基于特征参数稀疏表示的SAR图像目标识别

通过对合成孔径雷达（synthetic aperture radar,SAR）图像的统计特性分析,提出一种基于特征参数稀疏表示的SAR图像目标识别算法,有效地解决了图像域稀疏表示识别算法存在的高维问题。由低维高精度的广义二维主分量特征构成过完备字典,基于Fisher线性判别准则对该字典进行学习优化,使得类内更紧凑,类间更分开,同时降低了稀疏求解的复杂度。求解测试样本在优化字典下的稀疏表示系数,根据系数矢量的能量特征完成分类识别。MSTAR（moving and stationany target acquisition and recognition）实测SAR图像数据实验的结果表明,该方法稀疏求解复杂度低,并且只需简单的SAR图像预处理即可有效地提高识别的准确率和速度     

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.     

基于单极化SAR图像的舰船目标检测与分类方法

 SAR是一种主动式微波成像传感器,具有全天时全天候高分辨率对地观测能力,被广泛应用于海洋舰船目标检测与分类。随着SAR成像技术的发展,SAR图像的分辨率越来越高,数据量也越来越大,研究鲁棒高效的海洋舰船目标检测与分类方法对于军事及民用领域具有重大意义。总结了现有的针对单极化SAR图像的舰船目标检测及分类方法,分析了各类方法的特点以及存在的问题,展望了未来SAR图像舰船目标检测及分类方法的发展趋势。     

结合最近邻和拓展稀疏表示的SAR图像目标识别方法

为了精准地识别合成孔径雷达(Synthetic aperture radar, SAR)图像中的不同目标,该文提出了一种结合最近邻和拓展稀疏表示的分类(Nearest neighbor and extended sparse representation classification, NNSRC)方法。首先对图像进行预处理,抑制斑点噪声,归一化图像以保持有用的信息;接着采用二维主成分分析法来提取图像的特征向量,根据识别能力选取特征向量;最后判断SAR图像目标的类别。NNSRC方法拓展了稀疏表示模型,有效解决已有SAR图像识别方法处理噪声、遮挡问题效果差,以及求解稀疏系数速度慢的问题。标准SAR数据集上的实验结果显示,该文提出的NNSRC方法识别率达92.9%,与其他方法综合对比表明,NNSRC方法具有更加良好的性能。     

基于鲁棒主成分分析的SAR舰船检测

针对单极化SAR舰船目标恒虚警检测无标准杂波模型可选,且多目标情况下易发生目标检测不完整和弱目标丢失的问题,该文提出一种基于鲁棒主成分分析(robust principle component analysis,RPCA)的舰船检测方法,通过利用SAR图像中内在的海面低秩属性和舰船目标的稀疏属性,借助推导的增量Lagrange乘子算法,将SAR图像分解为低秩图像、噪声图像(两者之和对应海面)和稀疏图像(对应舰船)的和,从而一次性实现目标检测和杂波抑制,不依赖任何杂波模型和检测统计量。仿真实验验证了增量Lagrange乘子算法的有效性。实测数据处理实验中与平均单元恒虚警检测法和均方误差恒虚警检测法进行了对比,结果表明该方法可以正确从海杂波中检测出舰船目标,具有良好的鲁棒性。     

改进的基于残差加权的稀疏表示人脸识别

为进一步有效提升稀疏表示人脸识别系统的识别率和可靠性,在分析人脸图像稀疏表示系数分类能力的基础上,提出了一种基于残差加权的稀疏表示人脸识别新方法.该方法通过对类残差图像关于所属类稀疏表示系数的l2范数进行归一化加权,有效提升了原始基于类残差判决的识别能力.仿真实验结果表明：改进的基于残差加权的稀疏表示方法能够有效提高系统的识别性能.     

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.     

基于稀疏表示模型的SAR图像目标检测算法

针对合成孔径雷达（synthetic aperture radar,SAR）图像可视性差、目标区域小以及特征不明显等特性对目标检测造成的困难,将稀疏表示模型应用于SAR图像目标检测,提出一种基于稀疏表示模型的SAR图像目标检测算法。首先,利用K—SVD算法训练样本提取对样本最具描述能力的SIFT特征形成字典;其次,通过将进化机制和稀疏表示结合,逐步提取整幅图像中含有目标的图像块;最后,输出稀疏表示误差小于阈值的图像块的位置作为目标检测的结果。实验结果表明,与传统目标检测算法相比,该算法在检测率和运行效率方面均有一定的提高,取得了较好的效果。     

采用联合域字典稀疏表示的极化SAR图像分类

针对传统字典学习算法难以有效保持极化SAR图像的空间结构以及难以处理大规模数据的问题,提出了一种基于空域和极化域的联合域字典学习和稀疏表示的分类方法.该方法采用基于联合域流形距离的快速AP聚类进行字典学习.利用局部线性编码对极化SAR图像进行空域和极化域的联合域稀疏表示,充分利用了极化SAR数据集潜在的信息,有效保持极化SAR数据结构的同时降低了算法的时间复杂度.试验结果表明:所提算法适应性强,收敛速度快,能够提高极化SAR图像的分类精度.     

