高分辨率SAR图像目标属性散射中心特征提取方法

目标属性散射中心模型是基于物理光学和几何绕射理论解的散射中心模型,该模型中提供了可供目标识别的属性散射中心特征。为了能从高分辨率SAR图像中获得这些特征,讨论了目标属性散射中心模型,研究了从高分辨率SAR图像中提取目标属性散射中心特征参数的方法。该方法是一种基于图像域的参数估计方法,它通过图像分割、模型类别选择、参数初值选择和参数优化4个步骤,得到单个散射中心的7个参数。循环进行上面的步骤,就可以从SAR图像中提取出目标所有的散射中心特征。仿真结果验证了该算法的有效性。

SAR目标属性散射中心特征提取与分析

散射中心是高频区雷达目标电磁散射的基本特征,对SAR图像解译、目标识别等具有重要意义。与经典的理想点散射中心模型相比,属性散射中心模型通过引入散射响应对频率、方位角的依赖因子,可更精确地建模高分辨SAR图像目标的散射特性,但与此同时,由于特征参数的维数更高,因此相应的特征提取方法也更复杂。提出了一种基于CLEAN思想的图像域区域解耦合的近似最大似然估计(RD-AML-CLEAN)高分辨SAR图像目标属性散射中心特征提取方法,并通过仿真SAR图像数据的实验结果对算法性能进行了定性、定量的分析与评估。

基于物理启发机器学习的属性散射中心提取方法

基于参数化散射中心模型进行参数估计是实现合成孔径雷达高级信息获取(SAR AIR)技术的基本思路之一,传统的属性散射中心(ASC)参数估计算法往往具有计算速度慢、算法复杂度高、对参数初值要求高等问题。对此,该文提出一个新的基于无监督学习的端到端框架用于从SAR图像反演ASC参数。首先,利用自编码式网络结构有效提取目标图像特征,缓解由于优化空间复杂非凸导致的直接求解困难,解决初值敏感问题;其次,通过嵌入ASC模型作为物理解码器以将编码器输出约束为正确的ASC参数;最后,通过端到端的模型架构进行学习和推理,达到降低算法复杂度及提高估计速度的目的。通过在仿真和实测数据上进行测试,实验结果表明在0.15 m分辨率测试集SAR图像上取得低于0.1 m的估计误差,反演单个散射中心平均耗时0.06 s,验证了该文所提方法的有效性、高效性与鲁棒性。

雷达属性散射中心的快速目标分类和参数估计

雷达属性散射中心模型的属性参数能够提供目标更为丰富的重要信息,属性散射中心参数估计对解析雷达目标有着极其重要的研究意义。针对雷达属性散射中心模型,提出了基于深度学习的雷达属性散射中心快速目标分类和参数估计的技术。首先利用ViT(vision transformer)深度学习网络将雷达属性散射中心分类为局部式和分布式两类,然后基于TS2Vec框架构建针对属性散射中心参数估计的卷积神经网络(convolutional neural network for attribute scattering centers,ASCNN),最后分别对两种数据进行训练以实现局部式和分布式属性散射中心的参数估计。基于属性散射中心模型展开数值实验,实验结果表明,该方法对雷达属性散射中心目标分类的准确率高达99%以上;雷达属性散射中心参数估计的速度超过传统方法的10000倍以上,且精度更高,验证了所提方法的有效性和优越性。

基于属性散射中心卷积核调制的SAR目标识别深层网络

卷积神经网络(CNN)的特征提取能力与其参数量有关,一般来说,参数量越多,CNN的特征提取能力越强。但要学好这些参数需要大量的训练数据,而在实际应用中,可用于模型训练的合成孔径雷达(SAR)图像往往是有限的。减少CNN的参数量可以降低对训练样本的需求,但同时也会降低CNN的特征表达能力,影响其目标识别性能。针对此问题,该文提出一种基于属性散射中心(ASC)卷积核调制的SAR目标识别深层网络。由于SAR图像具有电磁散射特性,为了提取更符合SAR目标特性的散射结构和边缘特征,所提网络使用预先设定的具有不同指向和长度的ASC核对少量CNN卷积核进行调制以生成更多卷积核,从而在降低网络参数量的同时保证其特征提取能力。此外,该网络在浅层使用ASC调制卷积核来提取更符合SAR图像特性的散射结构和边缘特征,而在高层使用CNN卷积核来提取SAR图像的语义特征。由于同时使用ASC调制卷积核和CNN卷积核,该网络能够兼顾SAR目标的电磁散射特性和CNN的特征提取优势。使用实测SAR图像进行的实验证明了所提网络可以在降低对训练样本需求的同时保证优秀的SAR目标识别性能。

