胡利平[1]2009年在《合成孔径雷达图像目标识别技术研究》文中进行了进一步梳理基于合成孔径雷达(Synthetic Aperture Radar,SAR)的自动目标识别(Automatic Target Recognition,ATR)技术在现代战场中的重要作用已经使得它成为了国内外研究的热点之一。近十几年来,SAR图像的目标识别研究在SAR图像的预处理、特征提取及识别等方面均取得了相当大的进展。本论文主要围绕教育部留学回国人员基金“基于SAR图像的雷达自动目标检测与识别技术”、“十五”国防预研项目“目标识别技术”和“十一五”国防预研项目“基于目标成像的识别技术”的研究任务,针对合成孔径雷达图像的目标识别,从SAR图像滤波、SAR图像分割以及SAR图像的特征提取与识别等方面展开了较为深入的研究。本论文的主要内容概括如下:1、针对SAR图像的相干斑特点,对比了几种常用的SAR图像滤波方法,分析了它们的优缺点,并给出了不同分辨率的SAR图像的滤波结果。2、针对相关文献中存在的问题:①没有考虑阴影,而阴影信息对识别是很有用的;②没有将目标及其阴影从杂波背景中提取出来,由于背景杂波具有多样性,不同的背景杂波特性会影响识别性能;③对于一个特定的识别问题,采用某一种分类算法或者某一种特征未必能获得很好的识别性能,基于多特征或多分类算法的分类器融合是必需的,我们提出一种基于多分类器融合的SAR图像目标识别方法,首先给出有效的SAR图像预处理方法,将目标及其阴影从杂波背景中提取出来,抑制了背景杂波对后续识别的影响,然后基于极化映射提取目标的强度分布特征、目标和阴影的形状特征等,最后基于平均准则融合多个分类器。3、主分量分析(Principal Component Analysis,PCA)是模式识别领域中一种经典的特征提取方法。然而,当PCA用于图像的特征提取时,要将2维图像矩阵(m×n)转换成1维向量(m ? n),这会带来两个方面的问题:①损失图像的2维空间结构信息;②特征提取要在高维向量空间中进行,但在高维空间中很难准确估计协方差矩阵,且维数很大(( m ? n )×( m ? n)),对其进行特征分解会大大增加计算负担。为了解决上述问题,二维主分量分析(Two-dimensional PCA,2DPCA)应运而出,它直接采用2维图像矩阵估计训练样本的协方差矩阵,估计得到的协方差矩阵更准确有效且维数仅为n×n或m×m,对其特征分解的效率也更高。但是,2DPCA仅去除了图像各行或各列像素间的冗余信息,因此得到的特征矩阵维数较大。本章首先根据投影形式的不同将2DPCA分为两种:右投影形式的2DPCA(Right 2DPCA,R-2DPCA)和左投影形式的2DPCA(Left 2DPCA,L-2DPCA)。为了降低特征维数、改善识别性能,给出相应的改进2DPCA方法。4、线性判决分析(Linear Discriminant Analysis,LDA)也是模式识别领域中一种有效的特征提取方法。与PCA类似,LDA在用于图像特征提取时,也需要将2维图像矩阵转化为1维图像向量,这会带来“维数灾难”和“奇异”等问题。为此,近年来提出二维线性判决分析(Two-dimensional LDA,2DLDA),它直接基于2维图像矩阵来构建散布矩阵。本章中根据投影形式的不同首先将2DLDA分为两种形式:右投影的二维线性判决分析(Right 2DLDA,R-2DLDA)和左投影的二维线性判决分析(Left 2DLDA,L-2DLDA)。然后针对它们特征维数过大的缺陷,提出叁种改进算法:两级R-2DLDA(Two-stage R-2DLDA)、两级L-2DLDA(Two-stage L-2DLDA)和两向2DLDA(Two-directional 2DLDA)。5、LDA是一种被广泛应用的线性降维算法,但它要求各个类别的数据要满足单模分布结构,且在用于图像特征提取时通常会出现类内散布矩阵奇异的问题,还有LDA得到的特征维数仅为c? 1(c为类别数)。