论文部分内容阅读
合成孔径雷达(Synthetic Aperture Radar,SAR)作为微波遥感的代表,基于其高分辨率成像的特性,已成为我国对地观测系统不可或缺的一部分。与可见光、红外等遥感手段相比,SAR工作不受光照和天气情况的影响,具备全天时、全天候的工作特点,并且具有一定的穿透能力。SAR目标识别技术在军事和民用领域有着广泛的应用,受到世界各国学者的关注。现有基于稀疏表示、协同表示等表示学习的SAR目标识别方法存在泛化性能弱、鲁棒性不够、在配置识别方面性能欠佳等问题。针对上述这些问题,开展研究,主要完成的工作如下:(1)针对现有稀疏表示SAR目标识别算法的典型问题——泛化性能不足、字典中存在大量冗余信息和干扰信息,提出了基于两级多任务表示学习的SAR图像目标识别算法。该算法首先提取SAR目标的三类特征,将单一特征下的识别看作一个分类任务,从而将多特征识别建模为多任务学习。该算法分为两级多任务学习。第一级在分析SAR目标特性的基础上,采用多任务稀疏学习得到全局字典中对当前测试样本的局部原子集,将该局部原子集作为第二级多任务学习的字典。第二级采用多任务协同学习。该算法的优点是:通过多任务学习集成了多特征对目标识别的鉴别能力,从而提高了算法的鲁棒性和泛化能力;同时由于采用两级多任务学习模式排除了大量无关字典原子的干扰,从而提高了识别精度。采用公开发布的SAR数据库开展了目标识别实验,实验结果表明该算法比现有的稀疏表示SAR目标识别算法具有更高的识别精度和更好的鲁棒性。(2)针对现有SAR目标识别算法对配置识别的精度较低,且没有充分挖掘SAR目标图像数据的低维结构等问题,本文提出了基于多特征低秩表示融合的SAR目标配置识别算法。该算法首先提取SAR目标的三类特征。然后,基于类-类块对角结构化的低秩表示模型,建立每一类特征下的低秩表示。继而,对三类特征低秩表示的结果进行融合。该融合结合了局部方位融合和Bayesian融合两种机制,能进一步提高了不同目标配置之间的鉴别能力。基于公开发布的SAR数据库中的不同配置目标数据开展了配置识别实验,实验结果表明该算法获得了较理想的配置识别精度,优于现有算法。