基于差准则的二维非参数特征分析的SAR目标识别

属性散射中心匹配及其在SAR目标识别中的应用丁柏圆;文贡坚;余连生;马聪慧【摘要】属性散射中心是合成孔径雷达(Synthetic Aperture Radar,SAR)图像的一个重要特征.该文提出了一种属性散射中心匹配方法并将其运用于SAR目标识别中.该方法首先基于属性散射中心模型提取待识别SAR图像和模板SAR图像的属性散射中心,进而采用Hungarian算法实现散射中心的匹配.在建立的匹配关系的基础上,设计了一种稳健的散射中心匹配度度量方法计算待识别散射中心与各类模板散射中心的匹配度.该匹配度准则充分考虑了单个散射中心强弱、匹配对强弱以及漏警、虚警带来的影响,对于散射中心集的匹配度的评价更为全面.基于Moving and Stationary Target Acquisition and Recognition(MSTAR)数据集的实验验证了方法的有效性.【期刊名称】《雷达学报》【年(卷),期】2017(006)002【总页数】10页(P157-166)【关键词】合成孔径雷达;目标识别;属性散射中心匹配;Hungarian算法;匹配度度量方法【作者】丁柏圆;文贡坚;余连生;马聪慧【作者单位】国防科学技术大学ATR重点实验室长沙 410073;国防科学技术大学ATR重点实验室长沙 410073;中国天绘卫星中心北京 102102;国防科学技术大学ATR重点实验室长沙 410073【正文语种】中文【中图分类】TN957合成孔径雷达(Synthetic Aperture Radar,SAR)图像特征提取是SAR目标识别中的关键步骤。

如何提取区分性强且能反映SAR图像电磁散射机理的特征能够有效提高SAR目标识别的性能。

理论和实验表明，在高频区目标总的电磁散射可以看成由有限个局部散射源叠加而成，这些局部散射源称为散射中心[1]。

为了有效地表征散射中心的电磁散射特性，研究人员相继提出了点散射中心模型、GTD模型[2]、属性散射中心模型[3]。

SAR图像处理及地面目标识别技术研究SAR图像处理及地面目标识别技术研究随着雷达技术的不断发展，合成孔径雷达（SAR）图像处理及地面目标识别技术引起了广泛关注。

SAR是一种主动雷达，它通过发送脉冲信号并接收返回的回波来获取目标的图像信息。

相比于光学影像，在遥感和军事领域，SAR具有天气无关性及全天候工作的优势，可以提供高分辨率、高质量的图像。

然而，由于复杂的雷达物理过程和大量的干扰，SAR图像处理及地面目标识别面临着许多挑战。

SAR图像处理涉及到对原始数据进行预处理和图像增强，以提高图像质量和目标识别的准确性。

预处理包括多普勒校正、多视图融合和地面杂波抑制等步骤。

在SAR图像中，由于目标和地面散射的不同，会引起多普勒频移现象。

多普勒校正可以通过对SAR数据进行频率分析和相位校正，来消除多普勒频移的影响。

多视图融合技术结合了不同角度和视角的SAR图像，可以提供更全面、更丰富的目标信息。

地面杂波抑制是对SAR图像中的背景杂波进行滤波处理，以凸显目标的边缘和细节。

在SAR图像增强中，常用的方法包括滤波、多尺度变换和图像去噪。

滤波是常用的降噪方法，它可以通过去除图像中的高频噪声，使图像更加清晰。

常见的滤波方法有中值滤波、均值滤波和小波变换滤波等。

多尺度变换可以将SAR图像分解为不同尺度的频带，以获取图像的多尺度信息，从而提高目标的识别能力。

图像去噪技术的目的是减少图像中的噪声，以提高目标的清晰度和辨识度。

去噪方法常用的有小波去噪、自适应邻域滤波和非局部平均去噪等。

地面目标识别是SAR图像处理的一个核心任务，它主要包括目标检测、目标分割和目标识别等过程。

目标检测是在图像中找出可能的目标区域，常用的方法有基于像素值、基于纹理和基于形状的目标检测算法。

目标分割是将图像中的目标与背景进行分离，以便更好地进行识别和分析。

目标识别是将分割后的目标与数据库中的目标进行匹配，从而实现目标的自动识别和分类。

目标识别的方法较为复杂，常用的有基于特征、基于模型和基于机器学习的目标识别算法。

基于深度学习的SAR目标识别关键技术研究基于深度学习的SAR目标识别关键技术研究随着人工智能技术的迅速发展，基于深度学习的SAR （Synthetic Aperture Radar，合成孔径雷达）目标识别成为遥感图像处理的热门研究领域之一。

