An Algorithm for Ship Wake Detection from the SAR Images Using the Radon Transform and Morphological Image Processing

Using the Radon transform and morphological image processing, an algorithm for ship's wake detection in the SAR (synthetic aperture radar) image is developed. Being manipulated in the Radon space to invert the gray-level and binary images, the linear texture of ship wake in oceanic clutter can be well detected. It has been applied to the automatic detection of a moving ship from the SEASAT SAR image. The results show that this algorithm is well robust in a strong noisy background and is not very sensitive to the threshold parameter and the working window size.

微波视觉与SAR图像智能解译

高分辨率雷达成像技术和人工智能、大数据技术的快速发展,有力促进了雷达图像智能解译技术的进步。由于雷达传感器本身的特殊性和电磁散射成像物理的复杂性,雷达图像的解译缺乏光学图像的直观性,准确迅速识别分类的需求对雷达图像解译提出了迫切的挑战。在借鉴人脑光视觉感知机理和计算机视觉图像处理相关技术基础上,进一步融合电磁散射物理规律及其雷达成像机理,我们提出发展微波域雷达图像解译的“微波视觉”的新交叉领域研究。该文介绍微波视觉的概念与内涵,提出微波视觉认知模型,阐述其基础理论问题与技术路线,最后介绍了作者团队在相关问题上的初步研究进展。

基于电磁散射模型的海上舰船双基SAR图像仿真

合成孔径雷达(synthetic aperture radar,SAR)在地海环境遥感和目标探测识别中发挥着重要作用。相对于单基SAR,双基SAR能够通过调整发射机和接收机的角度对场景进行多方位观测,因此开展海上舰船目标双基SAR图像仿真可为非合作目标的特征研究和探测识别提供方法和手段,在目标探测识别方面有着重要意义。为此,本文利用基于面元化的简化小斜率近似(facet-based simplified small slope approximation,FBS-SSA)方法与几何光学/物理光学(geometrical optics/physical optics,GO/PO)混合方法,提出了一种基于电磁散射模型的海上舰船目标复合场景双基SAR图像仿真方法,实现了不同双基角下的海上舰船SAR图像仿真,并分析了雷达飞行方向与舰船角度、发射机和接收机相对位置、极化、海况对雷达图像的影响。结果表明,双基角、极化、舰船朝向都会对双基SAR图像产生较大的影响,因此可以通过获取不同双基角度下的复合场景SAR图像特征从而可以更好地开展舰船识别。此外,SAR图像中的阴影特征也可作为舰船识别的辅助手段。

A feature extraction method for synthetic aperture radar(SAR) automatic target recognition based on maximum interclass distance

Synthetic aperture radar(SAR) automatic target recognition is an important application in SAR.How to extract features has restricted the application of SAR technology seriously.In this paper,a new feature extraction method for SAR automatic target recognition based on maximum interclass distance is proposed,which integrates class and neighborhood information.This method can reinforce discriminative power using maximum interclass distance,so it can improve recognition rate effectively.

SAR图像辅助的雷达目标距离像检测识别

高分辨距离像在轻小型雷达平台探测识别目标中有重要应用,准确的目标和环境先验信息是提高距离像检测识别性能的关键因素。本文提出以离线或在线合成孔径雷达(synthetic aperture radar,SAR)图像作为先验信息来源,提取目标二维散射中心并向距离像视线方向投影获得一维散射中心特征模板,在此基础上设计了距离像检测、识别以及要害部位选择算法流程,采用电磁计算和外场实测地面目标数据进行了试验验证。结果表明:SAR图像辅助的距离像检测识别算法不仅具有较高的检测和识别率,在姿态、频段、分辨力等观测条件变化的情况下也具有较高的稳定性,具有较好的实用价值。

基于三维电磁散射参数化模型的SAR目标识别方法

合成孔径雷达目标识别是雷达数据解译中一个长期研究的难点问题。近年来,基于模型的SAR目标识别方法由于在扩展条件下的识别性能表现良好而备受关注。在联合国内多家研究单位进行攻关的基础上,该文简要阐述了对该问题的初步研究成果及思考。首先从3个方面出发梳理了散射部件模型发展的技术脉络并对其进行了补充完善;然后从正向推算和逆向反演两条技术途径提出了复杂目标电磁散射参数化建模方法;最后提出了基于复杂目标电磁散射参数化模型的目标识别新框架。论文最后对基于模型的SAR目标识别下一步研究方向进行了展望。

基于卷积神经网络的SAR图像目标识别研究.

