数学形态学在SAR图像目标识别中的应用

提出了一种能够从复杂背景的SAR图像中识别出圆状目标的方法。该方法首先对SAR图像进行双参数恒虚警(B-CFAR)预处理,排除明显的非目标区,增强下一步对目标的识别效果,然后着重分析了上下文相关加权的形态模板生成算法,在此基础上采用不同的数学形态学变换滤波方法对预处理后的SAR图像候选目标区进行识别,并与相关文献比较,对圆状目标得到了良好的识别效果。     

识别SAR图像中车辆和车辆群目标的综合方法

提出了一种对SAR(syntheticapertureradar)图像中的车辆和车辆群目标进行识别的综合方法。它利用SAR图像所具有的统计特性、CFAR检测和数学形态学方法相结合对SAR图像进行预处理和目标分割。找到了一组能够正确表示SAR图像中车辆和车辆群目标的单体不变特征和组合不变特征,给出了相应的目标分类和识别算法、参数选择方法及优化参数。实验证明该方法具有良好的识别效果。     

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。     

基于贝叶斯压缩感知的SAR目标识别

针对合成孔径雷达(synthetic aperture radar, SAR)目标识别问题,提出一种基于贝叶斯压缩感知(Bayesian compressive sensing, BCS)的图像域SAR目标识别方法。该方法首先对SAR图像进行分割预处理,得到目标区图像数据;然后基于BCS模型,根据训练样本构造传感矩阵;求解测试样本相应的稀疏系数矢量,根据稀疏系数矢量中对应训练样本类别元素的L2范数判定目标类型。采用美国运动和静止目标获取与识别(moving and stationary target acquisition and recognition, MSTAR)计划公开发布的SAR目标数据库进行实验,结果表明该方法具有良好的识别效果。     

基于SAR仿真图像的地面车辆非同源目标识别

充分的合成孔径雷达(synthetic aperture radar, SAR)模板数据是目标识别算法(尤其是基于深度学习的智能目标识别算法)获得优异识别性能的关键, 基于实际测量获取充分SAR数据是不现实的, 基于电磁散射建模的SAR仿真成为当前获取充分样本的一种有效途径。SAR仿真图像与实测图像为非同源数据, 由于SAR仿真的目标几何模型与实物之间差异、SAR仿真过程中的传感器模型与实际传感器性能之间差异、实物所处的背景环境与SAR仿真的环境之间差异、电磁建模方法本身误差等因素导致SAR仿真图像与实测图像存在差异, 会影响识别性能。针对这一问题, 首先采用一种基于高频渐近技术和离散射线追踪技术的SAR仿真方法获取地面车辆目标的SAR仿真图像, 再利用卷积神经网络方法、线性/非线性特征变换方法实现对MSTAR实测数据的非同源SAR目标识别性能对比分析。实验结果表明, 直接使用SAR仿真数据无法实现对实测SAR数据有效识别, 而线性/非线性特征变换可以改善非同源SAR目标识别性能, 一定程度上缓解由于SAR仿真数据与实测数据存在差异导致的识别性能差的问题。     

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。     

一种SAR图像目标识别方法

提出了一种新的合成孔径雷达 (SAR)图像目标检测和识别方法 ,该方法根据SAR图像统计分布特性 ,结合恒虚警检测算法和小波变换提取感兴趣的SAR图像目标特征 ,检测得到目标 ,采用马氏距离从杂波背景中识别该目标。实际SAR图像测试结果表明了该方法的有效性     

基于迭代阈值分割的星载SAR洪水区域快速提取

基于星载合成孔径雷达(synthetic aperture radar, SAR)的洪水区域提取可对洪灾信息进行高效提取。然而, 传统提取方法往往时间复杂度较高, 严重影响了洪灾区域获取的时效性。基于改进迭代阈值分割原理, 本文提出了一种星载SAR图像洪水区域快速提取方法。首先, 对预处理后的SAR图像进行高斯拟合再抽样, 抑制SAR图像直方图异常点的影响。其次, 利用迭代阈值算法进行水体提取, 并基于形态学滤波对噪声进行抑制。最后, 对已识别的水体区域开展变化检测, 实现洪灾区域的提取。基于2020年7月鄱阳湖流域特大洪灾前后的哨兵-1 SAR图像, 本文开展了洪水区域提取对比试验。试验结果表明, 该方法可在保证洪水区域提取精度的同时, 显著提升处理效率。     

