基于目标轮廓特征的SAR图像目标识别

提出了一种基于目标轮廓特征的合成孔径雷达目标识别(SAR ATR)方法,该方法充分利用目标的局部空间结构信息进行识别。利用基于马尔可夫随机场(MRF)的图像分割及形态学处理提取SAR图像目标轮廓,在此基础上使用傅里叶描述子作为目标轮廓的特征量,选择最近邻准则下的模板匹配方法构造分类器,实现了基于轮廓特征的SAR图像目标识别。实验结果表明,本文方法具有优良的识别性能。     

基于MAP-MRF模型的SAR图像道路提取

利用最大后验概率一马尔可夫随机场(maximum posteriori-Markov random field,MAP-MRF)模型,从合成孔径雷达图像中提取道路是一种全局最优方法.该方法克服了SAR图像固有的相干斑干扰,结合道路的空间分布特征,构建了马尔可夫随机场关于道路分布的先验概率模型,并利用遗传算法获得后验概率最大意义下的最优结果.通过对真实SAR图像的试验表明,在主干道路被提取的同时,一些人眼难于辨识的低对比度细小的道路也能被辨识出来,从而说明了该方法对于SAR图像道路提取的有效性.     

SAR图像中道路自动提取的不确定性与仿真

详细分析了SAR图像道路自动提取中的各种不确定性因素,并给出相应参数选取准则与提取性能评价.首先根据SAR图像中道路的典型特征建立起局部结构模型,然后针对SAR影像的统计特性,对模型中路体区域与两侧区域的均值比变量函数进行概率分析,由变量函数的参数不确定性分析得出合理的参数选择准则,再依照准则选取合适参数,据K-S假设检验理论对图像中道路点进行判定提取.经过不同参数提取方案的实验及结果评价验证了不确定性理论.参数选取准则可用于指导SAR图像道路自动提取,以更好服务于匹配制导,制图等实际应用.     

高分辨率SAR与光学图像中目标融合检测方法

提出了一种基于特征融合的军事目标检测方法,充分考虑了SAR与光学图像中目标的互补性特征。目标在高分辨率SAR图像中会产生强后向散射回波(radar cross sections,RCS),因此可以快速检测出感兴趣目标。但受相干斑和人造杂波影响,检测结果存在大量虚警。相比而言,从光学图像中提取出的目标形状信息更有利于鉴别虚假。因此,本方法在串行融合结构中结合SAR和光学图像中提取出的目标特征进行融合鉴别,有效去除虚警。实验用机载测试图像对本文方法的性能进行了验证和分析。     

基于改进的深度学习网络的SAR图像瞬时海岸线自动提取算法

针对目前合成孔径雷达(synthetic aperture radar, SAR)在对大尺度瞬时海岸线提取方面的图像解译过程中, 仍然存在精度低与自动化水平差的问题, 提出一种基于深度学习网络的瞬时海岸线自动提取算法。首先, 将SAR图像进行Lee滤波增强来抑制相干斑。其次, 通过升级残差网络为主干网络,分4级提取海水目标的特征。然后, 将4级特征经过全局卷积网络、密集连接网络和解码器网络配合,充分提取目标的本质特征, 并通过上采样产生海水分割结果。最后, 利用Sobel算子分离出海岸线并和原SAR图像融合以便清晰查看结果。通过与全卷积网络与细化网络的海岸线提取实验结果进行对比, 证明所提算法对海岸线的提取更加准确, 能够减少虚警和漏警, 具有更好的性能。     

全仿射形变下基于点特征的SAR图像配准方法

全仿射形变条件下,待配准合成孔径雷达(synthetic aperture radar, SAR)图像与参考SAR图像之间存在各向异性尺度变化,导致传统的点特征图像配准算法难以提取到足够多的匹配特征点进行图像配准。为此,提出了一种基于仿射形变矩阵分解与尺度变化矩阵估计的点特征图像配准算法。该方法首先将仿射形变矩阵分解为图像旋转矩阵、尺度变化矩阵以及常数矩阵的乘积,而后利用粒子群优化(particle swarm optimization, PSO)算法对尺度变化矩阵中的未知参数进行搜索估计,并根据估计结果对图像进行尺度规范处理,以抑制图像间的各向异性尺度变化,在此基础上再利用尺度不变特征转换(scale invariant feature transform, SIFT)算子提取匹配特征点进行配准处理。实验结果表明,与现有方法相比,对于全仿射形变条件下的SAR图像配准,本文所述算法可以提取到更多的匹配特征点,因而具有更好的配准性能。     

