合成孔徑雷達(dá)圖像目標(biāo)識別技術(shù)研究.pdf

1、基于合成孔徑雷達(dá)（Synthetic Aperture Radar，SAR）的自動目標(biāo)識別（Automatic Target Recognition，ATR）技術(shù)在現(xiàn)代戰(zhàn)場中的重要作用已經(jīng)使得它成為了國內(nèi)外研究的熱點之一。近十幾年來，SAR圖像的目標(biāo)識別研究在SAR圖像的預(yù)處理、特征提取及識別等方面均取得了相當(dāng)大的進(jìn)展。本論文主要圍繞教育部留學(xué)回國人員基金“基于SAR圖像的雷達(dá)自動目標(biāo)檢測與識別技術(shù)”、“十五”國防預(yù)研項目“目標(biāo)識別技術(shù)

2、”和“十一五”國防預(yù)研項目“基于目標(biāo)成像的識別技術(shù)”的研究任務(wù)，針對合成孔徑雷達(dá)圖像的目標(biāo)識別，從SAR圖像濾波、SAR圖像分割以及SAR圖像的特征提取與識別等方面展開了較為深入的研究。本論文的主要內(nèi)容概括如下： 1、針對SAR圖像的相干斑特點，對比了幾種常用的SAR圖像濾波方法，分析了它們的優(yōu)缺點，并給出了不同分辨率的SAP圖像的濾波結(jié)果。 2、針對相關(guān)文獻(xiàn)中存在的問題：①沒有考慮陰影，而陰影信息對識別是很有用的；②沒

3、有將目標(biāo)及其陰影從雜波背景中提取出來，由于背景雜波具有多樣性，不同的背景雜波特性會影響識別性能；⑨對于一個特定的識別問題，采用某一種分類算法或者某一種特征未必能獲得很好的識別性能，基于多特征或多分類算法的分類器融合是必需的，我們提出一種基于多分類器融合的SAR圖像目標(biāo)識別方法，首先給出有效的SAR圖像預(yù)處理方法，將目標(biāo)及其陰影從雜波背景中提取出來，抑制了背景雜波對后續(xù)識別的影響，然后基于極化映射提取目標(biāo)的強度分布特征、目標(biāo)和陰影的形狀特

4、征等，最后基于平均準(zhǔn)則融合多個分類器。 3、主分量分析（Principal Component Analysis，PCA）是模式識別領(lǐng)域中一種經(jīng)典的特征提取方法。然而，當(dāng)PCA用于圖像的特征提取時，要將2維圖像矩陣（m×n）轉(zhuǎn)換成1維向量（m·n），這會帶來兩個方面的問題：①損失圖像的2維空間結(jié)構(gòu)信息；②特征提取要在高維向量空間中進(jìn)行，但在高維空間中很難準(zhǔn)確估計協(xié)方差矩陣，且維數(shù)很大（（m·n）×（m·n）），對其進(jìn)行特征分解會

5、大大增加計算負(fù)擔(dān)。為了解決上述問題，二維主分量分析（Two-dimensional PCA，2DPCA）應(yīng)運而出，它直接采用2維圖像矩陣估計訓(xùn)練樣本的協(xié)方差矩陣，估計得到的協(xié)方差矩陣更準(zhǔn)確有效且維數(shù)僅為m×n或m×m，對其特征分解的效率也更高。但是，2DPCA僅去除了圖像各行或各列像素間的冗余信息，因此得到的特征矩陣維數(shù)較大。本章首先根據(jù)投影形式的不同將2DPCA分為兩種：右投影形式的2DPCA（Right2DPCA，R-2DPCA）和

6、左投影形式的2DPCA（Left2DPCA，L-2DPCA）。為了降低特征維數(shù)、改善識別性能，給出相應(yīng)的改進(jìn)2DPCA方法。 4、線性判決分析（Linear Discriminant Analysis，LDA）也是模式識別領(lǐng)域中一種有效的特征提取方法。與PCA類似，LDA在用于圖像特征提取時，也需要將2維圖像矩陣轉(zhuǎn)化為1維圖像向量，這會帶來“維數(shù)災(zāi)難”和“奇異”等問題。為此，近年來提出二維線性判決分析（Two-dimension