SAR技术具有独特的观测特性，能够在光学传感器无法工作的情况下对地物进行准确、稳定的探测和成像。

然而，由于SAR图像的复杂性和特殊性，SAR目标识别存在一系列的挑战，如多视角散射、纹理丰富性和强噪声等。

本文将重点介绍基于深度学习的SAR目标识别关键技术，并对其在遥感图像处理中的应用进行综述和分析。

一、SAR图像预处理SAR图像预处理是SAR目标识别的基础工作，主要包括去噪、辐射校正、几何校正等。

由于SAR图像存在较强的斑点噪声和其他干扰噪声，需要采用去噪算法对图像进行降噪处理。

常用的方法有小波变换降噪、时域滤波和基于字典学习的降噪算法等。

除了去噪，辐射校正和几何校正也是SAR图像预处理的关键步骤，可以提高图像质量和准确性。

二、SAR图像特征提取SAR图像由散射数据构成，与传统的光学图像存在较大差异。

因此，在SAR目标识别中，需要采用适合SAR图像特征提取的方法。

常用的特征提取方法包括幅度特征、极化特征和频谱特征等。

幅度特征主要利用像素的幅度信息进行目标识别，可以通过直方图均衡化、归一化等方法进行处理。

极化特征则是利用SAR图像的极化反射特性，包括极化度、极化相干矩阵等。

频谱特征则是通过分析SAR图像的频谱分布实现目标识别，常用的方法有傅立叶变换、小波变换和谱分析等。

三、深度学习算法在SAR目标识别中的应用深度学习作为一种强大的非线性模型拟合和特征提取方法，已经在许多领域取得了显著成果。

对于SAR目标识别，深度学习算法可以通过构建深度神经网络模型从大量的SAR图像数据中提取抽象的特征表示。

常用的深度学习网络包括卷积神经网络（CNN）、自编码器（AE）和深度信念网络（DBN）等。

第３３卷第４期航空计算技术ｖ０Ｌ．３３Ｎｏ．４型ｊ王：：旦皇：竺＝ｊ：型生：ｔ＝：：：！：５２：２：：：三２２：文章编号：１６７１—６５４Ｘ（２００３）０４—０Ｑ５５一０４ＳＡＲ图像识别提取与选择特征刘迎春，宋建社，郑永安（第二炮兵工程学院信息工程研究所，陕西西安７ｌ∞２５）摘要：阐述了ｓＡＲ图铱在模式识别中特征提取与选择的概念、任务和基奉原则，站舍国内外国像特征提取与选择的最新研究动态．舟绍了在ＳＡＲ图像目标识刺中普遍采用的一些特征提取与选择方法，井对提取纹理特征采用的灰值共生矩阵厦其统计量进行了研宄。

关键词：ｓＡＲ图像；特征提取与选择；模式识别；纹理中图分类号：１Ｐ３９１．４ｌ文献标识码：Ａ引言随着微波遥感技术的发展，ＳＡＲ图像的应用越来越受到人们的重视，对ＳＡＲ图像的处理和识别研究成了信息工程领域研究的一个热点问题。

ｓＡＲ图像的特征决定其应用的广泛性，同时也增加了对ｓＡＲ图像处理与识别的复杂性。

它不像光学图像那样清晰直观、边缘易于检测。

ｓＡＲ图像不仅具有光学图像的几何特征，同时还具有重要的电磁特征…。

识别图像中典型目标的特征提取与选择成为一个难点。

ｌ特征提取与选择ｓＡＲ图像目标识别属于模式识别的研究范畴。

在一个完善的模式识别系统中，特征提取与选择技术环节，处于对象特征数据采集和分类识别两个环节之间，它的的优劣极大地影响着分类器的设计和性能，是模式识别三大核心问题之一Ｌ２Ｊ。

由于在很多实际问题中常常不容易找到那些最有效的特征，因此，特征提取与选择成为目前ｓＡＲ图像处理中的研究热点。

在模式采集中，尤其是对图像的数据采集中，所得到的样本测量值往往很多，甚至是海量的。

这样高维的数据集合，仅从计算量考虑也是难以接受的，更何况在那样多的测量值中，尽管包含着客体的大量有用信息，但是对于识别任务来说，其中也有很多无用的信息，即使是有用的信息，有的还不能反映客体的类别本质，一般来说，需要通过某些变换才能得到更有意义的量。

