基于局部多分辨特征的SAR图像自动目标识别（精）

１ ０ ５ ４ 清 华 大 学 学 报 （ 自 然 科 学 版） （ ） ２ ０ １ １， ５ １ ８ 征提取后 ， 送入分类器进行测试 ， 输出分类结果 。 原图像大 小 为 ５ 均值１ １ ２×５ １ ２ 像 素， ０． ８ ２，方 差７ ５． ３ ０，动态范围 ６ ４． ０ ７，等效视数 １． ５ ６，辐射分 辨率 ２． 目 标 分 割 后， 虽然目标的重心相对于原 ５ ６； 但 经 过 分 类 实 验， 始 ＭＳ ＴＡＲ 切片 中 心 有 所 偏 移 ， 图像中 ３ 类 ６ 个目 标 均 能 实 现 正 确 检 测 和 识 别 ， 充 分证实了本文方法的有效性 。 为了进一步测试算法在强噪声下的鲁棒性， 向 图像相 原始图像中加入 相 干 斑 噪 声 。 加 入 噪 声 后 ， 关参数 如 下 ：均 值 １ ０． ８ ３，方 差 ８ ５． ０ ４，动 态 范 围 ６ ５． ３ １，等 效 视 数 １． ３ ８，辐 射 分 辨 率 ２． ６ ７，峰 值 信 噪比 ３ 重 心 计 算， 目标 ８． ３ ８。 采用相同的目 标 检 测 、 ） ，分类结果显示 ， 图６ 图像中的 ６ 个目标 切片获取 （ 仍能正确检测和识 别 ， 进一步证实了本文特征提取 方法的有效性和鲁棒性 。 对大场景 Ｓ ＭＳ ＴＡＲ 目标切片分类正确率高 ， ＡＲ 图 像中的多类 、 多个目 标 的 分 割 与 自 动 目 标 识 别 也 非 常有效 ， 并且对相干斑噪声具有较强的鲁棒性 。 ） 参考文献 （ Ｒ ｅ ｆ ｅ ｒ ｅ ｎ ｃ ｅ ｓ ［ ］ Ｗ １ ａ ｎ Ｈ Ｑ，Ｓ ｕ ｎ Ｆ Ｃ，Ｚ ｈ ａ ｏ Ｚ Ｔ， ｅ

ｔ ａ ｌ ．Ｓ Ａ Ｒ ｉ ｍ ａ ｅ ＡＴ Ｒ ｇ ｇ ［ ］ ／ ／ ｕ ｓ ｉ ｎ Ｓ ＶＭ ｗ ｉ ｔ ｈ ａ ｌ ｏ ｗ ｄ ｉ ｍ ｅ ｎ ｓ ｉ ｏ ｎ ａ ｌ ｃ ｏ ｍ ｂ ｉ ｎ ｅ ｄ ｆ ｅ ａ ｔ ｕ ｒ ｅ Ｃ ｇ Ｉ ｎ ｔ ｍ ｏ ｓ ｉ ｕ ｍ ｎ ｕ ｌ ｔ ｉ ｓ ｅ ｃ ｔ ｒ ａ ｌ ｍ ａ ｅ ｒ ｏ ｃ ｅ ｓ ｓ ｉ ｎ ｎ ｄ Ｓ ｏ Ｍ Ｉ Ｐ ｙ ｐ ｐ ｇ ｇ ａ ： ， Ｐ ａ ｔ ｔ ｅ ｒ ｎ Ｒ ｅ ｃ ｏ ｎ ｉ ｔ ｉ ｏ ｎ．Ｗｕ ｈ ａ ｎ Ｓ Ｐ Ｉ Ｅ Ｐ ｒ ｅ ｓ ｓ ２ ０ ０ ７： ６ ７ ８ ６ ２ Ｊ ． ｇ ［ ］ Ｓ ２ ｈ ｅ ｎ Ｄ Ｇ． Ｄ ｉ ｓ ｃ ｒ ｉ ｍ ｉ ｎ ａ ｔ ｉ ｖ ｅ ｗ ａ ｖ ｅ ｌ ｅ ｔ ｓ ｈ ａ ｅ ｄ ｅ ｓ ｃ ｒ ｉ ｔ ｏ ｒ ｓ ｆ ｏ ｒ ｐ ｐ ］ ｒ ｅ ｃ ｏ ｎ ｉ ｔ ｉ ｏ ｎ ｏ ｆ ２ Ｊ ． Ｐ ａ ｔ ｔ ｅ ｒ ｎ Ｒ ｅ ｃ ｏ ｎ ｉ ｔ ｉ ｏ ｎ， １ ９ ９ ９， ａ ｔ ｔ ｅ ｒ ｎ ｓ［ －Ｄ ｇ ｐ ｇ （ ） ： ３ ２ ２ １ ５ １ １ ６ ５． － ［ ］ Ｚ ３ ｈ ａ ｏ Ｑ，Ｐ ｒ ｉ ｎ ｃ ｉ

