基于属性散射中心的SAR图像重构及在目标识别中的应用

提出基于属性散射中心重构的合成孔径雷达(SAR)图像目标识别方法.该方法采用邻域匹配算法构建测试图像散射中心集与对应模板散射中心集的对应关系.并分别利用所有的测试散射中心以及匹配的模板散射中心基于属性散射中心模型重构测试图像和模板图像.在此基础上,设计重构图像之间的相似度度量并根据最大相似度的准则判定目标类别.利用MSTAR数据集在多种条件下进行了目标识别实验,验证了所研究方法的有效性.     

基于散射机理分类与方位对称性判决的极化SAR人造目标提取

由于极化SAR人造目标电磁散射的复杂性,已有极化SAR人造目标提取方法难以完整地提取出感兴趣区域内不同类型的目标.针对这一不足,提出一种基于散射机理分类与方位对称性判决的提取新方法,充分利用目标与杂波在散射机理类型及方位对称性上的差异进行提取.与已有方法相比,该方法对极化SAR图像中不同极化特征的人造目标都有较好的提取性能,提取结果更为完整和准确.利用全极化SAR实测数据验证了本方法的有效性和优良性能.     

基于Coherent Point Drift方法的SAR图像散射中心匹配

散射中心匹配是当前散射中心用于SAR图像目标识别的一个主要技术途径.散射中心匹配的难点在于散射中心特征存在的误差和缺失.Coherent Point Drift (CPD)方法从概率密度估计的角度解决点模式匹配问题,能够较好地考虑散射中心的误差和缺失.本文将CPD方法用于散射中心匹配,并在此基础上引入车辆目标SAR图像方位角估计先验信息和散射中心属性信息,以提高散射中心匹配的准确性和稳健性.MSTAR数据实验说明了该方法的有效性.     

基于CNN的SAR图像舰船目标检测算法

为了提升合成孔径雷达(Synthetic Aperture Radar,SAR)图像舰船目标检测的精度和速度,对卷积神经网络(Convolutional Neural Network,CNN)在SAR图像舰船目标检测上进行了研究。通过改进OTSU方法对SAR图像进行分割,并且用最小外接矩形将疑似目标标记出来;依据矩形中心在原始图像上提取出固定大小区域作为候选区域;将提取的目标通过训练好的卷积神经网络进行判定,去除虚警目标并将检测结果在原图中标记出来。实测数据的实验结果表明,该算法在降低虚警的同时提升了检测速度。     

基于方位特征序列的地雷鉴别算法

在使用低频超宽带合成孔径雷达(UWB-SAR)对地雷进行探测的过程中,根据目标电磁散射随方位角和入射角的变化特性,提出一种利用双峰间距和频率凹点特征沿方位向变化的隐马尔科夫模型(HMM)鉴别算法。该算法首先针对目标感兴趣区域(ROI)图像估计其各方位回波响应,然后利用时频原子提取时域双峰间距和频率凹点,进而得到随方位角变化的特征序列,再通过SAR工作时方位角和入射角的变化特点以及训练样本确定HMM参数,并在此基础上计算疑似目标新的特征矢量,采用马氏距离进行判别。实验结果表明了本文所提方法在目标鉴别方面的有效性。     

基于Viterbi算法和ROMP的多弹道目标分离与特征提取

为实现对中段飞行中多弹道目标进行分类和特征提取,首先利用重排Gabor分布与Viterbi算法相结合的方法,获取目标散射点的时频曲线,对目标信号时频曲线拟合后进行频谱分析,完成目标运动类型分类。根据目标微动类型确定对应散射点的回波信号形式并构造相应的匹配原子库,设定待估计参数,利用ROMP方法对参数进行提取。仿真实验表明,该方法有效实现散射点分离并判断出目标的微动类型,同时验证了该方法对目标参数的提取精度。     

