利用曲波变换和局部线性嵌入算法的SAR图像海面油膜特征提取

溢油事故带来的海洋污染问题日益严重,SAR图像快速准确地自动识别为溢油事故的处理和决策支持提供了重要前提。为了获得更高的油膜识别准确率,提出了一种基于曲波变换（Curvelet）和局部线性嵌入（Local Linear Embedding,LLE）算法的SAR图像特征提取方法。首先,利用Curvelet对图像进行分解,选取包含了主要信息的低频分量作为新的图像矩阵;然后,利用LLE进行非线性降维,提取图像分类特征。为了验证提取特征的有效性,所提的Curvelet-LLE算法与PCA、LLE、等距特征映射（Isomap）、Curvelet变换和 Fisher 判别分析(Curvelet-KFD)、Wavelet-LLE等特征提取算法,利用K最近邻和支持向量机分类器分别进行了对比实验。实验结果表明,Curvelet-LLE算法能更有效地提取SAR图像油膜识别的分类鉴别特征,其准确率相对较高,具有较好的实用性。     

利用最小冗余最大相关和SVM的SAR图像海上溢油识别

近年溢油事故频发,海洋污染日益严重。利用合成孔径雷达（SAR）卫星可以有效跟踪由海上溢油事故导致的油膜扩展情况。利用最大冗余最小相关-支持向量机（mRMR_SVM）算法进行SAR图像溢油识别,为溢油事故决策支持提供重要前提。首先采用mRMR提取最优特征向量集,对输入值进行降维; 然后采用SVM算法解决油膜图像分类问题,同时选择径向基函数（RBF）为核函数;使用训练集训练该模型,调整模型参数;以测试集特征向量作为输入,利用训练好的模型进行溢油识别。实验结果表明,mRMR_SVM模型对SAR图像的油膜和类油膜识别有效,准确率为96.875%.     

结合二维内蕴模函数和贝叶斯多任务学习的SAR目标识别

为了提高合成孔径雷达（Synthetic Aperture Radar,SAR）目标识别性能，提出了结合二维内蕴模函数（Bidimensional Intrinsic Mode Function,BIMF)与贝叶斯多任务学习的SAR目标识别方法。采用二维经验模态分解获得SAR图像的多层次BIMF，从而更好地描述原始图像的细节信息。为了获得稳健的决策，采用贝叶斯多任务学习对原始SAR图像及其多层次的BIMF进行联合稀疏表示。最后，通过比较各个类别对于测试样本的重构误差判定目标类别。基于MSTAR数据集在多种条件下对提出方法进行了验证实验，结果证明了方法的有效性。     

深度卷积神经网络在SAR自动目标识别领域的应用综述

深度卷积神经网络（DCNN）可自动学习目标层次化特征,在合成孔径雷达（SAR）自动目标识别（SAR-ATR）领域具有广泛应用前景。首先,介绍了DCNN的基本原理以及DCNN在光学图像上的应用与发展;然后,介绍了SAR-ATR的基本概念,综述了DCNN在SAR图像语义特征提取、片段级SAR图像分类、基于数据增强技术的SAR自动目标识别、异质图像变化检测等领域中的前沿应用研究及代表性网络架构;最后,总结并讨论了DCNN在SAR-ATR应用中存在的参数设置经验化、算法泛化能力较弱等不足,并对未来研究方向进行了展望。     

面向SAR图像处理的生成式对抗网络应用综述

针对缺少合成孔径雷达（Synthetic Aperture Radar，SAR）目标图像数据导致的识别网络难以训练的问题，总结了现有的基于深度学习方法的解决方案。归纳了现阶段生成式对抗网络（Generative Adversarial Network，GAN）的发展情况，以及主要的衍生模型及其特点与优势。综述了GAN在SAR图像生成与风格迁移两方面的应用情况，并合理分析了应用中的技术难点和问题。最后结合深度学习的发展趋势，展望了GAN在SAR智能解译方面的应用。     

利用改进特征金字塔模型的SAR图像多目标船舶检测

深度学习模型中的特征金字塔网络（Feature Pyramid Network，FPN）常被用作合成孔径雷达（Synthetic Aperture Radar，SAR）图像中多目标船舶的检测。针对复杂场景下多目标船舶检测问题，提出了一种基于改进锚点框的FPN模型。首先将特征金字塔模型嵌入传统的RPN（Region Proposal Network）并映射成新的特征空间用于目标检测，然后利用基于形状相似度距离（Shape Similar Distance,SSD）度量的Kmeans聚类算法优化FPN的初始锚点框，并使用SAR船舶数据集测试。实验结果表明，所提算法目标检测精确率达到98.62%，在复杂场景下与YOLO、Faster RCNN、FPN based on VGG/ResNet等模型进行对比，模型准确率提高，整体性能更好。     