针对合成孔径雷达(Synthetic Aperture Radar,SAR)的图像目标识别应用,该文提出了一种基于卷积神经网络(Convolutional Neural Network,CNN)的SAR图像目标识别方法。首先通过在误差代价函数中引入类别可分性度量,提高了卷积神经网络的类别区分能力;然后利用改进后的卷积神经网络对SAR图像进行特征提取;最后利用支持向量机(Support Vector Machine,SVM)对特征进行分类。使用美国运动和静止目标获取与识别(Moving and Stationary Target Acquisition and Recognition,MSTAR)SAR图像数据进行实验,识别结果证明了所提方法的有效性。

SAR图象自动目标识别研究

目前,SAR已经成为一种不可或缺的对地观测和军事侦察手段.面对不断增长的SAR图象数据收集能力,如何对这些图象进行自动或半自动快速、准确地解译已经越来越引起人们的关注和重视.自动目标识别(ATR)是自动或半自动SAR图象解译研究的一个重要方面.SAR ATR过程可概述为:从观测得到的SAR图象中,找到感兴趣的区域(ROI),并计算出每个ROI的种类.为此,介绍了SAR ATR的含义及其一般流程,对SAR ATR系统按照它所采用的分类方法进行了归纳分类,分析了SAR ATR的难点,介绍了国内外SAR ATR的研究现状和发展趋势.

深度学习在SAR目标识别与地物分类中的应用

深度卷积网络等深度学习算法变革了计算机视觉领域,在多种应用上的效果都超过了以往传统图像处理算法。该文简要回顾了将深度学习应用在SAR图像目标识别与地物分类中的工作。利用深度卷积网络从SAR图像中自动学习多层的特征表征,再利用学习到的特征进行目标检测与目标分类。将深度卷积网络应用于SAR目标分类数据集MSTAR上,10类目标平均分类精度达到了99%。针对带相位的极化SAR图像,该文提出了复数深度卷积网络,将该算法应用于全极化SAR图像地物分类,Flevoland 15类地物平均分类精度达到了95%。

利用灰度和纹理特征的SAR图像分类研究

多类别多特征量情况下的合成孔径雷达(SAR)图像的目标分类是一个难以解决的问题。从灰度和纹理模型出发,提出了综合利用灰度和纹理特征的目标分类方法。均值和方差是灰度模型中重要的特征统计量,而能量、熵、对比度、局部相似性和相关性是纹理模型中重要的特征统计量。灰度和纹理特征能确切地描述SAR图像中的目标。通过构造特征向量,定义向量之间的距离,并按照最小距离方法进行目标分类。以一定大小的窗口读入样本,提高了算法的运行速度和抗噪能力。理论上,窗口越大,特征向量值越接近真实值。窗口越小,边缘的分类精度越高。实验表明该方法较好地处理了多类别多特征量情况下的SAR图像分类问题,分类结果是有效的,这为SAR图像目标分类提供了一条简单可行的途径。

基于二维子分类鉴别分析的SAR图像识别方法研究

本文在分析传统二维鉴别分析方法局限性的基础上,提出了一种基于二维子分类鉴别分析的合成孔径雷达图像识别方法.该方法首先对SAR图像进行图像预处理,然后利用图像欧氏距离对每类目标进行子类划分,并由图像的行信息和列信息提出了两种二维子分类鉴别分析方法,最后利用最近邻分类器对提取的特征投影矩阵进行分类识别.本文利用美国实测的MSTAR数据对算法进行了仿真验证,实验结果表明了本文方法的正确性和有效性.

