一种基于MLS的SAR图像点特征提取方法

针对合成孔径雷达图像点特征提取问题,提出了一种基于MLS的SAR图像点特征提取方法.首先利用提出的基于超像素关联分析的SAR图像分割算法得到二值分割图像,再把该二值图像和SAR图像进行点乘运算,获取到含有强度信息的目标区域,然后采用移动最小二乘法(MLS)对目标区域进行曲面拟合,根据设定的点特征判决规则,最后提取出SAR图像的峰值、脊和谷等多种点特征.基于MSTAR数据的实验结果表明了该方法的有效性和准确性.     

基于迁移学习的SAR目标超分辨重建

针对合成孔径雷达(SAR)目标超分辨重建问题,提出了一种基于迁移学习的超分辨方法。在光学图像梯度域中联合训练超完备字典与稀疏编码映射,利用半耦合字典联系SAR图像与光学图像,寻找SAR图像在半耦合字典下的稀疏编码,并在高分辨率字典下完成重建。结合SAR图像的先验信息,使用正则化方法对SAR目标进行特征增强。所提方法在TerraSAR-X数据和MSTAR数据上进行了仿真实验,重建结果表明,相比目前的插值方法和稀疏表示方法,所提方法空间分辨率可提高0.5~1.5个像素。正则化增强结果表明,引入稀疏先验的正则化增强能够进一步提高空间分辨率并抑制杂波比,最后分析了正则化参数的选取对图像质量的影响。     

基于Gibbs-Markov随机场与连通聚类的SAR图像恢复

在传统的马尔可夫随机场(MRF)的图像建模方法基础上利用合成孔径雷达(SAR)图像的固有特性对Gibbs-MRF模型进行改进复原SAR图像,并进一步提出用数字形态学中连通性理论进行图像分割。在SAR图像像素空间的邻域内,估计最大后验概率(MAP)时引用Gamma分布代替传统的瑞利分布恢复数据,同时利用像素强度值相关性的连通模型将目标较好地提取出来。充分利用了SAR图像的数字形态信息和像素强度之间的相关性,得到了更好的分割效果。仿真实验说明本文方法是有效的。     

基于星载视频SAR的海上运动目标监视方法

传统SAR处理方法已无法满足日益复杂的战场环境,在监测、跟踪感兴趣区域内的机动目标和场景变化方面存在不足。针对此情况,提出了一种基于星载视频SAR(Video SAR)的海上运动目标监视方法,通过对目标区域持续观测获得全面的目标态势信息。首先,分析了视频SAR工作原理,采用数据重叠复用的方式来保证SAR视频产品的流畅度;结合图像配准,再利用不同帧图像之间动目标主体位置偏差和阴影变化反演动目标速度,同时改进传统后向投影(Back Projection,BP)算法,使其适用于视频SAR的高效性要求;最后,通过计算机仿真验证了该方法的精确性和有效性。     

一种空中交通图象特征匹配方法

提出了一种确定飞机类型的新方法。通过 机外型和结构特征，利用空间投影理论建立了飞机投影图形与飞机姿态角之间的关系。通过该关系方程，有效地识别了飞机姿态角。利用已有的飞机型的投影图特征与实际飞机飞行图像特征之间的误差，根据最小方差进行了模型匹配。利用ＣＣＤ系统图像仿真结果表明，所提出的方法是有效的。     

机载SAR反投影图像自聚焦处理方法

反投影算法(BPA)是一种经典的时间域合成孔径雷达(SAR)成像处理方法。BPA对回波数据插值累加得到图像,运动误差导致的目标散焦沿不同的倾斜角度存在,无法直接应用现有的自聚焦算法。为此,提出了一种新颖的BPA图像运动补偿方案。基于反投影数据运动相位误差和距离徙动分析,研究了修正投影栅格成像,从而去除重建图像中目标散焦方向的空变特性。在中低分辨率配置下,重建SAR图像能够直接应用相位梯度自聚焦(PGA)等进行运动补偿。点目标仿真实验和实测数据结果验证了该算法的有效性。     

合成孔径雷达回波模拟方法研究

合成孔径雷达回波模拟技术在SAR系统的研制、SAR图像处理等方面具有十分重要的作用.目前对于SAR回波模拟技术的研究还不够深入.针对该问题开展SAR回波模拟方法研究,通过对合成孔径雷达基本原理的分析及回波信号数学模型的推导,提出了一种较为通用的合成孔径雷达回波模拟方法,根据该方法采用Matlab进行了不同类型SAR回波模拟仿真试验.试验结果表明:该方法适用于单点目标、多点目标、面目标、分布目标及真实场景等多种类型的SAR回波信号仿真,对SAR系统设计及性能分析具有重要的参考意义.     