基于KPCA与KFDA的SAR图像舰船目标识别合成孔径雷达（SAR）是一种有效的探测目标的无线电成像技术。

与可见光和红外成像传感器不同，SAR能够独立于时间和天气条件，并具有对地面各种特征的高度分辨率。

目标检测和识别是SAR图像应用的关键问题之一。

近年来，一些新的数据处理方法，例如主成分分析内核（KPCA）和核鉴别分析（KFDA）被应用于SAR图像舰船目标识别中。

KPCA是基于线性代数和统计学原理的一种数据降维技术。

使用SAR图像时，KPCA首先将图像转换为高维特征空间。

然后，根据KPCA算法生成新的欧式图像，其中每个像素值代表一个线性组合的主成分。

通过使用KPCA，SAR图像中的噪声和复杂性可以被适当地处理和简化，从而提高舰船目标的识别率。

另一个广泛应用于SAR图像的数据处理方法是KFDA。

KFDA是一种模式识别算法，它可以通过学习对目标之间的底层结构进行建模，从而识别不同类别的目标。

在SAR图像舰船目标识别中，KFDA可以被用来区分目标与背景之间的区别，并且鉴别目标间的类别。

KFDA算法通过特征映射将输入数据映射到高维特征空间，然后通过查找类别之间的最大方差实现一个判别函数。

KFDA的优点是可以在低维数据空间中提取非线性变换的特征，从而优化舰船目标的识别性能。

综合考虑使用KPCA和KFDA算法进行SAR图像舰船目标识别可以产生更优结果。

KPCA方法可以在数据预处理阶段降低图像复杂度和噪音，而KFDA可以进一步提高目标的识别率。

在实际应用中，可以通过联合使用KPCA和KFDA两种算法进行数据处理和特征提取。

总之，SAR图像舰船目标识别面临许多挑战。

然而，通过使用先进的数据处理方法，例如KPCA和KFDA，可以提高识别效果，为航海和目标监测等领域提供高效准确的方法。

在进行基于KPCA和KFDA的SAR图像舰船目标识别之前，需要掌握相关数据及其特征。

以下是对这些数据的分析。

1. SAR图像数据SAR图像数据通常由雷达平台获取，以波束形式呈现。

基于D-S证据理论的多特征融合SAR图像目标识别方法童涛;杨桄;李昕;叶怡;王寿彪【摘要】针对应用单特征SAR图像进行目标识别准确率低的问题,提出了一种将支持向量机(support vector machine,SVM)和D-S证据理论(Dempster-Shafer,D-S)相结合的多特征融合SAR图像目标识别方法.该方法在对SAR图像预处理的基础上,提取目标的纹理、Hu不变矩和峰值特征,并分别以这3类单特征的SVM分类结果作为独立证据,构造基本概率指派,通过D-S证据的组合规则进行融合,并根据分类判决门限给出最终的目标识别结果.将该方法用于SAR图像上的3类目标识别,识别率达95.5％,表明该方法是一种有效的SAR图像目标识别方法.【期刊名称】《国土资源遥感》【年(卷),期】2013(025)002【总页数】5页(P37-41)【关键词】SAR图像;D-S证据理论;支持向量机(SVM);纹理特征【作者】童涛;杨桄;李昕;叶怡;王寿彪【作者单位】空军航空大学航空航天情报系,长春 130022;空军航空大学航空航天情报系,长春 130022;空军航空大学训练部,长春130022;空军航空大学航空航天情报系,长春 130022;空军航空大学航空航天情报系,长春 130022【正文语种】中文【中图分类】TP751.10 引言应用合成孔径雷达(synthetic aperture radar，SAR)图像进行目标识别是SAR图像处理和模式识别领域的研究热点之一。

国内外学者对SAR图像目标自动识别方法进行了大量的研究和探索，但是大都只侧重于对单一特征的研究［1－2］。

受SAR传感器俯仰角和方位角等变化因素的影响，基于纹理、灰度及投影空间等单特征目标识别方法的准确率低、稳定性差;而综合利用多特征SAR图像的目标识别方法，虽然已经取得了一定成果，并在一定程度上改善了目标识别效果，但并没有实现多特征的有效融合，从而导致特征空间的复杂度和分类器的维数过高，影响了目标识别的精度和效率。

SAR图像目标鉴别和识别方法探究近年来，合成孔径雷达（Synthetic Aperture Radar，SAR）成为航空航天领域中的重要技术，广泛应用于军事侦察、环境监测、资源勘探等领域。

在SAR图像处理中，目标鉴别和识别是一项关键任务，其目标是从复杂的SAR图像中准确地提取信息和识别目标。

本文将谈论SAR图像目标鉴别和识别方法的探究进展。

SAR图像由于受到地形、海洋等复杂环境因素的影响，屡屡具有模糊、噪声多、纹理复杂等特点，给目标的鉴别和识别带来了很大的挑战。

传统的图像处理方法如滤波、边缘检测等无法有效地解决这些问题。

因此，探究人员提出了多种新的算法和技术，旨在提高SAR图像目标鉴别和识别的准确性和稳定性。

起首，基于特征提取的方法是SAR图像目标鉴别和识别探究的重点之一。

特征提取是将原始图像转换为一组能够描述目标特征的数学特征。

常用的特征包括外形、纹理、极化等。

例如，通过提取目标的外形特征，可以区分目标之间的差异，进一步实现目标的鉴别和识别。

其次，机器进修方法在SAR图像目标鉴别和识别中得到广泛应用。

机器进修是使用一系列算法和模型来自动分析和进修数据的方法。

常用的机器进修方法包括支持向量机（Support Vector Machine，SVM）、人工神经网络（Artificial Neural Network，ANN）和深度进修等。

