基于多分类器融合的SAR图像自动目标识别方法系统电子2008
复杂场景下SAR图像目标检测及鉴别方法
02
Q-learning
03
Policy Gradient
通过学习Q值表，寻找最优策略 ，实现目标鉴别。
通过学习策略梯度，优化智能体 的行为，实现目标鉴别。
05
实验与分析
数据集与实验设置
数据集
使用了多个公开可用的SAR图像数据集，包括Complex-1, Complex-2, Complex-3和Complex-4。这些数据集包含不 同场景下的SAR图像，如城市、农田、山区等。
04
复杂场景下目标鉴别方法
基于模式识别的目标鉴别方法
统计学习
利用统计学原理和方法对数据进行处理和分析 ，提取目标特征，实现目标鉴别。
支持向量机
基于二分类的支持向量机算法，通过构建最优 分类超平面，将目标与背景进行分类。
决策树
通过递归划分数据集，构建决策树模型，实现目标鉴别。
基于迁移学习的目标鉴别方法
实验设置
在实验中，采用了多种对比方法，包括基于传统图像处理的 方法、基于深度学习的方法以及结合深度学习和传统图像处 理的方法。同时，对不同的网络结构和参数进行了详细的对 比和讨论。
性能评估指标
精度
评估检测和鉴别准确性的主要 指标，通过计算正确检测和鉴 别目标的数量与总目标数量的
比例得出。
召回率
评估检测算法发现目标的能力 ，通过计算正确检测到的目标 数量与实际存在目标数量的比
挑战
复杂场景下，SAR图像目标检测及鉴别的挑战主要包括目标特征提取、干扰因 素抑制、多目标跟踪等问题。
研究内容与方法
01
研究内容：本研究旨在提出一 种适用于复杂场景下SAR图像 目标检测及鉴别的有效方法。 具体研究内容包括
02
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。
遥感影像信息处理技术的研究进展英文翻译
遥感影像信息处理技术的研究进展英文翻译遥感影像信息处理技术的研究进展张良培，黄昕武汉大学测绘遥感信息工程国家重点实验室，湖北武汉 430079 摘要: 综述了遥感影像信息处理技术的研究进展, 主要包括高分辨率影像信息提取技术、影像超分辨率、高光谱影像处理和目标探测, 以及遥感影像处理与分类的人工智能方法。
对于高分辨率影像处理, 从纹理、形状、结构和对象的角度探讨了空间信息提取对于高分辨率影像解译的意义和作用, 分析了小波纹理、空间共生纹理、形状特征提取和面向对象分类技术的进展和存在的问题; 对于超分辨率技术, 文章主要介绍了超分辨率技术的最新进展, 及其在遥感影像(SPOT5 和MODIS)中的应用; 在高光谱数据处理方面, 从纯净像元和混合像元两方面介绍了最新的进展。
对于纯净像元方法, 主要分析了植被指数和统计方法, 混合像元方面, 则主要分析了像元分解、端元提取的最新技术方法; 在智能化信息处理方面, 先回顾了神经网络和遗传算法在遥感图像处理中的应用, 然后介绍了人工免疫系统对多、高光谱遥感影像分类研究的最新进展。
关键词: 高分辨率, 超分辨率, 高光谱, 人工智能最近，高分辨率遥感图像 (如快鸟，IKONOS，SPOT5等)和光谱通道(海波，MODIS，MERIS等)已经能够提供大量的信息，从而开辟了遥感应用程序新的途径(例如，城市测绘，环境监测，精细农业，人类 - 环境 - 地球的相互作用，等等)。
然而，它们同样使图像处理和分类面临着由于丰富的空间和光谱信息技术高分辨率数据和超维特征带来的挑战。
这表明，传统的方法对这些新的传感器是严重不足的。
在此背景下，本文旨在回顾这些新的数据类型下图像处理技术发展。
本文的结构如下，第一部分讨论了信息提取和高空间分辨率的图像分类，包括空间特征的提取和基于对象的分析。
第二部分的关注超分辨率重建技术。
第三部分介绍高光谱数据分析，第四部分讨论人工智能方法的遥感应用。
图像处理中的多特征融合与目标识别技术研究
图像处理中的多特征融合与目标识别技术研究摘要：图像处理技术在计算机视觉、模式识别、人工智能等领域有广泛的应用。
多特征融合与目标识别是图像处理中的重要研究方向。
本文将从多特征融合的意义、目标识别技术以及融合方法等方面进行综述，并探讨当前的研究热点和未来的发展方向。
1. 引言图像处理技术是指对图像进行优化、重建、分割、特征提取等处理的一系列方法和算法。
随着数字图像在各个领域的广泛应用，图像处理技术得到了快速发展。
多特征融合与目标识别技术则是图像处理技术中的重要方向之一。
2. 多特征融合的意义多特征融合是指将图像中的多个特征信息进行有效整合，以提高图像处理和目标识别的准确性和鲁棒性。
