基于稀疏表示的SAR圖像目標識別.pdf

1、作為微波遙感的代表，合成孔徑雷達(SyntheticApertureRadar,SAR)具有全天時、全天候、穿透力強和分辨率高等特點。近些年來，SAR圖像自動目標識別技術(ATR)已經成為國內外研究的熱點。由于SAR傳感器的主動成像特性，SAR圖像中存在大量相干斑和陰影區(qū)域，目前影響SAR圖像目標自動識別算法性能的因素有：對目標方位角的敏感、預處理中圖像目標分割的質量、目標本身輪廓的改變、成像參數、目標周圍環(huán)境等。
　　 SAR

2、ATR是SAR圖像解譯中一個關鍵步驟，如何精確提取特征和采用有效的分類方法是兩個關鍵問題。提取特征方面，現有的基于模板匹配的SAR自動目標識別算法需要對目標姿態(tài)進行預估計，對目標進行方位校正，將目標旋轉至標準方位，減少模板存儲空間。但預處理復雜度較高。設計分類器方面，傳統(tǒng)統(tǒng)計學習方法中針對小樣本學習問題精度不佳，并且可推廣性差。因此，有必要從其他角度來研究SARATR問題。
　　 信號的稀疏表示模型基于信號的稀疏性假設，是一種線

3、性模型，具備容易擴展的特性，同時目標方位角魯棒的特征表達可有效避免目標姿態(tài)預估計問題。本文主要研究目標姿態(tài)變化下的稀疏表示目標識別算法，主要內容和貢獻如下：
　　 1．提出一種結合多層紋理模型與元樣本提取的稀疏表示分類算法。首先利用Gabor濾波器形成多層紋理模型表示，并利用LBP算子編碼Gabor幅值，得到GLBP圖譜，之后進行子區(qū)域劃分和直方圖統(tǒng)計，生成串接序列形成最終降維后特征。為了進一步降低字典維度，采用元樣本提取方法形

4、成最終的稀疏表示字典，用于分類識別。實驗結果表明，該算法能夠有效提取顯著特征，降低SRC算法的識別時間至原來的15％，分類準確率達到95%以上。
　　 2．提出一種新的基于字典學習的克服方位敏感性的SAR目標識別方法。該方法引入BagofFeatures思想，利用密集采樣SIFT描述特征訓練過完備字典，對訓練集和測試集同時進行稀疏編碼并構造空域金字塔環(huán)形描述，得到旋轉不變特征，最后輸入線性SVM分類器進行分類。實驗結果表明，在無