扫二维码下载作业帮
拍照搜题，秒出答案，一键查看所有搜题记录
下载作业帮安装包
扫二维码下载作业帮
拍照搜题，秒出答案，一键查看所有搜题记录
求教干涉雷达（Insar）数据处理的主要步骤,
作业帮用户
扫二维码下载作业帮
拍照搜题，秒出答案，一键查看所有搜题记录
买一本书就知道了呀!国内还是有两本适合入门者看的书籍的.简单的INSAR技术至少包括影像配准、干涉图生成、去平地效应、基线估计、干涉图滤波、相位解缠、地理编码.对于不同的技术或同一技术不同的算法,具体技术步骤也有区别,比如D-INSAR和PS－INSAR就有差别
为您推荐：
其他类似问题
青岛和必拓谱软件似乎做到这一点，去了解一下吧！
扫描下载二维码网站已改版，请使用新地址访问：
INSAR 关于干涉合成孔径雷达（ ）的图像处理程序~ Special Effects 图形
238万源代码下载- www.pudn.com
&文件名称: INSAR
& & & & &&]
&&所属分类:
&&开发工具: matlab
&&文件大小: 142 KB
&&上传时间:
&&下载次数: 27
&&提 供 者:
&详细说明：关于干涉合成孔径雷达（INSAR）的图像处理程序~-Interferometric synthetic aperture radar (INSAR) image processing program ~
文件列表(点击判断是否您需要的文件，如果是垃圾请在下面评价投诉):
&&INSAR&&.....\insarmatlab&&.....\...........\insar&&.....\...........\.....\bowl.m&&.....\...........\.....\cc.m&&.....\...........\.....\cone.m&&.....\...........\.....\Contents.m&&.....\...........\.....\cpt2map.m&&.....\...........\.....\cpxdetrend.m&&.....\...........\.....\cpxmultilook.m&&.....\...........\.....\datatypesize.m&&.....\...........\.....\deos.m&&.....\...........\.....\deos2.m&&.....\...........\.....\enlargefig.m&&.....\...........\.....\freadbk.m&&.....\...........\.....\freadhgt.m&&.....\...........\.....\freadras.m&&.....\...........\.....\fsize.m&&.....\...........\.....\fwritebk.m&&.....\...........\.....\fwritehgt.m&&.....\...........\.....\heightamb.m&&.....\...........\.....\helphelp.m&&.....\...........\.....\iseven.m&&.....\...........\.....\isint.m&&.....\...........\.....\isodd.m&&.....\...........\.....\ispow2.m&&.....\...........\.....\issamesize.m&&.....\...........\.....\isscalar.m&&.....\...........\.....\isvector.m&&.....\...........\.....\lying.m&&.....\...........\.....\manuwbk.m&&.....\...........\.....\manuwbk_cb.m&&.....\...........\.....\mirm.m&&.....\...........\.....\mph.m&&.....\...........\.....\myhamming.m&&.....\...........\.....\myrect.m&&.....\...........\.....\normalize.m&&.....\...........\.....\oversample.m&&.....\...........\.....\pdf_phase.m&&.....\...........\.....\ph.m&&.....\...........\.....\plotcbar.m&&.....\...........\.....\plotdem.m&&.....\...........\.....\plotersdop.m&&.....\...........\.....\pra4.m&&.....\...........\.....\pyramid.m&&.....\...........\.....\ramp.m&&.....\...........\.....\residues.m&&.....\...........\.....\siminterf.m&&.....\...........\.....\simnoise.m&&.....\...........\.....\simslc.m&&.....\...........\.....\simstack.m&&.....\...........\.....\simulateslc.m&&.....\...........\.....\standing.m&&.....\...........\.....\std_phase.m&&.....\...........\.....\std_phasePS.m&&.....\...........\.....\swap.m&&.....\...........\.....\tip.m&&.....\...........\.....\titlebold.m&&.....\...........\.....\titlenormal.m&&.....\...........\.....\top.m&&.....\...........\.....\trap.m&&.....\...........\.....\wrap.m&&.....\干涉合成孔径雷达（InSAR）仿真程序-MATLAB源代码.rar
&近期下载过的用户:
&相关搜索:
&输入关键字，在本站238万海量源码库中尽情搜索：
&[] - 星载合成孔径雷达干涉测量的经典书籍，王超
&[] - diris insar处理 最新版，添加了很多新的功能，insar 入门级软件
&[] - 源程序为MATLAB代码，主要功能是对干涉SAR数据的基本处理。
&[] - insar相位解缠绕程序，matlab编的
