融合目标轮廓和阴影轮廓的SAR图像目标识别
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
复杂背景下SAR图像目标检测与识别方法研究
复杂背景下SAR图像目标检测与识别方法研究复杂背景下SAR图像目标检测与识别方法研究一、引言合成孔径雷达（Synthetic Aperture Radar，SAR）是一种能够在各种天气条件下提供高分辨率影像的遥感技术。
由于其对于地表特征的穿透能力强，SAR图像在军事、环境监测、资源调查等领域具有广泛应用。
在复杂背景下，SAR图像的目标检测与识别变得更加困难。
为了提高目标检测与识别的准确度和效率，科研人员进行了大量的研究，提出了许多方法。
本文将综述近年来在复杂背景下SAR图像目标检测与识别方法的研究进展。
二、复杂背景下SAR图像的特点复杂背景下的SAR图像具有以下特点：1. 背景杂波干扰严重。
由于地物散射、电离层、气象条件等因素的影响，背景杂波在SAR图像中表现出复杂多样的特性，使得目标的边缘轮廓难以清晰表达。
2. 目标散射缺失。
复杂背景下，目标散射信号往往被背景杂波淹没，目标信息难以从背景中提取出来，导致目标检测与识别困难。
3. 目标尺寸变化多样。
在复杂背景下，目标尺寸可能发生变化，对目标检测与识别造成挑战。
三、复杂背景下SAR图像目标检测方法1. 基于滤波器的方法：滤波器是一种常用的SAR图像目标检测方法，在复杂背景下有其独特的优势。
滤波器可以通过平滑处理减少背景杂波的干扰，提升目标边缘轮廓的清晰度。
常见的滤波器方法包括均值滤波、中值滤波、小波变换等。
2. 基于特征提取的方法：特征提取是SAR图像目标检测与识别的关键步骤。
在复杂背景下，目标的边缘特征与背景杂波的边缘特征往往模糊不清，传统的特征提取方法效果较差。
因此，研究人员提出了一些新的特征提取方法，如纹理特征、形状特征、极化特征等。
3. 基于深度学习的方法：深度学习是近年来热门的技术，已经在图像处理领域取得了显著的成果。
在复杂背景下，传统的方法往往难以取得好的效果，而深度学习可以通过训练大量样本，自动学习目标的特征表达，提升目标检测与识别的准确性和鲁棒性。
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。
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。
SAR图像分割及目标识别
摘要摘要自动目标识别是当前世界军事技术研究领域中的一个攻关性课题.随着现代雷达系统的不断改进和发展，雷达自动目标识别得以产生和发展。
而雷达距离分辨率的不断提高更为目标识别提供了新的途径。
同时，数字技术的飞速发展也使得目标识别的实时的工程实现成为可能。
合成孔径雷达因其具有全天候、远距离、极强的穿透力并能在恶劣的环境下以很高的分辨率（目前已达 0.1m）提供详细的地面测绘资料和图像的这种能力，使其在现代侦察任务中起着至关重要的作用。
基于合成孔径雷达（SyntheticAperture Radar,简称 SAR）的自动目标识别（Automatic Target Recognition,简称 ATR）技术在战场感知方面非常重要，已成为国内外研究的热门课题。
近些年来，雷达目标识别在特征提取、目标模式分类、目标识别算法的实现等技术领域取得了不同程度的进步，已成功应用于星载和机载合成孔径雷达地面侦察、精确制导等领域。