基于线性回归的SAR目标方位角估计方法

方位角估计是合成孔径雷达(SAR)图像自动目标识别研究中的一个重要问题。一般而言,基于SAR图像的目标方位角估计方法应满足精度高、速度足够快、对目标部署条件的变化具有一定的稳健性。文中在分析现有的SAR图像目标方位角估计方法优缺点的基础上,给出了一种有效的基于线性回归的SAR图像目标方位角估计方法,并通过对大量实测MSTARSAR图像目标方位角的估计试验,详细分析了该方法对SAR图像目标方位角的估计性能。

SAR场景图像中车辆目标的自动识别

提出一种在合成孔径雷达(synthetic aperture radar,SAR)场景图像中进行自动目标识别的方法,并针对识别流程中分类阶段对目标方位角敏感的问题,基于相关滤波器理论与核特征分析方法,提出一种对SAR目标方位角具有较强鲁棒性的非线性相关滤波器。该滤波器使用特征向量降低对训练图像的依赖性,并将特征空间进行非线性扩展,大大提高了目标的正确分类率,同时利用核函数避免了因为高维矢量而造成的计算问题。MSTAR实测SAR图像数据的实验结果表明,方法切实有效,所提出的滤波器对目标方位角失真具有较强的容忍性,不需要存储目标模板和估计目标方位角就能够实现高效率、高准确率的目标分类。

基于修正离散Chirp-Fourier变换的高速目标ISAR距离像补偿

分析了高速运动目标的逆合成孔径雷达(ISAR)回波信号模型和高速运动对ISAR信号处理的影响。结果表明,高速运动特征会导致目标一维距离像的畸变和二维像的模糊。为此,提出了一种基于修正离散Chirp Fourier变换(MDCFT)的高速运动目标距离像补偿算法,采用MDCFT谱包络最小Shannon熵准则进行参数估计,可解决幅度最大准则下参数估计性能恶化的问题。仿真结果表明了该距离像补偿算法的有效性。

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(movingand 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。

基于KSVD和PCA的SAR图像目标特征提取

提出一种基于核的奇异值分解(KSVD)与主成分分析(PCA)相结合的SAR图像目标的组合特征提取方法。该方法首先利用核的奇异值分解得到图像非线性的代数特征,然后进一步经过PCA变换得到图像的最终分类特征。实验中,将本文提出的KSVD+PCA两步特征提取方法与PCA、SVD、KPCA、KSVD方法分别结合简单、快速的最近邻分类器在MSTAR坦克数据上进行了比较,实验结果表明,KSVD+PCA方法不仅有效地提高了目标的正确识别率,而且大大降低了对目标方位的敏感度,在目标方位信息未知的情况下,识别率可达到95.75%,是一种有效的SAR图像目标特征提取方法。

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。

一种基于二维最大熵的SAR图像自适应阈值分割算法

MSTAR目标图像分割是研究SAR图像分割的重要内容,基于最大熵原理,利用二维直方图设计适应度函数,借助遗传算法实现自适应阈值选取,以确定每个像素点的归属,经实际图像测试,对于含噪SAR图像中目标、背景和阴影的分割具有很好的效果,抑噪功能强。

基于极化相似度的全极化SAR自动目标识别算法

提出了一种基于极化相似度的全极化SAR自动目标识别算法,并利用仿真得到的全极化SAR数据进行了识别实验。该方法将极化相似度量引入到局部极大值匹配算法中,有机地结合了散射中心特征点的空间域和极化域的信息。针对目标绕雷达视线的旋转,以及系统极化测量误差引起的极化倾角变化,给出了极化倾角估计和补偿算法,并实验研究了极化倾角对识别结果的影响。仿真识别结果表明,全极化数据的平均识别率明显优于单极化,证明了该算法的有效性。

面向SAR图像目标识别的鲁棒处理算法

现有合成孔径雷达图像的目标识别方法通常要进行预处理,预处理对于识别率影响较大。但是,针对不同的合成孔径雷达目标图像,预处理算法的自适应性很难得到保证。将基于核的主成分分析与稀疏表示相结合,只需很少的观测数据就能得到高识别率的目标识别结果,节省了数据存储量和计算量。首先,阐述了压缩感知的基本理论;其次,提出了基于核主成分分析和稀疏表示的合成孔径雷达图像目标识别算法;最后,选取MSTAR数据库中的5类目标进行实验。仿真结果表明,在没有方位角预测的情况下,该算法仍能有效地识别目标,与其他识别算法相比,在同等噪声污染的图像下,具有较高的识别率。