基于稀疏理論的SAR圖像目標(biāo)識(shí)別研究.pdf

1、合成孔徑雷達(dá)(SAR)是一種重要的對(duì)地觀測(cè)手段。利用SAR圖像進(jìn)行目標(biāo)識(shí)別在戰(zhàn)場(chǎng)環(huán)境中具有非常重要的意義。本論文圍繞基于稀疏理論的SAR圖像目標(biāo)識(shí)別進(jìn)行了深入的研究:重點(diǎn)針對(duì)存在遮擋情況下的SAR目標(biāo)識(shí)別問題和從數(shù)據(jù)中自動(dòng)進(jìn)行特征提取的問題。各部分的主要內(nèi)容概括如下:
　　第一部分，針對(duì)合成孔徑雷達(dá)(SAR)圖像目標(biāo)識(shí)別中存在物體遮擋的情況，提出一種基于非負(fù)稀疏表示的分類方法。通過分析L0范數(shù)和L1范數(shù)最小化在求解非負(fù)稀疏表示問題

2、上的區(qū)別，證明在一定條件下，L1范數(shù)最小化方法除了保持解的稀疏性還能得到與輸入信號(hào)更加相似的原子集合，因此也更加適用于分類問題中。在運(yùn)動(dòng)和靜止目標(biāo)獲取與識(shí)別(MSTAR)數(shù)據(jù)集上的識(shí)別實(shí)驗(yàn)結(jié)果表明，采用L1范數(shù)的非負(fù)稀疏表示分類方法能達(dá)到較好的識(shí)別性能，并且相對(duì)傳統(tǒng)方法對(duì)存在遮擋情況下的識(shí)別問題更穩(wěn)健。
　　第二部分，雖然基于稀疏表示或者非負(fù)稀疏表示的模型在遮擋情況下的目標(biāo)識(shí)別表現(xiàn)出一定的穩(wěn)健性能，但是其模型中對(duì)于遮擋部分采用的都

3、是像素級(jí)假設(shè)，即:遮擋效應(yīng)引起的是目標(biāo)圖像上少量像素點(diǎn)的變化，并且假定受影響的像素點(diǎn)在空間位置上是獨(dú)立出現(xiàn)的。然而真實(shí)情況是，對(duì)于尺度小于成像單元大小的遮擋物，其遮擋效應(yīng)在目標(biāo)圖像上的表現(xiàn)通常與相干斑造成的效果相近。而對(duì)于尺度大于成像單元大小的遮擋物，其使得目標(biāo)圖像上發(fā)生強(qiáng)度變化的區(qū)域?qū)?huì)是一塊連續(xù)的區(qū)域。因此我們可以利用遮擋效應(yīng)的這一結(jié)構(gòu)化特點(diǎn)，對(duì)遮擋部分進(jìn)行單獨(dú)建模，提出了結(jié)構(gòu)化稀疏遮擋模型。該模型嘗試將測(cè)試數(shù)據(jù)中的遮擋部分以及在訓(xùn)

4、練樣本集上的稀疏表示部分分離開來。在識(shí)別時(shí)，僅僅通過稀疏表示部分進(jìn)行目標(biāo)分類，從而避免了遮擋的影響。仿真實(shí)驗(yàn)表明，基于結(jié)構(gòu)化稀疏遮擋模型的方法不僅對(duì)于遮擋區(qū)域的大小，形狀，塊數(shù)以及散射起伏都具有較好的穩(wěn)健性。
　　第三部分，地面目標(biāo)的SAR圖像中除了包含目標(biāo)散射回波形成的區(qū)域，還包括由目標(biāo)遮擋地面形成的陰影區(qū)域。但是由于這兩種區(qū)域中的圖像特性不相同，所以傳統(tǒng)的SAR圖像自動(dòng)目標(biāo)識(shí)別主要利用目標(biāo)區(qū)域信息進(jìn)行目標(biāo)識(shí)別，或者單獨(dú)使用陰影

5、區(qū)域進(jìn)行識(shí)別。該文提出一種陰影區(qū)域與目標(biāo)區(qū)域圖像聯(lián)合的稀疏表示模型。通過使用L1\L2范數(shù)最小化方法求解該模型得到聯(lián)合的稀疏表示，然后根據(jù)聯(lián)合重構(gòu)誤差最小準(zhǔn)則進(jìn)行SAR圖像目標(biāo)識(shí)別。在運(yùn)動(dòng)和靜止目標(biāo)獲取與識(shí)別(MSTAR)數(shù)據(jù)集上的識(shí)別實(shí)驗(yàn)結(jié)果表明，通過聯(lián)合稀疏表示模型可以有效的將目標(biāo)區(qū)域與陰影區(qū)域信息進(jìn)行融合，相對(duì)于采用單獨(dú)區(qū)域圖像的稀疏表示識(shí)別方法性能更好。
　　第四部分，對(duì)于傳統(tǒng)的字典學(xué)習(xí)方法，如KSVD，其目標(biāo)函數(shù)是最小化

6、重構(gòu)誤差。本章通過在字典學(xué)習(xí)目標(biāo)函數(shù)中增加對(duì)稀疏表示系數(shù)之間的相似性約束得到具有判決能力的字典。該約束使得不同類樣本的稀疏表示間的相似性趨向于0，即最不相似。因此在稀疏表示系數(shù)這樣的特征空間中不同類別之間的差異更大，更容易找到好的分類面。實(shí)驗(yàn)顯示，添加了相似性約束后學(xué)習(xí)到的字典及其稀疏表示相比傳統(tǒng)的字典學(xué)習(xí)方法可以更好的區(qū)分各類SAR目標(biāo)。
　　第五部分，特征提取是合成孔徑雷達(dá)(SAR)圖像目標(biāo)識(shí)別的關(guān)鍵環(huán)節(jié)。SAR圖像中存在的相

7、干斑點(diǎn)和非光滑特性使得傳統(tǒng)針對(duì)光學(xué)圖像的特征提取方法變得很難應(yīng)用。雖然可以采用深度置信網(wǎng)絡(luò)(Deep belief network，DBN)自動(dòng)地進(jìn)行特征學(xué)習(xí)，但是該方法屬于無監(jiān)督學(xué)習(xí)方法，這使得學(xué)習(xí)到的特征與具體的任務(wù)是無關(guān)的。本文提出了一種叫做相似性約束的限制玻爾茲曼機(jī)模型。該模型在學(xué)習(xí)過程中通過約束特征向量之間的相似性達(dá)到引入監(jiān)督信息的目的。另外，可以將多個(gè)相似性約束的限制玻爾茲曼機(jī)堆疊成一種新的深度模型，我們稱其為相似性約束的深

8、度置信網(wǎng)絡(luò)模型。實(shí)驗(yàn)結(jié)果表明在SAR圖像目標(biāo)識(shí)別應(yīng)用中，本文方法相比主成分分析(PCA)以及原始DBN具有更好的識(shí)別性能。
　　第六部分，針對(duì)現(xiàn)實(shí)SAR ATR應(yīng)該解決的幾個(gè)問題:需要具備目標(biāo)平移不變性，對(duì)于相干斑噪聲隨機(jī)性不敏感以及能夠容忍訓(xùn)練數(shù)據(jù)集中一定程度的姿態(tài)圖像缺失，首先研究了通過已有圖像合成未知方位角下的圖像以彌補(bǔ)訓(xùn)練集中姿態(tài)圖像缺失的可能性。受稀疏表示模型啟發(fā)下，提出了一種姿態(tài)圖像合成模型。實(shí)驗(yàn)顯示，通過姿態(tài)圖像合成