旋翼无人机与直升机二次曲面散射中心提取与重建方法

采用快速物理光学(FPO)方法模拟二次曲面片剖分后的旋翼无人机目标散射场,该方法考虑了目标的物理机理,可采用大尺寸比例细分和属性散射中心(ASC)模型提取目标的散射中心。为解决ASC参数估计中的不适定问题,减少计算时间和精度误差,提出一种正交匹配追踪(OMP)与基于成功历史记录的自适应参数差分进化(SHADE)相结合的稀疏方法。数值算例表明,文中方法能够有效准确地提取复杂目标的散射中心,同时在10 GHz频段时,面片数目减少了两到三个数量级。根据散射中心提取结果,得到了旋翼无人机的多个小散射中心围绕中央散射中心呈中心对称分布,而直升机的多个散射中心呈近似平行分布的结论,为利用雷达目标电磁散射特性差异进行低慢小目标精准识别提供可靠仿真依据与理论基础。

基于属性散射中心目标重构加权决策融合的SAR目标识别方法

针对合成孔径雷达(SAR)图像目标识别问题,采用原始图像及其属性散射中心目标重构结果进行决策融合。以核稀疏表示分类(KSRC)为基础分类器,对原始及重构SAR图像进行分类。KSRC通过引入核函数提升分类适应能力;目标重构可有效剔除原始SAR图像中的噪声成分。根据目标重构过程中重构结果与残差的能量关系评估原始SAR图像噪声水平,并以此为依据确定原始图像和重构图像决策结果的权重。采用加权融合手段对两个结果进行处理,判断测试样本的目标类别。基于MSTAR数据集对方法进行测试,实验结果证明了其有效性。

目标近场电磁散射中心建模与特征参数反演

为了通过较少散射场数据实现雷达目标特性建模和参数反演,提出了一种基于时频图多普勒特征的散射中心建模和特征参数反演方法,采用单频点下的一维角度近场扫描数据实现对目标二维散射中心的提取。通过平滑伪Wigner-Ville分布(smooth and pseudo Wigner-Ville distribution,SPWVD)分析方法生成高分辨率时频图,根据不同类型散射中心的多普勒特征,通过Radon逆变换(inverse Radon transform,IRT)提取散射中心模型的位置和幅度参数,并将提取的散射中心位置参数与几何模型参数、散射中心模型重构雷达散射截面积(RCS)与仿真的RCS进行了性能对比。结果表明:该方法只需要单频点的一维角度扫描数据,即可有效提取目标散射中心位置和幅度等特征参数,且重构RCS的均方根误差小于3 dBsm。

基于SAR图像的目标散射中心特征提取方法研究

针对SARATR需要,基于属性散射中心模型,研究了从SAR图像提取目标散射中心特征的方法。该方法首先从SAR图像分割出包括单个散射中心响应的目标区域,然后判断该区域对应的散射中心的类型,最后再采用相应的参数模型进行参数初值选择和数字优化,从而得到对应该区域的目标散射中心特征。通过循环执行上面的步骤,就可以从SAR图像提取出目标所有散射中心特征。仿真结果表明,该算法具有良好的估计性能。

高分辨率SAR图像散射中心特征提取

合成孔径雷达(SAR)目标检测和识别是SAR实用化的瓶颈技术之一,提取有效的目标特征是SAR目标检测与识别的关键环节。高分辨率SAR图像中,目标属性散射中心特征反映了目标散射中心的位置、类型等信息,精确获取目标散射中心属性特征能够提高对目标的检测识别性能。针对SAR目标属性散射中心特征的提取,该文提出了一种基于改进的空间-波数分布(ISWD)的特征提取方法,该方法首先利用ISWD估计散射中心关于频率与方位角的函数,然后利用该函数来获得目标属性散射中心模型参数。最后利用仿真实验验证了方法的有效性。

雷达目标一维散射中心识别特征提取研究

针对雷达目标高分辨一维距离像在目标识别中存在计算量和存储量过大的问题,研究了基于一维散射中心的目标识别特征。在使用矩阵束法提取散射中心的基础上,定义了散射中心阶数、散射中心相对位置和中心矩三个平移不变特征用于目标识别,较好地描述了目标散射特性。三类目标外场实测数据的识别试验结果显示,相对于单一特征的目标识别,综合上述三个特征的识别不但能获得更好的目标识别率,而且识别结果对高斯白噪声不敏感。

一种改进的图像域SAR目标散射中心特征提取方法

散射中心是SAR图像目标识别的重要特征。本文基于属性散射中心模型,在文献[6]的基础上,提出了一种改进的图像域SAR目标散射中心特征提取方法。在该方法中,通过引入参数规则化处理步骤,解决了属性散射中心特征提取方法的收敛问题,提高了属性散射中心特征参数估计的精度和效率;提出了一种能同时实现散射中心数目确定和结构判别的方法,实现了散射中心类型的可靠判别。仿真数据和MSTAR实测SAR图像数据的实验结果,验证了本文改进的图像域SAR目标散射中心特征提取方法的有效性。

基于散射中心特征提取的雷达目标识别方法

研究高分辨一维距离像的物理特性，根据雷达目标散射中心的一般模型和特定条件下简化模型，利用RELAX方法从高分辨雷达回波中提取目标散射中心分布的位置信息和幅度信息，定义具有平移不变的中心矩特征和只保留散射中心幅度信息的幅度HRRP特征，并将其用于目标识别。通过三类飞机目标外场实测数据的识别实验结果显示，上述特征提取方法能够获得较好的目标识别率。

