SAR圖像目標(biāo)特征提取與識(shí)別算法研究.pdf

1、合成孔徑雷達(dá)(Synthetic Aperture Radar，SAR)目前已經(jīng)廣泛應(yīng)用于軍事上的目標(biāo)探測(cè)和民用的雷達(dá)主動(dòng)遙感等領(lǐng)域。開展SAR圖像自動(dòng)目標(biāo)識(shí)別(Automatic Target Recognition，ATR)技術(shù)的研究，突破SAR圖像半自動(dòng)、自動(dòng)特征提取技術(shù)瓶頸，已經(jīng)成為國(guó)家戰(zhàn)略偵察、監(jiān)視和預(yù)警以及精確打擊武器型號(hào)發(fā)展中的迫切需求。本文基于運(yùn)動(dòng)和靜止目標(biāo)的捕獲與識(shí)別(Movingand Stationary Targ

2、et Acquisition and Recognition，MSTAR)數(shù)據(jù)庫(kù)，進(jìn)行了較全面的算法研究，為SAR特征提取及識(shí)別系統(tǒng)提出了一系列相關(guān)的新算法。從SAR圖像的相干斑機(jī)理出發(fā)，研究了相干斑的幅相統(tǒng)計(jì)特性，給出了相干斑疊加后強(qiáng)度的分析，以及當(dāng)?shù)匚锷⑸湎禂?shù)作為常矢量和隨機(jī)矢量與相干斑疊加后的統(tǒng)計(jì)分布特性的分析。在此基礎(chǔ)上，分別從相干斑抑制、峰值特征提取、屬性主散射中心提取、強(qiáng)度多邊緣特征提取、幅相矢量的邊緣特征提取、以及方位向提

3、取等六個(gè)方面進(jìn)行了研究，為目標(biāo)識(shí)別提供了多特征融合的基礎(chǔ)。最后，形成了一套不同特征提取條件下、不同識(shí)別要求下的SAR圖像目標(biāo)ATR算法，并得到了較好的評(píng)價(jià)指標(biāo)。本文的主要研究?jī)?nèi)容有：
　　 (1)在SAR圖像噪聲抑制方面，提出了一種改進(jìn)的Gibbs馬爾可夫隨機(jī)場(chǎng)條件迭代(Improve Gibbs Markov Random Field-Iterated Conditional Mode，IGMRF-ICM)復(fù)原聚類算法。該算法

4、在傳統(tǒng)MRF圖像模型的基礎(chǔ)上，將像素強(qiáng)度值的變化引入馬爾可夫隨機(jī)場(chǎng)的勢(shì)函數(shù)的定義中。在最大后驗(yàn)概率估計(jì)時(shí)，用Gamma分布代替?zhèn)鹘y(tǒng)的瑞利分布復(fù)原后向散射系數(shù)，達(dá)到抑制噪聲的目的。同時(shí)，利用數(shù)字形態(tài)學(xué)理論中圖像像素強(qiáng)度之間的相關(guān)性建立鄰近模型，提出最大連通聚類算法，將目標(biāo)較好的分割出來(lái)，使復(fù)原后的斑噪視數(shù)與原始的斑噪視數(shù)相似度達(dá)到90％以上，邊緣特征保持指數(shù)達(dá)到80％。
　　 (2)在峰值特征提取方面，提出了不經(jīng)過(guò)SAR噪聲抑制直

5、接進(jìn)行SAR圖像目標(biāo)峰值特征提取算法，給出了Gauss和Sinc函數(shù)峰值提取模型。同時(shí)用導(dǎo)數(shù)方程法和加權(quán)最小二乘法精確地提取目標(biāo)的峰值參數(shù)，并對(duì)其進(jìn)行了統(tǒng)計(jì)波動(dòng)分析與比較。由于SAR回波成像的旁瓣效應(yīng)，本文提出的Sinc峰值模型在統(tǒng)計(jì)波動(dòng)分析中受噪聲影響的波動(dòng)方差與其它兩種方法相比最小，在雜波下能有效地提取峰值。
　　 (3)在屬性主散射中心提取方面，提出了基于峰值模型的Clean的屬性主散射中心提取法。由于峰值反映了散射中心的