&[] - insar 图像的filtrange相位
&[] - 干涉合成孔径雷达（insar）数据：ERS获取的某山地的相干幅度和干涉相位数据，格式为matlab的mat格式
&[] - 这是一篇关于insar干涉图滤波方法的文章。不错
&[] - 这个是insar图像处理的matlab工具箱，里面包含了很多有用的函数，对我们非常有帮助。
&[] - insar 图像filterblock滤波Matlab程序
&[] - insar成像及配准程序 在成像的同时配准A Satellite View of Andean Rock Glaciers: Interferometric Synthetic Aperture Radar (InSAR)Analysis of Rock Glacier Flow Kinematics | Request PDF
7.84Minot State University14.07Lehigh University+ 125.7Lehigh UniversityShow more authorsDo you want to read the rest of this conference paper?Request full-text
This research doesn't cite any other publications.Project[...]Project[...]Conference PaperDecember 2017The basal zone exerts significant control on the dynamics of glaciers and ice sheets, but basal ice is rheologically distinct from englacial ice owing to high proportions of fine-grained debris. Basal ice occurs as a typically thin (1-15m) zone at the base of glaciers and ice sheets and frequently contains a well-developed stratification of distinct, semi-continuous, alternating layers of... [Show full abstract]Conference PaperNovember 2015ArticleJuly 2016 · Herein we report on the results of an anisotropy of magnetic susceptibility (AMS) fabric case-study of two Late Weichselian tills exposed in a bedrock quarry in Dalby, Sk?ne, southern Sweden. The region possesses a complex glacial history, reflecting alternating and interacting advances of the main body of the Scandinavian Ice Sheet (SIS) and its ice lobes from the Baltic basin, perhaps driven... [Show full abstract]Conference PaperMay 2015雷达数据处理工具_百度文库
您的浏览器Javascript被禁用，需开启后体验完整功能，
享专业文档下载特权
&赠共享文档下载特权
&10W篇文档免费专享
&每天抽奖多种福利
两大类热门资源免费畅读
续费一年阅读会员，立省24元！
雷达数据处理工具
阅读已结束，下载本文需要
想免费下载更多文档？
定制HR最喜欢的简历
你可能喜欢西安电子科技大学 博士学位论文 合成孔径雷达图像目标识别技术研究 姓名：胡利平 申请学位级别：博士 专业：信号与信息处理 指导教师：吴顺君
摘要摘要基于合成孔径雷达（ＳｙｎｔｈｅｔｉｃＡｐｅｒｔｕｒｅＲａｄａｒ，ＳＡＲ）的自动目标识别（Ａｕｔｏｍａｔｉｃ Ｔａｒｇｅｔ Ｒｅｃｏｇｎｉｔｉｏｎ，ＡＴＲ）技术在现代战场中的重要作用已经使得它成为了国内外研究的热点之一。近十几年来，ＳＡＲ图像的目标识别研究在ＳＡＲ图像的预处理、特征提取及识别等方面均取得了相当大的进展。本论文主要围绕教育部留学回国人员基金“基于ＳＡＲ图像的雷达自动目标检测与识别技术”、“十 五”国防预研项目“目标识别技术”和“十一五”国防预研项目“基于目标成像的识别 技术”的研究任务，针对合成孔径雷达图像的目标识别，从ＳＡＲ图像滤波、ＳＡＲ 图像分割以及ＳＡＲ图像的特征提取与识别等方面展开了较为深入的研究。本论文的主要内容概括如下： １、针对ＳＡＲ图像的相干斑特点，对比了几种常用的ＳＡＲ图像滤波方法，分 析了它们的优缺点，并给出了不同分辨率的ＳＡＲ图像的滤波结果。２、针对相关文献中存在的问题：①没有考虑阴影，而阴影信息对识别是很有 用的；②没有将目标及其阴影从杂波背景中提取出来，由于背景杂波具有多样性， 不同的背景杂波特性会影响识别性能；⑨对于一个特定的识别问题，采用某一种 分类算法或者某一种特征未必能获得很好的识别性能，基于多特征或多分类算法的分类器融合是必需的，我们提出一种基于多分类器融合的ＳＡＲ图像目标识别方 法，首先给出有效的ＳＡＲ图像预处理方法，将目标及其阴影从杂波背景中提取出来，抑制了背景杂波对后续识别的影响，然后基于极化映射提取目标的强度分布 特征、目标和阴影的形状特征等，最后基于平均准则融合多个分类器。３、主分量分析（Ｐｒｉｎｃｉｐａｌ Ｃｏｍｐｏｎｅｎｔ Ａｎａｌｙｓｉｓ，ＰＣＡ）是模式识别领域中一种经典的特征提取方法。然而，当ＰＣＡ用于图像的特征提取时，要将２维图像矩 阵（ｍｘ／＇／）转换成１维向量（ｍ．刀），这会带来两个方面的问题：①损失图像的２ 维空间结构信息；②特征提取要在高维向量空间中进行，但在高维空间中很难准 确估计协方差矩阵，且维数很大（（ｍ．玎）×（所．力）），对其进行特征分解会大大增加 计算负担。为了解决上述问题，二维主分量分析（Ｔｗｏ．ｄｉｍｅｎｓｉｏｎａｌ ＰＣＡ，２ＤＰＣＡ） 应运而出，它直接采用２维图像矩阵估计训练样本的协方差矩阵，估计得到的协雷达信号处理国家重点实验室Ｉｌ合成孔径雷达图像目标识别技术研究方差矩阵更准确有效且维数仅为尼×聆或肼×ｍ，对其特征分解的效率也更高。但是，２ＤＰＣＡ仅去除了图像各行或各列像素间的冗余信息，因此得到的特征矩阵维数较 大。本章首先根据投影形式的不同将２ＤＰＣＡ分为两种：右投影形式的２ＤＰＣＡ（Ｒｉｇｈｔ．２ＤＰＣＡ，Ｒ－２ＤＰＣＡ）和左投影形式的２ＤＰＣＡ（Ｌｅｆｔ ２ＤＰＣＡ，Ｌ．２ＤＰＣＡ）。