图像对观测方位角极其敏感和SAR图像数据规模小这两个因素,本文设计了一个利用多方位角SAR图像进行目标识别的卷积神经网络(Convolutional Neural Network,CNN),同一目标的3幅SAR图像被当作一幅伪彩色图像输入到网络中,充分利用了SAR图像数据的获取特点,同时用池化层替代了展平操作,降低了网络参数数量。实验结果表明,即便在小规模SAR数据集上,该卷积网络具有识别精度高的特点,对同类别不同型号的目标也具有出色的识别表现。 相似文献
8.
基于Hough变换与目标主轴提取的SAR图像目标方位角估计方法 总被引:1,自引:0,他引:1
该文提出了一种基于Hough变换与目标主轴提取的SAR图像目标方位角估计方法。针对传统基于Hough变换估计方法的不足,在估计过程中引入目标的主轴信息指导方位角的估计。利用基于马尔可夫随机场(MRF)的图像分割提取准确的目标成像轮廓。在此基础上,基于Hough变换检测目标轮廓的直边,基于轮廓特征点检测获得目标主轴的大致方向,结合Hough变换检测结果与目标主轴信息获得最终的方位角估计。实验结果验证了该文方法的有效性。 相似文献
9.
基于稀疏先验的SAR图像目标方位角稳健估计方法 总被引:2,自引:0,他引:2
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. 相似文献
10.
11.
12.
13.
针对合成孔径雷达(Synthetic Aperture Radar, SAR)图像目标识别问题,提出了一种基于集成卷积神经网络(Convolutional Neural Network, CNN)的SAR图像目标识别方法。首先对原始数据集进行数据增强的预处理操作,以扩充训练样本;接着通过重采样的方法从训练样本中获取不同的训练子集,并在训练各基分类器时引入Dropout和Padding操作,有效增强了网络泛化能力;然后采用Adadelta算法与Nesterov动量法结合的思想来优化网络,提高了网络的收敛速度和识别精度;最后采用相对多数投票法对基分类器的分类结果进行集成。在MSTAR数据集上进行的实验结果表明,集成后的模型识别准确率达到99.30%,识别性能优于单个卷积神经网络,具有较强的泛化能力和较好的稳健性。 相似文献
14.
15.
16.
传统的SAR目标检测算法容易受到复杂背景的干扰,因此利用被广泛应用于图像目标检测和识别领域的Faster-RCNN方法,对复杂背景下的SAR图像进行车辆目标检测实验。在对样本数据进行预处理后对车辆真实位置进行标记,采用可视化的深度学习客户端对样本进行裁剪和旋转,扩充样本数据库。利用已充分训练的模型权重对ZF和VGG-16网络进行预训练,再利用扩充的数据集进行训练和验证,并使用包含MiniSAR数据的测试集进行测试。实验证明,ZF网络和VGG-16的检测效果类似,但是ZF网络因为网络层数更少因而检测耗时更短。 相似文献
17.
18.
近年来,卷积神经网络(Convolutional Neural Network,CNN)在合成孔径雷达(Synthetic Aperture Radar,SAR)图像目标分类中取得了较好的分类结果。CNN结构中,前面若干层由交替的卷积层、池化层堆叠而成,后面若干层为全连接层。全卷积神经网络(All Convolutional Neural Network, A-CNN)是对CNN结构的一种改进,其中池化层和全连接层都用卷积层代替,该结构已在计算机视觉领域被应用。针对公布的MSTAR数据集,提出了基于A-CNN的SAR图像目标分类方法,并与基于CNN的SAR图像分类方法进行对比。实验结果表明,基于A-CNN的SAR图像目标分类正确率要高于基于CNN的分类正确率。 相似文献