这些方法通过训练模型来实现对SAR图像目标的自动鉴别和识别。

此外，基于图像分割的方法也是SAR图像目标鉴别和识别探究的重要方法之一。

图像分割是将图像划分为不同的区域或目标的过程，通过分割可以更好地区分目标和背景。

常用的图像分割方法包括基于阈值分割、边缘检测和区域生长等。

这些方法可以通过提取目标的边缘轮廓或区域特征来实现SAR图像目标的鉴别和识别。

最后，基于物理特征的方法也是SAR图像目标鉴别和识别的重要探究方向。

因为不同的目标在SAR图像中往往具有不同的散射特征，通过分析目标的散射特性可以实现目标的准确鉴别和识别。

基于自适应确定拒判准则的sar目标开集识别方法随着人工智能技术的发展，目标识别技术也在逐步提升。

基于自适应确定拒判准则的sar目标开集识别方法是其中的一种较为先进的技术，下面将详细介绍。

SAR（Synthetic Aperture Radar）合成孔径雷达技术是一种通过再现飞掠路径的雷达数据形成高分辨率影像的技术。

在进行SAR目标开集识别时，需要涉及到目标检测、特征提取及分类决策等环节。

其中，确定有效的拒判准则是关键。

传统的SAR目标识别方法采用的是硬阈值判决，将像素点的强度与一个确定的阈值进行比较，然后判断像素点是否为目标。

但是，这种方法的缺点在于阈值的设定需要经验和试错，同时对背景噪声等因素较为敏感，容易产生误判。

基于自适应确定拒判准则的SAR目标开集识别方法则通过分析SAR图像的统计特性，提出一个自适应的判决准则。

具体来说，首先需要确定特征参数。

传统的特征参数包括振荡法和局部方差法，而这种方法则采用了基于Polarimetric-Interference Model的特征提取方法。

在获取到特征参数后，就需要进行分类决策。

分类决策的目的是将目标与噪声进行区分，确定判决准则。

针对这个问题，本方法通过自适应确定拒判阈值的方法，将SAR目标的识别精度提高了很多。

具体来说，该方法通过对SAR图像的统计特性进行分析，确定了目标和背景噪声的波形偏差和方差，然后采用高斯分布模型对唯一的识别结果进行评估，从而推导出自适应的拒判准则。

如果将传统的硬阈值判断法和基于自适应确定拒判准则的SAR目标开集识别方法进行比较，可以得出结论，传统的方法误判率较高，准确度也不够高；而自适应的方法可以很好地适应各种复杂的背景噪声环境，同时具有较高的准确度。

总体来说，基于自适应确定拒判准则的SAR目标开集识别方法是一个相对较为先进的目标识别技术。

该方法充分发挥了SAR图像的性能，解决了传统硬阈值判断的缺点，提高了SAR目标的开集识别精度，具有广泛的应用前景。

SAR图像自动目标识别算法研究的开题报告一、选题意义合成孔径雷达（Synthetic Aperture Radar，SAR）具有在任何天气条件下获取地表信息的能力，被广泛应用于海洋、军事、城市管理、环境保护等领域。

SAR图像的目标识别一直是该领域的研究热点。

传统的目标识别方法主要是手动分析方式，需耗费大量人力、物力和时间。

而基于计算机视觉的自动目标识别方法可以大大提高识别的准确性和效率，具有较高的实用价值和广阔的应用前景。

二、研究内容本研究拟研究SAR图像自动目标识别算法，具体内容包括：1. SAR图像特征提取：基于图像的特征和纹理特征提取方法，对SAR图像进行特征提取，以寻找目标区域。

2. 目标检测与分类：在SAR图像中，采用滑动窗口检测法和深度学习算法，对目标区域进行检测，同时利用支持向量机（SVM）等对目标进行分类。

3. 目标识别：基于目标分类结果，采用模板匹配算法等与已知目标模板进行匹配，识别出SAR图像中的目标，并对目标进行跟踪。

三、研究方法本研究将采用以下研究方法：1. 文献综述：对SAR图像目标识别算法进行深入的研究和综述，梳理相关算法的发展历程和应用情况。

2. 算法调研：分析和比较当前主流的SAR图像目标识别算法和技术，选择适合的方法。

3. 算法实现：采用Matlab、Python等编程语言，实现上述算法并进行测试。

4. 算法优化：针对算法实现过程中可能出现的问题，进行进一步的优化和改进。

四、预期成果预期实现以下成果：1. 完整的SAR图像自动目标识别算法，并可以应用于实际应用场景。

2. 实验数据集和结果：根据SAR图像的类型和目标种类，构建相应的数据集，对所研究算法的识别能力进行测试和评估。

3. 论文：在该领域的国内外主流期刊和会议上发表论文1篇。

五、研究时间表研究时间为两年，时间表如下：第一年1、完成文献综述和算法调研（2个月）2、实现SAR图像自动目标识别算法（6个月）3、采集SAR目标数据集，对算法进行测试（2个月）4、撰写论文工作（2个月）第二年1、根据测试结果，进一步完善和改进算法（4个月）2、继续撰写论文和投稿（6个月）3、完成毕业论文（2个月）六、可行性分析本研究基于SAR图像的自动目标识别算法，旨在实现目标识别的自动化，具有一定的应用前景和实际需要。