基于视觉信息的无人机自主着陆过程姿态角简化计算方法

研究了一种基于地平面算法的无人机着陆过程中姿态角估算的改进方法。通过地面坐标系到摄像机坐标系的转换矩阵、机体坐标系到摄像机坐标系的变换矩阵、机体坐标系到地面坐标系的变换矩阵求解,确定无人机的姿态信息;利用无人机着陆过程中跑道的图像地平线和跑道数据等特征提取,在获取摄像机姿态角的基础上,计算无人机的滚转角和俯仰角,用跑道特征来估算无人机偏航角;通过矩阵变换解算出无人机的姿态角,并通过仿真进行了实验验证。该方法对摄像机的安装位置没有特殊的要求,解除了传统方法对摄像机安装位置的限制,简化了无人机姿态信息的求解方法。     

一种新的广义Gamma分布下的SAR图像目标检测算法

针对合成孔径雷达(SAR)图像舰船目标检测中全局广义Gamma分布虚警数量较多的问题,文章采用了一种新的基于核密度估计(KDE)的广义Gamma分布下的SAR图像舰船目标检测算法。新的算法结合了SAR图像的强度分布和空间散布分布,形成新的组合分布。在组合分布的基础上,完成SAR图像目标检测。首先,介绍了广义Gamma的分布模型;然后,通过核密度估计的方法估计各像素点的散布分布,结合散布分布和强度分布形成组合分布,对组合分布采用SISE方程的方法估计广义Gamma分布的参数,根据确定的广义Gamma分布的表达式,求出阈值T的解析式。通过求解逆不完全Gamma函数得到检测阈值,进而完成舰船目标的检测。通过实测SAR图像检测实验,对比文章算法与双参数检测算法和基于广义Gamma分布检测算法,验证了该算法的适用性。     

基于自适应深度网络的无人机目标跟踪算法

针对无人机（UAV）视频中目标易受到遮挡、形变、复杂背景干扰等问题，提出一种基于自适应深度网络的无人机目标跟踪算法。首先，基于主成分分析（PCA）和卷积神经网络（CNN）算法，设计3阶的自适应深度网络进行目标特征提取，该网络对图像的H、S、I通道分别进行主成分分析学习，将得到的特征向量输入网络进行分层卷积，优化了网络结构，提高了网络的收敛速度和精度。其次，将目标深度特征输入核相关滤波算法进行目标跟踪，通过分析相邻2帧图像的变化率，采用分段自适应调整学习率的算法进行目标模板更新，有效地改善目标遮挡问题。仿真实验结果表明，该算法有效地避免了复杂因素干扰导致的跟踪精度下降，具有较好的鲁棒性，相较于全卷积跟踪（FCNT）算法平均跟踪精度提高了9.62%，平均跟踪成功率提高了11.9%。     

一种鲁棒的概率核主成分分析模型

大数据时代面临的数据维数越来越高,对数据降维处理越发显得重要。经典的主成分分析模型已被证明是一种有效的数据降维方法。但它在处理非线性、存在噪声和异常点的数据时存在效果较差的问题。对此,文章提出了一种鲁棒概率核主成分分析模型。该模型将核方法与基于高斯隐变量模型的极大似然框架相结合,用多元 t分布作为先验分布,以同时解决主成分分析在这 3个方面的弊端。提出混合鲁棒概率核主成分分析模型,使其可直接用于对混合的非线性数据进行降维和聚类分析。在不同数据集上进行的实验结果表明,与标准的混合概率核主成分分析模型相比,文中模型在数据聚类方面有更高的准确率。     

基于核主成分分析的空域复杂度无监督评估

空域复杂度评估作为衡量空域运行态势、管制员工作压力的关键手段，是运行调控的基础。由于影响因素众多，不同因素间耦合关联复杂，且标定样本很难获取，空域复杂度的准确评估被公认为航空领域的一个挑战性问题。提出了一种空域复杂度的无监督评估方法。首先通过核主成分分析挖掘原始样本各维度的非线性耦合关系，准确提取能够最大化复杂度评估信息量的主成分，进一步设计了可按需定制的主成分聚类方法，实现了无监督条件下空域复杂度的准确评估，为空域划分、流量管理提供了有效的技术支撑。     

Feature enhancement and ATR performance using nonquadratic optimization-based SAR imaging

We present an evaluation of the impact of a recently proposed synthetic aperture radar (SAR) imaging technique on feature enhancement and automatic target recognition (ATR) performance. This image formation technique is based on nonquadratic optimization, and the images it produces appear to exhibit enhanced features. We quantify such feature enhancement through a number of criteria. The findings of our analysis indicate that the new feature-enhanced SAR image formation method provides images with higher resolution of scatterers, and better separability of different regions as compared with conventional SAR images. We also provide an ATR-based evaluation. We run recognition experiments using conventional and feature-enhanced SAR images of military targets, with three different classifiers. The first classifier is template based. The second classifier makes a decision through a likelihood test, based on Gaussian models for reflectivities. The third classifier is based on extracted locations of the dominant target scatterers. The experimental results demonstrate that the new feature-enhanced SAR imaging method can improve the recognition performance, especially in scenarios involving reduced data quality or quantity.     