●一一为了降低特征维数、改善识别性能，给出相应的改进２ＤＰＣＡ方法。 ４、线性判决分析（Ｌｍｅａｒ Ｄｉｓｃｒｉｍｉｎａｎｔ Ａｎａｌｙｓｉｓ，ＬＤＡ）也是模式识别领域中 一种有效的特征提取方法。与ＰＣＡ类似，ＬＤＡ在用于图像特征提取时，也需要 将２维图像矩阵转化为１维图像向量，这会带来“维数灾难”和“奇异＂．等问题．ｏ 为此，近年来提出二维线性判决分析（Ｔｗｏ．ｄｉｍｅｎｓｉｏｎａｌ ＬＤＡ，２ＤＬＤＡ），它直接 基于２维图像矩阵来构建散布矩阵。本章中根据投影形式的不同首先将２ＤＬＤＡ 分为两种形式：右投影的二维线性判决分析（Ｒｉｇｈｔ ２ＤＬＤＡ，Ｒ－２ＤＬＤＡ）和左投影的二维线性判决分析（Ｌｅｆｔ ２ＤＬＤＡ，Ｌ一２ＤＬＤＡ）。然后针对它们特征维数过大 的缺陷，提出三种改进算法：两级Ｒ－２ＤＬＤＡ（Ｔｗｏ．ｓｔａｇｅ Ｒ－２ＤＬＤＡ）、两级Ｌ．２ＤＬＤＡ（Ｔｗｏ?ｓｔａｇｅ Ｌ－２ＤＬＤＡ）和两向２ＤＬＤＡ（Ｔｗｏ－ｄｉｒｅｃｔｉｏｎａｌ ２ＤＬＤＡ）。５、ＬＤＡ是一种被广泛应用的线性降维算法，但它要求各个类别的数据要满 足单模分布结构，且在用于图像特征提取时通常会出现类内散布矩阵奇异的问题，还有ＬＤＡ得到的特征维数仅为ｃ一１（ｃ为类别数）。为了缓解上述局限性，近来 提出了子类判别分析（Ｃｌｕｓｔｅｒｉｎｇ．ｂａｓｅｄＤｉｓｅｒｉｍｉｎａｎｔＡｎａｌｙｓｉｓ，ＣＤＡ），它假设数据服从多模分布。然而，由于该方法采用的子类划分方法是ｋ均值聚类算法，因而不能保证最终的识别结果是稳定的、最优的、且依赖聚类初始中心的选择。为 此，我们给出一种改进的子类判决分析（Ｉｍｐｒｏｖｅｄ ＣＤＡ，ＩＣＤＡ）方法，它首先 采用快速全局ｋ．均值聚类算法找到每类目标最优的子类划分，然后基于这些子类 划分采用?ＣＤＡ准则找到最优的投影矢量，因此最终的识别性能不依赖聚类时初 始聚类中心的选择，且能保证达到全局最优。 ６、针对ＳＡＲ图像数据的多模分布特性，提出了以下几种图像特征提取方法： （１）提出二维子类判决分析（Ｔｗｏ．ｄｉｍｅｎｓｉｏｎａｌ ＣＤＡ，２ＤＣＤＡ）及其改进的算法。 它们直接基于２维图像矩阵构造子类类间和子类类内散布矩阵，可克服ＣＤＡ的 维数灾难、奇异等问题。本章先后给出２ＤＣＤＡ的两种投影形式：右投影形式的２ＤＣＤＡ（Ｒｉｇｈｔ２ＤＣＤＡ，Ｒ－２ＤＣＤＡ）和左投影形式的２ＤＣＤＡ（Ｌｅｆｔ２ＤＣＤＡ，Ｌ．２ＤＣＤＡ）。针对它们求得的特征矩阵维数过大的问题，相应地提出几种改进的西安电子科技大学博士论文摘要Ｉｌｌ２ＤＣＤＡ算法。（２）提出二维最大子类散度差鉴别分析及其改进算法。由于在２ＤＣＤＡ中，需要计算子类类内散布矩阵的逆矩阵，而在小样本问题中逆矩阵通 常是不存在的。为了避免计算逆矩阵或逆矩阵不存在的问题，我们给出一种新的图像特征提取方法：二维最大子类散度差鉴别分析（Ｔｗｏ．ｄｉｍｅｎｓｉｏｎａｌ一Ｍａｘｉｍｕｍ－Ｃｌｕｓｔｅｒｉｎｇ－ｂａｓｅｄ ＳｃａｔｔｅｒＤｉｆｆｅｒｅｎｃｅ，２ＤＭＣＳＤ）。由于２ＤＭＣＳＤ只沿行方向压缩图像，类似地，给出其另一种形式（称之为Ａｌｔｅｒｎａｔｉｖｅ ２ＤＭＣＳＤ），它只沿列方向 压缩图像。为了克服２ＤＭＣＳＤ和Ａｌｔｅｍａｔｉｖｅ ２ＤＭＣＳＤ的特征维数过大的问题， 又提出两向二维最大子类散度差鉴别分析（．Ｔｗｏ－ｄｉｒｅｃｔｉｏｎａｌ２ＤＭＣＳＤ，（２Ｄ）２ＭＣＳＤ）。（３）提出对角子类判决分析算法。上述的２ＤＰＣＡ、２ＤＦＬＤ和２ＤＣＤＡ 仅保留了图像行（或列）方向的相关性变化，而忽略了图像列（或行）方向的相 关性变化。为了同时保留图像行和列像素间的相关性变化，提出对角子类判决分析（Ｄｉａｇｏｎａｌ ＣＤＡ，ＤｉａＣＤＡ）。它基于对角图像寻找最优的投影方向，且考虑了每类数据中存在多个子类的情况。为了缓解ＤｉａＣＤＡ的特征维数过大的问题，将ＤｉａＣＤＡ和２ＤＣＤＡ结合起来，提出ＤｉａＣＤＡ＋２ＤＣＤＡ的特征提取方法。 关键词：雷达自动目标识别，合成孔径雷达，运动和静止目标获取与识别，ＳＡＲ ．图像去噪、ＳＡＲ图像分割、特征提取、极化映射、形状描述子、分类器融合、主 分量分析、二维主分量分析、线性判决分析、二维线性判决分析、子类判决分析、二维子类判决分析、二维最大子类散度差鉴别分析、对角子类判决分析雷达信号处理国家重点实验室ＡＢＳＴＲＡＣＴＶＡＢＳＴＲＡＣＴＡｕｔｏｍａｔｉｃ ｔａｒｇｅｔ ｒｅｃｏｇｎｉｔｉｏｎ（ＡＴＲ）ｂａｓｅｄｏｎｓｙｎｔｈｅｔｉｃ．ａｐｅｒｔｕｒｅｒａｄａｒ（ＳＡＲ）ａｉｍａｇｅｓ ｉｓ ｏｆ ｇｒｅａｔ ｉｍｐｏｒｔａｎｃｅ ｉｎ ｔｈｅ ｍｏｄｅｍ ｂａｔｔｌｅｆｉｅｌｄ ａｎｄ ｈａｓ ｂｅｃｏｍｅｒｅｓｅａｒｃｈ ｔｏｐｉｃ．Ｉｎ ｒｅｃｅｎｔ ｙｅａｒｓ，ＡＴＲ ｂａｓｅｄｏｎｖｅｒｙ ｈｏｔＳＡＲ ｉｍａｇｅｓ ｈａｓ ｍａｄｅ ｇｒｅａｔ ｐｒｏｇｒｅｓｓ ｉｎｒｅｌａｔｅｄ ｔｅｃｈｎｉｑｕｅｓ ｉｎｃｌｕｄｉｎｇ ＳＡＲ ｉｍａｇｅｓ ｐｒｅｐｒｏｅｅｓｓｉｎｇ，ｆｅａｔｕｒｅ ｅｘｔｒａｃｔｉｏｎ，ｃｌａｓｓｉｆｉｅｒ ｄｅｓｉｇｎ，ａｎｄ ｗｈｉｃｈａｌｅ ＳＯｏｎ．Ｔｈｉｓ ｄｉｓｓｅｒｔａｔｉｏｎ ｐｒｏｖｉｄｅｓｏｕｒ ｒｅｓｅａｒｃｈｅｓｆｏｒ ＳＡＲ ｔａｒｇｅｔ ｒｅｃｏｇｎｉｔｉｏｎ，ｓｕｐｐｏｒｔｅｄ ｂｙ Ａｄｖａｎｃｅｄ Ｄｅｆｅｎｓｅ Ｒｅｓｅａｒｃｈ Ｐｒｏｇｒａｍｓ ｏｆ Ｃｈｉｎａ ａｎｄ ＮａｔｕｒａｌＳｃｉｅｎｃｅ Ｆｏｕｎｄａｔｉｏｎｓ ｏｆ Ｃｈｉｎａ． Ｔｈｅ ｍａｉｎ ｃｏｎｔｅｎｔ ｏｆ ｔｈｉｓ ｄｉｓｓｅｒｔａｔｉｏｎ ｉＳ ｓｕｍｍａｒｉｚｅｄａｓｆｏｌｌｏｗｓ：ａｒｅＩ．Ｉｎ ｔｈｅ ｆｉｒｓｔ ｐａｒｔ，ｓｅｖｅｒａｌ ＳＡＲ ｉｍａｇｅｓ ｆｉｌｔｅｒｉｎｇ ｍｅｔｈｏｄｓｆｉｒｓｔ ａｎａｌｙｚｅｄａｎｄｃｏｍｐａｒｅｄ ａｃｃｏｒｄｉｎｇ ｔｏ ｔｈｅ ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ ｏｆ ｔｈｅ ＳＡＲ ｓｐｅｃｋｌｅｓ，ａｎｄ ｔｈｅｎ ｔｈｅ ｆｉｌｔｅｒｅｄ ｒｅｓｕｌｔｓ ｏｆ ｓｏｍｅ ＳＡＲ ｉｍａｇｅｓ ｗｉｔｈ ｄｉｆｆｅｒｅｎｔ ｒｅｓｏｌｕｔｉｏｎｓ ２．Ｔｏ ｓｏｌｖｅ ｔｈｅ ｐｒｏｂｌｅｍｓ ｉｎ ｃｌａｓｓｉｆｉｅｒ ｆｕｓｉｏｎａｒｅ ｐｒｅｓｅｎｔｅｄ．ｍａｎｙｌｉｔｅｒａｔｕｒｅｓ，ａ ＳＡＲ ＡＴＲ ｍｅｔｈｏｄｂａｓｅｄ ｆｉｒｓｔｉｓ ｐｒｏｐｏｓｅｄ ｗｈｅｒｅ ｔａｒｇｅｔ ａｎｄ ｓｈａｄｏｗ ｉｍａｇｅｓａｒｅｓｅｇｍｅｎｔｅｄ ｖｉａ ＳＡＲ ｉｍａｇｅ ｐｒｅ?ｐｒｏｃｅｓｓｉｎｇ，ａｎｄ ｔｈｅｎ ｔｈｅ ｓｈａｐｅ ｉｎｆｏｒｍａｔｉｏｎ ｏｆ ｔａｒｇｅｔ ａｎｄ ｉｔｓ ｓｈａｄｏｗ ｅｘｔｒａｃｔｅｄ ｂａｓｅｄｏｎａｎｄ ｔｈｅｉｎｔｅｎｓｉｔｙ ｄｉｓｔｒｉｂｕｔｅｄ ｉｎｆｏｒｍａｔｉｏｎ ｏｆ ａ ｔａｒｇｅｔ ａｒｅａｐｏｌａｒ ｍａｐｐｉｎｇ，ａｎｄ ｓｈａｐｅ ｄｅｓｃｒｉｐｔｏｒｓ ｏｆａｒｅｔａｒｇｅｔ ａｎｄ ｉｔｓｓｈａｄｏｗａｒｅａｌｓｏ ｅｘｔｒａｃｔｅｄ，ｆｉｎａｌｌｙ ＳＡＲ ｔａｒｇｅｔｓｃｌａｓｓｉｆｉｅｄ ｂｙ ｔｈｅ ｃｏｍｂｉｎｅｄｃｌａｓｓｉｆｉｅｒ ｂａｓｅｄ ｏｎ ｔｈｅ ａｖｅｒａｇｅ ｒｕｌｅ．