为了缓解上述局限性,近来提出了子类判别分析(Clustering-based Discriminant Analysis,CDA),它假设数据服从多模分布。然而,由于该方法采用的子类划分方法是k均值聚类算法,因而不能保证最终的识别结果是稳定的、最优的、且依赖聚类初始中心的选择。为此,我们给出一种改进的子类判决分析(Improved CDA,ICDA)方法,它首先采用快速全局k-均值聚类算法找到每类目标最优的子类划分,然后基于这些子类划分采用CDA准则找到最优的投影矢量,因此最终的识别性能不依赖聚类时初始聚类中心的选择,且能保证达到全局最优。6、针对SAR图像数据的多模分布特性,提出了以下几种图像特征提取方法:(1)提出二维子类判决分析(Two-dimensional CDA,2DCDA)及其改进的算法。它们直接基于2维图像矩阵构造子类类间和子类类内散布矩阵,可克服CDA的维数灾难、奇异等问题。本章先后给出2DCDA的两种投影形式:右投影形式的2DCDA(Right 2DCDA,R-2DCDA)和左投影形式的2DCDA(Left 2DCDA,L-2DCDA)。针对它们求得的特征矩阵维数过大的问题,相应地提出几种改进的2DCDA算法。(2)提出二维最大子类散度差鉴别分析及其改进算法。由于在2DCDA中,需要计算子类类内散布矩阵的逆矩阵,而在小样本问题中逆矩阵通常是不存在的。为了避免计算逆矩阵或逆矩阵不存在的问题,我们给出一种新的图像特征提取方法:二维最大子类散度差鉴别分析(Two-dimensional Maximum Clustering-based Scatter Difference,2DMCSD)。由于2DMCSD只沿行方向压缩图像,类似地,给出其另一种形式(称之为Alternative 2DMCSD),它只沿列方向压缩图像。为了克服2DMCSD和Alternative 2DMCSD的特征维数过大的问题,又提出两向二维最大子类散度差鉴别分析(Two-directional 2DMCSD ,(2D)2MCSD)。(3)提出对角子类判决分析算法。上述的2DPCA、2DFLD和2DCDA仅保留了图像行(或列)方向的相关性变化,而忽略了图像列(或行)方向的相关性变化。为了同时保留图像行和列像素间的相关性变化,提出对角子类判决分析(Diagonal CDA,DiaCDA)。它基于对角图像寻找最优的投影方向,且考虑了每类数据中存在多个子类的情况。为了缓解DiaCDA的特征维数过大的问题,将DiaCDA和2DCDA结合起来,提出DiaCDA+2DCDA的特征提取方法。
王涛[2]2010年在《基于流形学习的SAR自动目标识别方法研究》文中进行了进一步梳理合成孔径雷达(Synthetic Aperture Radar, SAR)具有全天候、远距离、极强的穿透力的优点,并能在恶劣的环境下提供地形地物的高分辨率图像,从而为我们提供了一种更可靠的目标识别手段。SAR自动目标识别在战场感知方面具有非常重要的作用,已成为国内外研究的热门课题。流形学习是近年来发展起来的一种新型机器学习理论,其旨在发现高维数据集分布的内在规律性,它有助于发掘SAR图像数据集的本质信息,提高SAR自动目标识别系统的识别性能。本文从SAR图像预处理、特征提取及识别方面展开研究,主要研究内容如下:1.针对SAR图像预处理算法的细节信息保持与提高图像可鉴别性要求,研究了综合基于weibull分布双参数CFAR图像分割—几何聚类—二值掩膜的图像分割和图像后处理的复合预处理算法,其能够有效保持目标的边缘、纹理等细节信息,并能有效提高目标图像的可鉴别性。2.针对传统的基于全局线性结构的特征提取算法不能有效克服高维SAR数据集的非线性影响的问题,提出了广义邻域鉴别嵌入(GNDE)的流形学习特征提取算法,包括向量空间上的广义邻域鉴别嵌入(GNDEV)和张量空间上的广义邻域鉴别嵌入(GNDET),该算法能够有效解决非线性问题,提高所提取特征的可鉴别性以及对数据集变化的鲁棒性,从而提高了识别率。3.针对单一特征对识别率提高的有限性问题,探索了基于二维主分量分析(2DPCA)和GNDET的特征融合的特征提取算法,该算法能对图像特征进行有效融合,并能在大幅度压缩特征维数的同时提高识别率。4.针对传统流形学习特征提取算法的邻域测度运量大的问题,提出了定标鉴别嵌入的流形学习特征提取算法,包括向量空间上的定标鉴别嵌入(SDEV)和张量空间上的定标鉴别嵌入(SDET),该算法能够较低的运算代价下提高识别率,并有效解决非线性问题。
