论文部分内容阅读
合成孔径雷达(SAR，Synthetic Aperture Radar)自动目标识别(ATR，Automatic Target Recognition)技术支持在较少人为参与的条件下，对SAR图像数据进行自动解译，可降低对图像判读人员的专业要求，实现SAR获取信息的实时化应用，有效提高SAR载荷使用效能，具有重要研究价值。本论文围绕SAR车辆目标识别中的预处理、特征提取与少样本目标识别性能提升这三种关键技术展开研究。所作的主要工作及创新如下: 1.预处理技术:针对SAR图像质量会影响车辆目标识别性能，研究了两种预处理方法。第一种方法是小波变换取低频图像方法，实验结果表明该方法可以抑制高频斑点噪声、压缩图像大小和减弱SAR目标方位角敏感性。第二种方法是基于迭代阈值求解L1正则的特征增强算法，实验结果表明该方法可以抑制杂波和提高图像分辨率;同时，还可通过在特征增强算法中选取合适的图像稀疏度参数来提升目标识别性能。 2.特征提取技术:深入研究了PCA的理论基础和稀疏表示相关理论基础。为了改善传统PCA方法无法充分利用测试样本信息进行识别的缺陷，本文提出了一种基于稀疏求解的改进PCA方法。该方法首先利用稀疏求解方法得到与测试样本最相关的部分训练样本以及它们对测试样本的表示系数，然后结合PCA得到的最优投影矩阵，使投影后不同测试样本能更好利用训练样本信息进行分类。实验结果表明该方法不仅在理想样本集上比传统PCA方法要好，而且在方位角不全的少量样本上具有更强的鲁棒性，在SAR图像非合作目标的识别应用中具有良好验证效果。 3.少样本目标识别性能提升技术:在实际情况中，由于不能获取大量的非合作目标样本数据，使得少量目标样本训练出来的分类器的分类性能受限，所以本文提出了一种样本扩充方法。该方法是利用基于目标方位角距离阈值的图像加权融合手段来进行样本扩充。实验结果表明利用该样本扩充方法扩充得到的样本集进行分类器训练，可以提高少样本情况下的目标识别性能。