论文部分内容阅读
合成孔径雷达(Synthetic Aperture Radar,SAR)目标自动识别(Automatic Target Recognition,ATR)是从SAR图像中提取目标特征来确定其类别属性的过程,可应用于战场侦察、军事打击、资源勘测和气象预测等多方面,具有重要的军事价值和民用价值。近年来,SARATR技术得到了众多国内外专家学者的关注,是SAR领域研究的热点问题。在SARATR过程中,待识别图像的分辨率对识别结果有着至关重要的影响,低分辨率SAR图像由于目标纹理不清晰、边缘轮廓模糊等问题,不利于特征提取和目标分类。但是高分辨率SAR图像获取成本高,依赖雷达成像系统的技术突破,因此如何不依赖硬件系统的升级而提升低分辨率SAR图像的识别准确率,是SAR ATR的一大难题。图像超分辨率技术自提出以来,在战场侦察、卫星遥感成像、医学影像和多媒体数码设备等方面发挥了重要作用。本文结合实际军事应用需求,在“十三五”预研和国家自然科学基金青年基金的支持下,开展了基于图像超分辨技术的SAR自动目标识别方法研究,重点研究单幅SAR图像超分辨率算法以及基于深度学习的SAR图像分类方法。主要研究内容包括:1.图像超分辨率基础理论和SARATR基本方法。为了降低背景噪声和目标阴影对SARATR带来的负面影响,提升识别准确率,需要对SAR图像进行预处理,进而准确提取目标区域。首先,对图像超分辨率领域内的基本问题进行了阐述,并利用Bicubic等传统的插值算法和超分辨率卷积神经网络(Super-Resolution Convolutional Neural Network,SRCNN)对SAR图像进行重构。其次,介绍了经典的SAR ATR方法——模板匹配法和基于支持向量机(Support Vector Machines,SVM)的SAR图像分类方法,详细描述了 SARATR的基本处理流程。最后,对公开的运动和静止目标获取和识别(Moving and Stationary Target Acquisition and Recognition,MSTAR)数据进行SAR图像预处理,并对常用图像超分辨方法和传统SAR图像分类方法进行了仿真,为后续SAR图像超分辨增强和SAR目标精确识别提供理论和技术支撑。2.针对传统插值算法和SRCNN所获得的重构图像灰度不连续以及高频信息严重缺失的难题,提出了基于增强深度残差网络(Enhanced Deep Residual Networks,EDSR)的SAR图像增强方法。首先,利用降采样方法生成“低分辨率-高分辨率”图像样本对;其次,将图像样本对输入EDSR网络进行训练,充分挖掘低分辨率图像到高分辨率图像的映射关系,提取图像的高频细节特征,重构高分辨率SAR图像;然后,将重构图像输入训练好的EDSR网络中,对SAR图像进行增强。最后,利用MSTAR数据进行了仿真验证,实现了 SAR图像的高分辨重构。3.针对EDSR难以准确恢复目标表面纹理细节和边缘信息,且造成伪影的挑战,提出基于超分辨率生成式对抗网络(Super-Resolution Generative Adversarial Network,SRGAN)的SAR图像增强方法。首先,将不同类别的“低分辨率-高分辨率”图像样本对分别输入SRGAN,由于SRGAN增加了对抗网络结构,损失函数由内容损失和对抗损失两部分构成,更加充分的学习高分辨率图像的空间特征,从而,实现了低分辨率SAR图像的纹理与边缘信息的高分辨重构,获得具有类别属性的重构模型;其次,然后将测试样本输入重构模型,得到增强后SAR图像;最后,利用MSTAR数据进行了仿真,验证了 SRGAN对SAR图像高频信息的精准增强,为后续SAR目标的精确识别奠定基础。4.针对传统分类方法依赖于先验信息且手动提取可分性特征费时耗力等问题,本章利用深度卷积神经网络(Deep Convolutional Neural Network,DCNN)对增强后的SAR图像进行分类。首先,搭建基于视觉几何组类(Visual Geometry Group,VGG)的DCNN结构框架;然后,将基于SRGAN获取的增强后SAR图像分为训练集和测试集,将训练集输入到DCNN中进行识别训练,提取SAR图像中目标的深层次可辨识特征;最后,将测试集输入到训练好的DCNN模型中获得最终的识别结果。同时,分别在标准操作条件(Standard Operating Condition,SOC)和扩展操作条件(Extended Operating Conditions,EOC)下利用MSTAR数据集对所提方法的有效性和泛化能力进行了验证。