在图像处理中，多特征融合的意义主要包括：1. 提高特征的鲁棒性：通过融合不同特征，可以弥补某些特征的不足，提高特征的鲁棒性，从而提高目标识别的准确性。
2. 丰富图像的表达能力：不同特征可以从不同层面对图像进行描述，通过融合多个特征，可以更全面、准确地展示图像的信息。
3. 降低特征维度：某些特征可能具有高维度的问题，通过融合不同特征，可以将特征维度降低到更合理的范围内，减少计算量和存储空间。
3. 目标识别技术目标识别是图像处理中的一个重要任务，其目标是在图像中准确地识别和定位特定的目标。
目标识别技术与多特征融合密切相关，常用的目标识别技术包括：1. 特征提取与描述：通过提取和描述图像中的局部特征，如边缘、纹理、颜色等，以实现对目标的识别和描述。
2. 分类器设计与训练：通过训练分类器，将提取到的特征与目标进行匹配和分类，以实现目标的识别和分类。
3. 目标定位与跟踪：在识别目标的基础上，对目标进行定位和跟踪，以实现对目标位置的精确定位和实时跟踪。
4. 多特征融合的方法多特征融合的方法主要包括特征级融合和决策级融合两种。
1. 特征级融合：将不同特征进行有效组合，得到新的特征向量表示图像，常用的特征级融合方法包括加权求和、特征连接、特征映射等。
SAR图像目标检测研究综述
2、基于时域的方法：这类方法主要通过滑动窗口等方式，对SAR图像进行时域 分析。这类方法可以更好地抑制斑点噪声，但是计算复杂度较高。
三、典型SAR图像目标检测方法 介绍
1、基于SWT（Sliding Window Technique）的方法：这是一种常用的时域分 析方法，通过在SAR图像上滑动一个窗口，对窗口内的像素进行统计和阈值判 断，以检测目标。
1、传统方法
基于滤波的方法是SAR图像目标检测的常用方法之一。该方法主要通过滤波器 对图像进行平滑处理，以减小图像的噪声和干扰，然后利用图像的统计特征进 行目标检测。基于边缘的方法则通过检测图像边缘来提取目标信息。该方法主 要利用图像边缘的突
变特性来识别目标，但容易受到噪声干扰。小波变换是一种有效的信号处理方 法，在SAR图像目标检测中主要用于提取图像的多尺度特征，提高目标的识别 精度。
另外，如何将SAR图像目标检测与其他图像处理任务（如图像分割、目标跟踪 等）相结合，进一步提高SAR图像的应用价值，也是未来的一个研究方向。
总之，SAR图像目标检测是一个富有挑战性和应用价值的研究领域。未来的研 究应不断探索和创新，结合新的技术和方法，进一步提高SAR图像目标检测的 性能和鲁棒性，为实际应用提供更为可靠的解决方案。
4、训练策略调整：我们采用了分阶段训练的方法。首先，我们使用大量的无 标签数据进行预训练，以增强网络对SAR图像背景和噪声的适应性。然后，我 们使用有标签数据进行微调，以使网络能够更准确地检测和识别舰船目标。
5、后处理改进：在目标检测任务中，后处理是关键的一部分。我们提出了一 种新的非极大值抑制（NMS）策略，该策略考虑到了SAR图像中舰船目标的空 间关系和形状特征。此外，我们还引入了一种新的目标标签修正算法，以解决 因SAR图像的分辨率和角度问题导致的目标识别错误。
海洋遥感数据中的图像分类与目标识别方法
海洋遥感数据中的图像分类与目标识别方法海洋遥感技术利用卫星、航空器等传感器获取的数据来获取关于海洋环境和海洋目标的信息。
这些数据包含丰富的信息，但由于其海量性和多样性，使得如何对海洋遥感数据进行准确的分类和目标识别成为海洋遥感领域中的一个重要挑战。
图像分类与目标识别是海洋遥感数据处理和分析的关键步骤之一，它能够将海洋遥感图像分为不同的类别，并识别出感兴趣的海洋目标，如船只、浮冰、海洋生物等。
准确的图像分类与目标识别对于海洋资源开发利用、海洋环境保护和海洋灾害预警等具有重要的意义。
目前，海洋遥感数据的图像分类与目标识别方法主要包括基于像素的方法、基于纹理的方法和基于形状的方法等。
基于像素的方法是一种传统的方法，它通过对图像中的像素进行统计分析，并利用像素的灰度、颜色等特征来进行分类和目标识别。
它适用于目标具有明显的颜色或灰度特征的情况，但对于目标的纹理和形状特征无法很好地描述。
因此，在应用基于像素的方法时需要注意选择合适的特征。
基于纹理的方法是一种利用图像纹理信息来进行分类和目标识别的方法。
它通过对图像的纹理进行描述并提取纹理特征，然后使用分类器对提取的特征进行分类和目标识别。
基于纹理的方法能够有效地提取目标的纹理信息，对于纹理特征明显的海洋目标具有良好的分类和目标识别效果，但对于纹理特征不明显的目标效果较差。