ｅ Ｊ Ｃ．Ｓ ｕ ｏ ｒ ｔ ｖ ｅ ｃ ｔ ｏ ｒ ｍ ａ ｃ ｈ ｉ ｎ ｅ ｆ ｏ ｒ Ｓ Ａ Ｒ ｐ ｐ ｐ ］ ａ ｕ ｔ ｏ ｍ ａ ｔ ｉ ｃ ｔ ａ ｒ ｅ ｔ ｒ ｅ ｃ ｏ ｎ ｉ ｔ ｉ ｏ ｎ［ Ｊ ． Ｉ Ｅ Ｅ Ｅ Ｔ ｒ ａ ｎ ｓ ｏ ｎ Ａ ｅ ｒ ｏ ｓ ａ ｃ ｅ ｇ ｇ ｐ （ ） ： Ｅ ｌ ｅ ｃ ｔ ｒ ｏ ｎ ｉ ｃ Ｓ ｓ ｔ ｅ ｍ ｓ， ２ ０ ０ １， ３ ７ ２ ６ ４ ３ ６ ５ ４． ａ ｎ ｄ － ｙ ［ ］ Ｓ ，Ｌ ４ ｕ ｎ Ｙ Ｊ ｉ ｕ Ｚ Ｐ，Ｔ ｏ ｄ ｏ ｒ ｏ ｖ ｉ ｃ Ｓ．Ｓ ｎ ｔ ｈ ｅ ｔ ｉ ｃ ａ ｅ ｒ ｔ ｕ ｒ ｅ ｒ ａ ｄ ａ ｒ ｙ ｐ ／ ／ ａ ｕ ｔ ｏ ｍ ａ ｔ ｉ ｃ ａ ｒ ｅ ｔ ｅ ｃ ｏ ｎ ｉ ｔ ｉ ｏ ｎ ｄ ａ ｔ ｉ ｖ ｅ ｏ ｏ ｓ ｔ ｉ ｎ Ｃ］ ｔ ｒ ａ ｂ ｇ ｇ ｐ ｇ ［ Ｐ ｒ ｏ ｃ ｅ ｅ ｄ ｉ ｎ ｓ ｆ ｈ ｅ ０ ０ ５ Ｉ ｎ ｔ ｅ ｒ ｎ ａ ｔ ｉ ｏ ｎ ａ ｌ ｏ ｃ ｉ ｅ ｔ ｔ ｉ ｃ ａ ｌ ｏ ｔ ２ Ｓ ｇ ｙ ｐ Ｏ ： ， Ｄ ｉ ｅ ｏ Ｓ Ｐ Ｉ Ｅ Ｐ ｒ ｅ ｓ ｓ ２ ０ ０ ５： ２ ８ ２ ２ ９ ３． Ｅ ｎ ｉ ｎ ｅ ｅ ｒ ｉ ｎ ． Ｓ ａ ｎ － ｇ ｇ ｇ ［ ］ Ｌ ５ ｏ ｗ ｅ Ｄ Ｇ．Ｄ ｉ ｓ ｔ ｉ ｎ ｃ ｔ ｉ ｖ ｅ ｉ ｍ ａ ｅ ｆ ｅ ａ ｔ ｕ ｒ ｅ ｓ ｆ ｒ ｏ ｍ ｓ ｃ ａ ｌ ｅ ｉ ｎ ｖ ａ ｒ ｉ ａ ｎ ｔ － ｇ ］ （ ） ： ｋ ｅ ｏ ｉ ｎ ｔ ｓ［ Ｊ ． Ｉ ｎ ｔ Ｊ Ｃ ｏ ｍ ｕ ｔ Ｖ ｉ ｓ ｉ ｏ ｎ， ２ ０ ０ ４ ２ ９ １ １ １ ０． － ｙ ｐ ｐ ［ ］ Ｍ ６ ｉ ｋ ｏ ｌ ａ ｃ ｚ ｋ Ｋ， Ｓ ｃ ｈ ｍ ｉ ｄ Ｃ．Ａ ｅ ｒ ｆ ｏ ｒ ｍ ａ ｎ ｃ ｅ ｅ ｖ ａ ｌ ｕ ａ ｔ ｉ ｏ ｎ ｏ ｆ ｌ ｏ ｃ ａ ｌ

