融合目标轮廓和阴影轮廓的SAR图像目标识别

针对合成孔径雷达图像目标识别问题,在基于图像成像模型分析基础上,提出了一种融合SAR目标轮廓和阴影轮廓的目标识别算法.首先提出了一种基于去控制标记符的SAR图像分割算法,得到SAR图像目标轮廓和阴影轮廓,然后用这2种轮廓融合,用傅立叶描述子将二维数据转为一维数据,最后用基于串接准则的融合算法得到识别结果,进行SAR目标识别.基于MSTAR的实验结果验证了本算法的有效性.实验结果证明:目标轮廓和阴影轮廓的结合,除反映本身包含的局部空间结构信息外,还能反映SAR目标的高度信息,较单一轮廓特征,是一种更为稳健的特征.     

高分辨率SAR卫星图像舰船目标识别可用性分析

SAR卫星图像的分辨率直接影响着舰船目标识别结果.采用高分辨率SAR遥感图像,选取了两个较为直观的几何特征即长度和轮廓形状,对当前SAR图像舰船目标识别的能力进行了分析;给出了不同分辨率下的SAR图像的目标几何结构量算能力比对结果,为高分辨率SAR图像的舰船目标类型、识别算法研究提供相应支持.     

基于多尺寸特征叠加的SAR舰船目标检测方法

针对SAR图像中舰船目标的检测问题,单纯基于深度学习的图像处理技术难以达到检测准确性和实时性要求.SAR图像中目标尺寸较小,且易受噪声、光斑干扰,传统方法难以提取精细特征并克服复杂条件下的背景干扰.针对以上问题,设计基于YOLOv3检测框架的端到端检测模型,借鉴了残差模块结构来避免网络退化问题.同时结合深层与浅层的不同尺寸特征图检测,使用目标基础特征提取网络参数来避免重复训练初始化过程.针对SAR图像中海上舰船成像小目标的特点改进优化了神经网络结构,实现SAR海面广域舰船目标识别分类算法,并对检测模型进行轻量化压缩处理.构建SAR图像舰船目标数据集并进行了多次目标检测识别分类实验,体现了提出的检测方法在复杂场景下有可靠的抗干扰能力和准确的目标检测识别性能.     

SAR图像目标识别特征提取与选择方法研究进展

SAR图像自动目标识别在图像情报获取、目标跟踪、战场监视和打击效能评估等方面有着广泛的应用。简要介绍了合成孔径雷达图像解译特点和SAR图像目标自动识别流程,论述了SAR图像目标识别特征提取与选择方法的研究进展,并对目前目标识别特征提取存在的问题进行了分析。     

一种有效的SAR图象典型目标特征提取和识别方法

在合成孔径雷达（SAR）图象中，需要对其中的人工和自然目标进行识别和分类，目标的特征提取是自动目标识别系统中的关键部分．一般图象的特征会采用颜色、纹理、形状等特征量．在SAR图象中，由于存在大量的背景噪声、目标边界模糊等问题，造成以上特征量在分类时往往不能达到很好的分类效果．作者提出了一种典型目标特征提取和分类识别方法、这种方法基于SAR成像的原理，在图象灰度阂值分割后做粗搜索分别提取灰度特征，椭圆矢量特征，以及栅格特征，然后进行SAR图象典型目标的分类识别、实验表明，这种方法效果较好．     

基于局部多分辨特征的SAR图像自动目标识别

合成孔径雷达(SAR)图像自动目标识别是图像识别领域的一个重要方向。受视觉细胞感受野模型的启发,该文提出了一种从图像局部点出发,对图像进行多分辨分解的图像处理方法。采用一组简单的八邻域正交基对图像进行多级滤波采样处理,得到原图像的多级类Gauss差分图像尺度空间,并将其应用到MSTAR数据集中的SAR图像目标的特征提取;同时,基于多级特征的整合思想,运用基于多尺度核方法的SVM模型,对不同级别图像特征采用不同尺度的核函数分别映射,然后进行合成,实现多类目标的分类。对MSTAR数据集的实验结果表明,该方法具有很高的正确率,并且实现简单快速。此外,该方法还可方便地应用于SAR图像场景中多类、多个目标的分割与自动目标识别,并且对相干斑噪声具有较强的鲁棒性。     

典型目标的合成孔径雷达回波生成与图像仿真

分析了典型目标的合成孔径雷达(SAR)回波与图像仿真对验证SAR成像算法的有效性、开展SAR图像解译和SAR图像自动目标识别等方面的研究具有重要作用,在现有的SAR回波信号和图像仿真方法基础上,提出了一种新的目标SAR回渡信号和图像仿真方法,该方法把目标特性分析的曲面像素法和基于二维傅立叶变换(2DFFT)的SAR回波信号仿真数学模型相结合,采用曲面像素法来计算目标的散射率,用基于2DFFT的回波生成方法来计算SAR回波,实现了典型目标的合成孔径雷达回波生成和图像仿真,并给出了相应的仿真结果,证明了该方法的有效性.     