第20卷第3期烟台大学学报(自然科学与工程版)Vol .20No .32007年7月Journa l of Y antai University (Na tural Science and Enginee ring Editi on)Jul .2007 文章编号:1004-8820(2007)03-0196-04 收稿日期6 作者简介徐福泽(8),男,山东烟台人,硕士研究生,研究方向图像处理、图像识别基于Hough 变换和Radon 变换对S AR图像目标姿态角识别的综合方法徐福泽,蒋本和,董　楠(烟台大学光电信息科学与技术学院,山东烟台264005)摘　要:提出了一种对S AR 图像姿态角识别算法进行改进的技术.通过分析Hough 变换和R adon 变换在实际应用中的局限性,提出了一种综合上述2种方法的姿态角识别算法.利用MST AR 公共目标数据库中的目标样本,通过实验验证,该种方法能够更准确地估计目标的姿态角.关键词:S AR;姿态角识别;Hough 变换;R adon 变换中图分类号:T N958 文献标识码:A 在基于模板的S AR 识别系统的最后一个阶段,通常需要将所提取出的感兴趣区域(RO I )与特征库中不同姿态角的已知目标模板进行匹配.如果在识别过程中引入一个姿态角识别器,通过对姿态角范围的估计,只需要将待测目标与数据库中相应姿态角的模板进行匹配即可快速实现目标的判决.因此实现S AR 图像目标姿态角的估计是十分必要的.在S AR 图像目标识别中,图像中的目标对方位角十分敏感.为了得到目标方位角的估计,首先要得到目标区域的描述.文献[1,2]给出了一种利用Hough 变换实现目标姿态角识别的方法.该方法通过检测经过目标感兴趣区域中最长的直线来获取目标的姿态角.文献[3,4]中给出了一种利用Radon 变换实现目标姿态角识别的方法,该方法通过检测目标在不同的角度时的变换值R θ,找出Radon 变换数值的最大值,它所对应的θ值就是代表了目标的姿态角.但这2种方法在实际的应用中具有一定的局限性.文中系统分析了上述2种方法的局限性,提出了一种综合的目标方位角估计方法.利用实测MST AR (Moving and Sta 2ti onary Target Ac 2quisiti on and R ecogniti on)数据进行了仿真实验,大量的仿真结果表明文中所提出的方法是正确可行的.1　2种姿态角估计方法的介绍1.1　基于Hough 变换的姿态角估计方法[1]在图像空间的一条直线方程y =ax +b,可用极坐标表示为ρ=x co s θ+y sin θ,(θ∈[0,π]),其中:ρ是原点到直线的垂直距离,θ是直线的垂线与x 轴的夹角.空间(x,y )中的任何一条直线的Hough 变换对应参数空间(ρ,θ)的一个点.利用Hough 变换检测S AR 图像姿态角主要思想就是检测通过S AR 图像RO I 区域的最长直线,该直线的斜率所对应的角度即为目标的姿态角.利用Hough 变换检测直线的算法大体可以分为以下几步:(1)在参数空间(ρ,θ)中建立离散的参数空间,并建立累加器A (ρ,θ),并且元为零.(2)对图像中的每一个点进行Hough 变换,计算出空间(ρ,θ)的对应曲线,并且相应的累加器加1.(3)找出累加器的最大值,其坐标(ρ,θ)表示的直线就:200-11-01:191-:.　第3期徐福泽,等:基于Hough 变换和R adon 变换对S AR 图像目标姿态角识别的综合方法是要检测的直线.Hough 变换作为经典的直线提取算法,具有无论直线是否有断点、是否有噪声都能较好地提取出直线的优点而引人注目,而且用Hough 变换提取直线可以方便地得到直线夹角、直线间的垂直距离等参数.但是Hough 变换也有一些缺点,如不能确定直线起点、终点;可能将并非在一条直线上的点误连接起来;以及当夹角小于90°时会绘出多余直线,故在实际应用中应对Hough 变换加以改进.1.2　基于R adon 变换的姿态角估计方法[4]Radon 变换可以在任意维空间定义,下面给出在其二维变换的表达式:R (ρ,θ)=κDf (x,y )δ(ρ-x co s θ-y sinθ)d x d y ,(1)D 为整个图像直角坐标平面;f (x,y )为图像点的灰度值;ρ为坐标原点到直线的距离;θ为距离与x 轴的夹角.它使f (x,y )沿直线ρ=x cos θ+y sin θ进行积分,如图1所示.Radon 变换可以理解为图像在ρ-θ空间的投影,ρ-θ空间的每一点对应图像空间一条直线,而R adon 变换是图像像素点在每一条直线上的积分,也可以理解为图像顺时针旋转θ角度后在水平轴的投影.图1　Radon 变换定义示意图Fig .1　Defi ne of Radon transfor m利用R adon 变换检测目标的姿态角就是计算图像在不同的角度时的变换值R θ,找出R adon 变换数值的最大值,它所对应的θ就是代表了目标的姿态角.Radon 变换算法比较简单,对噪声不敏感.然而Radon 变换的最大缺点最后得到的变换值R θ的峰值分布比较平缓,不容易精确地找到峰值的位置,在加上目标形状的不同,R 变换有时候会对同一目标检测出很多条直线,估计出很多姿态角,因此,仅通过R 变换我们无法选择出正确的姿态角,甚至可能导致识别的失败.2　目标姿态角的综合估计算法从前面的分析可以看出,每一种估计方法都有自己的缺点,单一的方法难以适应所有的情况.因此文中提出一种综合的估计方法,将Hough 变换和R adon 变换相结合,利用他们的信息互补,可以获得比较准确的姿态角.根据上述分析,下面给出姿态角识别方法的具体步骤:(1)利用双参数CFAR (Constant Fa lse A lar m Ra te)法对目标S AR 图像进行特征提取处理,得到RO I .(2)利用Hough 变换对目标S AR 进行姿态角识别.(3)对识别的结果进行分析,如果得到是单一或结果相差在10°以内的结果,进行步骤(6).如果得到多个结果,将结果保存,进行步骤(4).(4)对图像进行Radon 变换,求出R θ.(5)将步骤(4)中保存的结果带入R θ进行计算,求出使R θ最大的角度,该角度就是目标的姿态角.(6)姿态角结果误差修正.流程图如图2所示:图　姿态角估计算法流程图F f f 791adon adon 2ig .2A rith m etic lo w o po se esti ma ti o n烟台大学学报(自然科学与工程版)第20卷　3　实验分析3.1　误差修正角度估计的误差与目标分割的结果紧密相关,利用文中提出的算法在姿态角识别中有可能产生一定的误差,因此,必须对姿态角的识别结果进行误差修正.文中提出一种从图像本身特点出发的一种线形拟合方法,即通过上述的方法检测到直线之后,找到图像中分布在该直线近旁的点,然后用线性拟和方法得出新的直线方程,直线方程的斜率对应的角度就是目标的姿态角.3.2　实验结果分析与比较下面通过试验来说明改进后的姿态角识别算法的有效性.利用MSTAR数据进行仿真试验, MST AR数据的姿态角在[0°,360°],文中将目标姿态角统一变换到[0°,180°]范围内进行测试.从MST AR目标数据库中选取5类军用车辆目标,这5类目标分别是T72坦克、B TR70战车、BMP2 (#9563)、B MP2(#9566)、BMP2(#c21),T72坦克有254个目标样本,其他4类目标分别有194个目标样本,采用经典的双参数CF AR的方法对目标S AR图像进行特征提取,得到感兴趣的区域,如图3和图4所示.