ｊ ｙ ｐ ］ ｄ ｅ ｓ ｃ ｒ ｉ ｔ ｏ ｒ ｓ ［ Ｊ ．Ｉ Ｅ Ｅ Ｅ Ｔ ｒ ａ ｎ ｓ ｏ ｎ Ｐ ａ ｔ ｔ ｅ ｒ ｎ Ａ ｎ ａ ｌ ｓ ｉ ｓ ａ ｎ ｄ ｐ ｙ （ ） ： Ｉ ｎ ｔ ｅ ｌ ｌ ｉ ｅ ｎ ｃ ｅ， ２ ０ ０ ５， ２ ７ １ ０ １ ６ １ ５ １ ６ ３ ０． Ｍ ａ ｃ ｈ ｉ ｎ ｅ － ｇ ［ ］ Ｖ ７ ａ ｎ ｉ ｋ Ｖ Ｎ．Ｔ ｈ ｅ Ｎ ａ ｔ ｕ ｒ ｅ ｏ ｆ Ｓ ｔ ａ ｔ ｉ ｓ ｔ ｉ ｃ ａ ｌ Ｌ ｅ ａ ｒ ｎ ｉ ｎ Ｔ ｈ ｅ ｏ ｒ ｐ ｇ ｙ ［ ： ， Ｍ］ ．Ｎ ｅ ｗＹ ｏ ｒ ｋ Ｓ ｒ ｉ ｎ ｅ ｒ Ｐ ｒ ｅ ｓ ｓ １ ９ ９ ９． ｐ ｇ ［ ］ Ｏ ，Ｗ ８ ｎ Ｃ Ｓ， Ｓ ｍ ｏ ｌ ａ Ａ Ｊ ｉ ｌ ｌ ｉ ａ ｍ ｓ ｏ ｎ Ｒ Ｃ．Ｌ ｅ ａ ｒ ｎ ｉ ｎ ｔ ｈ ｅ ｋ ｅ ｒ ｎ ｅ ｌ ｇ ｇ ］ ｗ ｉ ｔ ｈ ｅ ｒ ｋ ｅ ｒ ｎ ｅ ｌ ｓ ［ Ｊ ．Ｊ ｏ ｕ ｒ ｎ ａ ｌ ｏ Ｍ ａ ｃ ｈ ｉ ｎ ｅ Ｌ ｅ ａ ｒ ｎ ｉ ｎ ｈ ｙ ｐ ｆ ｇ Ｒ ｅ ｓ ｅ ａ ｒ ｃ ｈ， ２ ０ ０ ５， ６： １ ０ ４ ３ １ ０ ７ １． － ［ ］ Ｓ ９ ｏ ｎ ｎ ｅ ｎ ｂ ｕ ｒ Ｓ， Ｒ

ｔ ｓ ｃ ｈ Ｇ，Ｓ ｃ ｈ

ｆ ｅ ｒ Ｃ，ｅ ｔ ａ ｌ ．Ｌ ａ ｒ

ｅ ｓ ｃ ａ ｌ ｅ ｇ ｇ ］ ｍ ｕ ｌ ｔ ｉ ｌ ｅ ｋ ｅ ｒ ｎ ｅ ｌ ｌ ｅ

ａ ｒ ｎ ｉ ｎ Ｊ ． Ｊ ｏ ｕ ｒ ｎ ａ ｌ ｏ Ｍ ａ ｃ ｈ ｉ ｎ ｅ Ｌ ｅ ａ ｒ ｎ ｉ ｎ ｐ ｇ［ ｆ ｇ Ｒ ｅ ｓ ｅ ａ ｒ ｃ ｈ， ２ ０ ０ ６， ７： １ ５ ３ １ １ ５ ６ ５． － ［ ］Ｋ １ ０ ｉ ｎ ｓ ｂ ｕ ｒ Ｎ， Ｔ ａ Ｄ Ｂ Ｈ， Ｐ ａ ｌ ａ ｎ ｉ ｓ ｗ ａ ｍ ｉ Ｍ． Ｍ ｕ ｌ ｔ ｉ ｓ ｃ ａ ｌ ｅ － ｇ ｙ ｙ ／ ／Ｐ ｋ ｅ ｒ ｎ ｅ ｌ ｍ ｅ ｔ ｈ ｏ ｄ ｓ ｆ ｏ ｒ ｃ ｌ ａ ｓ ｓ ｉ ｆ ｉ ｃ ａ ｔ ｉ ｏ ｎ［ Ｃ］ ｒ ｏ ｃ ｅ ｅ ｄ ｉ ｎ ｓ ｏ ｆ Ｉ Ｅ Ｅ Ｅ ｇ Ｗ ｏ ｒ ｋ ｓ ｈ ｏ ｏ ｎ ａ ｃ ｈ ｉ ｎ ｅ ｅ ａ ｒ ｎ ｉ ｎ ｏ ｒ ｉ ｎ ａ ｌ ｒ ｏ ｃ ｅ ｓ ｓ ｉ ｎ ． Ｍ Ｌ Ｓ Ｐ ｐ ｇ ｇ ｇ ｆ 图 ６ 加入相干斑噪声的多目标场景图像 Ａ Ｔ Ｒ 仿真 ４ 结 论 受感受野模型与多分辨分析的启发， 提出了一 种从图像局部点出 发 ， 对图像进行多分辨分析的图 并 应 用 于 ＭＳ 像处理方 法 ， ＴＡＲ 数 据 集 中 的 Ｓ ＡＲ 图像目标的特 征 提 取 。 同 时 基 于 多 级 特 征 的 整 合 ， 运用基于多 尺 度 核 方 法 的 Ｓ 实现了三类 ＶＭ 模 型 ， 目 标 的 分 类。该 方 法 实 现 简 单、 快 速 有 效， 不仅对 ，Ｎ ： ， Ｐ ｉ ｓ ｃ ａ ｔ ａ ｗ ａ ｅ ｗ Ｊ ｅ ｒ ｓ ｅ Ｉ Ｅ Ｅ Ｅ Ｐ ｒ ｅ ｓ ｓ ２ ０ ０ ５： ４ ３ ４