冯颖[3]2017年在《基于深度学习的SAR特征提取与目标识别研究》文中指出SAR图像的应用需求与日俱增,SAR图像目标识别技术也在发展。由于硬件性能提升和有效训练算法的提出,近年深度学习重获关注,并在图像识别领域取得成功。本文应用深度学习的理论和方法,结合SAR图像的特点,研究了基于深度学习的SAR特征提取与目标识别方法。主要研究内容如下:根据SAR图像的特性指出了SAR图像目标识别中的难点。SAR图像目标具有多变不确定的特点,传统识别方法需要大量的专业知识,需要对图像预处理,不能自动提取有效的特征。深度学习具有盲学习和无监督学习的能力,本文使用深度学习解决该问题,将普通神经网络、深度置信网络和卷积神经网络叁种深度结构分别用于叁类和十类的SAR目标识别。通过对比发现在带标签样本足够的情况下,深度置信网络的预训练对普通神经网络提升不大,二者的识别性能几乎相同。深度学习对参数和结构十分敏感,实验发现卷积神经网络在不同激活函数下对SAR目标识别结果差异巨大,其中ReLu函数最适合作为卷积神经网络的激活函数。接下来分析了卷积神经网络中间结构对SAR目标识别的影响。池化层分别选择mean-pooling和max-pooling,对比识别结果,并利用池化后的特征重构图像,对比与原图像的相似度,结果表明mean-pooling更适合作为SAR目标识别时的池化层特征选择方法。改变卷积核大小发现最适合的卷积核大小和目标图像尺寸是相关的。本文还考虑了SAR图像目标在有遮挡情况下的识别问题。卷积神经网络在目标区域50%遮挡率的情况下识别率有所下降。Dropout方法的思想在于每次训练时随机丢弃部分神经元,这样训练出来的模型具备了只使用部分信息进行推断预测的能力。实验结果证明了在SAR目标遮挡的情况下使用了Dropout的神经网络识别率有所提高。叁种深度模型的对比显示卷积神经网络对SAR目标特征提取的可分性好于其他二者,对叁类和十类目标的识别率分别达到了99.8%和96.3%,明显高于前两种模型。对卷积神经网络提取的特征可视化,发现卷积神经网络在特征提取上能很好地抓住SAR图像的局部相关性,保持图像的空间结构。
徐静[4]2013年在《基于压缩感知的SAR图像目标识别方法研究》文中提出合成孔径雷达(SyntheticAperture Radar，SAR)是一种主动式微波传感器，能够在复杂环境中获取地物的二维高分辨率图像，是对地观测和军事侦察的重要手段之一。SAR图像自动目标识别（Automatic Target Recognition，ATR）技术作为军事战场中情报信息的主要来源，成为国内外学者的研究热点。压缩感知（Compressed Sensing，CS）理论作为一种新颖的信号处理理论，在模式识别领域已取得一定的研究成果并展现出广阔的应用前景。本文基于SAR图像自动目标识别的特点和压缩感知理论，将压缩感知应用到SAR图像目标识别中，主要研究工作如下：1、研究了信号稀疏表示的常用方法：固定正交基、联合正交基和超完备字典。研究了各类稀疏变换基的发展以及自身的优缺点，分析比较图像在傅里叶变换、离散余弦变换以及离散小波变换后的稀疏性和图像重建效果，总结出信号稀疏表示的重要性。2、研究了基于平移不变Shearlet变换的SAR图像目标识别。首先分析了SAR图像经平移不变Shearlet变换后的低频和高频特征，提出使用低频子带和某方向高频子带加权融合，将融合后的信息作为目标的特征信息应用于识别，其中高频子带通过测度函数获取。