SAR圖像目標特征提取與識別算法研究.pdf

1、合成孔徑雷達(Synthetic Aperture Radar，SAR)目前已經(jīng)廣泛應用于軍事上的目標探測和民用的雷達主動遙感等領域。開展SAR圖像自動目標識別(Automatic Target Recognition，ATR)技術的研究，突破SAR圖像半自動、自動特征提取技術瓶頸，已經(jīng)成為國家戰(zhàn)略偵察、監(jiān)視和預警以及精確打擊武器型號發(fā)展中的迫切需求。本文基于運動和靜止目標的捕獲與識別(Movingand Stationary Targ

2、et Acquisition and Recognition，MSTAR)數(shù)據(jù)庫，進行了較全面的算法研究，為SAR特征提取及識別系統(tǒng)提出了一系列相關的新算法。從SAR圖像的相干斑機理出發(fā)，研究了相干斑的幅相統(tǒng)計特性，給出了相干斑疊加后強度的分析，以及當?shù)匚锷⑸湎禂?shù)作為常矢量和隨機矢量與相干斑疊加后的統(tǒng)計分布特性的分析。在此基礎上，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、取等六個方面進行了研究，為目標識別提供了多特征融合的基礎。最后，形成了一套不同特征提取條件下、不同識別要求下的SAR圖像目標ATR算法，并得到了較好的評價指標。本文的主要研究內容有：
　　 (1)在SAR圖像噪聲抑制方面，提出了一種改進的Gibbs馬爾可夫隨機場條件迭代(Improve Gibbs Markov Random Field-Iterated Conditional Mode，IGMRF-ICM)復原聚類算法。該算法

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

5、接進行SAR圖像目標峰值特征提取算法，給出了Gauss和Sinc函數(shù)峰值提取模型。同時用導數(shù)方程法和加權最小二乘法精確地提取目標的峰值參數(shù)，并對其進行了統(tǒng)計波動分析與比較。由于SAR回波成像的旁瓣效應，本文提出的Sinc峰值模型在統(tǒng)計波動分析中受噪聲影響的波動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，因此由峰值之和得到的坐標值能有效地減少了對(x，y)初值的估計錯誤。通過距離向和方位向質心對屬性主散射中心坐標分類后建立Koets屬性主散射中心模型，并引入Clean算法的思想進行屬性主散射中心提取，得到更為準確的主散射中心。
　　 (4)在SAR圖像邊緣特征提取方面，提出基于強度泊松跳變的多邊緣特征提取指數(shù)加權方向圖(Ratio Of Exponentially Weighted Direction Map，ROEDM)

7、算法。將多邊緣指數(shù)加權均值比(Ratio Of Exponentially Weighted Averages，ROEWA)算子與Gabor函數(shù)相結合，利用Gabor函數(shù)具有的多方向特性在邊緣強度圖上確定邊緣的方向，再用最大似然估計糾正錯誤的邊緣方向，結合視覺細胞的倍頻程計算出Gabor函數(shù)的最佳局域濾波參數(shù)，然后進行局域自適應Gabor濾波提取出SAR圖像的正確邊緣。實驗驗證該算法在多邊緣較為接近時的邊緣提取效果較好，邊緣評價指數(shù)均有

8、不同幅度的提高。
　　 (5)提出了基于馬爾可夫隨機場和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理，在復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SAR圖像進行目標提取。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，能更準確地提取目標。
　　 (

9、6)在SAR圖像方位角估計方面，提出了基于MRG邊緣提取算法的Radon綜合方位角估計算法。由目標的主軸確定目標所在的范圍，分0度、180度和90度、270度兩種判別方法對其進行目標陰影的綜合判別，利用Radon變換得到兩者的主軸信息。實驗驗證，Radon的綜合判別算法的角度絕對誤差均小于基于峰值的線性回歸算法和包絡盒的算法，驗證了其算法的有效性和準確性。
　　 (7)在SAR圖像目標識別領域，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兩種模式識別算法。在決策層和度量層分別對特征融合分類器進行實驗、排序后發(fā)現(xiàn)度量層的乘法規(guī)則在種類識別中的分類效果較好