８． － ｙ ｙ ［ ］Ｚ １ １ ｈ ｅ ｎ Ｄ Ｎ， Ｗ ａ ｎ Ｊ Ｘ， Ｚ ｈ ａ ｏ Ｙ

Ｎ． Ｎ ｏ ｎ ｆ ｌ ａ ｔ ｆ ｕ ｎ ｃ ｔ ｉ ｏ ｎ － ｇ ｇ ］ ｅ ｓ ｔ ｉ ｍ ａ ｔ ｉ ｏ ｎ ｗ ｉ ｔ ｈ ａ ｍ ｕ ｌ ｔ ｉ ｓ ｃ ａ ｌ ｅ ｓ ｕ ｏ ｒ ｔ ｖ ｅ ｃ ｔ ｏ ｒ ｒ ｅ ｒ ｅ ｓ ｓ ｉ ｏ ｎ［ Ｊ ． － ｐ ｐ ｇ Ｎ ｅ ｕ ｒ ｏ ｃ ｏ ｍ ｕ ｔ ｉ ｎ ２ ０ ０ ６， ７ ０： ４ ２ ０ ４ ２ ９． － ｐ ｇ， ［ ］Ｐ １ ２ ｏ ｚ ｄ ｎ ｏ ｕ ｋ ｈ ｏ ｖ Ａ， Ｋ ａ ｎ ｅ ｖ ｓ ｋ ｉ Ｍ． Ｍ ｕ ｌ ｔ ｉ ｓ ｃ ａ ｌ ｅ ｓ ｕ ｏ ｒ ｔ ｖ ｅ ｃ ｔ ｏ ｒ － ｐ ｐ ］ ｆ ｏ ｒ ｈ ｏ ｔ ｓ ｏ ｔ ｄ ｅ ｔ ｅ ｃ ｔ ｉ ｏ ｎ ａ ｎ ｄ ｍ ｏ ｄ ｅ ｌ ｉ ｎ Ｊ ． Ｊ Ｓ ｔ ｏ ｃ ｈ ａ ｌ ｏ ｒ ｉ ｔ ｈ ｍ ｓ ｇ ｐ ｇ［ Ｅ ｎ ｖ ｉ ｒ ｏ ｎ Ｒ ｅ ｓ ａ ｎ ｄ Ｒ ｉ ｓ ｋ Ａ ｓ ｓ ｅ ｓ ｓ， ２ ０ ０ ７， ２ ２： ６ ４ ７ ６ ６ ０． － ［ ］ ［ ］ １ ３ Ｏ ｆ ｅ ｒ Ｒ．Ｍ ｕ ｌ ｔ ｉ ｓ ｃ ａ ｌ ｅ ｋ ｅ ｒ ｎ ｅ ｌ ｓＪ． Ａ ｄ ｖ ａ ｎ ｃ ｅ ｓ ｉ ｎ Ｃ ｏ ｍ ｕ ｔ ａ ｔ ｉ ｏ ｎ ａ ｌ ｐ ｐ Ｍ ａ ｔ ｈ ｅ ｍ ａ ｔ ｉ ｃ ｓ， ２ ０ ０ ６， ２ ５： ３ ５ ７ ３ ８ ０． －

本文来源：https://www.bwwdw.com/article/oika.html