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。     

一种基于Weibull分布的SAR图像分割方法

分析了合成孔径雷达(SAR)图像的统计分布特性,推导了SAR目标及阴影的分割阈值与虚警概率之间的关系,给出了一种基于Weibull分布的SAR图像目标及目标阴影的分割方法,首先根据推导出的分割阈值公式对SAR目标图像及阴影图像进行粗分割,然后利用形态学滤波和计数滤波器进行细分割。基于MSTARSAR实测数据进行的大量实验表明,该方法是有效的,优于传统的双参数恒虚警分割方法。     

一种改进的基于SVM的SAR目标及阴影图像分割方法

提出了一种基于支持向量机(support vector machine, SVM)的合成孔径雷达(synthetic aperture radar, SAR)目标及阴影图像的改进分割方法。利用分类的思想对SAR图像进行分割,其中分类器是通过循环不断更新训练样本的方式完成训练,循环次数由计算相邻两次分割图像熵的差值来控制。用DARPA (defense advanced research project agency)和Sandia实验室提供的实测数据进行分割实验。结果表明,所提算法得到的分类器性能更加优越,同时能够减少初始分割中阈值的选取对分类器性能的影响,有效地提高了SAR目标及阴影图像的分割质量。     

基于区域分割的NSCT域SAR与全色图像融合算法

提出了一种基于多阈值分割和无下采样Contourlet变换(nonsubsampled Contourlet transform, NSCT)的SAR与全色图像融合算法。首先对降斑SAR图像作多阈值分割,并定义了区域均值比量测算子将SAR图像进行区域划分;然后采用NSCT对降斑SAR图像和全色图像进行多尺度、多方向分解,分解后的低频部分根据区域均值比量测算子进行区域融合,高频部分则采用区域与窗口邻域相结合的融合策略;最后对融合系数进行重构得到融合图像。实验结果表明,该算法的融合图像既可保持全色图像的空间分辨率,又可有效获取SAR图像的目标信息,融合效果优于小波变换法以及基于像素的NSCT法。     

一种有效的SAR图像分割与目标识别方法

在基于模板匹配的合成孔径雷达(syntheticapertureradar,SAR)目标识别中,一个关键问题就是如何从带有杂波的SAR图像中将目标正确分割出来,以便形成高质量的模板。针对这一问题提出了一种基于对数变换的自适应SAR图像分割方法并将其用于由美国国防高级研究计划署(DefenseAdvancedResearchProjectAgency,DARPA)和空军研究室(AirForceResearchLaboratory,AFRL)提供的实测SAR目标图像识别中。实验结果证明,经有效的目标分割后,不但提高了目标的正确识别率,还有效地提高了对假目标的拒识率,具有良好的鲁棒特性。     

基于主动轮廓模型的SAR图像分割方法综述

针对合成孔径雷达(synthetic aperture radar, SAR)图像分割这一研究热点,综合论述了基于主动轮廓模型(active contour model, ACM)的SAR图像分割方法。首先,介绍了经典的ACM及其数学原理,并通过理论和实验分析了这些模型应用于SAR图像分割时存在的问题;然后,对目前基于ACM的SAR图像分割方法进行了系统的梳理和分类讨论;最后,对基于ACM的SAR图像分割方法作了总结,并对将来的研究方向进行了展望。     

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SNIC的双时相SAR图像超像素协同分割算法

针对面向区域的合成孔径雷达(synthetic aperture radar, SAR)图像变化检测方法中存在的双时相图像边缘和空间对应关系不一致的问题, 提出了一种基于简单非迭代聚类(simple non-iterative clustering, SNIC)的双时相SAR图像超像素协同分割算法。首先, 构造一幅包含双时相SAR图像特征的融合图像, 计算待处理像素点到聚类中心的像素强度相似度和空间距离相似度。其次, 采用一种高效的多尺度弱边缘检测算法, 对双时相SAR图像分别进行边缘检测并融合边缘检测结果。最后, 将像素强度相似度、空间距离相似度和边缘信息进行加权以替代原始SNIC算法中的距离测度, 实现对SAR融合图像的超像素分割, 得到与双时相SAR图像中真实地物边缘均贴合的协同分割结果。基于一组仿真和一组实测双时相SAR图像的超像素协同分割实验结果表明, 该算法的边缘贴合率、欠分割误差和可达分割准确率均优于其他7种经典方法。     

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     

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。     

Fast segmentation approach for SAR image based on simple Markov random field

Traditional image segmentation methods based on MRF converge slowly and require pre-defined weight. These disadvan-tages are addressed, and a fast segmentation approach based on simple Markov random field (MRF) for SAR image is proposed. The approach is firstly used to perform coarse segmentation in blocks. Then the image is modeled with simple MRF and adaptive variable weighting forms are applied in homogeneous and heterogeneous regions. As a result, the convergent speed is accelerated while the segmentati...     

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。