基于G2DPCA的SAR目标特征提取与识别

给出了基于广义二维主分量分析(G2DPCA)的合成孔径雷达(SAR)图像目标特征提取方法。与主分量分析(PCA)相比,在寻求最优投影方向时,它直接基于二维图像矩阵而不是一维向量,在特征提取前不必将2维图像矩阵转换成1维向量。与二维主分量分析(2DPCA)相比,它可以同时去除图像行和列像素间的相关性。基于美国运动和静止目标获取与识别(MSTAR)计划录取的数据的实验结果表明,结合预处理,G2DPCA在大大降低了特征维数的同时,又改善了识别性能,并且正确识别率在97%以上,且对目标方位变化具有较好的鲁棒性。

MSTAR图像分割算法研究

由于SAR图像中具有极其严重的乘性斑点噪声 ,不可能用纯粹的传统的基于强度的分割方法来获取目标。分析了马尔可夫随机场在各向同性的连续模型 ,提出了一种新的分割方法 ,采用该方法不仅分割出了目标而且较好地保持了其空间结构。通过形态学中的膨胀和腐蚀运算得到了感兴趣的目标区域 ,并给出了它的轮廓图。利用实际的运动和静止目标获取与识别 (movingandstationarytargetacquisitionandrecognition ,MSTAR)合成孔径雷达 (syntheticapertureradar,SAR) ,图像数据得到了较好的实验效果。

基于法向前边界响应的SAR目标方位角估计

为了提高合成孔径雷达(synthetic aperture radar,SAR)自动目标识别系统的性能,提出了一种新的SAR目标方位角估计方法。利用简单的自适应阈值处理提取目标区强散射点,通过对强散射点在不同方向上投影分布的分析,定义法向前边界响应强度作为方位角估计的依据,最后对个别不可信结果进行90°校正。在运动和静止目标获取与识别(moving and stationary target acquisition and recognition,MSTAR)公开数据集上进行了实验,采用该方法99%的样本估计误差小于10°。实验结果表明,该方法可以达到与主导边界拟合法相当的最优性能,而且处理流程简单,计算效率更高。

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。