在此基础之上,对目标的姿态角进行识别.图3　T72坦克原始S AR车辆图像(109.7)Fig.3　Original SAR i mage of T72图4　T72坦克S AR图像RO I(109.7)Fig.4　S AR i m ag e RO I of T72表为利用各种方法对方位角估计的平均误差,表为利用各种方法对方位角估计的方差,通过表和表可以明显看出,文中提出的线性拟合的方法对T72坦克的修正效果是最好的.总体看来,线性拟合的方法可以有效改善姿态角的估计误差.表1　各种算法姿态角估计平均误差T ab.1　Av e rage e rror of each pose e sti m ati on　(°)目标类型拟合前平均误差拟合后平均误差Hough变换平均误差R ad on变换平均误差T724.222.015.024.88B M P2(#9563)3.520.473.473.50B M P2(#9566)3.140.855.856.20 BMP2(#C21)3.24-1.993.993.52B T R702.70-1.322.323.20表2　各种算法姿态角估计方差Tab.2　Variance of each pose esti ma ti on 目标类型拟合前方差拟合后方差Hough变换方差Radon变换方差T7214.278.3515.3514.35BM P2(#9563)18.2312.5516.4013.30 BMP2(#9566)16.7713.2515.5014.50BM P2(#C21)17.6714.2112.5011.50B T R7011.256.3812.7014.60从表1、表2可以看出,对于5种车辆的姿态角识别的结果中可以看出,文中算法结果的均值和方差都明显比单纯使用Hough变换和R adon变换要好,基本符合了实际的需要.表3显示了上述3种算法对各类目标角度估计误差小于10°的比率,从中可以看出利用文中提出的算法,大部分目标方位角估计误差在10°以内,很少有估计误差超出10°.而单纯使用Hough变换和R adon变换的比率几乎都在80%-90%之间,可以看出本文算法的优越性.表4显示了上述3种算法对各类目标角度估计时间的比较,从中可以看出利用本文提出的算法,大部分目标方位角估计时间在5.5s内.而单纯使用Hough变换和Radon变换的时间几乎都在2.5s以内,可以看出本文算法在时间上稍长,因此今后还需在算法优化方面做进一步的工作以减少运行的时间8911212.　第3期徐福泽,等:基于Hough 变换和R adon 变换对S AR 图像目标姿态角识别的综合方法表3　3种算法对各类目标角度估计误差小于10°的比率Tab .3　The ra te of each a i m esti ma tion e rror of less than 10°about three me th ods%目标类型文中算法误差<10°Hough 变换误差<10°R ad on 变换误差<10°T7298.089.085.0BMP2(#9563)95.087.082.0BMP2(#9566)96.581.586.5BM P2(#C21)95.593.090.5B T R70100.094.092.0表4　3种算法对各类目标角度估计时间的比较Tab .4　Co mpa ris on bet ween ti m es of each ai m esti ma tion bythe three me t hodss 文中算法Hough 变换R ad on 变换时间<5.5时间<1.5时间<2.54　结　论文中介绍了Hough 变换和R adon 变换两种目标姿态角的识别方法,通过分析它们在实际应用中的作用,提出了上述综合于这两种变换的姿态角识别方法.双参数算法不但具有较强的抗干扰的能力,而且利用MSTAR 数据库中的5类目标进行仿真试验证明了此方法具有较高的识别准确性,是一种比较好的姿态角识别方法,其中提出的综合算法依赖于图像的分割效果,如何提出更有效、更快速的目标识别算法是下一步工作的重点.参考文献:[1]　L iviu I Vojcu,Ron Patt on .Multi -c riteri on vehicle pose esti ma ti on for S AR AT R [C ].B ellingham:SP IE .1999,3721:497-506.[2]　王国宏,孔敏,何友.Hough 变换及其在信息处理中的应用[M ].北京:兵器工业出版社,2005:30-49.[3]　Lance M Kap lan,Ro m ain Murenzi .Pose e sti m ati on of S AR i m agery using the t w o di mensiona l continu ous wave let transfor m [J ].Patt e rn Recog niti on Lett e rs,2003,24:2269-2280.[4]　P ri ncipe J C ,Xu D ,Fis her J W.Pose esti ma ti on in S AR using an inf orma ti on theore tic crit e ri on [C ].T a ta I nstitu 2te of Funda m ent a l R esearch :O rlando F L.1998,3370,218-229.I m pr oved Syn theti ca l Pose E sti m a t i on of SAR I m a ger y usi n gHough Tran sform and Radon Tr an sformXU Fu 2ze,X I N N ing,DONG Nan(Institute of Sc ience and Technol ogy for Op t o 2e lectr onic Infor ma tion,Yantai University,Yantai 264005,China)Ab str a c t:An i mp r oved synthetica l pose esti m ati on m ethod of S AR i mage is pr oposed .Hough tr ansf or m andRadon transf or m a r e intr oduced ,and then the ir l ocalizati ons a r e analysed .A ne w pose esti ma tion m ethod in 2tegrating with above t wo arithm etics is put f or ward .The experi m ental results of MST AR public ta r get databa se show that thism ethod is f easible and it can obtain the pose correctly .Ke y w o r d s:S AR;pose esti m ation;Hough transfor m;Radon transfor m(责任编辑　苏晓东)991。