同时对变换后的系数进行阈值处理，能够有效降低SAR图像中的相干斑噪声。基于MSTAR数据库的仿真结果表明：采用低频和高频子带融合的方式进行目标识别，取得良好的识别率水平，证明了本文方法的合理有效性。3、提出一种基于梯度下降的测量矩阵优化混合方法。首先建立测量矩阵的优化模型，基于混沌运动的随机性和遍历性等特点在梯度下降法的步长变化中引入混沌因子，实现步长的自适应变化；同时利用动量修正项，改善算法的稳定性。仿真结果表明，该方法有效降低测量矩阵与稀疏变换基的互相关性，改善了测量矩阵的性能。在此基础上，设计了一种直接利用测量矩阵进行特征提取的目标分类算法，完成了SAR图像目标识别。基于MSTAR数据的仿真实验表明：该方法提高了叁类含变体目标的识别率，是一种有效的SAR目标识别方法。4、提出一种改进的基于变步长梯度下降的测量矩阵优化方法。利用变步长梯度下降法迭代求解测量矩阵，然后将模拟退火中的降温系数引入到学习速率中，实现步长的自适应变化。与已有方法对比，该方法收敛速度快，有效降低测量矩阵与稀疏变换基的互相关性，提高图像的重建性能。利用优化后的测量矩阵进行特征提取得到的SAR图像目标识别精度提高，证实了方法的优越性和高效性。
罗峰[5]2005年在《合成孔径雷达图像自动目标识别方法研究》文中研究表明合成孔径雷达(SAR)能够提供全天候条件下高分辨率的详细的地面测绘资料和图像,这种能力对于现代侦察任务是至关重要的。由于这些优点,使得SAR广泛的应用于地质勘探,地面监测,军事侦察等领域。也使SAR图像的处理和研究成为当前信号处理领域的一个热点。 本文主要研究了SAR图像的自动目标识别。在SAR图像目标识别领域里,主要有模板匹配、模式识别以及近年来发展的基于模型的目标识别技术。模板匹配使用样本数据作为模板,计算相关系数得到识别结果;后两种技术通过对样本进行特征提取并建立特征库,以此特征来匹配待搜索图像以达到识别目的。模板匹配要求待匹配图像像素之间有对应关系,在边缘模糊的SAR图像中,容易造成误匹配。我们提出了栅格矢量法,克服了边缘模糊导致的匹配困难。 文章分析和讨论了几种常见的特征提取方法,基于纹理特征的灰度共生矩阵,基于形状的不变矩特征,但其应用于SAR图像效果不理想。我们提出了基于目标边缘的Hausdorff距离图像作为目标特征量,这一特征可以克服平移,旋转,小的放缩变换,是一种合适的SAR图像特征。 本文建立了一种有效的自动目标识别系统,系统为检测器,鉴别器,分类的叁级结构。检测器使用了双参数CFAR算法,粗选出兴趣区域(ROI),结合SAR图像特点,提出使用阈值分割的方法选取潜在目标区域,使用滤波法去除
刘凯品[6]2017年在《基于深度卷积神经网络和无监督K均值特征的SAR图像目标识别方法研究》文中进行了进一步梳理图像识别是模式识别领域的典型应用,它通过计算机算法对图像进行处理、分析和理解,以识别图像中各种不同模式的对象。合成孔径雷达(Synthetic Aperture Radar,SAR)图像在当今科技的快速发展且日新月异的情况下,在各个领域尤其是军事领域发挥越来越多的作用,越来越多的学者将研究重心集中在SAR图像目标识别。而其中的自动目标识别(Automatic Target Recognition,ATR)技术是SAR图像识别系统的核心技术,由于ATR在对图像特征的学习以及提取过程所发挥的作用,使其成为国内外学者的研究热点。ATR主要借助于SAR图像数据,依靠计算机算法对图像目标区域进行定位,并从中提取出包含大量目标信息的图像特征,并对特征信息进行识别。近年来,很多SAR图像目标识别算法被提出,类似于其他图像识别算法的叁个过程:图像预处理、图像目标特征提取和图像目标识别,本文同样从该叁个方面出发,主要做了以下工作:(1)对于图像预处理,SAR图像中有大量的背景噪声以及图像目标占SAR图像比例较小,本文首先采用质心定位法寻找SAR图像感兴趣区域(Region of Interest,ROI),通过对原始图像感兴趣区域的提取以达到去除SAR图像背景噪声的效果。