6、本質(zhì)，因此由峰值之和得到的坐標(biāo)值能有效地減少了對(duì)(x，y)初值的估計(jì)錯(cuò)誤。通過(guò)距離向和方位向質(zhì)心對(duì)屬性主散射中心坐標(biāo)分類后建立Koets屬性主散射中心模型，并引入Clean算法的思想進(jìn)行屬性主散射中心提取，得到更為準(zhǔn)確的主散射中心。
　　 (4)在SAR圖像邊緣特征提取方面，提出基于強(qiáng)度泊松跳變的多邊緣特征提取指數(shù)加權(quán)方向圖(Ratio Of Exponentially Weighted Direction Map，ROEDM)

7、算法。將多邊緣指數(shù)加權(quán)均值比(Ratio Of Exponentially Weighted Averages，ROEWA)算子與Gabor函數(shù)相結(jié)合，利用Gabor函數(shù)具有的多方向特性在邊緣強(qiáng)度圖上確定邊緣的方向，再用最大似然估計(jì)糾正錯(cuò)誤的邊緣方向，結(jié)合視覺(jué)細(xì)胞的倍頻程計(jì)算出Gabor函數(shù)的最佳局域?yàn)V波參數(shù)，然后進(jìn)行局域自適應(yīng)Gabor濾波提取出SAR圖像的正確邊緣。實(shí)驗(yàn)驗(yàn)證該算法在多邊緣較為接近時(shí)的邊緣提取效果較好，邊緣評(píng)價(jià)指數(shù)均有

8、不同幅度的提高。
　　 (5)提出了基于馬爾可夫隨機(jī)場(chǎng)和Rician分布的幅相矢量邊緣特征提取的Gabor濾波算法(MRF-Rician-Gabor，MRG)算法。利用SAR圖像相干斑的形成機(jī)理，在復(fù)原后的幅度上疊加相位信息后，引入Rician分布尋找最佳局域Gabor濾波器參數(shù)，對(duì)SAR圖像進(jìn)行目標(biāo)提取。與以往僅僅基于幅度數(shù)據(jù)的算法相比，該算法充分利用了SAR圖像幅度和相位中所攜帶的信息，能更準(zhǔn)確地提取目標(biāo)。
　　 (

9、6)在SAR圖像方位角估計(jì)方面，提出了基于MRG邊緣提取算法的Radon綜合方位角估計(jì)算法。由目標(biāo)的主軸確定目標(biāo)所在的范圍，分0度、180度和90度、270度兩種判別方法對(duì)其進(jìn)行目標(biāo)陰影的綜合判別，利用Radon變換得到兩者的主軸信息。實(shí)驗(yàn)驗(yàn)證，Radon的綜合判別算法的角度絕對(duì)誤差均小于基于峰值的線性回歸算法和包絡(luò)盒的算法，驗(yàn)證了其算法的有效性和準(zhǔn)確性。
　　 (7)在SAR圖像目標(biāo)識(shí)別領(lǐng)域，提出了基于核主成分Fisher判別

10、算法(Kernel PrincipleComponent Analysis-Fisher Discriminant，KPFD)和雙向主成分Fisher判別算法(Two BidirectionalPCA-Fisher Discriminant，2BPFD)的多特征融合分類器算法。在特征融合分類器中，引入了KPFD和2BPFD兩種模式識(shí)別算法。在決策層和度量層分別對(duì)特征融合分類器進(jìn)行實(shí)驗(yàn)、排序后發(fā)現(xiàn)度量層的乘法規(guī)則在種類識(shí)別中的分類效果較好