３，Ｐｒｉｎｃｉｐａｌｃｏｍｐｏｎｅｎｔ ａｎａｌｙｓｉｓ（ＰＣＡ）ｉｓａｃｌａｓｓｉｃａｌ ｍｅｔｈｏｄ ｉｎ ｔｈｅ ｐａｔｔｅｍｒｅｃｏｇｎｉｔｉｏｎ ａｒｅａ．Ｈｏｗｅｖｅｒ，ｗｈｅｎ ＰＣＡ ｉｓ ｕｓｅｄ ｔｏ ｆｅａｔｕｒｅ ｅｘｔｒａｃｔｉｏｎ ｆｏｒ ２Ｄｉｍａｇｅｓ，２Ｄ ｉｍａｇｅ ｍａｔｒｉｃｅｓ ｎｅｅｄｔｈｉｓｔｏ ｂｅｔｒａｎｓｆｏｒｍｅｄ ｉｎｔｏ １ Ｄａｓ ａｉｍａｇｅｖｅｃｔｏｒｓ，ｗｉｌｌ ｂｒｉｎｇｏｎｓｏｍｅ ｐｒｏｂｌｅｍｓ ｓｕｃｈｌｏｓｓ ｏｆ ２Ｄ ｓｐａｃｅ ｓｔｒｕｃｔｕｒｅｉｎｆｏｒｍａｔｉｏｎ，ｄｉｓａｓｔｅｒ ｏｆ ｄｉｍｅｎｓｉｏｎａｌｉｔｙ，ｅｔｃ．Ｔｏｉｓ ｐｒｏｐｏｓｅｄ ｒｅｃｅｎｔｌｙ ｗｈｅｒｅ ｔｈｅｓｏｌｖｅ ｔｈｅｓｅ ｐｒｏｂｌｅｍｓ，２ＤＰＣＡｐｒｏｊｅｃｔｉｏｎｄｉｒｅｃｔｉｏｎｓ ａｒｅ ｓｏｕｇｈｔ ｏｕｔ ｆｒｏｍ ２Ｄｉｍａｇｅｍａｔｒｉｃｅｓ，ｔｈｕｓ ｂｅｉｎｇ ｍｏｒｅ ｅｆｆｉｃｉｅｎｔ．Ｉｎ ｔｈｉｓ ｄｉｓｓｅｒｔａｔｉｏｎ，２ＤＰＣＡ ｉｓｄｉｖｉｄｅｄ ｉｎｔｏｒｉｐ ２ＤＰＣＡ（Ｒ－２ＤＰＣＡ）ａｎｄ ｌｅＲ ２ＤＰＣＡ（Ｌ一２ＤＰＣＡ）ａｃｃｏｒｄｉｎｇｐｒｏｊｅｃｔｉｏｎ．Ｔｏｏｖｅｒｃｏｍｅ ｔｈｅ ｐｒｏｂｌｅｍ ｏｆ ｍｏｒｅ ｆｅａｔｕｒｅｓ ｏｆｔｏ ｔｈｅ ｗａｙｓ ｏｆ雷达信号处理国家重点实验室ＶＩＳｔｕｄｙ ｏｎＳＡＲ Ｉｍａｇｅｓ Ｔａｒｇｅｔ Ｒｅｃｏｇｎｉｔｉｏｎ２ＤＰＣＡ，ｗｅ ｐｒｅｓｅｎｔ ｆｏｕｒ ｉｍｐｒｏｖｅｄ ｍｅｔｈｏｄｓ ｗｈｉｃｈ ｎｏｔ ｏｎｌｙ ｆｅａｔｕｒｅ ｄｉｍｅｎｓｉｏｎｓ ｂｕｔ ａｌｓｏ ４． Ｌｉｌｌｅａｒ ｄｉｓｃｒｉｍｉｎａｎｔｃａｎｒｅｄｕｃｅＣａｎ ｉｍｐｒｏｖｅ ｒｅｃｏｇｎｉｔｉｏｎ ｐｅｒｆｏｒｍａｎｃｅｓ．ａｌｓｏａａｎａｌｙｓｉｓ（ＬＤＡ）“ｉｓｐｏｐｕｌａｒ ｆｅａｔｕｒｅ ｅｘｔｒａｃｔｉｏｎｍｅｔｈｏｄ ｉｎ ｔｈｅ ｐａｔｔｅｍ ｒｅｃｏｇｎｉｔｉｏｎ ｆｉｅｌｄ。Ｓｉｍｉｌａｒ ２Ｄ妯１ａｇｅ＿Ｓ ｒｅｃｏｇｎｉｔｉｏｎ ｔａｓｋｓ，ｓｏｍｅｓｔｒｕｃｔｕｒｅｔｏ ＰＣＡ，ｗｈｅｎ ＬＤＡａｓ ａｉｓ ｕｓｅｄ ｔｏｐｒｏｂｌｅｍｓ（ｓｕｃｈｌｏｓｓ ｏｆ ２Ｄ ｓｐａｃｅｏｃｃｕｒ．ｉｎｆｏｒｍａｔｉｏｎ，ｄｉｓａｓｔｅｒ ｏｆ‘ｄｉｍｅｎｓｉｏｎａｌｉ锨ｓｉｎｇｕｌａｒｉｔｙ，ｅｔｃ）ｗｉｌｌｓｏｌｖｅ ｔｈｅ ａｂｏｖｅＴｈｅｒｅｆｏｒｅ，２ＤＬＤＡ ｉｓ ｐｒｅｓｅｎｔｅｄ ｔｏｃｏｎｓｔｒｕｃｔｓ ｔｈｅ ｓｃａｔｔｅｒ ｍａｔｒｉｃｅｓ ｂａｓｅｄ ｂｅｏｎｐｒｏｂｌｅｍｓ，ｗｈｉｃｈｃａｎ２Ｄ ｉｍａｇｅ ｍａｔｒｉｃｅｓ．２ＤＬＤＡ ｌｅＲａｌｓｏｄｉｖｉｄｅｄ ｉｎｔｏｒｉｇｈｔ２ＤＬＤＡ（Ｒ－２ＤＬＤＡ）ａｎｄ２ＤＬＤＡ（Ｌ－２ＤＬＤＡ）．Ｈｏｗｅｖｅｒ，ａ ｄｒａｗｂａｃｋ ｏｆ Ｒ－２ＤＬＤＡ。ａｎｄ Ｌ－２ＤＬＤＡ ｉｓ ｔｈａｔ ｔｈｅｙ ｎｅｅｄ ｍｏｒｅ ｆｅａｔｕｒｅｓ．Ｔｏ ｏｖｅｒｃｏｍｅ ｔｈｉｓ ｐｒｏｂｌｅｍ，ｗｅ ｐｒｏｐｏｓｅ ｔｈｒｅｅｉｍｐｒｏｖｅｄａｐｐｒｏａｃｈｅｓ，ｔｗｏ－ｓｔａｇｅ Ｒ一２ＤＬＤＡ，ｔＷＯ—ｓｔａｇｅ５．ＬＤＡ ｉｓａＬ－２ＤＬＤＡ ａｎｄ ｔｗｏ－ｄｉｒｅｃｔｉｏｎａｌ ２ＤＬＤＡ．ｐｏｐｕｌａｒ ｍｅｔｈｏｄ ｆｏｒ ｌｉｎｅａｒ ｄｉｍｅｎｓｉｏｎａｌｉｔｙ ｒｅｄｕｃｔｉｏｎ．ＬＤＡ ａｓｓｕｍｅｓｏｃｃｕｒｓｔｈａｔ ａｌｌ ｔｈｅ ｃｌａｓｓｅｓ ｏｂｅｙ ｔｈｅ ｕｎｉｍｏｄａｌ ｄｉｓｔｒｉｂｕｔｉｏｎ，ｓｉｎｇｕｌａｒｉｔｙ ｕｓｕａｌｌｙｗｈｅｎｕｓｅｄｔｏ ２Ｄ ｉｍａｇｅ ｒｅｃｏｇｎｉｔｉｏｎｔａｓｋｓ，ａｎｄｔｈｅｄｉｍｅｎｓｉｏｎａｌｉｔｙｏｆ ｆｅａｔｕｒｅｓｏｂｔａｉｎｅｄ ａｌｌｅｖｉａｔｅｂｙｔｈｅＬＤＡ ｉｓ ｏｎｌｙｃ－Ｉ（ｃｉｓ ｔｈｅ ｔｏｔａｌ ｎｕｍｂｅｒ ｏｆｃｌａｓｓｅｓ）。Ｔｏｄｉｓｃｒｉｍｉｎａｎｔａｂｏｖｅ—ｍｅｎｔｉｏｎｅｄｌｉｍｉｔａｔｉｏｎｓ，ｃｌｕｓｔｅｒｉｎｇ－ｂａｓｅｄａｎａｌｙｓｉｓ（ＣＤＡ）ｉｓｐｒｅｓｅｎｔｅｄ ｒｅｃｅｎｔｌｙ．Ｉｎ ｔｈｉｓ ｍｅｔｈｏｄ，ｋ?ｍｅａｎｓ ａｌｇｏｒｉｔｈｍ ｉｓｅｍｐｌｏｙｅｄ ｆｏｒ ｆｉｎｄｉｎｇ ｔｈｅ ｃｌｕｓｔｅｒｓ ｏｆ ｅａｃｈ ｃｌａｓｓ，ｔｈｕｓ ｔｈｅ ｒｅｓｕｌｔｓ龇ｅ ｕｎｓｔａｂｌｅ，ｎｏｔｆｉｎａｌｒｅｃｏｇｎｉｔｉｏｎｏｐｔｉｍａｌａｉｌａｎｄ ｄｅｐｅｎｄｏｎｔｈｅ ｉｎｉｔｉａｌ ｃｌｕｓｔｅｒ ｃｅｎｔｅｒｓ．Ｉｎ ｆａｓｔ ｇｌｏｂａｌｔｈｉｓ ｄｉｓｓｅｒｔａｔｉｏｎ，ｗｅ ｐｒｏｐｏｓｅ ｋ－ｍｅａｎｓｉｍｐｒｏｖｅｄ ＣＤＡ（ＩＣＤＡ）ｗｈｅｒｅ ｔｈｅｉｓ ｅｍｐｌｏｙｅｄ ｆｏｒｃｌｕｓｔｅｒｉｎｇ ａｌｇｏｒｉｔｈｍｔｈｅｆｉｎｄｉｎｇｔｈｅｏｐｔｉｍａｌｃｌｕｓｔｅｒｓｔｒｕｃｔｕｒｅｓ，ｔｈｕｓｆｉｎａｌｒｅｓｕｌｔｓ ａｒｅ ｓｔａｂｌｅａｎｄ ｏｐｔｉｍａｌ． ｍｅｔｈｏｄｓ，ｗｈｉｃｈａｉｍ ａｔ６．Ｔｈｉｓ ｓｅｃｔｉｏｎ ｐｒｅｓｅｎｔｓ ｓｅｖｅｒａｌ ｉｍａｇｅ ｆｅａｔｕｒｅ ｅｘｔｒａｃｔｉｏｎｄｅａｌｉｎｇ诵也ｔｈｅｍｕｌｔｉｍｏｄａｌ ｄｉｓｔｒｉｂｕｔｉｏｎｓ ｏｆ ＳＡＲｉｍａｇｅｓ．Ｔｈｅｍａｉｎ ｗｏｒｋｃｏｎｃｅｒｎｓ ｔｈｅ ｆｏｌｌｏｗｉｎｇ ｔｈｒｅｅ ａｓｐｅｃｔｓ：（１）Ｔｗｏ－ｄｉｍｅｎｓｉｏｎａｌ ＣＤＡ（２ＤＣＤＡ）ａｎｄ ｉｔｓｉｍｐｒｏｖｅｄａｌｇｏｒｉｔｈｍｓ ａｒｅ ｄｅｖｅｌｏｐｅｄ．２ＤＣＤＡｃｏｎｓｔｒｕｃｔｓ ｔｈｅ ｃｌｕｓｔｅｒｓｃａｔｔｅｒ ｍａｔｒｉｃｅｓ ｆｒｏｍ ２Ｄｉｍａｇｅ ｍ缸Ｃｅｓ，ｔｈｕｓｏｖｅｒｃｏｍｉｎｇ ｔｈｅ ｐｒｏｂｌｅｍｓ ＣＤＡ，ａｎｄ ｈｅｎｃｅ（ｓｕｃｈａｓｄｉｓａｓｔｅｒ ｏｆｄｉｍｅｕｓｉｏｎａｌｉｔｙ，ｓｉｎｇｕｌａｒｉｔｙ，ｅｔｃ．）ｏｆ２ＤＣＤＡ ｃｏｍｂｉｎｅｓ ｔｈｅ ｃａｐａｂｉｌｉｔｙ ｔｏ ｍｏｄｅｌ ｔｈｅ ｍｕｌｔｉｐｌｅ ｃｌｕｓｔｅｒ ｓｔｒｕｃｔｕｒｅｓ西安电子科技丈学博±论文ＡＢＳＴＲＡＣＴⅦｅｍｂｅｄｄｅｄ ｗｉｔｈｉｎａｓｉｎｇｌｅ ｃｌａｓｓ、析也ｔｈｅ ｃｏｍｐｕｔａｔｉｏｎａｌ ａｄｖａｎｔａｇｅ ｔｈａｔ ｉｓａｓｃｈａｒａｃｔｅｒｉｓｔｉｃ ｏｆ ２Ｄ ｓｕｂｓｐａｃｅ ａｎａｌｙｓｉｓ ｍｅｔｈｏｄｓ，ｓｕｃｈ Ｉｎ ｔｈｉｓ ｓｅｃｔｉｏｎ，２ＤＣＤＡ ｉｓ ａｌｓｏ ｄｉｖｉｄｅｄ ｉｎｔｏ ｒｉｇｈｔ ｌｅｆｔ ２ＤＣＤＡ２ＤＰＣＡ ａｎｄ ２ＤＬＤＡ．