论文部分内容阅读
作为战场信息综合处理的重要内容之一，合成孔径雷达自动目标识别(Synthetic Aperture Radar Automatic Target Recognition，SAR ATR)具有重要的学术研究价值和广阔的军事应用前景，已成为当前科研领域里的攻关性课题之一。本文基于SAR ATR系统的处理流程，从SAR图像预处理和目标特征提取两个方面展开研究，具体研究内容如下：(1)针对原始SAR图像中目标所占比重小，图像维数高的问题，采用基于Weibull分布的双参数CFAR分割技术和几何聚类方法提取原始SAR图像中的感兴趣区域(ROI)，降低了原始SAR图像的数据维数。利用质心配准，能量归一化和基于幂变换的图像增强技术对SAR图像进行后续处理，增强了所提取目标中有利于分类识别的信息。(2)针对基于数据集全局线性结构的特征提取方法不能有效的对高维图像数据进行特征提取的问题，在SAR图像特征提取中引入流形学习方法。从理论分析和实验验证两个方面论证了高维SAR图像数据集的流形分布特性，为流形学习应用于SARATR奠定了基础。同时，提出并阐述了基于邻域判别嵌入的SARATR。(3)针对传统流形学习特征提取方法未能有效的从样本的邻域中发掘分类信息的问题，基于邻域判别嵌入的观点，提出了邻域虚拟点鉴别嵌入(NVPDE)特征提取算法。该算法通过在样本的各邻域中引入邻域虚拟点，建立了各样本邻域间的空间结构关系，使得所提取特征的最高识别率可以达到97.88%。(4)针对传统流形学习特征提取方法在特征提取过程中存在样本聚类方向不明确的问题，基于邻域判别嵌入的观点，提出了邻域几何中心定标嵌入特征提取方法，包括一维邻域几何中心定标嵌入(NGCSE)、二维邻域几何中心定标嵌入(2DNGCSE)和基于2DPCA和2DNGCSE融合(2DPCA-based2DNGCSE)特征提取算法。该算法通过构建各样本的同类和异类邻域几何中心定标，赋予各样本点明确的聚类方向，使提取的特征在低维空间中具有更好的可分性，提高了算法的识别率和稳定性。三种算法的最高识别率分别可以达到97.88%、97.95%和98.24%。基于MSTAR数据库的实验验证了本文中提出的SAR图像预处理方法和SAR图像特征提取算法的有效性。