基于深度学习神经网络的SAR图像目标识别算法

提出了一种有效的SAR图像目标识别新方法。首先采用改进后的增强Lee滤波和HOG变换对SAR图像进行特征提取,然后通过层叠RBM和GRNN相结合的混合神经网络对SAR图像进行目标分割和目标识别。利用测试图像库的MATLAB算法仿真,结果表明该方法可以明显提高目标识别率,正确率可以达到97%。     

基于高分辨率SAR的目标识别技术研究

本文以高分辨率SAR在舰船目标识别方面的应用为研究对象,论文首先分析了SAR成像的特点,提出一种基于Radon变换和直方图分析等方法改善舰船目标几何特征提取的性能,在此基础上,结合SAR图像舰船目标分类自身存在的问题和特点,引入稀疏表示理论,提出一种基于特征字典的稀疏表示分类算法,将其应用于Terra SAR-X SAR图像中三类典型舰船目标分类识别,验证了稀疏表示分类对SAR图像舰船目标分类识别的有效性。     

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.     

两级2维局部判别嵌入特征提取的SAR图像识别方法

提出一种基于两级2维局部判别嵌入(2DLDE)特征提取方法,并将其应用于SAR图像目标识别.该方法以矩阵的形式处理单个样本数据,对SAR图像采用两级特征提取,先后对图像矩阵从行列两个方向进行投影变换,避免了LDE方法将图像数据转化为向量带来的维数灾难和小样本问题,同时增强了特征判别性.结合相应的图像预处理过程和分类方法,应用两级2维局部判别嵌入特征提取方法对MSTAR SAR图像数据进行实验,证明了该文方法的有效性和优越性.     

基于小波域中心矩特征的SAR图像识别

为克服合成孔径雷达(SAR: Synthetic Aperture Radar)图像的方位敏感性和平移敏感性给识别带来的困难, 提出一种基于二维离散小波变换与中心矩特征提取的SAR图像目标识别方法。该方法通过对图像的二维离散小波分解提取低频子带图像, 同时提取具有平移不变性的中心矩作为特征向量, 利用支持向量机进行目标分类和识别。实验结果表明, 该方法在有效抑制噪声的情况下, 很好地克服了SAR图像对目标方位的敏感性, 在减少计算量的同时具有较高的识别率。     

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.     

基于注意力胶囊网络的合成孔径雷达图像分类模型研究

特征提取是合成孔径雷达(synthetic aperture radar, SAR)图像自动识别与分类中的重要环节。由于SAR图像有相干斑噪声及几何畸变等特性,一般网络模型难以提取到有判别性的特征。为增强特征提取能力,提高分类准确率,提出将注意力机制与胶囊网络结合的一种注意力胶囊网络模型。注意力机制可聚焦寻找具有重要局部信息的特征,在图像识别过程中抑制干扰特征,定位重要特征。胶囊网络可捕捉图像中目标的位置与空间关系,使提取到的SAR图像特征含有更多便于分类的重要信息。结果表明：文中方法对SAR图像分类数据集中运动和静止目标的获取与识别(moving and stationary target acquisition and recognition, MSTAR)有显著效果。     

基于卷积神经网络的合成孔径雷达图像目标识别

为了解决现有合成孔径雷达(SAR)图像目标识别算法识别率不高、泛化能力不足的问题,提出一种基于卷积神经网络的SAR图像目标识别模型CMNet网络。通过设计针对SAR图像特点的特征提取网络,在损失函数中引入中心损失与Softmax损失联合监督训练过程,兼顾类内聚合和类间分离,提高算法精度和泛化能力。网络模型中所有卷积层后引入批量归一化层加快模型收敛速度、防止过拟合。实验使用美国运动和静止目标获取与识别数据库进行测试,10类目标平均识别率达到99. 30%。结果表明,提出的CMNet网络模型具有较高的识别率和泛化能力,在公开数据集上取得较好结果。     

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。     

SAR图像的特征提取与目标识别

针对已有的SAR图像自动目标识别方法效果不太好的问题，提出了SAR图像的自动目标识别三种方法，即采用灰度特征的目标识别，采用栅格特征的目标识别，和采用模版特征的目标识别.理论和实验表明，采用模版特征的目标识别效果比较好.     

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.     

基于增量非负矩阵分解的SAR目标识别

随着SAR数据的快速增长,传统的目标识别方法由于不具备增量学习的能力,导致计算代价逐渐增加,从而越来越无法满足实时信息处理的需求。在识别过程中关键的特征提取环节,非负矩阵分解能够获取目标基于部分的特征表示,已被成功应用于SAR目标识别领域。然而面对新增样本,采用非负矩阵分解描述SAR目标特征的过程中,会产生重复训练,从而大大降低了识别效率。本文提出基于增量非负矩阵分解的SAR目标识别方法,实现了基于非负矩阵分解的SAR目标特征表示的增量学习能力,从而大大降低计算代价。针对MSATR数据集的仿真试验结果表明,在保证识别率的基础上,本文提出的方法能够降低样本训练时间74.7%以上。因此该方法能够适应数据增加的现实需求,并能够为建立具有自主学习能力的SAR目标识别系统提供有效的技术支撑。     

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%。     

基于卷积神经网络的低分辨雷达目标一步识别技术

现有低分辨雷达目标识别通常采用先特征提取、再进行目标分类的两步识别算法,存在识别率难以提高和方法泛化性不足的问题,因此提出了一种基于卷积神经网络(CNN)的低分辨雷达目标一步识别算法。该算法直接将采样数据作为输入,利用设计的一维CNN,通过卷积池化等操作自动获取数据深层本质特征,无需特征提取,实现对目标的一步识别。仿真实验结果表明:基于CNN的低分辨雷达目标一步识别方法的识别率较传统基于提取特征的两步识别方法提高了10.31%,识别时间较传统两步识别方法减少了0.142 s,充分证明了一步识别方法的有效性,为低分辨雷达目标识别问题提供了新的解决途径。     

SAR图像舰船目标的特征识别

详细分析了舰船在SAR图像中的特征;并且根据海上目标所具有的背景单一、结构复杂的特点,提出了利用舰船目标的特征量识别目标类型的新思路,提取了舰船的面积、周长、积分光学密度、欧拉数、长度、主轴方向角、细长度等特征量,给出了相应的提取算法.     

基于脉冲耦合神经网络的目标特征抽取方法

为解决待识别目标的特征抽取问题,提出了一种脉冲耦合神经网络结合形状信息的图像混合特征抽取方法。该方法利用脉冲耦合神经网络将图像空域信号转化为时域信号的特性,结合物体形状信息,对图像的灰度和形状进行了统一描述。实验结果证明,该方法在一定程度上对物体的形变、平移、缩放不敏感,对目标识别系统是一种很好的特征抽取方法。