知識輔助的SAR目標索引及特征提取技術(shù)研究.pdf

1、基于SAR圖像的自動目標識別（Automatic Target Recognition，ATR）是SAR應(yīng)用領(lǐng)域一個極為重要的課題。目前SAR ATR面臨的主要挑戰(zhàn)是目標及目標所處環(huán)境復(fù)雜多變，僅依靠有限的目標 SAR圖像進行目標識別存在信息量的不足,需要引入其他外部知識和輔助信息。論文以此為切入點展開相關(guān)研究。
　　論文首先梳理了SAR ATR的現(xiàn)狀以及面臨的主要問題，指出知識輔助的SAR ATR是克服SAR ATR困境的一條可

2、行思路，并提出了相應(yīng)的系統(tǒng)處理流程。知識輔助的SAR ATR引入目標、環(huán)境、傳感器以及領(lǐng)域?qū)＜业榷喾矫娴闹R，采用層次化、自適應(yīng)的信息處理流程。目標索引是其中的關(guān)鍵環(huán)節(jié)，它的作用是在高維假設(shè)空間中確定需要重點關(guān)注的區(qū)域，為后續(xù)精細化處理提供初始假設(shè)。論文從知識輔助和擴展工作條件處理的角度對SAR目標索引及其特征提取展開研究。
　　第二章研究知識輔助的SAR目標分割。對地面目標SAR圖像，陰影也是感興趣的區(qū)域?，F(xiàn)有的分割方法主要考慮

3、目標與背景在圖像灰度上的差異以及像素級的局部區(qū)域連通性，普遍存在較多的目標和陰影的缺失。論文引入目標和陰影相連通的空間關(guān)系約束先驗，并利用空間關(guān)系勢能函數(shù)（Spatial Relation Potential Function, SRPF）進行定量描述，在Markov Random Field（MRF）分割的基礎(chǔ)上提出SRPF-MRF分割方法，以得到更加完整的目標和陰影。而且，該方法在MRF分割的基礎(chǔ)上僅對每個像素施加額外的先驗概率，算

4、法的計算量幾乎沒有增加，能夠較好地滿足目標索引對效率的需求。
　　第三章從目標索引的角度對SAR圖像散射中心特征提取展開分析和研究。首先分析指出屬性散射中心、復(fù)圖像域高分辨點散射中心提取難以滿足目標索引對時效性、穩(wěn)健性、自動化等方面的需求。峰值提取方法能夠滿足這些需求，但峰值提取由于未能考慮展布式散射中心而存在散射中心“漏檢”，影響散射中心特征的目標區(qū)分能力。分析推導(dǎo)了屬性散射中心在實圖像域的表現(xiàn)及其與理想點散射中心的近似等價關(guān)系

5、，構(gòu)建了一種新的散射中心模型知識。據(jù)此提出一種基于CLEAN策略的SAR實圖像域散射中心提取。該方法能較好地解決峰值提取存在的散射中心漏檢，而且由于基于CLEAN策略，算法穩(wěn)健、自動化程度高，增加的計算量不大，能夠滿足目標索引的需求。
　　第四章針對地面車輛目標，從車輛目標的簡化草圖模型—長方體模型入手，分析指出其在SAR圖像中具有矩形輪廓。矩形輪廓本身構(gòu)成了一種模型知識，可以為車輛目標的部件、子結(jié)構(gòu)（如坦克炮管）的描述提供很好的

6、上下文，有利于擴展工作條件下的目標索引。矩形輪廓提取的難點主要在于目標分割存在的虛假目標、缺失以及可能的附加結(jié)構(gòu)，如坦克炮管。為了克服這些難點，論文引入陰影邊界、目標長寬比等約束知識，提出了一種啟發(fā)式的車輛目標SAR圖像矩形輪廓提取方法。MSTAR數(shù)據(jù)實驗結(jié)果說明了該方法的有效性。
　　第五章研究了基于特征子結(jié)構(gòu)的目標粗分類（即索引）。首先討論了特征子結(jié)構(gòu)的內(nèi)涵、特征子結(jié)構(gòu)的描述、提取和預(yù)測及其在SAR目標索引中的應(yīng)用。從知識輔助

7、的角度，特征子結(jié)構(gòu)綜合了目標模型、觀測實例、傳感器知識、專家知識等。在矩形輪廓的上下文約束下，根據(jù)炮管特征子結(jié)構(gòu)在SAR圖像中的特點，分別從分割結(jié)果和散射中心特征檢測和提取炮管，并將之用于基于顯著特征子結(jié)構(gòu)檢測的目標索引。提取穩(wěn)定散射中心作為特征子結(jié)構(gòu)，考慮矩形輪廓的上下文約束，通過穩(wěn)定散射中心匹配進行SAR目標索引。最后MSTAR數(shù)據(jù)實驗說明了特征子結(jié)構(gòu)用于SAR目標索引的有效性。
　　論文最后（第六章）總結(jié)了論文的研究工作和成