在本文的实验中,SAR原始图像中提取的ROI图像大小分别为49×49和64×64,实验结果表明ROI图像可以很好地去除SAR图像背景噪声;其次,在机器学习尤其是无监督学习和深度学习中,算法对训练数据的数据量有较高要求,同时SAR图像往往局限于图像数据量,因此,本文结合SAR图像成像时对目标方位角敏感的特点,提出了两种基于SAR图像的数据增强的方法,通过旋转图像中目标物体的方位角,以及在原始图像上增加随机整数值来得到更多图像数据,实验结果表明所提方法具有有效性。(2)深度学习(Deep Learning,DL)是机器学习中一大热门,在许多领域如图像识别、语音识别、自然语言处理等领域取得了突破。卷积神经网络(convolutional neural networks,CNN)是深度学习算法的一种,本文结合CNN原理,训练了一个深度CNN网络模型SARnet,SARnet包含两个卷积层,卷积核大小为7×7、两个池化层、两个全连接层;结合数据增强方法对训练集扩充为原始数据库的22倍之后,对网络进行训练,并用训练得到的网络模型对MSTAR数据库测试集进行特征提取,用SVM对提取出的特征进行分类,最终识别率达到了95.68%,该识别率高于其他CNN模型。(3)近来在机器学习中,研究学者已经将目光集中在从一些没有标签的数据中学习特征,本文针对SAR图像特征提取,先采用感兴趣区域提取使输入图像大小为64×64;然后采用无监督K均值特征学习算法,结合数据增强后的训练数据库,学习到一些有用的表示。通过分块自编码和优化接受域参数进行SAR图像特征学习可以使模型学习到多样性的特征,并通过实验证明,结合K-means的无监督特征学习得到的特征可以使SAR图像识别率达到96.67%的主流识别率。
张泽兵[7]2013年在《知识辅助的SAR目标索引及特征提取技术研究》文中指出基于SAR图像的自动目标识别(Automatic Target Recognition,ATR)是SAR应用领域一个极为重要的课题。目前SAR ATR面临的主要挑战是目标及目标所处环境复杂多变,仅依靠有限的目标SAR图像进行目标识别存在信息量的不足,需要引入其他外部知识和辅助信息。论文以此为切入点展开相关研究。论文首先梳理了SAR ATR的现状以及面临的主要问题,指出知识辅助的SAR ATR是克服SAR ATR困境的一条可行思路,并提出了相应的系统处理流程。知识辅助的SAR ATR引入目标、环境、传感器以及领域专家等多方面的知识,采用层次化、自适应的信息处理流程。目标索引是其中的关键环节,它的作用是在高维假设空间中确定需要重点关注的区域,为后续精细化处理提供初始假设。论文从知识辅助和扩展工作条件处理的角度对SAR目标索引及其特征提取展开研究。第二章研究知识辅助的SAR目标分割。对地面目标SAR图像,阴影也是感兴趣的区域。现有的分割方法主要考虑目标与背景在图像灰度上的差异以及像素级的局部区域连通性,普遍存在较多的目标和阴影的缺失。论文引入目标和阴影相连通的空间关系约束先验,并利用空间关系势能函数(Spatial Relation Potential Function,SRPF)进行定量描述,在Markov Random Field(MRF)分割的基础上提出SRPF-MRF分割方法,以得到更加完整的目标和阴影。而且,该方法在MRF分割的基础上仅对每个像素施加额外的先验概率,算法的计算量几乎没有增加,能够较好地满足目标索引对效率的需求。第叁章从目标索引的角度对SAR图像散射中心特征提取展开分析和研究。首先分析指出属性散射中心、复图像域高分辨点散射中心提取难以满足目标索引对时效性、稳健性、自动化等方面的需求。峰值提取方法能够满足这些需求,但峰值提取由于未能考虑展布式散射中心而存在散射中心“漏检”,影响散射中心特征的目标区分能力。分析推导了属性散射中心在实图像域的表现及其与理想点散射中心的近似等价关系,构建了一种新的散射中心模型知识。