２ＤＣＤＡ（Ｒ－２ＤＣＤＡ）ａｎｄｏ一２ＤＣＤＡ）．Ｍｏｒｅｏｖｅｒ，ｉｎ●ｏｒｄｅｒ ｔｏ ｓｏｌｖｅ ｔｈｅ ｐｒｏｂｌｅｍ ｏｆ ｔｏｏｍｕｃｈ ｆｅａｔｕｒｅｓ ｏｆ ２ＤＣＤＡ，ｗｅ ｐｒｏｐｏｓｅ ｆｏｕｒ ｉｍｐｒｏｖｅｄ ａｌｇｏｒｉｔｈｍｓ，ｔｗｏ－ｓｔａｇｅ Ｒ－２ＤＣＤＡ，ｔｗｏ—ｓｔａｇｅ Ｌ－２ＤＣＤＡ，ｔｗｏ?ｄｉｒｅｃｔｉｏｎａｌ ｇｅｎｅｒａｌｉｚｅｄ２ＤＣＤＡ（（２Ｄ）２ＣＤＡ），ａｎｄｍａｘｉｍｕｍｉｔｓ２ＤＣＤＡ（０２ＤＣＤＡ）．（２）Ｔｗｏ—ｄｉｍｅｎｓｉｏｎａｌｃｌｕｓｔｅｒｉｎｇ—ｂａｓｅｄｓｃａｒｅｒ ｄｉｆｆｅｒｅｎｃｅ ｄｉｓｃｒｉｍｉｎａｎｔａｎａｌｙｓｉｓ（２ＤＭＣＳＤ）ａｎｄｉｍｐｒｏｖｅｄ ａｌｇｏｒｉｔｈｍｓｗｉｔｈｉｎ－ｃｌｕｓｔｅｒｓｃａｔｔｅｒａｌｅｐｒｏｐｏｓｅｄ．Ｉｎ ２ＤＣＤＡ，ｔｈｅ ｉｎｖｅｒｓｅ ｍａｔｒｉｘ ｏｆ ｔｈｅｍａｔｒｉｘ ｈａｓ ｔｏ ｂｅ ｃａｌｃｕｌａｔｅｄ，ｈｏｗｅｖｅｒ，ｕｓｕａｌｌｙ ｔｈｅｉｎｖｅｒｓｅ ｍａｔｒｉｘ ｄｏｅｓ ｎｏｔ ｅｘｉｓｔ ｉｎ“ｓｍａｌｌ ｓａｍｐｌｅ ｔｈｉｓ ｐｒｏｂｌｅｍ，ｗｅ ｐｒｏｐｏｓｅａｓｉｚｅ＇’（ｓｓｓ）ｐｒｏｂｌｅｍｓ．Ｔｏｓｏｌｖｅｎｏｖｅｌ ｉｍａｇｅ ｆｅａｔｕｒｅ ｅｘｔｒａｃｔｉｏｎ ｍｅｔｈｏｄ，２ＤＭＣＳＤ，ｗｈｉｃｈ ａｄｏｐｔｓ ｔｈｅ ｄｉｆｆｅｒｅｎｃｅ ｏｆｓｃａｔｔｅｒ ａｓ ｔｈｅ ｎｏｔｂｅｔｗｅｅｎ－ｃｌｕｓｔｅｒｓｃａｔｔｅｒａｎｄｗｉｔｈｉｎ－ｃｌｕｓｔｅｒ ｖｅｃｔｏｒｓ．Ｓｏ ｉｔｄｉｓｃｒｉｍｉｎａｎｔ ｃｒｉｔｅｒｉｏｎ ｆｏｒ ｆｍｄｉｎｇ ｔｈｅｐｒｏｊｅｃｔｉｏｎｏｎｌｙ ｃａｎｄｅａｌ、析ｔ１１ ｔｈｅ ｍｕｌｔｉｍｏｄａｌ ｄｉｓｔｒｉｂｕｔｉｏｎ ｐｒｏｂｌｅｍｓ ｂｕｔ ａｌｓｏ ｉｓｃａｐａｂｌｅ ｏｆ ａｖｏｉｄｉｎｇ ｔｈｅ ｉｎｖｅｒｓｅ ｍａｔｒｉｘ ｃａｌｃｕｌａｔｉｏｎ ａｎｄ ｔｈｅ‘‘ＳＳＳ’’ｐｒｏｂｌｅｍｓ． Ｂｅｓｉｄｅｓ，ａｌｌ ａｌｔｅｒｎａｔｉｖｅ ２ＤＭＣＳＤ ｉｓ ｐｒｅｓｅｎｔｅｄ．Ｔｗｏ－ｄｉｒｅｃｔｉｏｎａｌ２ＤＭＣＳＤｆｕｒｔｈｅｒ（（２Ｄ）ｚＭＣＳＤ）ｄｉｓｃｒｉｍｉｎａｎｔｄｉｍｅｎｓｉｏｎａｌｉｔｙａｎａｌｙｓｉｓｉｓａｌｓｏｄｅｖｅｌｏｐｅｄｆｏｒｒｅｄｕｃｔｉｏｎ．（３）Ｄｉａｇｏｎａｌ ＣＤＡ（ＤｉａＣＤＡ）ｉｓ ｐｒｏｐｏｓｅｄ．Ｉｎ ｐｒｏｊｅｃｔｉｏｎｖｅｃｔｏｒｓ２ＤＰＣＡ，２ＤＬＤＡ ａｎｄ ２ＤＣＤＡ，ｔｈｅ ｖａｒｉａｔｉｏｎｓ ｂｅｔｗｅｅｎｏｎｌｙ ｒｅｆｌｅｃｔ ｔｈｅｒｏｗｓ（ｏｒ ｃｏｌｕｍｎｓ）ｏｆ ｉｍａｇｅｓｗｈｉｌｅ ｔｈｅ ｏｍｉｔｔｅｄ ｖａｒｉａｔｉｏｎｓｂｅｔｗｅｅｎ ｃｏｌｕｍｎｓ（ｏｒ ｒｏｗｓ）ｏｆ ｉｍａｇｅｓｍａｙ ｂｅ ａｌｓｏｕｓｅｆｕｌｆｏｒ ｒｅｃｏｇｎｉｔｉｏｎ．Ｔｏｐｒｅｓｅｒｖｅ ｔｈｅ ｃｏｒｒｅｌａｔｉｏｎｓ ｂｅｔｗｅｅｎ ｖａｒｉａｔｉｏｎｓ ｏｆ ｂｏｔｈ ｒＯＷＳ ａｎｄ ｃｏｌｕｍｎｓ ｏｆｉｍａｇｅｓ，ｄｉａｇｏｎａｌ ＣＤＡ（ＤｉａＣＤＡ）ｉｓ ｐｒｏｐｏｓｅｄ，ｗｈｉｃｈ ｓｅｅｋｓ ｔｈｅ ｏｐｔｉｍａｌｐｒｏｊｅｃｔｉｏｎｖｅｃｔｏｒｓｆｒｏｍ ｔｈｅ ｄｉａｇｏｎａｌｉｍａｇｅｓａｎｄ ｔａｋｅｓ ｉｎｔｏ ａｃｃｏｕｎｔ ｔｈｅａｐｏｓｓｉｂｉｌｉｔｙ ｏｆ ｅｍｂｅｄｄｅｄ ｍｕｌｔｉｐｌｅ ｃｌｕｓｔｅｒ ｓｔｒｕｃｔｕｒｅｓ ｗｉｔｈｉｎｓｉｎｇｌｅ ｃｌａｓｓ．Ｈｏｗｅｖｅｒ，姐ｉｎｅｘｔｒｉｃａｂｌｅ ｐｒｏｂｌｅｍｏｆ ＤｉａＣＤＡ ｉｓ ｔｈａｔ ｉｔ ｒｅｑｕｉｒｅｓ ｖａｓｔ ｍｅｍｏｒｙｆｏｒ ｒｅｐｒｅｓｅｎｔａｔｉｏｎ ｏｆ ｉｍａｇｅｓ．Ｔｏ ａｌｌｅｖｉａｔｅ ｔｈｉｓ ｐｒｏｂｌｅｍ，ｗｅ 、析ｔｌｌｃｏｍｂｉｎｅＤｉａＣＤＡ２ＤＣＤＡ（ＤｉａＣＤＡ＋２ＤＣＤＡ）．ａｕｔｏｍａｔｉｃ ｔａｒｇｅｔＫ呵ｗｏｒｄｓ：Ｒａｄａｒｒｅｃｏｇｎｉｔｉｏｎ（Ｐ．ＡＴＲ），Ｓｙｎｔｈｅｔｉｃａｐｅｒｔｕｒｅ ｒａｄａｒ雷达信号处理国家重点实验室ＶＩＩＩＳｔｕｄｙｏｒｌＳＡＲ Ｉｍａｇｅｓ Ｔａｒｇｅｔ Ｒｅｃｏｇｎｉｔｉｏｎ（ＳＡＲ），Ｍｏｖｉｎｇａｎｄ ｓｔａｔｉｏｎａｒｙ ｔａｒｇｅｔ ａｃｑｕｉｓｉｔｉｏｎ ａｎｄｒｅｃｏｇｎｉｔｉｏｎ（ＭＳＴＡＲ），ＳＡＲｉｍａｇｅ ｄｅｎｏｉｓｉｎｇ，ＳＡＲ ｉｍａｇｅ ｓｅｇｍｅｎｔａｔｉｏｎ，Ｆｅａｔｕｒｅ ｅｘｔｒａｃｔｉｏｎ，Ｐｏｌａｒ ｍａｐｐｉｎｇ，Ｓｈａｐｅｄｅｓｃｒｉｐｔｏｒ，一ＭｕｌｔｉｐｌｅＴｗｏ－ｄｉｍｅｎｓｉｏｎａｌ Ｔｗｏ．ｄｉｍｅｎｓｉｏｎａｌｃｌａｓｓｉｆｉｅｒｆｕｓｉｏｎ，Ｐｒｉｎｃｉｐａｌｃｏｍｐｏｎｅｎｔａｎａｌｙｓｉｓ（ＰＣＡ），ａｎａｌｙｓｉｓ（ＬＤＡ），ＰＣＡ（２ＤＰＣＡ），Ｌｉｎｅａｒ一 一ｄｉｓｃ＂ｎｍｉｎａｎｔ●ＬＤＡ（２ＤＬＤＡ），Ｃｌｕｓｔｅｒｉｎｇ－ｂａｓｅｄｄｉｓｅｒｉｍｉｎａｎｔａｎａｌｉｓｉｓ（ＣＤＡ），Ｔｗｏ－ｄｉｍｅｎｓｉｏｎａｌ ＣＤＡ（２ＤＣＤＡ），Ｔｗｏ适ｉｍｅｎｓｉｏｎａｌ ｍａｘｉｍｎｍｄｉｆｆｅｒｅｎｃｅｃｌｕｓｔｅｒｉｎｇ－ｂａｓｅｄ ｓｃａｔｔｅｒｄｉｓｃｒｉｍｉｎａｎｔ ａｎａｌｙｓｉｓ（２ＤＭＣＳＤ），Ｄｉａｇｏｎａｌ ＣＤＡ（ＤｉａＣＤＡ）器安电子科技大学博士论文独创性声明本人声明所呈交的论文是我个人在导师指导下进行的研究工作及取得的研究成果。尽我所知，除了文中特别加以标注和致谢中所罗列的内容外，论文中不包含其他人已经发表或 撰写过的研究成果；也不包含为获得西安电子科技大学或其它教育机构的学位或证书而使用 过的材料。与我一同工作的同志对本研究所做的任何贡献均已在论文中做了明确的说明并表 示了谢意。‘ 申请学位论文与资料若有不实之处，本人承担一切相关责任。本人签名：叠啦关于论文使用授权的说明本人完全了解西安电子科技大学有关保留和使用学位论文的规定，即：研究生在校攻读 学位期间论文工作的知识产权单位属西安电子科技大学。本人保证毕业离校后，发表论文或 使用论文工作成果时署名单位仍然为西安电子科技大学。学校有权保留送交论文的复印件，允许查阅和借阅论文；学校可以公布论文的全部或部分内容；可以允许采用影印、缩印或其它复制手段保存论文。（保密的论文在解密后遵守此规定）本人签名：卿导师签名：转、吼学Ｅｔａ：量蟛Ｌ土—坠第一章绪论第一章绪论§１．１雷达自动目标识别的基本概念和分类§１．１．１雷达自动目标识别的基本概念雷达（Ｒａｄｉｏ ＤｅｔｅｃｔｉｎｇａｎｄＲａｎｇｉｎｇ，ＲＡＤＡＲ）是一种基本的无线电探测装置。它具有全天时、全天候和远距离探测等优势，可实现对目标的探测和定位，在军 事领域起着十分重要的作用ｆｌ司。