SAR幅度图像统计模型及其参数估计

对适用于复杂场景SAR幅度图像的乘积模型统计特征进行了深入的分析,导出了其概率分布的一般形式,在单视情况下讨论了三种参数估计方法.MSTAR数据的统计分析结果表明该模型对于高分辨力的SAR图像有较好的适用性.

基于CNN的SAR图像目标分类优化算法

随着合成孔径雷达技术的成熟,传统方法已经难以满足海量SAR数据的分类精度和速度需求。为解决上述问题,采用卷积神经网络对海量SAR数据进行分类。针对SAR图像数据的特点,对卷积神经网络结构参数进行调整,提高网络训练速度,克服权重更新中的梯度消失,改善网络训练过程中收敛慢的问题,提升目标分类准确率。同时提出了一种ZCA白化与主成分分析相结合的方法对SAR图像进行预处理,进一步提升了网络的训练速度以及目标分类的准确率。实验采用的是美国MSTAR数据库,通过上述优化方法得到了较好的分类效果。

基于改进D-S证据理论的数据融合目标分类

首先采用分类算法对MSTAR数据集进行十类目标分类识别、三类目标的变体分类识别,然后根据分类调参过程中的先验知识修正证据即分类器输出,构造基本置信函数,并采用改进的合成规则即基于冲突系数K和Pignistic概率距离相结合的冲突度量方法,对冲突证据采用按比例分配冲突度的合成规则进行合成。未融合时,三类目标的变体分类准确率最高为93.553%,融合后三类目标变体分类识别率为95.092%,提升幅度约是理想状态的37%。

基于多层卷积神经网络的SAR图像分类方法

针对合成孔径雷达图像数据源的分类优化方法,提出了基于多层卷积神经网络的SAR图像分类方法。该方法采用多层卷积运算和下采样技术以及神经元的非线性功能,利用局部响应归一化进行特征的降维,以softmax作为分类器。用MSTAR数据库的五类目标数据进行仿真实验,仿真实验结果表明该方法是有效的,统计平均识别率达到了97.77%。