基于改进ResNet网络的复数SAR图像舰船目标识别方法

合成孔径雷达(synthetic aperture radar, SAR)采用微波相干成像, 因此SAR图像本质上是复数的。传统基于神经网络的SAR图像目标识别方法, 通常只处理SAR图像的幅度信息, 无法有效利用SAR图像特有的复数信息。本文面向SAR图像中的舰船目标识别应用, 从SAR图像的本质出发, 首先通过组合SAR图像的实部、虚部和幅度三通道信息, 隐式地提供了输入数据的复数信息表示; 然后在ResNet18网络及其结构基础上引入通道注意力机制, 使网络能自适应学习实部、虚部和幅度三通道之间包含的复数信息; 最后引入标签平滑正则化, 解决因复数数据集样本较少出现的过拟合现象。基于OpenSARShip数据集的实验结果表明, 所提方法可以较好利用SAR图像本身的复数信息, 在一定程度上提升了基于深度神经网络的舰船目标识别效果。     

基于树型小波和灰度共生矩阵的SAR图像分类

SAR图像包含有相干斑噪声 ,传统的方法不能很好地对SAR图像进行分类。为了能对SAR进行精确分类 ,将图像的灰度和纹理特征 ,空域和频域特征相结合 ,提出了一种新的SAR图像分类方法。该方法采用由树型小波中频纹理能量特征、灰度共生矩阵特征、树型小波滤波后的灰度组成的特征矢量对SAR图像进行分类。实验结果分析表明 ,该方法是一种有效的SAR图像分类方法。     

SAR图像中内波参数提取方法研究

海洋内波在星载SAR图像上表现为明显的亮、暗带 ,通过SAR图像分析可以提取其波长和传播方向参数。小波分析在频域和空域具有局部细化特性 ,在内波信号分析有很大的优势。在预处理阶段 ,二维小波分析软阈值方法可对图像进行噪声滤除。小波变换能量分布法与小波变换极大模值法估计内波波长各有特点 ,小波变换极大模值法估计波长精度较高。选用小波变换极大模值法对SAR图像剖视图进行分析 ,估计内波波长 ,并利用Radon变换方法检测内波的方向 ,取得了良好的结果     

一种有效的二维MUSIC超分辨SAR成像算法

多重信号分类(MUSIC)方法是一种高分辨率到达角(DOA)估计方法,将MUSIC方法应用于合成孔径雷达(SAR)可以很好地提高图像质量。提出了一种简单有效的2D MUSIC超分辨成像算法,该方法对已聚焦的SAR图像进行处理,减小了处理过程的复杂性,并结合幅度估计完成超分辨率图像重建。实验结果验证了这种超分辨率方法的有效性。     

弹载侧视SAR成像及几何校正研究

针对装载在导弹上的侧视合成孔径雷达(SAR)在导弹下降飞行过程中成像处理及图像的几何校正问题,根据导弹所要求的合成孔径雷达成像期间内的飞行特点,建立了SAR工作的空间几何模型。由于要求成像的过程中,弹体的高度在不断减小,SAR图像存在严重的几何失真。根据成像过程中的几何关系,提出了校正SAR图像几何失真的方法,通过成像处理仿真试验验证了所提出的几何失真校正方法的有效性。     