一种基于视觉感知的舰船目标智能化识别方法

为有效识别视觉系统采集的可见光图像中的舰船目标，提出了基于YOLO（You Only Look Once）网络模型改进的10层的卷积神经网络（Convolutional Neural Network,CNN）用于水面舰船目标的智能识别，通过反卷积的方法可视化CNN中不同卷积层提取到的舰船目标特征。按照传统目标识别方法提取了舰船目标的四类典型人工设计特征，将所提CNN的舰船目标识别结果与YOLO网络模型及四类人工设计特征结合支持向量机用于舰船目标识别的结果进行比较。实验结果表明，与YOLO网络模型相比，综合精确率、召回率和效率3个舰船目标识别的性能指标，改进后的CNN性能更好，从而验证了所提方法的有效性。不同数据量下采用典型特征识别舰船目标与基于深度CNN识别舰船目标的识别结果比较说明了不同类型目标识别算法的优劣势，有利于推动综合性视觉感知框架的构建。     

基于多尺度多方向Gabor模板的光学/SAR景象匹配

合成孔径雷达（SAR）成像制导通常采用光学基准图和SAR实时图 进行特征提取和景象匹配。提出了一种光学/SAR异类影像匹配方法,利用多尺度多方向Gabo r模板提取图像的Gabor特征后进行特征匹配,首先对SAR图像进行方向Frost滤波预处理,然 后分别计算光学图像和SAR图像的高斯梯度图像,再利用多尺度多方向二维Gabor滤波器模板 分别对两幅高斯梯度图像进行特征提取,最后对两组特征矩阵进行归一化互相关匹配。该方 法直接利用光学图像和SAR实时图进行景象匹配,实验表明,该异类影像匹配方法较其他传 统方法具有较高的鲁棒性和准确性。     

决策可靠性分析及在SAR图像目标识别中的应用

决策融合是提高合成孔径雷达（Synthetic Aperture Radar,SAR）目标识别性能的重要手段，然而，可靠性较弱的决策往往会导致最终决策融合的效果变差。将可靠性分析引入基于决策融合的SAR目标识别方法中，分别计算各个决策的可靠性系数并选取可靠性的决策参与最终的决策融合。为了验证方法的有效性，分别将提出的可靠性分析应用于多特征决策融合以及多分类器决策融合并基于MSTAR（Moving and Stationary Target Acquisition and Recognition）数据集进行了目标识别实验。在基于主成分分析、线性鉴别分析和非负矩阵分解三种特征进行多特征决策融合的条件下，所提方法和直接进行决策融合的方法的识别率分别为97.47%和96.50%。在基于K近邻、支持向量机和稀疏表示分类器的多分类器决策融合中，所提方法和直接进行决策融合的方法的识别率分别为97.10%和96.28%。实验结果充分证明了所提方法的有效性。     

主动毫米波成像地海面目标识别方法

主动毫米波成像传感器为前下视对地成像,作为侧视SAR和前斜视SAR成像的补充,能够实现全方位观测覆盖,采用扫描方式实时获取飞行路径前方地物目标图像数据,在飞行器导航中具有重要应用前景。针对主动毫米波成像目标识别所面临的成像信噪比低、图像方位向分辨率低以及保障条件为异种传感器图像数据等难点,探讨了目标检测识别实时信息处理流程中的地面信息保障、匹配识别算法等若干关键技术和方法,结合目标背景特性,提出的结合特征检测的目标匹配识别定位方法,能满足低信噪比条件下的目标快速检测识别的要求。     

基于局部极值共生模式和能量分析的烟雾检测

针对烟雾稀薄的场景提出了一种新颖且具有鲁棒性的视频烟雾检测方法,该方法主要由预处理、特征提取和图像分类三个阶段组成。在预处理阶段,使用背景差分算法提取视频帧的运动前景区域,并采用HSV颜色空间作用于运动前景区域识别烟雾像素;然后使用局部极值共生模式(Local Extrema Co-occurrence Pattern,LECoP）计算纹理特征和使用烟雾能量分析计算能量特征;最后,将特征矢量融合训练支持向量机（Support Vector Machine,SVM）用于识别烟雾。实验结果表明该方法能有效检测出烟雾。     