基于形状的方法是一种利用图像中目标的形状信息来进行分类和目标识别的方法。
它通过对目标的形状进行建模，并提取与目标形状相关的特征，然后使用分类器对提取的特征进行分类和目标识别。
基于形状的方法能够有效地提取目标的形状信息，对于形状特征明显的海洋目标具有良好的分类和目标识别效果，但对于形状特征不明显的目标效果较差。
除了上述方法外，还有一些融合多种特征和方法的图像分类与目标识别方法。
例如，可以将基于像素、纹理和形状的特征进行融合，利用多种分类器进行融合分类和目标识别。
这种综合利用不同特征和方法的方法能够提高分类和目标识别的准确性和鲁棒性。
基于D-S证据理论的多特征融合SAR图像目标识别方法
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。
一种基于中心矩特征的SAR图像目标识别方法
进 行识 别 。 这些 方法 都是 直接 对包 含 目标信 号 的 Ｓ ＡＲ 图像进 行 处理 ， 实际应 用 中会存 在 两个 问题 ： 在 其一 是
Ｓ ＡＲ 图 像 中既包 含 目标 ， 包 含背 景杂 波 ， 同 的 背景 杂 波会 对 识别 结 果 产 生影 响 ； 二是 基 于 Ｓ 也 不 其 ＡＲ图 像 来 进行 识别 对 系统 内存 要求 高 ， 带来 困难 。 于此 ， 特 会 基 本文 采用 如
将 研究 基 于 Ｓ ＡＲ 图像 的地 面 目标 识别 问题 。
基于 Ｓ ＡＲ 图像 的地 面 目标 识别 已有 大 量 文 献研 究 ， 文献 ［］ １ 直接 利 用 ｓ ＡＲ 图像 采 用 ｓ ＶＭ 来 进 行 分 类； 文献 ［］ 一种 基 于模板 匹配 的 Ｓ ５是 ＡＲ ＡＴＲ 方 法 ； 文献 ［］ ７ 采用 ＫＰ Ａ 来提 取 目标 Ｓ Ｃ ＡＲ 图像 特 征 ， 后 然
ｃ ａ ｓｆｅ ｙ ｓ ｐ ｏ ｔ ｅ ｔ ｒｍａ ｈ ｎ （ ＶＭ ）ｃａ ｓｆ ｒ ｌｓ ｉ ｄ ｂ ｕ ｐ ｒ ｃｏ ｃ ｉ ｅ Ｓ ｉ ｖ ｌ ｓ ｉｉ ．Ｔｈ ｆｉｉ ｎ ｙ ｏ ｈ ｒ ｐ ｓ ｄ ｍ ｅ ｈ ｄ ｓｅ ａ ｕ ｔ ｄ ｅ ｅ ｅ ｆｃｅ ｃ ｆｔ ｅ ｐ ｏ ｏ ｅ ｔ ｏ ｓ ｉ ｖ ｌ ａ ｅ
ｂａ ｅ ｈｅ Ｍ Ｓ ｓ ｄ ｏｎ ｔ ＴＡＲ ａｔ ． ｄ ａ
Ｋｅ ｗｏ ｄ ： ｓ ｎ ｈ ｔｃ ａ ｅ ｔ ｒ ａ ａ ；ａ ｔ ｍ ａ ｉ ａ ｇ ｔ ｒ ｃ ｇ ｉ ｏ ｙ ｒｓ ｙ ｔ ｅ ｉ ｐ ｒ ｕ ｅ ｒ ｄ ｒ ｕ ｏ ｔ ｔ ｒ ｅ ｅ ｏ ｎ ｔ ｎ；ｃ ｎ ｒ ｌ ｍｏ ｅ ｔ ｆ ａ ｕ ｅ Ｓ ｃ ｉ ｅ ｔ ａ ｍ ｎ ｅ ｔ ｒ ， ＶＭ ｃａ ｓｔ ｒ ｌｓ ｉ ｅ ｉ
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
第30卷 第5期系统工程与电子技术Vol.30 No.52008年5月Systems Engineering and Electronics May 2008文章编号:10012506X (2008)0520839204收稿日期:2007201219;修回日期:2007203228。
基金项目:教育部长江学者和创新团队支持计划(IR T0645);国家自然科学基金(60772140);国防预研项目资助课题作者简介:胡利平(19792),女,博士研究生,主要研究方向为合成孔径雷达图像处理及目标识别。
E 2mail :fox_plh @基于多分类器融合的SAR 图像自动目标识别方法胡利平,刘宏伟,吴顺君(西安电子科技大学雷达信号处理国家重点实验室,陕西西安710071) 摘 要:给出一种内存需求小、计算复杂度低且性能较好的合成孔径雷达自动目标识别(SAR A TR )方法。
先对原始图像预处理获得目标及阴影,然后提取目标和阴影的形状描述子以及基于极化映射提取目标及阴影的形状特征、目标的强度分布特征,最后基于平均准则融合分类器对目标进行分类。
基于美国运动和静止目标获取与识别(MSTAR )计划录取的数据的实验结果表明,所提融合的分类器可获得比单个分类器好的识别性能,并且利用阴影信息可大大提高识别性能。