基于混合Wishart分布MRF分割的极化SAR图像海岸线检测

针对基于Wishart分布马尔可夫场(Markov random field, MRF)海陆分割存在海面和陆地整体区域无法使用单一Wishart分布描述的问题,提出了一种基于混合Wishart分布的极化合成孔径雷达(synthetic aperture radar, SAR)图像海岸线检测方法。该方法首先对极化SAR总功率边缘能量采用两区域Ostu阈值分割得到初始海陆分割结果,然后采用混合Wishart分布描述陆地和海面区域,通过基于混合Wishart分布MRF两区域分割迭代计算实现海陆精确分割。最后对经过水域合并处理的海陆分割结果进行边界跟踪实现海岸线检测。分别使用了RADARSAT2中国海南陵水地区和新加坡部分地区极化SAR数据进行实验,实验结果证明提出方法比基于Wishart分布MRF分割方法更加精确和鲁棒。     

基于改进FCM与MRF的SAR图像分割

合成孔径雷达(synthetic aperture radar, SAR)图像相干斑点噪声强,缺乏背景与目标先验知识,导致分割困难。针对以上问题,提出了基于改进模糊C均值聚类(fuzzy C-means clustering,FCM)与马尔可夫随机场(Markov random field,MRF)的分割算法。首先,利用自适应非局部均值滤波和基于直方图峰值点的初始聚类中心选定规则,提升快速FCM算法效率;然后分别用改进FCM算法与MRF对SAR图像进行分割,并通过构建联合隶属度矩阵自适应选择最优分割区域;最后利用形态学操作对结果进行优化。实验表明,所提算法具有较好的抗噪性能,能够快速有效地分割多类SAR图像。     

基于非线性变换法的高分辨率ＳＡＲ 杂波图像仿真

提出了一种高分辨率合成孔径雷达(synthetic aperture radar, SAR)杂波图像的仿真方法。在分析了两种用于高分辨率SAR杂波图像建模的统计模型(广义Gamma分布和广义复合分布)特性的基础上，推导了其相应的基于非线性变换法的生成函数的解析式。然后，在由实测图像中估计与人为设定两种模型参数获取方式下，分别仿真了广义Gamma分布和广义复合分布的SAR杂波图像。实验结果表明，所仿真图像的直方图均与相应的理论概率密度函数吻合，验证了仿真方法的有效性。     

高分辨率SAR图像车辆目标几何特征提取方法

几何特征是目标较直观的物理特征,在SAR图像目标鉴别和分类过程中具有重要的应用。针对高分辨率SAR图像车辆目标切片,构建其几何特征提取的流程。首先在区域分割环节实现车辆目标的二值化分割,而后利用二值化图像提取目标几何特征,其中分别基于最小外切矩形方法和Radon变换方法对车辆目标的长宽尺寸进行估计。采用MSTAR的实测车辆目标数据检验了上述几何特征提取算法和几何特征的鉴别性能。     

MSTAR图像分割算法研究

由于SAR图像中具有极其严重的乘性斑点噪声 ,不可能用纯粹的传统的基于强度的分割方法来获取目标。分析了马尔可夫随机场在各向同性的连续模型 ,提出了一种新的分割方法 ,采用该方法不仅分割出了目标而且较好地保持了其空间结构。通过形态学中的膨胀和腐蚀运算得到了感兴趣的目标区域 ,并给出了它的轮廓图。利用实际的运动和静止目标获取与识别 (movingandstationarytargetacquisitionandrecognition ,MSTAR)合成孔径雷达 (syntheticapertureradar,SAR) ,图像数据得到了较好的实验效果。     

基于联合时频特征和HMM的多方位SAR目标识别

研究了联合时频特征和隐马尔科夫模型(hidden Markov model, HMM)的多方位合成孔径雷达(synthetic aperture radar, SAR)目标识别方法。利用HMM模型可以有效地对多方位SAR目标特征分析及识别。在HMM多方位SAR目标识别中的关键之一是SAR目标回波高分辨率距离像(high resolution range profile, HRRP)的特征提取。提出了一种时变频因子加权Fisher鉴别的特征提取方法。利用MSTAR实测SAR目标数据集进行了特征提取和识别实验,实验结果验证了方法的有效性。     