自２０世纪６０年代以来，现代战争是以高技术信 息战、电子战为中心的战争，对战场动态信息的实时监测和处理成为关系到战争胜败的重要因素，因此，仅能提供目标位置信息的常规雷达已逐渐不能满足现代战争的需要，人们希望进一步获取目标的详细信息。雷达自动目标识别（ＡｕｔｏｍａｔｉｃＴａｒｇｅｔＲｅｃｏｇｎｉｔｉｏｎ，ＡＴＲ）这一研究领域也就应运而生。所谓ＡＴＲ是在雷达对目标进行检测和定位的基础上，根据目标和环境的雷达回波信号，提取目标特征， 实现目标的属性、类别或型号的判定。在现代战争条件下，高技术武器的信息化、 智能化发展趋势对自动目标识别的需求是显而易见的。 随着大规模集成电路技术及高性能电子器件技术的发展，高距离分辨率雷达 技术、合成孔径雷达（ＳｙｎｔｈｅｔｉｃＡｐｅｒｔｕｒｅＲａｄａｒ，ＳＡＲ）技术和逆合成孔径雷达（Ｉｎｖｅｒｓｅ ＳＡＲ，ＩＳＡＲ）技术【”】逐渐成熟，它们能获取更多的目标信息，为ＡＴＲ技术的发展提供了强有力的技术支持。ＡＴＲ技术可以提供目标属性、类别，甚至 其武器挂载情况等信息，对于提高军队的指挥自动化水平、攻防能力、国土防空 反导能力及战略预警能力具有十分重要的作用。该研究方向不仅有重大的理论和 学术意义，而且具有广阔的应用前景，特别是在军事上有巨大的应用价值。§１．１．２雷达自动目标识别的分类从雷达目标识别的层次来看，Ａｍ可分为三个层次：辨别（Ｄｉｓｃｒｉｍｉｎａｎｔ）、分类（Ｃｌａｓｓｉｆｉｃａｔｉｏｎ）和识别（Ｉｄｅｎｔｉｆｉｃａｔｉｏｎ）【埘。其中，辨别是指区别目标间的差异，只要能区分出目标不同即可；分类是在辨别的基础上区分目标的类别属性： 识别则是在辨别和分类的基础上确认目标的具体型号。因此，广义的自动目标识 别可以划分为目标辨别（Ｔａｒｇｅｔ Ｄｉｓｃｒｉｍｉｎａｔｉｏｎ）、目标分类（Ｔａｒｇａ Ｃｌａｓｓｉｆｉｃａｔｉｏｎ）雷达信号处理国家重点实验室２合成孔径雷达图像目标识别技术研究和目标识别（Ｔａｒｇｅｔ Ｉｄｅｎｔｉｆｉｃａｔｉｏｎ）三个层次。本论文的研究工作主要集中在目标分类或识别上，即确定目标的类别或型号。 从雷达目标识别的信号形式来看，大致分为窄带雷达目标识别和宽带雷达目 标识别。。窄带雷达的分辨率较低，其目标回波包含的信息有限，因此，主要集中在对 目标的辨别和分类上。例如，通过对目标的连续跟踪，提取目标的运动速度、加 速度、飞行高度等信息，来判断目标的大致属性，比如在一定程度上可以判断喷 气式飞机、螺旋桨飞机、直升机、导弹等。或者，利用目标体上的不同运动部件 产生的多普勒调制（也称微多普勒）特征的不同，实现喷气式飞机、螺旋桨飞机 及直升机的区分，也可以用于实现对面轮式车辆、履带式车辆的区分。然而，窄带雷达对识别目标型号的能力是很有限的【１ｌ’１２１。高分辨宽带雷达的问世为目标识别提供了一个很重要的途径。分辨率的提高 使得雷达不仅是一部望远镜，而且是一部显微镜，也即，通过高分辨雷达，我们 不仅知道了目标在哪里，而且知道了是什么样的目标１２］。因此，与传统的雷达相 比，高分辨雷达的功能不仅仅是检测和定位，还包括其它一系列新的先进功能， 如目标成像、识别、地形测绘等等。从采用的回波形式上来看，高分辨雷达自动 目标识别可分为三大类：基于高分辨一维距离像（Ｈｉｇｈ Ｒｅｓｏｌｕｔｉｏｎ Ｒａｎｇｅ Ｐｒｏｆｉｌｅ， ＨＲＲＰ）的目标识别、基于ＳＡＲ图像的目标识别和基于ＩＳＡＲ图像的目标识别。 目标的高分辨一维距离像是目标的雷达回波沿距离维的分布，可以反映出目 标的结构信息，且具有获取时间短、处理简单等优点，具有较高的应用价值，因 此，基于高分辨一维距离像的雷达自动目标识别技术已经成为雷达技术领域的研 究热点之一【ｌｏ，１３。２０】。 目标的ＩＳＡＲ图像实质上距离．多普勒像，其多普勒维的分辨率与成像时目标相对于雷达的转角有关。ＩＳＡＲ成像还与目标的瞬时运动状态有关【９，２１之３１。ＩＳＡＲ成像的质量也会影响目标识别的结果。这些因素给基于ＩＳＡＲ的目标识别带来了 困难。因此，目前基于ＩＳＡＲ图像的目标识别技术研究较少，且主要用于对舰船目标的识别ｍ６】。随着ＳＡＲ成像技术的不断成熟，ＳＡＲ图像在军事和民用领域的应用越来越广泛。ＳＡＲ在民用领域的应用主要体现在以下几个方面【２７删：农林、海洋的监测与研究：自然灾害的预防及灾情报告；森林分类、地形地貌分类和桥梁道路的识别西安电子科技大学博士论文第一章绪论等。ＳＡＲ在军事上的应用主要是发现和识别军事目标，如飞机、坦克、机场和停 机坪、装甲车、导弹发射架、各种车辆、舰船、飞机等军用目标。鉴于ＳＡＲ图像目标识别在军事上的重要意义，因此基于ＳＡＲ图像的目标识别研究受到了各国的广泛关注。．本论文主要研究的是基于ＳＡｇ图像的目标识别技术，所以，在下一节 中我们将重点描述近些年来该领域的发展情况。§１．２合成孔径雷达（ＳＡＲ）图像自动目标识别（ＡＴＲ）研究现状由于ＳＡｇ图像目标识别在军事上的重要意义，目前世界各国都非常重视这方面的研究，典型的如美国、俄罗斯、德国等，其中尤以美国这方面的研究处于国际领先地位。当前发展较快的ＳＡｇ图像的目标识别应用系统主要有【４１，４２】：①美国陆军实验室（ＡｍｅｒｉｃａＡｒｍｙＬａｂｏｒａｔｏｒｙ，√６毗）的ＳＡｇ ＡＴＲ系统；②美国麻省ＡＴＲ系统；③美国运动和静止目标获取与理工学院林肯实验室基于模板的ＳＡｇ识另ｌＪ（ＭｏｖｉｎｇＲｅｃｏｇｎｉｔｉｏｎ，ＭＳＴＡｇ）计划的基 于模型的ＳＡｇＡＴＲ系统；④美国Ｓａｎｄｉａ国家实验室的ＳＡＲＡＴＲ系统；⑤“北约”组ａｎｄ Ｓｔａｔｉｏｎａｒｙ Ｔａｒｇｅｔ Ａｃｑｕｉｓｉｔｉｏｎ ａｎｄ织的ＲＧ２０项目。国内有关ＳＡＲ图像的目标识别研究起步较晚，主要的研究单位有：中国科学 院电子学研究所、中国科学院遥感所、国防科技大学ＡＴＲ实验室、华中理工大学 图像识别研究所、西安电子科技大学智能信号处理研究所、中国民航学院、北京理工大学、北京航空航天大学等，它们在ＳＡｇ图像的地物分割、分类和匹配以及舰船、桥梁、道路的识别等方面取得了一定的成果。但是与国外相比，还有相当大的差距。基于ＳＡｇ图像的目标识别的发展主要集中在近２０年，其中大多的学者的研 究是基于美国ＭＳＴＡＲ计划录取的实测ＳＡｇ地面静止目标数据。目前基于ＭＳＴＡＲ 的论文已有两三百篇，其中的研究内容很广泛，包括ＳＡｇ目标特性分析和模式识别算法的设计等。Ｒｏｓｓ等人【４３铆１较早地提出了基于模板匹配的ＳＡｇ目标识别方法，它是一种最常用最典型的统计模式识别方法。该方法是将测试样本与由训练样本形成的标 准模板按照某种匹配准则进行比较，从而完成对测试目标的识别。其中，最常用 的匹配准则是最小均方误差、最小欧氏距离、最大相关系数等。该方法直接采用雷达信号处理国家重点实验室４合成孔径雷达图像毽标识别技术研究原始ＳＡｇ图像或者原始ＳＡＲ图像的子图像来形成模板，由予ＳＡＲ图像对目标方 位角、姿态角的变化很敏感，另外，曩标本身的结构的变化、遮挡、隐蔽以及背 景、成像参数的变化等，这都会引起ＳＡＲ图像发生变化，因此，对于实际的目标 识别｜、霞题，若采羯基于模板的方法，嬲需要存储大量模扳。