基于广义伽马分布的SAR图像相干斑抑制

引入广义伽马分布对SAR图像杂波的统计特性进行建模,在此基础上给出了一种自适应SAR图像相干斑抑制方法。该方法在贝叶斯理论框架下利用最大后验概率准则对地物的真实后向散射强度进行估计。分布模型的参数采用以梅林变换为基础的对数累积量方法进行估计。基于SAR实测数据的仿真实验结果表明,提出的方法能够有效地去除SAR图像中的相干斑噪声。     

时间距离像消隐时弹头进动与结构参数估计

考虑弹道目标时间距离像存在消隐现象,提出了一种弹道目标微距离变化曲线断续时进动与结构参数提取方法。首先,建立了弹道中段目标宽带回波模型,推导了散射中心微距离变化曲线理论公式;其次,提取了时间距离像中各散射中心的微距离变化曲线,据此提出采用选点方法实现目标进动频率和平动参数联合估计,完成了弹道目标时间距离像的平动补偿;最后,利用扩展Hough变换方法进行补偿后断续微距离变化曲线的检测,基于各散射中心间的相对位置信息实现了弹道目标的结构参数提取。电磁仿真实验验证了该方法的有效性。     

一种SAR图像特征提取和目标分类的新方法

提出了一种利用二维离散小波变换与核主成分分析结合对SAR图像进行特征提取的新方法.该方法对SAR图像进行三层小波分解后提取低频子带图像的核主成分分量作为目标的分类特征,利用支持向量机完成目标分类.采用MSTAR实测SAR目标数据集进行特征提取和分类实验,实验结果表明:该方法可以有效提高目标的正确识别率.     

基于解线频调ISAR成像与散射中心匹配的弹道目标识别

为了能充分利用目标的散射中心进行弹道目标识别,提出利用解线频调的方法,通过对距离向和方位向进行快速傅里叶变换(FFT),实现对目标散射中心成像,然后从目标ISAR像中提取目标特征信息。最后提出了一种新的匹配识别的方法实现对目标的分类识别,该方法利用提取的散射中心的位置和幅度信息,通过构造匹配度矩阵,判定目标所属的类别。仿真实验表明,该方法在设定情况下具有良好的目标识别能力。     

基于非参估计的局部滑窗双参CFAR目标检测

针对特定杂波概率模型不能有效的描述SAR图像背景杂波这一问题,提出了一种基于非参估计的局部滑窗双参CFAR目标检测算法。该方法首先用非参估计方法逼近SAR图像局部背景,完成对局部背景的精确建模;在此基础上,理论推导了局部双参CFAR检测算法的阈值,设计了阈值求解的数值算法。对典型目标图像进行实验,结果表明,该方法检测速度较快、精度较高。     

一种基于G0分布的SAR图像快速CFAR检测方法

杂波统计模型是决定CFAR检测算法性能的关键因素.G0分布能对单视和多视SAR图像中均匀、一般不均匀和极不均匀区域精确建模,但存在参数估计复杂、阈值表达式难以求解的问题,限制了其实用性.针对这些问题,分别采用矩估计法和二分法来完成参数的估计和阈值的求取,并通过目标区域预筛选和迭代计算等手段进一步提高了计算效率,得到了一种兼顾检测效果和效率的快速CFAR检测方法.实验结果验证了该方法的有效性.     

船海复合场景面元化快速电磁建模方法及SAR成像仿真

在微波高频段,海面背景或海上船类目标往往具有电大尺寸和复杂精细的结构,这给船海复合场景的电磁建模带来巨大的计算负担。为简化计算,基于海面电磁散射模型面元化思想和图形电磁学,结合计算耦合场的四路径模型,提出一种电大尺寸船海复合场景电磁散射的快速计算方法。在保证海面与目标复合散射场的计算准确性前提下,提高计算效率。仿真并分析不同雷达参数下动态海面与目标的雷达散射截面,计算结果与实测数据以及精确数值方法结果的良好一致性验证了方法的准确性。将复合散射快速计算方法应用于合成孔径雷达成像仿真,仿真结果验证了方法的有效性。     

