1. 基于深度学习的SAR目标识别关键技术研究-王力

论文主要内容如下:
1.介绍经典的运动和静止目标识别与获取（moving and stationary target acquisition and recognition,MSTAR）数据集,从 MSTAR 数据集下载数据，得到的数据是二进制文件，需要使用官方提供的工具 mstar_conv_tools 进行转换，可将 MSTAR 图像文件转换为其他格式以供查看，如：RAW，JPEG，TIFF 以及 Sunraster 格式。进而给出传统卷积神经网络（Convolutional Neural Network,CNN）的原理、基本结构及训练方法。为减小MSTAR数据集中杂波的高度相关性对识别性能分析的不利影响,提出基于形态学滤波的SAR图像分割算法,实现了SAR目标与背景杂波的有效分离。最终,给出所设计网络结构在不同观测条件下的识别率。
2.针对传统CNN结构在SAR ATR任务中泛化性能差、收敛速度慢等问题,提出一种大间隔softmax批规范化处理CNN（large-margin softmax batch-normalization,LM-BN-CNN）结构。该结构在网络最后一层利用大间隔softmax分类器增加不同类别样本间的可分性,同时采用批规范化（batch normalization,BN）处理加快网络收敛速度。实验结果表明,与传统CNN结构相比,LM-BN-CNN在SAR ATR任务中具有更好的识别精度和泛化性能。
3.针对传统CNN所提取的特征通常包含冗余信息,从而干扰分类器,降低网络识别率的问题,提出强化压缩激励网络（enhanced squeeze and excitation network,ESENet）结构。ESENet借助注意力机制对CNN中包含重要信息的特征进行增强,同时抑制包含较少信息的冗余特征。在MSTAR数据集上的实验结果表明,与传统应用于SAR ATR的CNN结构相比,ESENet能够自动从图像中提取更有效的特征,从而提高识别性能。
4.针对现有基于深度学习的SAR ATR算法需要大量训练数据,在训练样本不足时性能严重下降的问题,提出适用于小样本SAR ATR的卷积-双向长短时原型网络（Conv-Bi LSTM Prototypical Network,CBLPN）。该网络根据小样本学习（Few-shot Learning,FSL）理论,有效降低识别算法对待分类目标训练样本数的要求。CBLPN的识别过程包括两个阶段:第一阶段训练嵌入网络,从而将SAR图像从原始空间映射到便于分类的嵌入空间;第二阶段采用欧几里得距离分类器对嵌入空间中的样本进行分类。MSTAR三类目标识别结果表明,CBLPN只需几张训练样本就能获得较高识别率。
5.现有基于深度学习的SAR ATR算法大都采用基于归纳推理的分类器,即依赖训练样本和测试样本之间的相似度进行分类。针对小样本SAR ATR待识别目标训练样本数量有限,基于归纳推理的分类器识别率不高等问题,将归纳推理和转导推理结合,提出混合推理的分类策略,并设计混合推断网络（hybrid inference network,HIN）。该网络分类器包含归纳推理和转导推理两个部分。在归纳推理部分,根据欧几里得距离对每个样本进行独立分类。在转导推理部分,将所有测试样本当做一个整体,进而根据其流形结构使用标签传播算法进行分类。最终,对两种分类方法的结果进行综合以得到混合推断识别结果。同时,提出新的增强混合损失函数以增加样本间的可分性,进而实现网络权值的有效训练。MSTAR数据实验结果表明,HIN有效提高了小样本条件下SAR目标的识别率和稳定性。