本文综述了自动目标识别技术的发展现状，深入研究了基于 SAR图像的自动目标识别及其相关技术，主要工作包括以下四个部分：一是通过对几种传统SAR 图像滤波器的仿真实验，提出了一种基于中值滤波的SAR图像滤波方法；二是研究了 SAR 图像的分割方法，提出了一种简单有效的图像分割方法－阈值分割法，并比较了固定阈值分割，局部阈值分割和自适应阈值分割三种不同的阈值分割方法的性能优劣，并对分割后的图像用形态滤波器进行细化，使得目标的边缘信息得到了有效的保持，同时一定程度上去除了孤立的背景图像，为接下来的识别工作提供了好的前提；三是研究了基于中心矩特征和主分量的特征提取方法，它们最主要的优点就是可以实现对原始特征的降维；四是详细介绍了几种经典的SAR 图像自动目标识别分类算法。
并基于美国DARPA提供的MSTAR（Moving and Stationary TargetAcquisition and Recognition）数据库作了大量的仿真实验以证实分类的有效性。
SAR图像自动目标识别研究的开题报告
SAR图像自动目标识别研究的开题报告一、题目名称：SAR图像自动目标识别研究二、研究背景与意义：合成孔径雷达（SAR）作为一种重要的遥感技术，在军事、民用等领域都具有广泛应用。
而自动目标识别（Automatic Target Recognition, ATR）技术可以通过对SAR图像进行分析，实现对目标的自动识别，具有广泛的应用前景。
SAR图像的自动目标识别一直是遥感图像处理领域的研究热点之一。
目前，虽然已经有了很多关于SAR图像自动目标识别的研究工作，但这个问题依然是一个挑战性问题，SAR图像的较高噪声水平、复杂的背景、目标形态复杂多变等因素都给目标识别带来了很大的困难。
因此，对于SAR图像自动目标识别的研究，一方面，可以有效提高军事侦察、边境防卫、灾害监测等领域的遥感信息获取效率，为决策提供更加精确的数据分析支持；另一方面，也可以为SAR图像自动目标识别技术的发展提供更深入、更广泛的应用场景。
三、研究内容：本文将结合SAR图像自动目标识别的研究现状和实际应用需求，从以下方面进行研究：1. SAR图像目标特征提取通过分析SAR图像中目标的物理特性，探究基于SAR图像目标特征提取的方法，包括各种特征表示方法、特征选择方法、特征压缩方法等方面。
2. SAR图像目标分类技术通过综合对多种分类算法的分析及运用，提出一种基于SAR图像自动目标识别的分类方法，并进行实验验证。
3. SAR图像目标检测方法通过研究常用目标检测算法的特点及优缺点，提出一种适用于SAR 图像的目标检测方法，并通过实验进行验证。
四、研究方法：在SAR图像自动目标识别研究中，本文将采用以下研究方法：1. 收集SAR图像数据并进行预处理2. 根据SAR图像目标物理特性，分析和提取适用于目标识别的特征3. 通过机器学习方法对目标进行分类、识别和检测4. 实验验证识别效果五、预期成果：1. 综合掌握SAR图像自动目标识别的关键技术2. 实现基于SAR图像的自动目标识别算法，并进行实验验证3. 提出一种适合SAR图像自动目标识别的分类方法和检测方法，并对其进行实验验证4. 发表相关学术论文，撰写研究报告六、研究计划：时间节点任务考核内容1-2 月文献调研，研究SAR图像自动目标识别的现状和发展方向研究报告3-4 月 SAR图像目标特征提取的算法研究算法设计与验证报告5-6 月基于机器学习的分类和识别算法研究算法设计与验证报告7-8 月基于深度学习的目标检测算法研究算法设计与验证报告9-10 月算法整合及实验验证报告及结果分析11-12 月综合分析，撰写论文论文。
SAR图像目标鉴别和识别方法研究
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。
SAR图像目标识别算法在军事情报收集中的效果验证
SAR图像目标识别算法在军事情报收集中的效果验证概述:军事情报收集对于战争决策具有重要意义。
在现代军事中，合理利用先进的技术手段来获取信息并进行情报分析变得尤为重要。
合成孔径雷达（SAR）是一种主动型雷达，可通过向地面或海面发射微波信号并接收反射回来的信号来生成图像。
在战争的情报收集中，SAR图像目标识别算法的效果验证变得至关重要。