基于改进R-FCN的SAR图像识别

由于深度学习在目标识别方面取得了显著的成绩,为提高合成孔径雷达(synthetic aperture radar, SAR)图像目标识别的精度与速度提供了新的思路。本文将区域全卷积网络(region-based fully convolutional networks, R-FCN)结构应用于SAR图像目标识别中,取得了良好的效果。对于数据集较小和数据相似度较高的问题,提出了基于迁移学习的R-FCN模型用于SAR图像目标识别。对更快的区域卷积神经网络(faster region convolutional neural networks, Faster R-CNN)和R-FCN进行模型训练及优化,并与所提出的基于迁移学习的改进R-FCN模型实验结果进行对比。结果表明,所提方法对SAR图像具有更好的识别效果和更快的识别速度。     

基于多脉冲联合估计的SAR相位误差自聚焦算法

合成孔径雷达(synthetic aperture radar, SAR)是相干成像系统,所以接收信号相位的正确性决定了SAR图像的聚焦质量。利用自聚焦算法对SAR图像进行相位误差函数的估计及补偿是获得高分辨率,高质量SAR图像的关键步骤之一。其中,相位梯度自聚焦(phase gradient autofocus, PGA)算法运算量适中且鲁棒性好,被广泛应用于SAR自聚焦中。然而,PGA算法基于相位误差梯度值进行加权平均估计,相位差分的过程会引起噪声的积累,因此该算法对原SAR图像在方位数据域的信噪比要求较高。针对PGA算法存在问题,提出了基于多脉冲联合估计的相位误差自聚焦(phase error autofocus, PEA)算法。该算法采用了PGA算法的处理结构,并基于相位误差直接进行加权平均估计,可以在较低信噪比条件下正确实现SAR图像的自聚焦处理。仿真实验以及实测数据处理结果对比均表明,PEA算法可以获得优于PGA算法的自聚焦性能,且实际算法执行时间更短,更有利于算法实时处理。     

基于复值HRRP CICA特征的多方位SAR目标识别

提出了一种基于雷达目标复距离像复值独立分量分析（complex independent component analysis, CICA）的合成孔径雷达（synthetic aperture radar, SAR）目标多方位散射特征提取和识别方法。根据雷达目标散射机理,将目标高分辨率复距离像建模为多个散射中心的复相干叠加。在分析复距离像的基础上,采用CICA方法实现了距离像中每个散射中心响应的分离。针对每个散射中心响应,利用高阶矩方法提取特征矢量。分类器基于隐马尔可夫模型（hidden Markov model, HMM）设计。采用美国运动和静止目标获取与识别（moving and stationary target acquistion and recognition, MSTAR）计划公开发布的目标实测数据进行算法实验,实验结果说明了提出方法具有较好的识别率。     

Airport automatic detection in large space-borne SAR imagery

A method to detect airports in large space-borne synthetic aperture radar (SAR) imagery is studied. First, the large SAR imagery is segmented according to amplitude characteristics using maximum a posteriori (MAP) estimator based on the heavytailed Rayleigh model. The attention is then paid on the object of interest (OOI) extracted from the large images. The minimumarea enclosing rectangle (MER) of OOI is created via a rotating calipers algorithm. The projection histogram (PH) of MER for OOI is then computed and the scale and rotation invariant feature for OOI are extracted from the statistical characteristics of PH. A support vector machine (SVM) classifier is trained using those feature parameters and the airport is detected by the SVM classifier and Hough transform. The application in space-borne SAR images demonstrates the effectiveness of the proposed method.     

基于Contourlet域树状系数的自组织神经网络图像分割

为避免小波域隐马树模型分割算法中模型假设的不足,提出用SOM网络作为非参数概率密度函数估计器。用图像轮廓波变换域中的树状数据作为网络输入,以利用图像的几何特征来提高分割效果。由训练好的网络组可以得到待分割图像各个尺度下的条件概率密度函数值,应用最大似然分类准则得到相应尺度下的粗分割。通过多尺度粗分割结果的融合,得到像素级的分割结果。用合成纹理图像、航拍图像和SAR图像进行实验,并与小波域隐马树模型分割方法和基于SOM网络的多尺度贝叶斯分割方法进行比较。对合成纹理图像给出错分概率作为评价参数,实验结果表明所提算法分割效果更优。     

提升小波与隐马尔科夫模型的SAR图像噪声滤波

利用提升小波技术和马尔科夫模型进行雷达图像斑点噪声的抑制具有明显优越性。讨论了雷达图像斑点噪声滤波的小波基的选择和提升方法,分析了利用马尔科夫模型描述小波系数相关性的问题,并提出了一种基于小波系数高斯混合模型和隐马尔科夫模型的雷达图像斑点噪声滤波方法。最后使用几种典型的滤波处理方法,分别对两幅合成孔径雷达图像进行滤波处理,实验表明该方法对SAR图像的斑点噪声抑制具有较好效果。