论文部分内容阅读
作为微波遥感的代表，合成孔径雷达(SyntheticApertureRadar,SAR)具有全天时、全天候、穿透力强和分辨率高等特点。近些年来，SAR图像自动目标识别技术(ATR)已经成为国内外研究的热点。由于SAR传感器的主动成像特性，SAR图像中存在大量相干斑和阴影区域，目前影响SAR图像目标自动识别算法性能的因素有：对目标方位角的敏感、预处理中图像目标分割的质量、目标本身轮廓的改变、成像参数、目标周围环境等。
SARATR是SAR图像解译中一个关键步骤，如何精确提取特征和采用有效的分类方法是两个关键问题。提取特征方面，现有的基于模板匹配的SAR自动目标识别算法需要对目标姿态进行预估计，对目标进行方位校正，将目标旋转至标准方位，减少模板存储空间。但预处理复杂度较高。设计分类器方面，传统统计学习方法中针对小样本学习问题精度不佳，并且可推广性差。因此，有必要从其他角度来研究SARATR问题。
信号的稀疏表示模型基于信号的稀疏性假设，是一种线性模型，具备容易扩展的特性，同时目标方位角鲁棒的特征表达可有效避免目标姿态预估计问题。本文主要研究目标姿态变化下的稀疏表示目标识别算法，主要内容和贡献如下：
1．提出一种结合多层纹理模型与元样本提取的稀疏表示分类算法。首先利用Gabor滤波器形成多层纹理模型表示，并利用LBP算子编码Gabor幅值，得到GLBP图谱，之后进行子区域划分和直方图统计，生成串接序列形成最终降维后特征。为了进一步降低字典维度，采用元样本提取方法形成最终的稀疏表示字典，用于分类识别。实验结果表明，该算法能够有效提取显著特征，降低SRC算法的识别时间至原来的15％，分类准确率达到95%以上。
2．提出一种新的基于字典学习的克服方位敏感性的SAR目标识别方法。该方法引入BagofFeatures思想，利用密集采样SIFT描述特征训练过完备字典，对训练集和测试集同时进行稀疏编码并构造空域金字塔环形描述，得到旋转不变特征，最后输入线性SVM分类器进行分类。实验结果表明，在无需目标方位角估计的前提下，该方法达到了优异的识别率。
3．设计SAR图像信息提取平台。该平台首先对整幅场景的大图进行去噪等预处理，然后进行目标检测与识别。通过将本文提出的两种识别算法应用至实际场景的处理，比较了两种方法的优劣，结论表明，针对MSTAR实测场景数据，本文的算法有着良好的表现。