SAR图像目标识别算法：SAR图像目标识别算法是一种通过SAR图像分析和处理来有效辨别和识别目标的方法。
这些算法主要基于图像特征提取和模式识别技术，并结合了计算机视觉和机器学习的方法。
目标识别算法的主要步骤包括预处理、特征提取和分类。
预处理阶段涉及图像去噪、辐射校正和几何校正等操作，以消除图像中的干扰和形变。
特征提取阶段通过分析目标的形状、纹理和光谱特征来提取图像特征。
分类阶段使用机器学习算法将目标与背景进行区分。
军事情报收集中的应用：军事情报收集中，SAR图像目标识别算法可以提供非常有价值的信息。
通过分析SAR图像，我们可以识别出敌方潜在目标的位置和类型，并进一步评估其威胁程度。
因此，SAR图像目标识别算法在情报收集中能够提供战争决策的关键信息。
首先，SAR图像目标识别算法能够有效地辨别地面目标，如建筑物、道路和桥梁等。
在战争的情报收集中，掌握地面目标的位置和类型对于计划作战行动至关重要。
通过分析SAR图像中的反射信号，识别地面目标的种类和布局，我们可以更好地了解可能存在的敌方军事设施，从而针对性地制定作战计划。
其次，SAR图像目标识别算法还可以辨别出移动目标，如敌方军队和车辆等。
在战争中，掌握敌方军队的行动情况对于决策作战策略至关重要。
SAR图像目标识别算法可以通过分析SAR图像中目标的位置、形状和运动轨迹等信息，实现对移动目标的准确识别和追踪。
这样的信息可以为军事指挥官提供实时战场态势，进而作出更加明智的决策。
此外，SAR图像目标识别算法还可以用于识别敌方雷达设备和防御工事。
- 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)。
2010- 09- 15 基金项目 : 国家自然科学基金资助项目 ( 60772140 , 60901067); 长江学者和创新团队发展计划资助项目 ( I RT 0954) 作者简介 : 尹奎英 ( 1977- ), 女 , 山东潍坊人 , 博士生 , 主要从事 SAR 图像处理、 SAR 目标识别研究 E - m a i: l y inku iy ing @ sina . com
1
SAR 阴影成像模型
合成孔径雷达成像一般用斜距近似表示地面距离。若场景宽度较宽, 球面波效应不能忽略 , 则用斜距表
示的地面距离是有失真的 , 等距球面与地面的交点是远密近疏。当然, 只要知道场景和载机高度的几何关 系 , 这种几何失真可以通过计算加以校正, 但是如果地面有起伏 , 且起伏的状况不预知, 就会带来一系列问 题 , 见图 1 , 为雷达的下视角 , 越大 , 地面分辨率也越差。阴影现象发生在 的场合 , 这里的阴影与 目视的阴影不同, 后者是外界光源 ( 如太阳、 月亮等 ) 照射不到的地方, 而仍处于视角的范围里, 而视线遮挡 的合成孔径雷达是主动辐射的探测器 , 它不需要外辐射源, 因而只有自身辐射受到阻挡才会形成阴影。
[ 9] [ 8]
, 不过由于噪声和梯度的很多局部不规则常导致过
分割 , 为了控制过分割在分水岭分割中引入了标记符的概念。用局部最小区域作为标记符标记感兴趣区 域 , 这样来避免误分割 , 不过局部最小区域不只一个 , 所以这种标记符很容易陷入局部信息。因此, 文中必须 要找到一种标记点既能满足标记感兴趣区域, 又不陷入局部信息。 在这里文中引入一个滑窗 , 滑窗初始值为边缘部分背景 , 然后循环对图像所有点进行统计, 得到整幅图 像的最大最小区域, 这样既不会使标记符陷入局部 , 又因为滑窗统计的是区域信息, 这样就避免受到噪声的 影响。 用为 9 记 , 见图 2 。 9的滑窗统计结果对图像进行滑窗统计最大最小值, 得到最大最小值后对窗口中心点进行标
第 1期
尹奎英等 : 融合目标轮廓和阴影轮廓的 SAR 图像目标识别