关键词:合成孔径雷达;自动目标识别;形状描述子;极化映射;多分类器融合中图分类号:TN 958 文献标志码:AR adar target recognition based SAR image and classif iers f usionHU Li 2ping ,L IU Hong 2wei ,WU Shun 2jun(N ational L ab.of Radar S i gnal Processing ,X i dian Univ.,X i ’an 710071,China ) Abstract :A SAR A TR met hod characterized wit h low memory requirement ,low comp utational complexity and good recognition performance is proposed.Firstly ,smoot hed target and shadow images are segmented via SAR image pre 2processing.Secondly ,shape information of target and it s shadow ,intensity distributed informa 2tion of target are extracted based on polar mapping ,and shape descriptors of target and it s shadow are also ex 2tracted.Finally ,SAR target s are classified by t he combined classifier based on t he average rule.Experimental result s based on t he MSTAR (moving and stationary target acquisition and recognition )data show t hat t he com 2bined classifier can obtain much better performance t han t he individual classifiers ,moreover ,t he inclusion of t he shadow feat ures result s is a significant improvement in recognition performance.K eyw ords :synt hetic apert ure radar ;automatic target recognition ;shape descriptors ;polar mapping ;clas 2sifiers fusion0 引 言 合成孔径雷达(synthetic aperture radar ,SAR )成像不受天气、光照等条件限制,可对感兴趣的目标进行全天候、全天时的侦察,广泛应用于军事和遥感领域。
由于SAR 技术对地面目标尤其是地面静止目标探测的优势,在现代战场感知中具有很好的应用前景,对SAR 图像进行快速准确的理解与识别已经越来越受到人们的重视[1]。
基于SAR 图像地面目标识别已有大量文献研究,它们在特征提取、分类器设计等方面各有特点。
文献[2]是以原始图像的幅频分量作为特征,采用模板匹配的识别算法。
文献[3]先对原始图像的幅度矩阵作对数图像后,并取其幅频分量,利用核主分量分析(kernel principal component analysis ,KPCA )提取目标特征,用支撑向量机(support vector machine ,SVM )进行识别。
文献[223]的共同缺点:(1)都没有考虑阴影,而阴影的形状信息对识别是很有用的;(2)都没有将目标从杂波背景中提取出来,由于背景杂波具有多样性,不同的背景杂波特性会影响识别性能。
针对这些问题,本文首先对原始图像进行预处理,然后再提取目标及阴影特征。
另外,对于一个特定的识别问题,采用某一种分类算法或者某一种特征未必能获得很好的识别性能,因此基于多特征或多分类算法的分类器融合是必需的。
在模式识别领域,分类器融合越来越受到广泛关注,文献[4]已证明:互补的多个分类器按某种适当的准则融合将大大改善单个分类器的性能。
主要因为:(1)对于一个特定的识别问题,单个分类算法未必能获得好的识别性能,因此,融合不同的分类算法是必需的。
(2)实际中,通常会选择各种不同类型的特征,这些特征的表示形式、物理意义也许有很大差异,其量纲也会各不相同。
如果简单地将它们排成向量,在识别 ・840 ・系统工程与电子技术第30卷 前需要对其进行尺度归一化处理,而不同特征间的归一化是很困难的。