嵌入特征预提取和注意力机制的SAR图像目标检测

合成孔径雷达(Synthetic Aperture Radar,SAR)目标识别技术广泛应用于道路、船舶等检测任务中,但合成孔径雷达图像易受散斑噪声干扰,直接将卷积神经网络(Convolutional Neural Network,CNN)应用在SAR数据集上难以高效准确地提取有效特征.针对以上问题,提出了一种嵌入特征预提取和注意力机制的SAR图像目标识别算法(Convolutional Automatic Encoder-Convolutional Neural Network-Channel and Spatial Atten-tion Mechanism,CAE-CNN-CSAM),即利用优化的Lee滤波算法降低SAR图像斑点噪声,通过编解码技术对SAR图像进行特征预提取,而后在卷积神经网络中引入注意力机制,提高算法对通道和空间特征的表达能力.在公开的Statoil/C-CORE数据集上,该算法对目标的识别准确率达到了94％,相比于目标识别准确率约为88％的CNN等基准模型具有更高的目标识别性能.     

基于Wishart分类器和图谱聚类的极化SAR图像分类

针对极化SAR的Wishart分类器存在的问题和具有的特点,本文提出一种基于Wishart分类器的图谱聚类的极化SAR图像分类方法.该方法充分考虑了极化SAR数据的统计特征和图像上的复杂几何结构特征,在采用Wishart分类器进行初始分类的基础上,运用图谱聚类进行极化SAR图像的分类.实验结果表明,与仅用Wishart分类器和图谱聚类对极化SAR数据进行分类相比,该方法具有更好的分类效果.     

基于形态学和盲源分离合成孔径雷达水体提取

采用一种新的基于独立分量分析(independentcomponent analysis,ICA)盲源分离(blind source separation,BSS)和形态学开重构(open reconstruction)的方法实现多极化合成孔径雷达(synthetic aperture radar,SAR)影像相干斑噪声抑制和水体目标快速提取.SAR影像具有强烈乘性相干斑噪声,影像数据为非高斯分布,具体分布形式未知.利用独立分量分析方法,不需要知道SAR影像的具体分布,通过对数量化将相干斑噪声转化为与图像数据相互独立的加性噪声,从多极化SAR影像中自动分离出图像数据与相干斑噪声,并自动选择相干斑指数最小的分量为图像分量.针对SAR影像水体目标的亮度及形状分布特征,进一步采用形态学开重构运算,从分离出的图像分量中提取出水体目标.利用ENVISAT ASAR多极化影像进行了实验,结果表明该方法可以快速准确地提取多极化SAR影像中的水体目标.     

基于多任务学习及Faster R-CNN的SAR目标图像识别分类

针对合成孔径雷达(SAR)目标图像识别分类中分类特征利用率低、精度差及图像特征提取时运算复杂、效率差的问题,利用非下采样剪切波变换(NSST)方向敏感性和平移不变性提取SAR目标图像的光谱纹理特征,构建基于Faster R-CNN(region-based convolutional neural network)的可同时完成目标图像识别、鉴别及分类的多任务网络模型。实验结果表明,该方法在有限的SAR图像数据支持下仍有较好的识别率,且算法优于传统的神经网络(NN)、支持向量机(SVM)及基于稀疏表示(Sc SPM)等分类方法。在MSTAR公开数据库上,平均识别率达到98.13%。     

基于鲁棒主元分析的SAR图像目标分割

合成孔径雷达(SAR)图像的目标分割,是SAR图像自动目标识别的关键预处理步骤。与一般SAR图像目标区域分割方法不同,鲁棒主元分析融合了主元分析(PCA)与压缩感知(CS)理论中稀疏矩阵的先进思路,利用多帧具有相似性的SAR图像,构建一个观测矩阵D,通过求解一个凸优化问题,重建出一个低秩矩阵A和一个稀疏矩阵E。将矩阵A和E的列向量矩阵化,即可完成SAR图像目标与背景的分离。实验结果表明,鲁棒主元分析算法避免了复杂的SAR图像背景建模,针对同一目标的多帧SAR图像,所提方法对SAR图像目标和背景的分割问题具有可行性和有效性;与经典的最优阈值分割算法相比,误分率明显降低。     