基于时间应力分析的机内测试系统综合降虚警技术

 虚警率高是困扰机内测试（BIT）系统得到广泛应用的主要原因。针对该问题,从机电系统所承受时间应力的角度构建了机内测试系统综合降低虚警技术的总体模型。首先采用双支持向量机（SVM）的方法将实时应力信息与机内测试诊断结果相互关联。在此基础上,提出了基于核主元模糊聚类的虚警识别方法将机电系统多源信息进行综合分析,并通过优化决策实现多级降低机内测试系统虚警的目的。最后,针对某型直升机航空地平仪的机内测试系统进行了试验验证与分析。     

基于支持向量机的发动机性能衰退指标分类和预测

基于支持向量机几何距离建立表征发动机性能衰退程度的指标,并基于相空间重构理论对该指标进行多步预测,表明回归支持向量机结果优于神经网络预测结果。利用主元分析、核主元分析方法对发动机性能特征量约简并提取其主元,得到核主元分析的分类效果更好。利用交叉验证的方法优化分类支持向量机和核函数中相关参数,给出发动机性能衰退指标曲线。通过建立统计量的方法分析发动机性能变化,确定性能变化关键点。所得结论对做好发动机维护保养工作,延长发动机使用寿命具有一定的指导意义。     

基于深度卷积网络的SAR图像目标检测识别

在SAR图像解译应用领域,目标的自动检测与识别一直是该领域的研究重点和热点,也是该领域的研究难点。针对SAR图像的目标检测与识别方法一般由滤波、分割、特征提取和目标识别等多个相互独立的步骤组成。复杂的流程不仅限制了SAR图像目标检测识别的效率,多步骤处理也使模型的整体优化难以进行,进而制约了目标检测识别的精度。采用近几年在计算机视觉领域表现突出的深度学习方法来处理SAR图像的目标检测识别问题,通过使用CNN、Fast RCNN以及Faster RCNN等模型对MSTAR SAR公开数据集进行目标识别及目标检测实验,验证了卷积神经网络在SAR图像目标识别领域的有效性及高效性,为后续该领域的进一步研究应用奠定了基础。     

基于主成分分析和灰色关联度的空域利用率

空域利用率是反映空域资源使用情况的重要指标。提出了基于主成分分析法和灰色关联度的空域利用率评价方法,确定理想空域并将其作为参照对象,通过考虑评价指标之间的相关性,运用主成分分析法得到各评价对象的空域利用综合得分,计算各年空域利用综合得分与理想空域利用综合得分的关联度,得到各年空域利用率。算例分析验证了方法的可行性。     

飞机蒙皮缺陷磁光图像识别算法研究

提出一种基于模糊支持向量机自动识别飞机蒙皮磁光图像中铆钉裂纹缺陷的新方法。针对铆钉磁光图像的不规则圆形特点．采用阈值法确定近似铆钉区域中心，将由中心发出的星形射线矢量作为识别的基本特征，采用模糊支持向量机方法对铆钉周围裂纹的方向进行分类。其中，支持向量机采用径向基核函数，利用网格法选取核宽度惩罚常数．并结合模糊隶属度函数解决多类分类问题中存在的错分、拒分现象。样本测试实验结果表明，算法具有很高的识别率。     

基于快速提升KLDA准则的MSTARSAR目标特征提取与识别研究

 核线性判别准则(KLDA)是一种非线性特征提取准则。利用KLDA提取MSTAR SAR图像特征，既达到较理想的识别概率，又可克服SAR图像对方位的敏感性。但此时训练样本最多，KLDA的计算代价高。为了解决这一问题，提出一种快速特征向量选择法（FFVS）。FFVS把类别和方位相似的SAR图像分成若干组，然后快速选择各组中部分图像组成一个集合且其到高维特征空间的映射作为一组基。利用该组基的线性组合表示任一样本和投影算子，降低了KLDA中核矩阵的阶数，达到降低计算代价的目的。实验结果表明，FFVS与KLDA组合能达到理想的识别结果。     

基于核函数主元分析的航空发动机故障检测方法

航空发动机性能由正常到异常、再由异常发展到完全故障的阶段,其参数变化具有一定非线性特征。为了有效检测这种具有非线性特征的故障,提出一种基于核函数主元分析(KPCA)的非线性故障检测方法。该方法通过核函数完成非线性变换,将变量由非线性的输入空间转换到线性的特征空间,在特征空间中使用线性主元分析(PCA)方法计算主元,构造T2和SPE统计量检测故障的发生。通过对某型涡扇发动机进行实例验证分析,结果表明,KPCA方法一方面克服了综合参数法由于没有确定的警戒值而无法有效地进行故障检测的不足;另一方面KPCA方法在非线性故障检测过程中能够提取重要的非线性特征信息,因而比PCA方法能更早地检测到早期潜在故障,且KPCA方法检测错误率更低。因此,KPCA方法更适合于具有非线性特征的航空发动机故障检测。