据此提出一种基于CLEAN策略的SAR实图像域散射中心提取。该方法能较好地解决峰值提取存在的散射中心漏检,而且由于基于CLEAN策略,算法稳健、自动化程度高,增加的计算量不大,能够满足目标索引的需求。第四章针对地面车辆目标,从车辆目标的简化草图模型—长方体模型入手,分析指出其在SAR图像中具有矩形轮廓。矩形轮廓本身构成了一种模型知识,可以为车辆目标的部件、子结构(如坦克炮管)的描述提供很好的上下文,有利于扩展工作条件下的目标索引。矩形轮廓提取的难点主要在于目标分割存在的虚假目标、缺失以及可能的附加结构,如坦克炮管。为了克服这些难点,论文引入阴影边界、目标长宽比等约束知识,提出了一种启发式的车辆目标SAR图像矩形轮廓提取方法。MSTAR数据实验结果说明了该方法的有效性。第五章研究了基于特征子结构的目标粗分类(即索引)。首先讨论了特征子结构的内涵、特征子结构的描述、提取和预测及其在SAR目标索引中的应用。从知识辅助的角度,特征子结构综合了目标模型、观测实例、传感器知识、专家知识等。在矩形轮廓的上下文约束下,根据炮管特征子结构在SAR图像中的特点,分别从分割结果和散射中心特征检测和提取炮管,并将之用于基于显着特征子结构检测的目标索引。提取稳定散射中心作为特征子结构,考虑矩形轮廓的上下文约束,通过稳定散射中心匹配进行SAR目标索引。最后MSTAR数据实验说明了特征子结构用于SAR目标索引的有效性。论文最后(第六章)总结了论文的研究工作和成果,并对后续的研究工作进行了展望。
韩文婷[8]2014年在《SAR图像自动目标识别研究》文中提出合成孔径雷达自动目标识别(Synthetic Aperture Radar Automatic TargetRecognition, SAR ATR)是国防和民用领域中的具有挑战性的一个问题。近几十年来，SAR自动目标识别技术在预处理、特征提取及识别方面的研究已经取得了很大进展。SAR自动目标识别问题中会涉及到机器学习和模式识别领域的许多技术。随着SAR图像数据采集能力的不断增长，对这些图像进行准确、快速的理解和识别越来越引起人们的关注和重视。针对合成孔径雷达的自动目标识别问题，本文从SAR图像分割、特征提取与识别方面展开了深入的研究。本论文的主要工作如下：1.针对SAR图像的预处理问题，分析和讨论了几种常用的滤波和分割方法，提出一种阈值化技术与形态学方法相结合的SAR图像分割方法，可以更好地保持目标和阴影的细节部分，为后续的识别打下基础。2.提出一种基于SAR目标和阴影特征融合的目标识别方法，该方法充分利用了SAR图像目标和阴影的结构信息；首先根据前面提出的SAR图像分割方法，将目标和阴影从杂波背景中分割出来，抑制背景杂波对后续识别的影响，然后分别提取目标和阴影的特征进行串行融合，最后结合最近邻分类器得到识别结果。给出实验结果，可以看出本方法具有良好的识别性能。3.针对现有SAR图像目标识别存在的问题，提出一种快速的SAR图像目标识别方法，该方法引入压缩感知的思想，采用随机感知矩阵对多尺度图像特征进行降维，然后在降维后的特征集上利用邻分类器进行分类识别。实验结果表明，该方法可以有效地降低特征维数，减少运行时间。
刘明[9]2015年在《基于流形学习与稀疏描述的SAR目标识别算法研究》文中研究表明合成孔径雷达(SAR)由于其具有全天时、全天候的工作能力,已被广泛的应用于民用和军事领域。SAR自动目标识别(ATR)技术致力于从复杂的地物场景中有效的检测到目标,并对检测到的目标进行识别。具体的说,ATR的过程就是在雷达对目标进行检测和定位的基础上,根据目标和背景的雷达回波信号,提取出目标的特征,最终实现感兴趣目标的属性、类别或型号的判定。SAR ATR技术的研究对于提高军队的指挥自动化水平、战场感知能力、攻防能力、国土防空反导能力及战略预警能力等军事应用领域具有十分重要的作用,是目前国内外学者研究的热点。