2. SAR图像处理及地面目标识别技术研究-尹奎英

本论文主要对SAR地面目标识别技术进行了深入的研究,从两个方面展开:其一为SAR图像预处理,其二为SAR目标特征提取和SAR目标识别。第三部分,提出了一种融合SAR目标轮廓和阴影轮廓的目标识别算法。在进行SAR自动识别时,大多数算法都使用目标内部结构特征,如灰度值,峰值,中心距等特征,而很少使用SAR图像轮廓信息,更很少使用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,而轮廓信息可以作为一种非常稳健的识别特征的。因此我们首先提出了一种基于控制标记符的SAR图像分割算法,得到SAR图像目标轮廓和阴影轮廓,然后融合这两种轮廓进行SAR目标识别。基于MSTAR的实验结果验证了本算法的有效性。实验结果证明,目标轮廓和阴影轮廓的结合,除反映本身包含的局部空间结构信息外,还能反应SAR目标的高度信息,较单一轮廓特征,是一种更为稳健的特征。第四部分,提出了一种基于多模分布的SAR图像分割算法。SAR图像目标,背景,阴影的不同成像机理使得这三部分具有不同的统计特性。本文分析SAR图像三部分的统计性质,并对其分别建立统计模型,并给出了一种基于这三种模型组合的多模分布的SAR图像分割算法,对于目标分割和阴影分割分别采用不同的预处理方法,分别提出了快速Otsu分割算法分割目标,以及基于背景均值保留的冲击滤波算法分割阴影。分割结果表明,这种基于多模分布的SAR图像分割算法与传统的基于单模分割算法相比,能最佳的利用各部分统计特性的差异,得到准确的分割结果。第五部分,提出了一种SAR目标姿态角的估计算法。SAR成像对目标方位角非常敏感,当SAR与目标的相对位置发生变化时,目标的散射中心也会发生变化,导致不同的方位角下的目标有明显的区别。因此,SAR目标姿态角的估计是SAR目标识别的一个重要步骤,在SAR目标分类和识别中,精确的方位角估计可以减小目标匹配数和检测误差。我们在前面目标分割的基础上,分析SAR图像随方位角变化的不变特征,提出了一种基于清晰双边的随机Hough变换法,基于MSTAR的实测数据实验结果表明,这种算法估算SAR目标姿态角具有估计精度高,计算时间短的优点。第六部分,提出了一种基于纹理特征的SAR目标识别算法,同时针对SAR目标变体提出了一种基于局部纹理特征的SAR目标变体识别算法。由于真实世界中使用的测试数据不可能与训练数据完全一致,也就是同一目标存在多种不同变体,这是SAR目标识别的难点,也是影响SAR目标识别率和SAR目标识别推广性的主要原因之一。我们提出了一种针对变体的识别算法,利用变体与原目标局部纹理之间的相似性进行识别。首先,提出了一种基于清晰边缘的SAR图像配准算法,然后使用结合Gabor变换,LBP和空间区域直方图的纹理特征来描述SAR图像,最后用基于大特征的直方图序列的匹配做识别。由于采用了基于配准的纹理来描述SAR图像,因而能有效描述SAR目标;用局部直方图匹配来进行识别,比用基于全局特征的算法推广性更好。基于MSTAR S2的实验结果证明了本算法的有效性。

3. SAR图像去噪与多源图像配准算法研究-王广璞

主要内容如下:
（1）针对当前SAR图像去噪算法可以取得较好的平滑效果,但对图像细节信息的保持能力不足的问题展开研究。利用了WNNM（Weighted Nuclear Norm Minimization）算法在恢复与保持图像细节信息方面的特性,提出了一种基于WNMM与FANS（Fast Adaptive Non-local SAR）的SAR图像去噪算法。该算法对WNNM算法进行改进,采用适合于SAR图像斑点噪声模型的相似性度量准则寻找相似块,利用了WNNM在图像恢复和保持方面的优越性,同时结合FANS中三维小波系数收缩方法良好的去噪表现,提高了SAR图像的PSNR与SSIM,获得了良好的去噪效果。
（2）针对SIFT算法中的梯度计算在组数较低时对噪声敏感的问题开展研究。对SIFT算法进行改进,利用GGS（Gaussian-Gamma-Shaped）双窗比值替代原本的梯度计算,重新构造特征描述子,同时将特征描述子维数拓展为256维,提高了SAR图像的配准精度和稳定性,同时在灰度差异较小的多源图像中也能取得良好的配准效果。
（3）针对当前没有一种适用性广泛且稳定的多源图像配准算法去处理存在较大灰度差异与畸变的多源图像配准的问题展开研究。研究了基于直线特征的配准方法,着重研究了VSPM（Voronoi Spectral Point Matching）方法,但发现该方法对外点十分敏感,故在该方法粗配准与精配准的大架构下,提出了一种新的结合直线与直线虚拟交点的配准方法。该方法在多源图像之间存在大的灰度差异与畸变的情况下仍能适用,能够实现直线特征明显且图像中至少包含三组互不平行的直线段的多源图像的配准。