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.

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。

SAR图像目标峰值特征提取与方位角估计方法研究

目标峰值特征是 SAR图像目标识别的重要特征之一 ,峰值特征提取是 SAR图像目标识别的一个重要步骤 ,为了由 SAR图像快速、精确地提取目标峰值特征 ,本文首先研究了 SAR图像目标峰值特征提取方法 ,提出了一种 "子像素 "级精度的 SAR图像目标峰值特征提取方法 ,并通过仿真实验分析了峰值位置、峰值幅度的估计精度。由于目标 SAR图像或 SAR图像特征矢量对目标方位角变化的敏感性 ,因此 ,为了提高 SAR图像目标识别系统的分类效率 ,本文还研究了 SAR图像目标方位角估计方法 ,提出了一种利用峰值特征基于线性回归的 SAR目标方位角估计方法 ,和现有方法相比 ,该方法除了计算速度快 ,估计精度较高之外 ,还能在估计方位角的同时 ,给出该估计的置信区间 ,从而更好的满足 SAR ATR的实际需要。文中通过对大量实测 MSTAR SAR图像目标方位角的估计实验 ,验证了本文目标峰值特征提取及方位角估计方法的有效性。

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。

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%。

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.

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。

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。

基于改进的子类判决分析的SAR目标特征提取与识别

针对大多文献中假设合成孔径雷达(SAR)数据服从单模分布带来的问题,该文提出改进的子类判决分析(ICDA),它假设SAR目标数据服从更合理更实际的多模分布。首先采用快速全局k-均值聚类算法找到每类目标的子类划分,然后基于子类判决分析(CDA)准则寻找最优的投影矢量,使得投影后不同类别的子类样本之间距离最大而每个子类内部的样本散布最小。用美国运动和静止目标获取与识别(MSTAR)计划录取的SAR地面静止目标数据的实验结果表明,ICDA可获得较好的对真实目标的分类性能和对干扰目标的拒判能力。

一种SAR图像特征提取和目标分类的新方法

提出了一种利用二维离散小波变换与核主成分分析结合对SAR图像进行特征提取的新方法。该方法对SAR图像进行三层小波分解后提取低频子带图像的核主成分分量作为目标的分类特征,利用支持向量机完成目标分类。采用MSTAR实测SAR目标数据集进行特征提取和分类实验,实验结果表明:该方法可以有效提高目标的正确识别率。

一种联合的SAR目标方位角估计方法

方位角估计是SAR图像自动目标识别中的重要问题,精确的方位角估计有利于提高目标分类的准确性和速度。主导边界法与包络盒法是两种常用且有效的SAR图像方位角估计方法,但是这两种方法存在各自的缺陷。在分析这两种方法优缺点的基础上,将两种方法结合,提出了一种主导边界与包络盒联合的SAR目标方位角估计方法。自动程度高,扩展了原算法的适应性,与原来的两种算法相比提高了SAR目标方位角估计的精度。最后利用MSTAR数据的实验结果验证了该算法的精度与适应性。

基于距离像时频非负稀疏编码的SAR目标识别

提出了一种基于目标高分辨距离像时频域非负稀疏编码的合成孔径雷达(synthetic aperture radar,SAR)目标识别方法。首先,将目标的SAR复图像转换为高分辨距离像。然后,采用自适应高斯基表示方法计算每个距离像的非负时频矩阵。其次,对训练目标所有距离像的时频矩阵采用非负稀疏编码方法学习时频字典。在目标识别中,通过将每个距离像的时频矩阵投影到低维的时频字典上来提取特征矢量。最后,在提取特征矢量的基础上,通过支撑向量机目标识别决策实现目标识别。采用美国"运动和静止目标获取与识别计划"公开发布的SAR图像数据库进行算法验证实验。实验结果说明了提出方法的有效性。

基于小波神经网的SAR图像识别算法

针对SAR图像的自动目标识别问题,研究了基于小波分析和神经网络的识别算法。由非线性小波基作为网络中神经元的激励函数,隐层结点数由小波分解次数和处理目标类别数决定,输出层由目标的类别数决定,同时利用目标的方位角来限定被识别目标的范围。实验结果表明,该方法有效降低了训练和识别的难度,取得了优于BP网络的识别结果,具有广阔的应用前景。

基于多小波子带加权判别熵的SAR目标ICA特征提取及识别

传统小波独立分量分析(ICA)提取合成孔径雷达(SAR)目标特征时大都采用单一的小波基函数,并且仅利用小波分解低频子带数据进行ICA处理,而忽略了高频子带信息。针对这一问题,采用多类小波基函数对SAR目标图像进行分解;针对得到的所有低频和高频子带数据,引入子带加权的判别熵准则,结合现有的小波ICA算法,提出多小波子带加权判别熵的SAR目标图像ICA特征提取算法。采用MSTAR实测SAR目标图像数据,根据提出算法进行特征抽取,利用最近邻准则进行SAR目标识别。识别结果表明提出算法优于仅利用小波分解低频子带ICA算法。

基于多尺度特征的SAR区域型目标检测方法

通过对SAR图像的目标特性分析 ,提出了一种SAR区域型目标的检测方法。与通常的一些目标检测算法相比 ,该算法在ROI的提取和目标建模两个方面作了改进 ,提出了一个新的特征提取算子并引入多尺度的梯度特征作为分类依据。算法应用于真实的SAR图像进行居民区的检测 ,获得了预期的结果。实验表明 。

一种提高SAR目标识别率的有效方法

在合成孔径雷达自动目标识别SARATR中,SAR像的预处理是提高识别率的关键技术之一。给出了一种简单有效的SAR图像预处理方法,该方法首先对SAR目标像进行对数变换后,再做傅立叶变换。经预处理后的SAR像用支持矢量机SVM分类器进行目标识别。实验结果表明:本方法不但有效地提高了目标识别率,而且保证了目标的平移不变性并具有良好的推广能力。

一种改进的基于SVM的SAR目标及阴影图像分割方法

提出了一种基于支持向量机(support vector machine,SVM)的合成孔径雷达(synthetic aperture radar,SAR)目标及阴影图像的改进分割方法。利用分类的思想对SAR图像进行分割,其中分类器是通过循环不断更新训练样本的方式完成训练,循环次数由计算相邻两次分割图像熵的差值来控制。用DARPA(defense advanced research project agency)和Sandia实验室提供的实测数据进行分割实验。结果表明,所提算法得到的分类器性能更加优越,同时能够减少初始分割中阈值的选取对分类器性能的影响,有效地提高了SAR目标及阴影图像的分割质量。

深度卷积神经网络在迁移学习模式下的SAR目标识别

合成孔径雷达(synthetic aperture radar,SAR)自动目标识别过程主要包括目标特征提取和分类器训练两个步骤。提出一种基于深度卷积神经网络(deep convolutional neural networks,DNNs)的SAR自动目标识别方法,使用一类优化的DNNs网络结构对SAR图像目标进行分类训练。该网络结构自动提取目标类别特征,避免人工预选取特征方法带来的不标准性。在DNNs网络模型训练过程中引入迁移学习的概念,以防止结果陷入局部最优解和加快模型参数的训练。最后使用美国运动和静止目标获取与识别MSTAR数据集进行试验,给出该方法与其他分类方法结果的对比,证明其取得较高的分类正确率。