基于回波域的低频UWBSAR极化校准

多极化,低频超宽带(ultrawideband,UWB)合成孔径雷达(syntheticapertureradar,SAR)是雷达技术未来发展的一个重要方向。系统的低频特性,UWB特性和大处理角特性使得常规SAR极化校准不再适用。基于系统回波模型,同时考虑定标体的电磁散射特性,给出了适合该系统的极化校准方法。计算机仿真验证了该方法的有效性。     

SAR微动目标的稀疏贝叶斯成像方法

SAR微动信息能够反映出目标的属性信息,其微动图像可作为雷达目标识别的一种重要手段。基于SAR微动目标回波的稀疏特性,建立了在过完备词典下的稀疏表示模型,提出一种新的稀疏贝叶斯重构方法——方差成分扩张压缩,该方法仅赋予有重要意义的信号元素不同的方差分量,拥有更少的参数。仿真结果表明,方差成分扩张压缩方法能较精确地估计出SAR目标微动参数,同时能够获得低信噪比条件下较好的微动目标像。     

Arbitrary-oriented target detection in large scene sar images

Target detection in the field of synthetic aperture radar (SAR) has attracted considerable attention of researchers in national defense technology worldwide, owing to its unique advantages like high resolution and large scene image acquisition capabilities of SAR. However, due to strong speckle noise and low signal-to-noise ratio, it is difficult to extract representative features of target from SAR images, which greatly inhibits the effectiveness of traditional methods. In order to address the above problems, a framework called contextual rotation region-based convolutional neural network (RCNN) with multilayer fusion is proposed in this paper. Specifically, aimed to enable RCNN to perform target detection in large scene SAR images efficiently, maximum sliding strategy is applied to crop the large scene image into a series of sub-images before RCNN. Instead of using the highest-layer output for proposal generation and target detection, fusion feature maps with high resolution and rich semantic information are constructed by multilayer fusion strategy. Then, we put forwards rotation anchors to predict the minimum circumscribed rectangle of targets to reduce redundant detection region. Furthermore, shadow areas serve as contextual features to provide extraneous information for the detector identify and locate targets accurately. Experimental results on the simulated large scene SAR image dataset show that the proposed method achieves a satisfactory performance in large scene SAR target detection.     

高能离子在材料中输运的蒙特卡罗模拟

利用蒙特卡罗方法对高能离子在材料中的输运进行了计算机模拟研究 ,入射高能离子与靶材料的作用近似为核散射和电子作用两个独立的部分 ,核散射能量损失采用经典两体碰撞近似 ,通过对碰撞参数的随机抽样得到散射角 ,电子能量损失高能时采用Bethe-Bloch公式 ,低能时采用Lindhard -Scharff公式 ,中能时采用插值公式。最后对高能铁离子入射于铝、硅材料的输运进行了模拟计算 ,给出了模拟结果并进行了分析。     

基于局部双参数估计的SAR图像CFAR目标检测技术

提出了在背景杂波呈现Weibull分布条件下的SAR图像恒虚警目标检测方法.从统计分析观点,推导了基于局部窗口的Weibull分布参数估计和自适应CFAR目标检测阈值的计算公式;对检测后的图像进行形态滤波处理以消除检测中的虚假目标;最后提出了应适当选择恒虚警率.仿真结果表明该方法的有效性.     

SAR图像目标分割与方位角估计

图像分割和目标方位角估计是进行SAR (SyntheticApertureRadar)图像自动目标识别的重要步骤。文章提出了一种基于MRF (MarkovRandomfield)模型的SAR图像分割算法 ,利用ICM (IterativeConditionalMode)局部优化方法 ,获得MAP (maximumaposteriori)准则下的图像分割结果 ,将图像分割为目标、阴影、背景三部分。然后确定目标离雷达最近的点 ,从而得到目标的主导边界 ,并估计出目标的方位角。用MSTAR (MovingandStationaryTargetAcquisitionandRecognition)数据进行实验 ,估计方位角的准确性与现有算法的结果相比 ,具有明显提高