基于复值HRRP CICA特征的多方位SAR目标识别张新征;黄培康【摘要】提出了一种基于雷达目标复距离像复值独立分量分析(complex independent component analysis,CICA)的合成孔径雷达(synthetic aperture radar,SAR)目标多方位散射特征提取和识别方法.根据雷达目标散射机理,将目标高分辨率复距离像建模为多个散射中心的复相干叠加.在分析复距离像的基础上,采用CICA方法实现了距离像中每个散射中心响应的分离.针对每个散射中心响应,利用高阶矩方法提取特征矢量.分类器基于隐马尔可夫模型(hidden Markov model,HMM)设计.采用美国运动和静止目标获取与识别(moving and stationary target acquistion and recognition,MSTAR)计划公开发布的目标实测数据进行算法实验,实验结果说明了提出方法具有较好的识别率.%A novel method of synthetic aperture radar (SAR) targets multi-aspect scattering feature extraction and recognition is proposed based on complex independent component analysis (CICA) of sequential high range resolution profiles (HRRP). According to the radar target scattering mechanism, the target HRRP is modeled as a complex linear coherent combination of multiple scattering centers response. The seperation of each scattering center response is performed using CICA on the basis of the analysis of a complex HRRP. For each scattering center response, feature vectors are extracted utilizing high order moments. Hidden Markov model (HMM) classifiers are designed for target recognition. The experiment results with moving and stationary target acquistion and recognition (MSTAR ) data sets show that a good classification performance is obtained.【期刊名称】《系统工程与电子技术》【年(卷),期】2012(034)002【总页数】7页(P263-269)【关键词】合成孔径雷达;目标识别;复值独立分量分析;高分辨率距离像【作者】张新征;黄培康【作者单位】重庆大学通信工程学院,重庆400044;中国航天科工集团科技委,北京100048【正文语种】中文【中图分类】TP3910 引言合成孔径雷达（synthetic aperture radar，SAR）通过对观测获取回波的二维成像处理得到目标的高分辨率微波图像。