基于稀疏表示与空域金字塔环形描述的SAR目标分类方法(英文)

为避免传统SAR图像特征分类算法中所需的目标方位角精确估计,提出了一种新的基于稀疏表示与空域金字塔环形描述相结合的SAR目标分类方法.该方法引入bag of features思想,利用密集采样SIFT描述特征训练过完备字典,对训练集和测试集同时进行稀疏编码并构造空域金字塔环形描述,得到旋转不变特征,最后输入线性SVM分类器进行分类.MSTAR实测数据的对比实验表明,在无需目标方位角估计的前提下,所提出的算法识别率达到96%以上,取得了很好的目标分类效果.     

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.     

低分辨率SAR图像舰船目标检测

针对低分辨率合成孔径雷达(synthetic aperture radar, SAR)图像舰船目标受背景及杂波影响难以检测的问题,通过构建一种基于生物视觉侧抑制理论的背景抑制网络模型,有效地抑制了背景杂波.采用基于RENYI熵的分割方法提取舰船目标兴趣区域,以低分辨率SAR图像中舰船目标的成像特点为先验知识,结合同质性检验,滤除了兴趣区域中的虚假目标,降低了虚警率.实验结果表明:所提出的算法能够有效地抑制强海杂波背景,突出目标,既能用于检测SAR图像中带尾迹特征的舰船等运动目标,也可用于检测无尾迹特征的舰船目标.     

基于增强SVM算法的红外舰船图像识别研究

红外偏振成像技术是针对复杂环境中识别目标的重要技术手段,是近年来国内外红外成像技术研究的重点.针对近岸复杂背景下的军用舰船红外偏振图像目标识别问题,提出了一种基于机器学习的分类算法.首先提取图像HOG特征,结合SVM分类器正确检测出舰船目标和渔船目标;然后运用基于灰度的归一化模板匹配算法实现舰船目标的识别.仿真结果表明,该算法具有良好的性能,能够有效地识别红外舰船目标.     

基于低复杂度卷积神经网络的星载SAR舰船检测

星载SAR(合成孔径雷达)舰船检测广泛应用于海上救援和国土安全防护等领域.鉴于传统的检测方法仍存在虚警率高等缺点,本文将具有强大表征能力的卷积神经网络(CNN)引入到星载SAR舰船检测中,面向SAR舰船检测的精准快速的需求,提出了基于低复杂度CNN的星载SAR舰船检测算法.算法结合星载SAR图像的特点,利用ROI提取方法实现目标粗提取,得到可疑目标切片及其对应的位置信息;通过构建的低复杂度CNN对所有的可疑目标切片进行精确分类,确定舰船目标,从而实现舰船目标检测.实验测试结果表明:本文提出的算法可以实现精准的星载SAR舰船检测;与传统双参数CFAR目标检测和基于现有深度网络框架(LeNet、GoogLeNet)的检测算法相比,该算法检测性能更好、检测时间更短,可有效降低检测漏检率和虚警率.     

基于L_(2,p)矩阵范数稀疏表示的图像分类方法

为了提高基于稀疏表示分类算法的分类精度,该文充分利用同类样本的非零系数高度集中的特点,提出一种用l2,p矩阵范数进行稀疏约束的基于稀疏表示的分类方法。该算法的训练阶段,构造的目标函数主要包括三个部分:重构误差、稀疏矩阵类内一致性约束、稀疏矩阵类间不一致性约束,其中的稀疏矩阵类内一致性约束用l2,p矩阵范数实现。该算法的测试阶段,计算新样本的稀疏重构系数以用于分类。和传统的基于稀疏表示的分类方法比较,该方法求稀疏重构系数时对样本不再单个处理,而是对同类样本整体处理,且充分利用同类样本的相似性和不同类样本的相异性,提高了基于稀疏表示的图像分类方法的分类精度。实验结果表明:该方法进一步提高了图像分类的准确率,在AR、Extended Yale B和Fifteen Scene Category数据库上和基于稀疏表示的分类方法(Sparse representation based classification,SRC)相比较,识别率分别提高了20.11%、20.88%和2.13%。     

基于H-CFAR的SAR图像快速舰船目标检测

SAR舰船目标的快速、准确检测是SAR海洋业务化应用中的重要需求,文章提出了一种基于直方图恒虚警率(H-CFAR)的快速检测方法.该方法直接利用SAR图像的灰度直方图信息,并结合CFAR算法,实现了SAR舰船目标的检测;利用ASAR、TerraSAR和Radarsat-2数据对此方法进行了检验,结果表明,该方法与现有的K CFAR相比,在相同的硬件条件下,能够更快更准确地实现SAR舰船目标检测.     

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%。     

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。     

稀疏表示的图像分类研究综述

良好的特征提取方法能减轻后续图像分类与识别的工作量。针对具体的分类问题提出了不同的特征提取方法,并在图像分类和识别任务上取得了较好的效果。然而,已有的基于传统方法的特征提取存在一些明显不足,即随着视觉任务规模的增大,直接利用这些传统方法进行特征分类,效果并不理想。提出的特征表达方法,在图像最基本特征基础上进行矢量量化、稀疏编码或其它表达以形成一幅图像最后的特征。着重介绍基于稀疏表示的特征分类算法并对其进行分析,最后探讨存在的问题和今后研究的方向。