多视角属性散射中心模型的部件提取与合成

传统的点散射中心模型只能表征目标的位置信息,无法表示目标的长度和角度,而属性散射中心模型表征了目标的几何特性。为了能得到目标的全方位部件信息,鉴于属性散射中心模型参数估计的缘故,提出基于属性散射中心的多视角参数化部件提取与合成算法。首先将大视角有重叠的划分为若干子视角,分别进行属性散射中心模型的参数估计,然后将各参数统一投影到同一坐标系下,再进行参数的融合,最终得到目标参数集。该算法得到的这套参数可以反演目标回波数据,提高图像可视性,进行目标识别与分类。最后用两个仿真实验验证了此算法的有效性。

基于深度信念网络的属性散射中心匹配及在SAR图像目标识别中的应用

合成孔径雷达(Synthetic Aperture Radar,SAR)图像目标识别是SAR图像解译的重要应用。为提高SAR目标识别的稳健性,本文提出基于深度信念网络(Deep Belief Network,DBN)的属性散射中心匹配方法。属性散射中心参数特征丰富,能够很好地反映目标的局部散射特性。DBN发挥深度学习优势,可以实现测试样本与模板样本散射中心集的稳健匹配,并且能够较好地适应噪声干扰、部分缺失等情形。在构建的属性散射中心匹配关系的基础上,定义相似度度量准则。基于最大相似度的原则确定测试样本所属类别。实验依托MSTAR数据集开展,经验证,所提方法对于SAR目标识别问题具有良好的有效性和稳健性。

基于改进正交匹配追踪算法的属性散射中心提取

属性散射中心模型是描述目标后向电磁散射特性的典型模型,但其中传统的正交匹配追踪(orthogonal matching pursuit,OMP)算法提取模型时具有参数复杂度高、计算时间长等问题。对此提出一种基于稀疏字典的广义正交性的改进OMP算法,快速定位模型位置参数值,避免了正交匹配中的寻优过程,从而降低算法的运算复杂度。通过对两类算法计算复杂度和计算精度进行多次蒙特卡罗实验比较得出,改进OMP算法提高了模型参数的估计精度与噪声鲁棒性,且大幅降低了算法的运算复杂度,相比于传统的OMP算法,运算时间至少降低30%。

合成孔径雷达目标特征提取新方法

为了能从雷达回波中快速有效地提取目标几何电磁特征,提出一种稳健而快速的属性散射中心模型特征参数提取方法.通过结合实际合成孔径雷达的应用条件,对属性散射中心模型简化,并利用简化模型构造基函数,继而采用RELAX算法对目标属性散射中心逐个估计与提取.通过引入快速傅里叶算法有效地提高了参数估计效率,并对属性参数的最大搜索间隔和搜索范围进行了理论推导.仿真和实测数据实验证明,这种算法对于目标的属性参数估计较为精确且对噪声不敏感,与传统参数估计方法相比,有效提高了运算效率.

基于稀疏表示的SAR图像属性散射中心参数估计算法

考虑目标频率-方位2维观测数据在属性散射中心模型参数空间上的稀疏性,该文提出一种基于稀疏表示的属性散射中心提取与参数估计方法。由于模型参数维数较高,构造的高维联合字典将消耗较多系统资源。该算法通过分别构建包含位置信息与方位属性参数信息的两个低维字典代替高维的联合字典实现距离特性与方位特性的解耦合,以降低资源需求,并通过正交匹配追踪(OMP)-RELAX联合算法求解0l优化问题,从而实现在频率-方位角域上位置参数与方位属性参数的联合估计。根据提取的属性散射中心可以有效地估计目标或目标重要部件的几何尺寸。基于电磁计算数据和实测数据的实验结果验证了该算法的有效性。

雷达目标高分辨距离像的特征提取及识别方法

本文首先应用ＴＬＳ－ＥＳＰＲＩＴ算法提取光学区高分辨雷达目标散射中心位置信息，并提出了“基于散射中心位置的相关匹配”目标识别算法，而后，证明了该算法相关匹配系数与所选择的基底无关以及算法的稳定性问题。最后，给出了五种飞机缩比模型的实验结果。

独立属性散射中心参数降耦合估计方法

属性散射中心模型是基于几何绕射(GTD)模型完善得到,其模型参数具有频率和方位依赖特性,相比点散射模型对目标特征描述更为准确。但属性散射中心模型中也引入了参数维数增加的问题,模型参数估计相对困难。针对属性散射中心模型的参数估计,该文对图像分割后获得的独立散射中心进行研究,提出一种将部分参数降耦合的参数估计算法。通过建立合理的代价函数进行参数估计。相对传统参数估计方法,该方法无需获取准确的参数的初始值,从而在复杂性和时效性上有很大的改进。最后,基于仿真数据的实验论证了该文方法的有效性。