基于SBR算法的海上目标复合电磁散射及SAR成像与识别研究基于SBR算法的海上目标复合电磁散射及SAR成像与识别研究摘要：随着海洋资源的开发和管控需求的不断增加，对海上目标的复合电磁散射特性及其SAR成像与识别研究的需求也在逐渐增大。

本文基于SBR（Shooting and Bouncing Rays）算法，对海上目标的复合电磁散射进行了研究，并提出了一种适用于海上目标SAR成像与识别的新方法。

通过数值模拟和实验结果验证，表明该方法可以有效地提高海上目标的成像和识别性能。

一、引言海上目标的复合电磁散射及SAR成像与识别是海洋领域中的热点问题。

复合电磁散射特性研究可以为海上目标的识别、目标特性提取、参数反演等应用提供基础；SAR成像与识别则是海洋资源开发、海上安全防卫等方面的重要技术手段。

因此，了解海上目标的复合电磁散射特性及其SAR成像与识别研究具有重要意义。

二、基于SBR算法的海上目标复合电磁散射研究SBR算法是一种基于几何光学的电磁散射算法，适用于复杂电磁环境下的目标散射计算。

在本文中，我们基于SBR算法对海上目标的复合电磁散射进行了模拟研究。

通过建立目标模型、选取合适的散射方向角和波长，我们计算了海上目标在不同情况下的散射特性，包括回波强度分布、极化特性等。

三、海上目标SAR成像与识别研究在对海上目标复合电磁散射特性研究的基础上，我们提出了一种基于SBR算法的海上目标SAR成像与识别方法。

该方法通过分析目标散射场和背景散射场的差异，利用极化特性和回波强度信息来实现目标的成像与识别。

我们对该方法进行了数值模拟和实验验证，并与传统的方法进行了比较。

结果表明，该方法可以有效地提高海上目标的成像和识别性能。

四、实验结果与讨论我们利用一个海上舰船作为目标，进行了混合电磁场散射实验。

通过改变目标的姿态、环境的电磁参数等，并利用SAR技术进行成像和识别。

实验结果表明，所提方法在不同情况下均能够准确地对海上目标进行成像和识别，且具有较好的鲁棒性和稳定性。

SAR 微动目标检测及其参数估计方法摘要SAR（Synthetic Aperture Radar）微动目标检测及其参数估计方法是近年来研究的热点和难点。

本文着重探讨SAR 微动目标检测的基本原理、常见算法及其参数估计方法，并结合实例具体说明。

通过对SAR 微动目标检测技术和参数估计方法的研究，可以提高SAR 图像处理的效率和精度，用于实现对目标的有效识别和跟踪。

关键词：SAR；微动目标检测；参数估计方法。

引言随着测量技术的不断更新，SAR 已经成为广泛使用的雷达成像技术。

与传统雷达不同的是，SAR 可以通过虚拟的大天线来达到大致等效于真实天线面积的效果。

它可以通过高频率的电磁波来穿透封闭材料并在不同的介质之间辨别出细微的差异。

SAR 因其高精度、高解析度、能够在恶劣环境下工作等优点而广泛应用于国防航天、海洋资源开发、环境监测、文物保护等领域。

但是，SAR 在实际应用过程中会受到微动目标的影响，这样会导致SAR 图像中目标的辨认和识别变得更加困难。

微动目标是指在微动平台上的物体或者地面上的物体表面因为风成波浪或人工干扰等因素而引起略微的振动。

在SAR 图像中，微动目标的光学混叠效应会导致图像的分辨率降低，同时还会出现明显的光学畸变。

微动目标的检测和参数估计在SAR 图像处理中具有重要的意义。

本文首先简要介绍SAR 微动目标检测的基本原理，然后对常见的SAR 微动目标检测算法进行详细的阐述，并且对目标参数的估计方法进行了探究。

最后，通过实例的介绍，具体说明了SAR 微动目标检测及其参数估计方法的具体实现方法。

SAR 微动目标检测的基本原理SAR 微动目标检测的基本原理是通过检测SAR 图像中的目标的微弱振动来实现。

首先需要了解SAR 图像微动目标检测的相关术语和概念。

在SAR 图像中，有关微动目标的术语包括：1.振动幅度（Vibration amplitude）指的是SAR 图像中物体在空间中相对位置的微小偏移，通常用坐标轴方向的偏移来表示。