基于分数阶傅里叶变换的运动舰船聚焦算法

为解决合成孔径雷达(SAR)图像中运动舰船目标产生的散焦现象，结合对比度最大算法和分数阶傅里叶变换(FRFT)算法，提出了一种改进的对比度分数阶傅里叶变换(CFRFT)自聚焦算法。该算法利用分数阶傅里叶变换对已成像SAR图像进行时频域分析，根据旋转角分别利用参数模型和非参数模型对二阶相位误差和高阶相位误差进行补偿，和传统的相位梯度(PGA)法相比，图像分辨率和旁瓣比提升显著，可以更有效地补偿SAR中舰船运动产生的相位误差。对不同舰船和尾迹SAR图像实验表明，算法对二阶以上的相位误差具有较好的补偿效果，误差估计准确性高，适用范围广，解决了SAR运动舰船的散焦问题，提高了海洋舰船监测的准确性。     

基于同步压缩短时傅里叶变换的微型无人机识别

针对利用雷达微多普勒效应的微型无人机识别问题,提出了一种基于同步压缩短时傅里叶变换（Synchrosqueezing Short-Time Fourier Transform,SSTFT）的分类识别方法。首先对无人机的微多普勒回波信号进行SSTFT从而获得信号时频谱,然后对时频谱进行多维度特征提取获得回波信号的时频特征及频率变化特征,最后将所获得联合特征输入到支持向量机（Support Vector Machine,SVM）中进而实现无人机的分类识别。基于实际雷达数据的实验结果表明,所提无人机分类方法准确率可达到97.03%。     

基于子孔径方位特性的穿墙雷达虚拟多视角成像方法

针对穿墙雷达(TWR)室内不规则场景中信号传播的多径效应所导致成像区域“幻影”存在的问题，提出了一种基于脉冲雷达信号平台频域压缩感知(CS)框架的多径利用方法。在建立室内多径回波脉冲信号矢量模型的基础上，将每条多径分量作为一个特殊的观测通道，并利用目标、多径“幻影”依赖于阵列子孔径方位(AD)的特性，由此来分析目标、“幻影”与子孔径位置的关联性，最后通过调和平均(HMAM)子孔径图像融合方法实现 “幻影”抑制和目标的虚拟多视角成像。该方法克服了脉冲信号时域压缩感知计算复杂度高以及需要事先已知室内几何反射位置的不足。不同场景的仿真结果验证了此方法的可行性和优越性。     

基于PCA的小波多分辨图像融合方法

提出小渡多分辨率下主成份分析（PCA）的图像融合方法。首先利用小波变换对融合图像进行多分辨率分解，然后利用主成份分析方法确定图像小波低频近似系数的洎适应融合权重，采用局部区域“能量”法进行小渡高频细节系数的融合，最后将小波融合系数逆变换实现图像的融合处理。实验结果证实融合图像的目标特征突出，易于目视解译。     

改进的YOLO模型及其在舰船目标识别中的应用

针对传统目标识别方法资源消耗大、精度和可靠性低、泛化能力不强的问题,提出了一种基于改进YOLO（You Only Look Once）模型的舰船目标识别方法。通过精简YOLO模型,设计了一个10层的卷积神经网络用于舰船目标的自动特征提取和分类识别,模型训练过程中引入迁移学习的概念防止模型过拟合并加速模型参数的训练。在自建舰船目标图像测试集上的实验分析结果表明,该方法能够正确识别出航母、除航母外的其余军舰及民船三类舰船目标,识别精度达到93.7%且识别效率较高,验证了所提舰船目标识别方法的有效性。     

一种高分辨雷达目标识别方法

研究了宽带高分辨雷达目标识别问题，基于目标一维距离像，提取目标散射中心特征，并根据该特征设计了简单目标的目标分类器，利用暗室测量得到的缩比模型高分辨回波数据进行识别，结果表明该识别方法具有良好的识别性能。     

一种SAR与可见光图像压缩感知融合增强方法

针对机载多传感器成像战场态势感知的问题，提出了一种合成孔径雷达(Synthetic Aperture Radar，SAR)与可见光图像压缩感知融合增强方法。该方法首先对SAR与可见光图像分别进行压缩感知测量，得到压缩测量值，然后通过基于局部权值的融合方法实现对压缩测量值的融合，再利用有序度最优分割法提取SAR图像的强散射目标，最后对融合测量值重建得到初步融合图像，初步融合图像通过目标对比度增强得到最终融合图像。对多组图像进行了仿真分析，视觉及数值结果表明该方法能显著增强融合图像的目标对比度，提升了图像纹理清晰度，较大程度降低了图像融合过程中的数据计算量。