一种基于Gabor滤波器组和LBP的多特征联合SAR纹理图像分类方法

实现能够使先进飞行器根据获取的图像自动识别不同的地貌景物,是一种具有实际应用前景的技术需求.提出了联合Gabor滤波器组和局部二值模式来对SAR纹理图像进行分类的新方法SARICIT (SAR Image Classification using Inquiry Table).首先对第一套带类标的训练图像集提取两种特征,分别使用的基于非监督和监督模式相融合的混合神经网络分类器进行训练,然后使用第二套带类标的训练图像集制作二维分类信息查询表,记录两种分类器对每一幅图像的判断结果.在实际进行分类阶段,对新图像提取Gabor和LBP两种纹理特征,输入训练好的分类器.根据两种分类器给出的类型响应,结合查询表,使用一种投票的机制来确定待分类的图像的纹理属性.通过对真实SAR图像的实验结果表明,与流行的单独使用一种纹理特征进行分类相比,新方法能够对SAR图像纹理做到更准确的分类,对雷达图像更具有适用性.     

基于假设检验的SAR图像机场跑道自动识别

针对复杂条件下合成孔径雷达图像中机场目标自动检测识别问题,提出了一种基于假设检验的机场跑道自动识别算法,利用雷达图像中跑道灰度特性和结构知识,通过迭代分割和形态学滤波提取感兴趣区域,抑制具有类似灰度特性的水域对跑道线检测的影响,并结合Hough变换和线段跟踪连接提取候选跑道,最后采用假设检验方法对机场跑道进行识别.试验结果表明该方法可快速有效地检测识别复杂背景下低分辨率、低信噪比合成孔径雷达(SAR)图像中的机场跑道.     

基于编组拟合的合成孔径雷达图像线特征提取

为了从合成孔径雷达(SAR)遥感图像中高效率地提取线特征、满足目标识别与场景分析等应用的需要,采用曲线结构基元取代通用的直线结构基元,通过像素编组以及曲线拟合提取并连接,使得复杂的全局优化简化为基于连接关系和总长度的聚类和筛选,借助低分辨率图像对高分辨率图像的掩码操作先主后次地提取不同宽度的线特征。应用所提出的方法在实际SAR图像上进行了实验,获得了与观察相一致、具有单像素宽度的线特征二值图像。实验结果表明:所提出的方法可以快速准确地提取出场景中真实的线特征,采用曲线基元形式和编组拟合方法有利于降低问题复杂度、提高处理效率。     

基于多特征的洞库类目标识别方法

针对洞库类目标自动识别研究较少、识别率较低、识别方法成本较高等问题,设计了基于多种特征的洞库类目标识别算法.探讨了典型洞库类目标的模型并总结其主要特征;其次利用HOG特征对输入图像进行初步筛选,筛选出包含有洞库类目标的图像;然后基于洞库类目标的灰度特征提出了一种图像局部自适应阈值生成算法Wiblack提取图像中的疑似目标;最后搭建了洞库类目标的数学模型,并提出了基于形状相似度的目标判别算法,采用圆形相似度与椭圆形状相似度二次相似度判别方法,最终得出识别结果并描述目标轮廓,完成目标识别.实验结果表明该方法在洞库类目标的识别应用中有效可行,基于本文实验数据的识别准确度为92.6%.      

基于稀疏转稠密机制的仿射不变特征匹配算法

提出一种基于稀疏、稠密特征转换的仿射不变特征匹配算法,其中稀疏特征包括坐标,尺度,仿射模拟参数等,稠密特征指基于图像局部区域内光学属性的局部描述符.本文算法在Affine-SIFT算法基础之上,针对在特征提取阶段仅使用稀疏特征提取的缺陷做出了改进.由于稠密信息只有在稀疏参数满一定足检测条件时才能提取到特征,导致本可以匹配到的特征(包括稀疏、稠密参数)无法提取,将通过使用稀疏特征构造新的模拟图像,通过将稀疏特征重新稠密化,并在模拟图像基础上进一步提取稀疏特征,同时可检测到原始图像中检测不到的可匹配特征,最终达到增大特征建立匹配的概率,提升正确匹配数量的目标.经实验验证,本文提出的稀密特征转换算法相比于ASIFT算法能大量增加特征匹配的数量.除针对ASIFT方法提供扩展外,该方法也可用于扩展具有充分稀疏特征参数的其它特征提取和匹配方法,并适用于目标识别、目标分类和三维重建等问题.     

基于小波矩特征的小波神经网络目标识别

提出一种具有尺度、平移与旋转不变性的目标识别方法.该方法首先提取目标图像的小波矩特征,然后与小波神经网相结合,构成一套目标识别系统.小波矩不变量不仅可以表示图像的全局特征,而且还能表示局部特征;而小波神经网络结合了小波分析和传统神经网络的优点,具有很强的学习能力和推广能力.因此基于小波矩的小波神经网络目标识别系统在进行目标识别时具有很大的优势.实验中使用该方法对4类飞机目标进行识别,实验结果证明其识别率高于其它的目标识别方法.