25
SAR 阴影形成原因使得 SAR 阴影内部不包含任何 SAR 目标的信息, 所以阴影相对目标具有 2 个特点 : 内部相对光滑 , 轮廓相对明显。因此 , 试 图利用可以保持阴影轮廓特征的处理方法提取 SAR 图像阴影轮廓, 进而反 映目标的局部空间结构特性, 使得基于轮廓特征的 SAR ATR 成为可能。从 阴影的产生原理来看 , 在俯仰角一定的情况下 , 目标轮廓和阴影轮廓完全可 以反应目标的局部空间信息和高度信息。它不随 S AR 入射角、 成像环境等 变换而变化 , 是一种稳健的特征。
3 目标识别
经过前面的分割之后 , 文中获得了阴影的轮廓图, 轮廓特征能够反应目标的局部空间信息, 这里选用傅 立叶描述子来描述阴影的轮廓信息。傅里叶描述子的基本思想是: 对于二维平面中的封闭边界, 共有 K 个 边界点。将边界点 ( x 0, y 0 ), ( x 1, y 1 ), k= 0 , 1 , 计算 s( k ) 的傅里叶变换可以得到: 1 a ( u) = k
图 1 阴影的形成
2
SAR 图像分割
[ 4- 5]
F ig . 1 F or m ation o f shado w
有 2 个原因使得传统的图像分割算法不适用于 SAR 图像分割 , 其一是相干斑噪声的影响 , 其二是 SAR 图像相邻像素之间的相互影响和依赖关系 , 对于 SAR 图像分割必须要考虑这 2 个因素。 [ 6] 另外, 由于文中的分割主要是为了后继识别的需要 , 因此 , 分割后的结果必须满足 3 个条件 : 杂度低 , 分割效果好; 容易确定感兴趣范围, 边缘清晰光滑 ; 综合上面的问题和分割要求, 文中提出了一种基于控制标记符的最优阈值分割算法。 首先用幂变换将 SAR 图像由近似瑞利分布转换为近似高斯分布 。 由 SAR 成像原理可知 , SAR 目标图像通常表现出严重的相干斑噪声 , 因此在做 SAR 图像的处理之前必 须要首先对 SAR 图像进行去噪。 1990 年 P erona 和 M alik 将各向异性扩散方程应用于图像去斑和边缘检测
基于合成孔径雷达 ( Synthetic Apertu re R adar , SAR )的自动目标识别 ( A utom atic T arget Recognitio n , ATR ) [ 1- 3] 技术在战场感知方面非常重要 , 已成为国内外研究的热门课题 。 SAR 图像的特殊成像机理使得 SAR 图 像噪声非常严重 , 很难有清晰的轮廓。因此在进行 SAR ATR 时 , 一般都使用目标内部结构特征 , 如灰度值, 峰值, 中心距等特征, 基本没有使用 SAR 图像轮廓信息 , 更没有使用 SAR 图像阴影信息。事实上 , SAR 图像 轮廓反映了 SAR 目标的局部空间结构信息, 如果分割得当 , 能够分割出准确, 精细的轮廓信息, 轮廓信息可 以作为一种非常稳健的识别特征。 目前在 SAR 目标轮廓特征方面作 SAR ATR 的文献很少 , 文献 [ 3] 中分析了利用局部空间作识别的可行 性 , 并用仿真的 ISAR 数据基于局部空间进行 ATR, 不过用的数据是仿真的 ISAR 数据 , 没有用到实测数据; 文献 [ 1] 用分割后的目标轮廓进行识别, 由于数据预处理不同, 分割的复杂度要高出很多; 本文同时融合了 阴影轮廓和目标轮廓 2 个特征, 除了反映目标本身的轮廓信息外还能反映目标的高度信息 , 因此识别率有了 很大的提高。
k- 1
, ( xK - 1, yK - 1 ) 采用复数的形式来表示, 即 s( k ) = x ( k ) + j y ( k ),
, K- 1 。这样就将二维数列变成了一维数列。
s( k ) e
k= 0 k- 1
- j 2 uk /k
, k = 0 , 1 ,
, K
1
( 2)