另外,将不同的特征排成向量会增加计算复杂度,也会带来“维数灾难”问题。
若采用多分类器融合的方法可以避免这些问题,本文基于平均准则来融合分类器。
1 SAR 图像预处理美国MSTAR 计划录取的SAR 图像包含三个区域:目标及其阴影和背景(如图1(a )所示)。
大量背景杂波及相干斑的存在,会严重影响识别性能。
为此,本文给出SAR 图像预处理方法,步骤如下。
(1)对原始图像的幅度矩阵作对数变换,一方面可将相干斑由乘性变为加性[5],另一方面可压缩图像灰度的动态范围,减小图像中大值像素的影响,还可降低训练和测试样本由于俯仰角不同而带来的影响[6]。
(2)在对数域内采用双参数的自适应阈值分割来获得目标图像T 和阴影图像S (如图1(b )、(e )所示)。
方法如下:在对数域内估计当前图像G 的均值μ和方差σ。
首先,对目标进行分割(x ,y )∈T ,T (x ,y )=1,G (x ,y )>μ+c 1σ(x ,y )∈B ,T (x ,y )=0,其他(1)其次,对阴影进行分割(x ,y )∈S ,S (x ,y )=1,G (x ,y )<μ-c 2σ(x ,y )∈B ,S (x ,y )=0,其他(2)式中:T 表示目标,S 表示阴影,B 表示背景,常数c 1、c 2可通过分析训练样本库中原始图像像素灰度值分布先验地确定,T (x ,y )为目标的二值掩模矩阵T 的第(x ,y )个像素点S (x ,y )为阴影的二值掩模矩阵S 的第(x ,y )个像素点。
(3)对T 和S 分别作形态学滤波[7],通过去除小的非目标、非阴影区域以减弱噪声、平滑边界、去除小洞等(如图1(c ,f )所示)。
(4)再分别对T 和S 作几何聚类处理[8],以去除任何非目标和非阴影区域(如图1(d ,g )所示)。
(5)为了获得目标的幅度信息,将得到的目标的二值图像T 与对数图像G 作像素点乘运算,得到目标图像H 。
而阴影则保持二值图像(即阴影区域内部各点的像素值为1,其余点的像素值为0)。
(6)对目标图像H 基于幂变换作图像增强[7]以增强图像质量,从而增强对目标的识别能力。
(7)为了克服目标相对于雷达距离不同产生的影响,对增强后的目标图像作归一化处理。
图1 SAR 图像分割(T72)2 特征提取2.1基于极化映射的特征提取对图像的极化映射(polar mapping ,PM )实质上是沿r 向和θ向等间隔地对原图像进行采样来构造极化图像(po 2lar image ,PI )的过程[9],图2给出了对原图像的极化栅格及相应的极化图像几何关系。
图2 原图像与极化图像的几何关系假设SAR 目标图像Q (x k ,y k )经极化映射后得到极化图像I (r m ,θn ),它们的坐标关系为(x k ,y k )=(x c ,y c )+(r m cos θn ,r m sin θn )(3)式中:m =1,2,…,N r ,n =1,2,…,N θ,k =1,2,…,N r N θ。
r m =R min +(m -1)Δr ,θn =-π+(n -1)Δθ,Δr =R max -R minN r -1,Δθ=2πN θ-1,(x c ,y c )为SAR 图像的质心坐标。
N r 、N θ分别为沿r 向和沿θ向的采样点数,Δr 、Δθ分别为沿r 向和沿θ向的采样间隔。
R min 是最小的采样圆半径,不妨令R min =0。
R max 可由目标上各点到质心距离的最大值估计得到。
实际中,如果采样间隔Δr 、Δθ选的过大,则会出现“欠采样”,损失原图像中有用的目标信息,反之,会出现“过采样”,得到的极化图像维数大大提高,增加后续的计算负担,折中考虑,我们取N r =50,N θ=100。
极化图像在点(r m ,θn )的像素值可根据式(3)得到:如果(x k ,y k )在图像Q 的像素中心(即x k ,y k 都为整数),则直接将点(x k ,y k )的像素值赋给(r m ,θn ),否则,需要先采用插值算法估计出点(x k ,y k )的像素值,再将其赋给(r m ,θn ),这里采用的插值算法是最简单的二维线性插值。
于是,就得到了SAR 目标图像Q 的极化图像,如图3(a )、(b )所示。
对极化图像沿r 向求和,就得到SAR 目标图像的特征向量I θ(θ)I θ(θ)=∫R maxR minI (r,θ)d r ≈∑Nrn =1I (rm,θn )(4)其维数为N θ,波形如图3(c )所示。