联合变化检测与子带对消技术的SAR图像干扰抑制方法

子带对消(subband spectral cancellation, SSC)法是一种有效的合成孔径雷达(synthetic aperture radar, SAR)射频干扰(radio frequency interference, RFI)抑制方法, 但其在消除干扰的同时容易损失图像细节信息, 影响后续图像解译。为此, 在SSC方法的基础上, 联合变化检测技术, 提出一种改进的SAR图像干扰抑制方法。根据改进的对数比变化检测算子, 所提方法实现了干扰二次检测, 消除了干扰图像中的虚警信息, 避免了图像中有用信号的损失。基于欧空局Sentinel-1A卫星干涉宽幅模式受干扰SAR图像, 开展了干扰抑制与效果评估。实验结果表明, 所提方法能够在有效抑制干扰的同时尽可能保留SAR图像细节信息, 证明了所提方法的有效性。     

SAR image denoising based on wavelet-fractal analysis

Wavelet-fractal based SAR （synthetic aperture radar） image processing is one of the advanced technologies in image processing. The main concept of analysis is that after wavelet transformation, multifractal spectrum of the signal is different from that of noise. This difference is used to alleviate the noise produced by SAR image.The method to denoise SAR image using the process based on wavelet-fractai analysis is discussed in detail. Essentially, the present method focuses on adjusting the Hoelder exponent α of multifractal spectrum. After simulation, α should be adjusted to 1.72-1.73. The more the value of α exceeds 1.73, the less distinctive the edges of SAR image become. According to the authors denoising is optimal at α=1.72-1.73. In other words, when α =1.72-1.73, a smooth and denoised SAR image is produced.     

基于SPGA算法的低频超宽带 SAR运动补偿方法

对已经初步聚焦的低频超宽带(ultra wideband, UWB)合成孔径雷达(synthetic aperture radar, SAR)图像进行基于图像域的相位误差补偿,可进一步提高图像聚焦质量。依据UWB SAR运动误差模型,提出了基于条带式相位梯度自聚焦（strip phase gradient autofocus, SPGA）算法的相位误差补偿方法。该方法有效地补偿大合成孔径、宽测绘带低频UWB SAR图像中的二维空变相位误差。仿真和实测数据处理结果验证了所提方法的有效性。     

基于MN-MEA算法的无人机载SAR相位误差补偿处理

无人机载合成孔径雷达(synthetic aperture radar, SAR),在成像中更容易受到运动误差的干扰,造成图像质量下降。利用三维空间坐标系的斜距方程分离,可以为无人机载SAR成像提供更多的信息，但该方法并未考虑无人机载SAR成像中的运动误差补偿问题。针对无人机载机动SAR成像的相位误差补偿问题,进行相关研究。结合子图像划分,提出了基于迭代分块处理和误差相位初值模型的改进牛顿最小熵(modified Newton minimum entropy, MN-MEA)相位误差补偿算法,进一步校正了残余空变性误差和运动误差,改善成像质量。     

基于MN-MEA算法的无人机载SAR相位误差补偿处理

无人机载合成孔径雷达(synthetic aperture radar, SAR),在成像中更容易受到运动误差的干扰,造成图像质量下降。利用三维空间坐标系的斜距方程分离,可以为无人机载SAR成像提供更多的信息，但该方法并未考虑无人机载SAR成像中的运动误差补偿问题。针对无人机载机动SAR成像的相位误差补偿问题,进行相关研究。结合子图像划分,提出了基于迭代分块处理和误差相位初值模型的改进牛顿最小熵(modified Newton minimum entropy, MN-MEA)相位误差补偿算法,进一步校正了残余空变性误差和运动误差,改善成像质量。     

星载双基地SAR空间几何关系和信号模型

为了研究星载双基地SAR系统成像的相关问题,必须先建立其回波信号模型。根据星载双基地SAR雷达与目标的空间几何关系,确定了其多普勒参数表达形式,在此基础上建立了星载双基地SAR回波信号数学模型。通过仿真计算分析了信号模型中距离模型的误差,结果表明,误差对成像的影响完全在可接受的范围以内。将建立的信号模型应用于成像处理,成像结果正确,证明了回波信号模型的实用性。