一基于模型的ＳＡＲ图像目标识别方法也是近年来发展较快的方法［５２－ｓｓ］。该方法的具体思想是从未知嚣标中提取特征，通过数学模型预测出一系列与之相关的候 选目标，对它们的类型、姿态等作出假设，据此利用模型构建技术对候选目标进 行３Ｄ成像，再对所成的３Ｄ像提取出其散射中心模型，并进一步作出楱对识别霉 标的特征预测，作为待识别目标的参考特征，进行匹配作出判决。判决中一般采 用的是最小均方误差准受｜ｊ或最大似然准奂｜ｊ等。但是由于在基于模型的方法中，，需 要对ＳＡＲ图像或ＳＡＲ图像特征矢量进行建模，而模型的构建需要较高的理论和 计算水平，因此，蟊前基于模板的方法比基于模型的方法用的更广。僵是，随着 计算水平的提高，高保真、快速电磁预估软件的发展，基于模型的方法将会受到 人们越来越广泛的关注。 近年来，一种基于核函数的方法即支持矢量机（Ｓｕｐｐｏｒｔ ＶｅｃｔｏｒＭａｃｈｉｎｅ，ＳＶＭ）［５９－６３］因其独特的优良性质掀起了模式识剐领域的研究热潮，得到了广泛应用。 Ｚｈａｏ和Ｂｒｙａｎｔ等人分别将ＳＶＭ用于ＳＡＲ图像目标识别中，并将该方法与ＭＳＥ、 感知器等进行比较。基于大量实验数据验证，实验结果表明了ＳＶＭ的优良特性。§１．３ＳＡＲ图像目标识别技术的关键闻题由于本论文所研究内容孛包含了较多的有关对ＳＡＲ图像酱标识别的应震，并 且基于ＳＡＲ图像的目标识别流程主要有三个步骤，如图１．１所示：ＳＡＲ图像的预 处理、特征提取及识别，因此，接下来将讨论研究工作中的几个关键闯题。ｉ训练ｌｂＩ ＳｈＲｔ张Ｉｉ墼堡ｌ｜ ｌ塑熊拦：ｌ训练过程．ｉ特征㈡口！别器ｊ ４堡窒ｌ ｌ型鏊ｌｌ ｉ４逞巫ｌ ｉ器≯ｏ＝＝＝４㈣，ｏ；；＝；；∞∞∞２≈≯ｏ＿Ｅｌ’’，ｏ－；?＿ｏ日ｌ蒺豢Ｈ１ ｌ获取Ｉ：Ｌ必 Ｓ预ＡＲ处Ｎ理ｆ象卜一一肾ｉ挈阻圈预处避巳ｌ ｉ测试过程图１．１基于ＳＡＲ图像的自动目标识别流程嚣安电子科技大学博圭论文第一章绪论§１．３．１ ＳＡＩｌ图像的预处理问题由于原始ＳＡＲ图像中不仅包含感兴趣的目标，还包含大量的背景杂波，如果 直接对其特征提取或识别的话，背景杂波会严重影响识别性能。因此，需要对原 始ＳＡＲ图像进行预处理，以削弱或抑制背景杂波的影响。预处理的过程主要包括 对原始图像进行滤波、分割等，以去除背景杂波、提取出感兴趣的目标（或目标及其阴影）区域。对于ＳＡＲ图像来说，一种理想的滤波方法应该是：在消除相干斑噪声的同时 很好地保留了图像的边缘细节。然而，事实上，这种理想的滤波器很难得到，我们只能在相干斑噪声消除和细节保留这两个方面折衷考虑，综合这两个方面的较好效果ｉ当前主要的滤波方法有多视技术、各种空域滤波方法、各种小波滤波方法等【㈣１１。在早期的ＳＡＲ成像处理中，大多采用文献［６４１提出的多视技术来减少相干斑噪声，即在方位向或距离向上，将ＳＡＲ系统分成多个独立部分，每一部分 用来产生一个单视图像，然后把这多个单视图像对应的象素非相干叠加后平均。 然而，该方法是以牺牲较多的空间分辨率为代价的。随着ＳＡＲ图像应用的不断深入，对其空间分辨率的要求也不断提高，多视处理技术己不能满足要求。于是，出现了许多空间域滤波方法。传统的空间域滤波方法主要包括均值滤波和中值滤波。均值滤波是将窗中央的象素值用窗的均值代替，它在平滑噪声的同时损失了 大量的边缘信息。中值滤波是将窗中央的象素值用窗的中值代替，它能够得到较 为清晰的轮廓，但对于同质区域却没有起到很好的平滑作用。比较经典的ＳＡＲ图 像空间滤波方法主要有Ｌｅｅ滤波、Ｋｕａｎ滤波、ＭＡＰ滤波、基于相关邻域的滤波 方法等。文献［６５，６６］提出了经典的Ｌｅｅ滤波方法，文献【６７］提出了经典的Ｋｕａｎ 滤波方法，文献［６８１提出了Ｇａｍｍａ分布的ＭＡＰ滤波方法，它们都是建立在ＳＡＲ 乘性模型的基础上。由于它们通过固定窗口对图像进行操作，因此难以解决区域 平滑和保持细节这一对矛盾。为此，文献【６９，７０］提出了相关邻域模型的ＳＡＲ图 像滤波方法，该方法通过当前元素邻域中的相关像素来重构ＲＣＳ，在平滑图像的 同时较好地保持图像的边缘信息。因此，该方法在ＳＡＲ图像滤波中得到了广泛的 应用。另外，由于小波的优良特性，基于小波变换的ＳＡＰ，．图像滤波方法也受到了 广泛的应用。文献［７Ｈ提出了一种基于小波变换的ＳＡＲ图像相干斑噪声消除方法， 它通过在小波细节子图像中减小小波分解系数的幅度来抑制相干斑噪声，同时利雷达信号处理国家重点实验室６合成孔径雷达图像目标识别技术研究用小波细节子图像中提供的边缘信息来检测边缘和纹理细节，并保留其对应的小 波分解系数值。该方法除了对相干斑噪声有很少的抑制作用外，还保留了尽可能多的目标细节。本论文在第二章中主要对比了现有的几种常见的空间域滤波方法，并将这些 方法用于基于地物分类和基于目标识别盼ＳＡＲ图像中。 上述滤波方法只能在一定程度上平滑背景杂波，并没有完全去除杂波。为了 去除杂波，常常采用的是分割方法，即将感兴趣的目标（或目标及其阴影）区域 直接从背景杂波中提取出来。目前，国内外许多文献涉及该内容，我们将其归纳 为四种方法。第一种为手动分割方法１７２］，该方法主要依靠人对ＳＡＲ图像的视觉 感受进行分割。由于不同的人对ＳＡＲ图像的理解不一样，因此分割的结果也会有 差异，并且对于大规模的数据样本，手动分割的工作量巨大，这在实际应用中是 不现实的。第二种为基于恒虚警（ＣｏｎｓｔａｎｔＦａｌｓｅＡｌａｒｍＲａｔｅ，ＣＦＡＲ）的分割方法（或称阈值分割方法）［７３－８１】，该方法通过分析ＳＡＲ图像中像素强度的统计特性估计出分割的阈值，然后对图像进行分割，该方法的优点是分割速度快，但不精确，会有很多虚假的目标点，需要对分割后的图像作进一步的处理。第三种是基于马尔可夫随机场（Ｍａｒｋｏｖ Ｒａｎｄｏｍ Ｆｉｅｌｄ，ＭＲＦ）模型的分割方法等【８２。９１１，它利用了像素邻域间的先验结构信息并结合最大后验概率对图像进行分割。该方法的分割 效果相对精确，但是它是一种迭代优化算法，需要反复迭代才能达到理想的解， 因此计算量较大、速度较慢。第四种是基于统计直方图的分割方法【９２，９３】，它利用 混合高斯分布表达ＳＡＲ图像的统计直方图，然后用近似线性分割确定阈值达到分 割的目的，它实质上也是一种阈值分割方法。另外，还有基于区域生长的分割方 法、基于正则化的分割方法等‘蚪１０４】。 由于阈值分割的方法执行速度快，因此我们提出了自适应阈值分割方法以提 取出目标（或目标及其阴影）。为了进一步去除分割后的图像中存在的虚假目标点 （或虚假目标点和虚假阴影点），我们又做了一系列处理，如形态学滤波、几何聚 类操作等。具体介绍详见第三章和第四章的预处理部分【１０５．．０６１。§１．３．２ ＳＡＲ图像的特征提取问题特征提取是模式识别领域中的一个关键步骤，它对分类器的设计及性能有很 大的影响。其基本任务是如何从样本中提取出最有效的特征。特别是对于ＳＡＲ图西安电子科技大学博士论文第一章绪论像ｊ由于其特殊的成像了试，使得它不像一般的光学图像能够比较完整地描述目标的整体形状，而是表现为稀疏的散射中心分布，且对成像的方位比较敏感。因 此如何有效地提取目标特征就显得更为重要。 