论文部分内容阅读
作为一种主动式微波传感器,合成孔径雷达(Synthetic Aperture Radar,SAR)可以不受光照、气候等自然条件的影响,全天时、全天候成像,且具有一定的穿透能力,在军用和民用领域均得到了广泛的应用。变化检测和目标分类作为SAR图像解译的重要组成部分,受到国内外学者的广泛关注。然而,在实际应用中,可利用的SAR图像信息通常受到限制,主要体现在以下两个方面:一是难以获得大量的SAR图像,二是由于SAR图像的可解译性较差,使得对SAR图像所提供的目标信息有限且标注较为困难。本文针对信息受限的SAR图像变化检测和目标分类问题进行了深入的分析和研究,主要内容可以概括为以下四个方面:1.针对SAR图像变化检测先验知识难以获取、对斑点噪声敏感的问题,研究了SAR图像变化检测算法,提出了一种利用SIFT(Scale Invariant Feature Transform,SIFT)关键点的无监督SAR图像变化检测方法。传统的SAR图像变化检测算法利用变化前后的SAR图像得到差异图后,直接对差异图进行分析得到变化图。但变化区域外的斑点噪声容易产生虚警,降低了检测的精度。提出方法在获得差异图之后,利用SIFT关键点对噪声具有鲁棒性的特点,在差异图中进行SIFT关键点检测,并利用SIFT关键点的位置和尺度信息,缩小变化检测的范围,从而减少变化区域外噪声点对检测的影响。此外,相比于传统检测方法对模糊化的差异图进行分析,提出方法利用分割算法直接在原始图像上进行分割,可以较好的保留变化区域的信息。由于SIFT关键点的引入和对原始图像的利用,使得提出方法可获得较低虚警,同时可以保留变化区域的完整性,进而提高了整个方法的检测精度。基于不同实测SAR数据的检测结果表明,提出的变化检测方法的性能相比传统检测方法有较大的提升。2.针对SAR目标鉴别中样本标记困难的问题,研究了SAR目标鉴别算法,提出了一种基于协同训练的半监督SAR目标鉴别方法。传统的目标鉴别方法大多都是全监督的,需要有标记的训练样本训练分类器再对新的数据进行鉴别。然而,在实际应用中,标记样本通常比较耗时和繁琐,当需要标记的样本数据量较大时,标记样本需要花费的人力和时间更大,当仅有少量的标记样本可用时,监督方法无法捕获图像本质的隐含模式,使得鉴别性能的下降。提出方法可以利用少量的标记样本和大量的无标记样本进行学习,从而实现SAR目标鉴别,具体来说,对现有鉴别特征进行分析,从中选出两组具有互补信息的特征,作为协同训练的两个视图,在两个视图下分别训练两个分类器,在训练过程中每个分类器挑选置信度较高的无标记样本交给对方分类器学习,直到无标记样本被全部标记。提出方法利用传统林肯特征间的互补性,促进分类器间的信息交互,从而提高鉴别精度。基于实测数据集的实验结果表明利用少量的标记样本,提出方法即可达到与传统全监督鉴别方法相当的鉴别性能。3.针对传统SAR鉴别特征鉴别能力差和SAR样本标记困难的问题,提出了一种用于SAR目标鉴别的半监督无限隐狄利克雷分配(Semi-supervised Infinite Latent Dirichlet Allocation,SSILDA)模型。传统鉴别特征仅对样本提供粗略的、部分的描述,缺乏对样本语义信息的刻画,提出模型可以挖掘样本的语义信息同时在语义层面进行鉴别。具体的,该模型在原始LDA模型的基础上引入类别变量,使得模型可以实现鉴别,同时在模型中引入狄利克雷过程(Dirichlet Process,DP),使得模型可以自动确定主题个数。改进后的模型将特征学习和鉴别器学习统一在贝叶斯框架下,二者联合学习,在提取切片语义特征的同时,实现了在语义层面的鉴别,避免了因特征和鉴别器的失配带来的鉴别性能下降的问题;同时引入了半监督思想,可以利用少量的标记样本和大量的无标记样本进行学习,减少对标记样本的需求。基于实测数据集的实验结果表明,相比于传统的全监督鉴别方法以及半监督方法,提出方法可以获得更好的鉴别性能。4.针对SAR图像提供的目标信息有限的问题,对SAR目标识别算法进行研究,提出了一种基于鉴别和生成融合网络的SAR目标识别方法。直接利用SAR图像进行识别,可利用的目标信息有限,一方面SAR图像并不像光学图像,无法提供关于目标丰富的结构与颜色等信息,另一方面可用来训练的SAR图像有限,使得基于深度学习的SAR目标识别性能受到限制。在实际应用中,在获得SAR图像的同时可以获得高分辨距离像(High-Resolution Range Profile,HRRP),可以同时利用SAR图像和HRRP数据实现融合识别,提取SAR图像特有的结构相关的特征,同时提取HRRP生成特性相关的特征,从不同角度对目标进行描述,以提供关于目标更完整的描述,从而提高识别的精度。具体的,将SAR图像输入到卷积神经网络(Convolutional Neural Network,CNN),提取图像鉴别相关的特征;将SAR图像对应的HRRP数据输入到变分自编码器(Variational Autoencoder,VAE)中,提取HRRP生成特性相关的特征。最终将两种特征进行融合,利用融合后的特征进行识别。在整个网络的学习过程中,两个支流网络进行联合优化。基于实测数据的实验结果表明,在不进行数据扩充的情况下,提出的融合网络比传统网络具有更好的识别性能。