a( u ) 即称为边界的傅里叶描述子。 对 a( u ) 进行逆变换, 可以恢复出原来的 s( k ), 有 : s( k ) = 1 j2 uk /k a ( u) e , k= 0 , 1 , k u= 0 , K 1 ( 3)
图 3 不同项数的 Four ier描述子重建结果 F ig . 3 The rebu ild ing result under d ifferent num be r o f Four ier descr iptors
4 分类器设计
分别用阴影轮廓和目标轮廓获得最大相关系数 , 文中采用基于串接的融合器进行融合。文献 [ 10] 指出 各种分类算法提供的输出信息可以分为 3 个层次, 相应的分为 3种类型的分类器融合算法 , 文中在这里采用 第 3 种类型来融合分类器。给定样本 x, 分类器 ek 输出为 : M k (x C i |x ), i= 1 , 2 , , c, k = 1 , 2 , ,K ( 5) 式中 M k (x C i |x )表示分类器 ek 认为 x 属于第 i 类的一种度量。对于每个分类器 ek , 其判决结果为:
图 2 基于控 制标记符的 SAR 图像分割过程 F ig . 2 Exa m ple of the app lication of the m arker- contro lled based SAR seg m entation
26
空军工程大学学报 ( 自然科学版 )
2011 年
偏微分去噪后的 SAR 图像目标 , 阴影 , 背景 3部分内部分布已经比较均匀, 背景中一些强反射点仍然会 被误分割。有了标记符后 , 就可以在标记符周围设定一个范围作为目标区域和图像区域, 就可以避免感兴趣 区域之外的误分割, 也避免后继为了处理这些误分割所需要的形态学滤波。 对目标和阴影进行粗分之后, 然后再对轮廓之外的背景部分分 4 部分 20 素范围 , 如果分割过大或者过小 , 则动态地调节阈值。 分割后如果有不连续的区域, 考虑后面识别的需要 , 对于阴影部分 , 除了极值点所在的连续区域之外别 的区域一律抛弃处理 , 目标部分则适当提高阈值, 如果还有不连续的部分 , 考虑目标散射的复杂性对不连续 区域保留。 20 像素进行统计, 得到背景 区域的最大最小值作为分割的阈值对图像进行分割。为防止过分割和分割过粗 , 要对分割后 2 部分设定像
这样通过采用部分傅里叶系数来代替所有的傅里叶系数 , 从而实现轮廓的重建。 例如, 只采用前面 P 个 系数对图像的轮廓进行重建, 此时: a ( u) = 1 k
k- 1 - j 2 uk /k
s( k ) e
k= 0
, k = 0 , 1 ,
, K - 1
( 4)
因为 Fourier 变换的高频分量对应轮廓的细节分量 , 而低频分量对应着轮廓的基本形状, 因此可以采用 少量的低频 Fourier 系数来实现图像轮廓的重建。 下面用讨论傅里叶描述子项数的确定, 图 3 是阴影轮廓采用不同项的傅里叶描述子进行重建的结果。 可以看出采用前 30 个低频分量就可以有效地表示轮廓的形状特征。
第 12 卷第 1 期 2011 年
学
学
报 ( 自然 科学版 )
V o.l 12 N o . 1 F eb. 2011
JOURNA L O F A I R FORCE ENG I NEER I NG UN I VER SITY ( NATU RAL SC I ENCE ED I TI ON )
融合目标轮廓和阴影轮廓的 SAR 图像目标识别
尹奎英 ,
南京
1
金
林,
西安
2
李
710038)
成,
西安
3
刘宏伟
1
( 1 西安电子科技大学雷达信号处理国家重点实验室 , 陕西 210039; 3 空军工程大学工程学院 , 陕西
710071 ; 2 南京 电子技术 研究所 , 江苏