7、al LDA，2DLDA），它直接基于2維圖像矩陣來構(gòu)建散布矩陣。一本章中根據(jù)投影形式的不同首先將2DLDA分為兩種形式：右投影的二維線性判決分析（Right2DLDA，R-2DLDA）和左投影的二維線性判決分析（Left2DLDA，L-2DLDA）。然后針對它們特征維數(shù)過大的缺陷，提出三種改進(jìn)算法：兩級R-2DLDA（Two-stage R-2DLDA）、兩級L-2DLDA（Two-stage L-2DLDA）和兩向2DLDA（Two

8、-directional2DLDA）。 5、LDA是一種被廣泛應(yīng)用的線性降維算法，但它要求各個類別的數(shù)據(jù)要滿足單模分布結(jié)構(gòu)，且在用于圖像特征提取時通常會出現(xiàn)類內(nèi)散布矩陣奇異的問題，還有LDA得到的特征維數(shù)僅為c-1（c為類別數(shù)）。為了緩解上述局限性，近來提出了子類判別分析（Clustering-based Discriminant Analysis，CDA），它假設(shè)數(shù)據(jù)服從多模分布。然而，由于該方法采用的子類劃分方法是k均值聚類

9、算法，因而不能保證最終的識別結(jié)果是穩(wěn)定的、最優(yōu)的、且依賴聚類初始中心的選擇。為此，我們給出一種改進(jìn)的子類判決分析（Improved CDA，ICDA）方法，它首先采用快速全局k-均值聚類算法找到每類目標(biāo)最優(yōu)的子類劃分，然后基于這些子類劃分采用CDA準(zhǔn)則找到最優(yōu)的投影矢量，因此最終的識別性能不依賴聚類時初始聚類中心的選擇，且能保證達(dá)到全局最優(yōu)。 6、針對SAR圖像數(shù)據(jù)的多模分布特性，提出了以下幾種圖像特征提取方法： （1）

10、提出二維子類判決分析（Two-dimensional CDA，2DCDA）及其改進(jìn)的算法。它們直接基于2維圖像矩陣構(gòu)造子類類間和子類類內(nèi)散布矩陣，可克服CDA的維數(shù)災(zāi)難、奇異等問題。本章先后給出2DCDA的兩種投影形式：右投影形式的2DCDA（Right2DCDA，R-2DCDA）和左投影形式的2DCDA（Left2DCDA，L-2DCDA）。針對它們求得的特征矩陣維數(shù)過大的問題，相應(yīng)地提出幾種改進(jìn)的2DCDA算法。（2）提出二維最大子

11、類散度差鑒別分析及其改進(jìn)算法。由于在2DCDA中，需要計算子類類內(nèi)散布矩陣的逆矩陣，而在小樣本問題中逆矩陣通常是不存在的。為了避免計算逆矩陣或逆矩陣不存在的問題，我們給出一種新的圖像特征提取方法：二維最大子類散度差鑒別分析（Two-dimensional Maximum Clustering-based Scatter Difference，2DMCSD）。由于2DMCSD只沿行方向壓縮圖像，類似地，給出其另一種形式（稱之為Altern

12、ative2DMCSD），它只沿列方向壓縮圖像。為了克服2DMCSD和Alternative2DMCSD的特征維數(shù)過大的問題，又提出兩向二維最大子類散度差鑒別分析（Two-directional2DMCSD，（2D）2MCSD）。（3）提出對角子類判決分析算法。上述的2DPCA、2DFLD和2DCDA僅保留了圖像行（或列）方向的相關(guān)性變化，而忽略了圖像列（或行）方向的相關(guān)性變化。為了同時保留圖像行和列像素間的相關(guān)性變化，提出對角子類判決