本论文以实测的MSTAR数据为基础,在SAR图像统计模型的基础上,结合流形学习、稀疏描述等理论对基于模型的SAR自动目标识别方法中的关键步骤——特征提取进行了较为深入的研究,提出了一些新的思想和方法,取得了良好的效果,在第二章和第叁章中提出了基于流形学习理论的SAR目标识别算法,在第四章到第六章中提出了基于稀疏描述理论的SAR目标识别算法。主要工作内容及研究成果如下:第一部分考虑到流形学习算法能在更符合数据实际分布的流形空间中进行特征提取,能更好的捕获数据的局部流形结构,提出了一种基于局部保持特性和混合高斯分布相结合的SAR图像特征提取算法,以实现SAR目标识别。该算法从统计的角度进行特征提取,采用混合高斯分布建模SAR图像中斑点噪声和模型误差的统计分布,将局部保持特性和混合高斯分布相结合以保持数据的局部结构。实验结果表明该方法优于基于局部保持投影的识别算法。第二部分为了更好的捕获SAR图像的局部结构,提出了一种基于局部保持特性和Gamma分布相结合的特征提取算法,以实现SAR目标识别。该算法采用乘积模型建模SAR图像,将斑点噪声建模为Gamma分布以更好的描述SAR图像的本质特征。为保持数据的局部结构,将能够较好保持数据局部结构的局部保持特性和Gamma分布相结合。此外,该部分还对局部保持特性中的相似度矩阵进行了修正,以实现数据局部特征和全局特征的联合提取。实验结果验证了该算法提取的特征更加准确、全面,识别率高于基于局部保持特性和混合高斯分布相结合的识别算法。第叁部分针对SAR图像所特有的对目标方位角变化敏感的特性,提出了一种基于Dempster-Shafer证据理论融合目标细节特征和样本全局统计特性的目标识别算法。详细的分析了多稀疏描述(MSR)在目标细节特征提取上的优势。根据多稀疏描述和样本统计特性分别构建2个基本概率分配函数以捕获目标的细节信息和全局特征,采用Dempster-Shafer证据理论进行特征级融合,将样本的细节特征和全局特征融合起来,实现样本特征的全面提取以提高识别率。实验结果验证了该算法进行SAR目标识别的有效性。第四部分为了更好的捕获SAR图像的全局信息,提出了一种基于贝叶斯融合的稀疏描述算法实现SAR目标识别。该算法采用贝叶斯融合将更为精确的SAR图像描述和稀疏性相结合。考虑SAR图像中存在的非高斯的斑点噪声和模型误差,采用混合高斯分布建模似然函数来拟合噪声分量的统计特性,以得到SAR图像更为精确的全局信息。采用拉普拉斯分布建模先验函数来保持稀疏性。通过贝叶斯融合将似然函数和先验函数相结合,融合结果能够实现对SAR图像更精确的稀疏描述,可以更好的实现SAR目标识别。实验结果验证了该算法的识别效果优于现有的基于稀疏描述的识别算法。在第五部分中,考虑到基于稀疏描述的识别算法是在稀疏重构空间中进行识别的,提出了一种新的维数约简算法,利用该算法对样本进行降维时,可以保证在高维空间距离近的样本,对其降维后的数据进行稀疏描述时,在稀疏重构空间中对应的重构数据之间的距离仍然近。实验结果表明该维数约简算法能明显提高基于稀疏描述的SAR目标识别的正确率。
唐涛[10]2016年在《合成孔径雷达图像局部特征提取与应用研究》文中提出SAR图像特征提取是SAR图像信息提取与解译的基础工作,良好的特征能够完备地表征图像或者目标的核心信息,有利于后续的识别分类工作的开展,因而受到了国内外研究人员的关注,成为SAR图像解译的理论研究热点之一。在SAR图像解译的实际应用中,图像和目标的全局特征提取通常是非鲁棒的,存在一定随机变化和模糊。SAR图像局部特征提取研究是解决上述问题的一种思路,是对特征提取技术的进一步发展,也是SAR图像计算机解译技术的重要信息支撑。而目前SAR图像局部特征提取普遍沿用光学图像处理的方法,存在一定的不相适应的情况,因此根据SAR图像成像特性与噪声特性来研究其局部特征提取算法很有必要。通过研究与完善SAR图像局部特征理论与提取算法,克服两个不足:(1)传统的全局特征提取方法鲁棒性差;(2)光学图像局部特征提取方法对于SAR图像的适应性差,从而提高基于局部特征的SAR图像匹配与目标检测识别的精度与效率。