论文部分内容阅读
合成孔径雷达（SyntheticAperture Radar，SAR）图像的目标识别是对目标属性、类别或类型的判定，基于SAR图像的目标识别技术在军事、民用等领域都具有十分重要的作用，面对SAR数据源急剧膨胀，如何克服相干斑噪声影响并快速准确提取有用信息，实现SAR图像目标自动识别是SAR图像应用面临的挑战。本文针对SAR ATR技术中相干斑抑制、目标分割、特征提取、目标识别等关键技术开展研究。主要完成工作如下：（1）研究了基于脊波冗余字典的相干斑抑制。针对传统小波字典根据点奇异性构建字典导致对SAR图像边缘、纹理描述不清晰的问题，提出一种基于脊波冗余字典的SAR图像相干斑抑制算法。利用对线奇异性描述较强的脊波建立冗余字典，实现对SAR图像的稀疏表示，完成对SAR图像相干斑抑制。实验证明，该算法与传统小波相干斑抑制算法比较，PSNR提高5dB左右。（2）研究了基于能量最大流（Maxflow）的SAR图像目标分割。根据SAR大场景下传统分割算法对于目标提取虚警过高，从而导致需要较多的人为交互式操作，无法实现对目标的自动分割的问题。将目标分割转化为求解能量最大流问题，提出一种基于能量最大流的SAR图像分割算法。借助Ford-Fukerson算法来计算SAR图像最大流，提取目标及阴影部分，结合Otus算法将目标与阴影清晰地分割开来。实验证明，相比于双参数CFAR法，该算法有效地降低SAR图像目标误分割像素。（3）研究了基于流形建模的SAR图像稀疏表示的识别方法。针对传统的全局线性结构假设的特征提取算法不能有效克服高维SAR数据集的非线性影响问题，导致分类效果不理想，把流形学习和稀疏表示两者相互结合，根据同一类SAR图像位于同一个低维流形上这个特点，提出一种基于流形建模的SAR图像稀疏表示的识别方法。利用混合因子分析模型来对MSTAR库进行流形建模，通过EM算法得出各类目标的特征参数，并构建起一个全局的字典，最终利用OMP算法叠代求出稀疏表示系数并进行目标的分类。实验证明对MSTAR库三类目标识别率均达到97%以上，取得了良好的分类效果，证明了算法的可行性。