本文围绕SAR图像局部特征提取的这一主线,从SAR图像目标的显着性特征、目标的散射中心点集特征和SAR图像局部不变特征叁个方向入手,采用理论分析和实验验证相结合的研究方法,深入研究探讨:(1)SAR图像目标显着性区域、显着性特征提取与应用;(2)目标散射中心点集特征序贯匹配识别SAR图像车辆目标;(3)SAR图像局部不变特征提取新方法与应用。作为整个论文的理论基础,第二章主要论述了图像局部不变特征理论及典型的方法,SAR图像的成像概述、噪声特性和几种基本特征,针对本文研究重点,对SAR图像局部不变特征的研究基础、发展现状和主要方法做了阐述和总结。第叁章在SAR图像噪声特性分析基础上,结合视觉显着性理论,根据SAR图像局部复杂度和自差异测度设计了一种SAR图像的显着性区域检测方法,与经典的视觉显着性算法进行显着性区域检测实验对比,以及与经典的CFAR方法进行SAR图像目标检测实验对比,均取得了良好的实验结果,表明该方法胜任在SAR图像上提取显着性区域,检测高价值地物目标,具有很好的应用性。第四章结合模式识别理论中的点模式匹配方法和SAR图像属性散射中心模型理论,提出了一种基于目标散射中心点集特征的序贯匹配方法。首先基于属性散射中心模型提取SAR图像域目标散射中心的特征,使用该散射中心点集位置分量和表征散射中心几何结构信息的属性散射中心特征频率影响因子作为匹配特征,依次序贯匹配,实现车辆目标的对比识别。实验结果与国外同类方法相比,准确性和识别率都显示出优势。第五章提出了一种SAR图像局部特征提取新方法。首先分析了SAR图像的像素梯度信息提取方法和常见的梯度算子,例如ROA算子、ROEWA算子和GR算子。然后介绍了Harris算子、Lo G算子及其适应SAR图像特性的改进—多尺度Harris算子。接下来介绍了图像局部二值模式特征和旋转不变局部二值模式特征,多尺度局部梯度比率直方图特征MLGRPH,并且实验验证了该特征在SAR图像上的旋转不变性能。在上述研究基础上,提出了基于MLGRPH特征的SAR图像局部不变特征提取新方法。实验验证环节,采用不同时相、不同波段、不同极化方式和不同视角成像的多组SAR数据对经典SIFT方法、SIFT-OCT方法和该新方法开展了实验分析与对比,结果表明该方法在性能上优于SIFT方法、SIFT-OCT方法,还可以进一步性能提升的潜力。第六章对本文的工作总结归纳,并对SAR图像局部特征提取方法的下一步研究工作进行了展望。
参考文献：
[1]. 合成孔径雷达图像目标识别技术研究[D]. 胡利平. 西安电子科技大学. 2009
[2]. 基于流形学习的SAR自动目标识别方法研究[D]. 王涛. 电子科技大学. 2010
[3]. 基于深度学习的SAR特征提取与目标识别研究[D]. 冯颖. 电子科技大学. 2017
[4]. 基于压缩感知的SAR图像目标识别方法研究[D]. 徐静. 南京航空航天大学. 2013
[5]. 合成孔径雷达图像自动目标识别方法研究[D]. 罗峰. 四川大学. 2005
[6]. 基于深度卷积神经网络和无监督K均值特征的SAR图像目标识别方法研究[D]. 刘凯品. 五邑大学. 2017
[7]. 知识辅助的SAR目标索引及特征提取技术研究[D]. 张泽兵. 国防科学技术大学. 2013
[8]. SAR图像自动目标识别研究[D]. 韩文婷. 西安电子科技大学. 2014
[9]. 基于流形学习与稀疏描述的SAR目标识别算法研究[D]. 刘明. 西安电子科技大学. 2015
[10]. 合成孔径雷达图像局部特征提取与应用研究[D]. 唐涛. 国防科学技术大学. 2016
标签：武器工业与军事技术论文; 电信技术论文; sar论文; 特征提取论文; 图像融合论文; 稀疏编码论文; 矩阵变换论文; 索引图像论文; 稀疏表示论文; 数据融合论文; 矩阵分解论文; 合成孔径雷达论文; 算法论文; atr论文; sar雷达论文;