在ＳＡＲ图像目标识别中，散射中心分布是重要的特征之一【１０７小ｏ】，准确、有 效地提取目标的散射中心是该类目标识别方法的关键：文献［１０７］提出了经典的 Ｐｒｏｎｙ模型，文献［１０８—１１０］提出了属性（Ａｔｔｒｉｂｕｔｅｄ）散射中心模型，该模型能更 准确、更贴切地描述目标的后向散射特性， 在ＳＡＲ图像中，“峰值”（那些同时在距离向和方位向是局部极大值的那些点） 本质上对应目标和（或）一背景的散射中心，比如对地面目标坦克的ＳＡＲ图像来说， 峰值主要对应轮子、炮塔等强散射结构的散射中心，因此，峰值特征可以作为ＳＡＲ图像目标识别的一个很重要特征【ｌｌｌ。１１３１。 在ＳＡＲ图像目标识别中，目标（或目标及其阴影）的形状信息或轮廓信息、 统计信息也是ＳＡＲ图像的重要特征【１１４１。常用的形状特征主要有目标（或目标及其 阴影）轮廓的傅立叶描述子、矩（或中心矩）等。另外，为了去除冗余信息、实现维数压缩，在ＳＡＲ图像目标特征提取方法中， 一个很重要的分支是各种线性或非线性变换方法，最常用的如主分量分析（Ｐｒｉｎｃｉｐａｌ ＣｏｍｐｏｎｅｎｔＡｎａｌｙｓｉｓ，ＰＣＡ）［１１５１、核函数的主分量分析（Ｋｅｒｎｅｌ ＰＣＡ，ＫＰＣＡ）［１１６］、Ｆｉｓｈｅｒ线性判决分析（ＦｉｓｈｅｒＬｉｎｅａｒ ＤｉｓｅｒｉｍｉｎａｎｔＡｎａｌｙｓｉｓ，ＦＬＤ或ＬＤＡ）、核函数的判决分析（ＫｅｒｎｅｌＦＬＤ，ＫＦＤ）【１１７，１１引、独立分量分析（ＩｎｄｅｐｅｎｄｅｎｔＣｏｍｐｏｎｅｎｔＡｎａｌｙｓｉｓ，ＩＣＡ）【６３１等。常用的变换还有Ｈｏｕｇｈ交换‘１１９】、小波变换【锄、Ｒａｄｏｎ变换【１２０１等。 鉴于特征提取的重要性，本论文的重点也在特征提取的研究，在第三章中提 出了基于极化映射的特征提取方法，从而可以有效地提取出目标的强度分布信息、 目标和阴影的形状信息，另外还提取出了目标及其阴影的一些形状特征，如面积、 周长等，并将这些特征进行融合实现对测试样本的识别【１０５１。在随后的各个章节中， 分别提出了基于一维图像向量和基于二维图像矩阵的子空间方法【１０６，１２１也７】。§１．３．３ ＳＡＲ图像的识别问题在得到了ＳＡＲ目标的特征（特征向量或特征矩阵）以后，接下来的主要任务 就是对测试目标进行识别。基于余弦值的最大相关分类器和基于欧氏距离的最近雷达信号处理国家重点实验室８合成孔径雷达图像髓标识别技术研究邻分类器因其简单、容易执行等优点，成为最常用的分类方法。因此，本论文中 我翻大多采用的也是这两种分类方法瑟拯１明。 近年来，基于核函数的分类器．支持向量机（ＳＶＭ）【１２８?５９埘１．在ＳＡＰ，图像目 标识别任务中也得到了广泛的应用。由于ＳＶＭ中需要搜索最优的核参数，这会一增加计算负担，因此只有在样本数和样本维数较小的情况下，我们才使用该方法。 另外，基予隐马尔可夫模型（ＨＭＭ）酶分类算法【１２９，翻也是近年来常用的方法。§１．３．４ ＳＡＲ图像的其它问题（１）方位敏感性问题 圈一个晷标在不同方位焦下，ＳＡＲ图像闻存在较大的差异，也即ＳＡＲ目标 图像对目标姿态变化非常敏感，因此，如何解决姿态敏感性问题是ＳＡＲ图像目标 识别的难点之一。（２）平移敏感性问题鼷标一般为非合作髓标，每次徭到的ＳＡＲ图像中目标豹位置是不定的，存在 不可预测的相对平移。解决这一问题的方法大致可以分为两种：１、提取平移不变 特征蘑在特征域进行识别；２、将霹标图像经傅立时变换到频域，取傅立叶变换的 幅度作为特征提取或识别器的输入。（３）强度敏感性闯遂在许多模式识别应用中，不同类别的样本间都存在着尺度差异问题，而且即 使同～类冒标在不同的环境下所获得的数据的测量尺度也会不同。相对于小毽特 征，那些具有较大数值的特征可能会产生更大的影响，但这并不能反映出在分类 器设计中各个特征的重要性。对于该闯题，通常的解决方法是统一地对所有霹标 样本进行归一化处理。§１．４本文的内容安排§Ｉ．４．１ ｇＳＴＡＲ数据介绍研究所孀的数据是美营垦防预研计划翟鞠空军研究实验室（Ｄ轰ＲＰＡ，ＡＦＲＬ） 联合资助的运动和静止目标获取与识别（ＭＳＴＡＲ）计划录取的实测ＳＡＲ地面 静壹露标数据（包括地面军用战车和民用车辆）。它是在１９９６年和１９９７年翻用嚣安电子科技大学博±论文＃一荦绪ｔ９ｘ波段、明极化方式、０ ３ｍｘ０３ｍ高分辨率聚柬式ＳＡＲ采集而得。目标图像太小为１２８ｘ１２５。该计划推荐使用的训练样本是ＳＡＰ，在俯仰角为”。时对地面目 标的成像数据，包括３大类：ＢＭＰ２ＳＮ９５６３（装甲车），ＢＴＲ７０ＳＮＣ７１（装甲车）， Ｔ７２ＳＮｌ３２（主战坦克），它们的光学图像如图１．２（ａ）、（ｂ）、（ｃ）所示。测试样 本是ＳＡＰ，在俯仰角为１５。时对地面目标的成像数据，包括３大类７个型号，其中， ＢＭＰ２增加了两个型号（共有三个型号：ＳＮＣ２１、ＳＮ９５６３、ＳＮ９５６６），Ｔ７２也增 加了两个型号（共有三个型号：ＳＮｌ３２、ＳＮ８１２、ＳＮＳ７），目的是检验算法的有效 性和推广性。ＢＴＲ７０的澍试目标型号ＮＵｌｌ练样本型号。同类但不同型号的目标在 配备上有些差异１１３ｅ］。另外，为了更好的评估算法的推广性，在测试样本中还增加 了拒识目标（即假目标），它们的型号为２Ｓ１（军用火箭发射装置）和Ｄ７（推土 机）或者ＺＩＬｌ３１（卡车）和Ｄ７，其光学图像如图１．２（ｄ）、（ｃ）、（ｆ）所示。表 １．１给出了训练和测试样本相应的型号与个数。每类目标的方位覆盖范围均为 ０。一３６０’。图１．３给出了真实日标和拒识目标的ＳＡＲ图像。对比图１．２和图１．３发 现，目标的ＳＡＲ图像跟光学图像差异很大。图１．４给出了同一目标在不同方位角 下的ＳＡＲ图像。可以看出，目标方位角不同，得到的ＳＡＲ图像差异很大，这就 是上述所说的方位敏感性问题。图１．５和图１五分别给出了同一日标在不同俯仰角 下的ＳＡＰ，．图像。可以看出，２度的俯仰角不同也会导致ＳＡＲ图像略有差异。图 １．７给出了在相同的方位角和俯仰角下，同一目标不同配置的ＳＡＰ，．图像。不难看 出，这些ＳＡＲ图像之间也是有差异的。窿－薹幽燧垂型 匿区团匿圆圈（ａ）ＢＭＰ２（ｂ）ＢＴＲ７０ （ｃ）Ｔ７２ ｄ）２Ｓ１ （ｅ）ＺＩＬｌ３ｌ（１３ Ｄ７图１ ２真实目标和拒识目标的光学图像雷达信号处理国家垂点宴验室！！窒壁垒堡重兰墼堡！堑堡型鍪查些窒表１ １训练、测试及拒识目标数据 真实目标ＢｈｆⅡ口拒识目标Ｔ７２ＢＴＲ７０２ＳＩ或ＺＩＬｌ３１ＳＮＣ２１ＳＮ９５６３ＳＮ９５６６ＳＮ８１２ ２３３ １９６１９５ＳＮＳ７２７４（注：以下实验中，如不指明．均指没有采用拒识日标。）图ｌ＾同一目标在不同方位角下的ＳＡＲ图像（以ＴｒａｉｎＴ＇７２ＳＮｌ３２为例）（ａ）方位角为１０７９０７ 度；（ｂ）方位角为７４ ７９０７度；（ｃ）方位角为１８０７９０６度；（ｄ）方位角为２２８ ７９０６度。日女电子科技大学博十论女■■图ｌ ５■■圈ｌ ６■■■（ａ）ＳＮ９５６６ （ｂ）ＳＮ９５６３ （ｃ）ＳＮＣ２１留１ ７姿态角约为３３３度、俯仰角为１５度时，同一目标不同配置的ＳＡＲ图像（以ＴｅｓｔＢＭＰ２ 为例）§１．４．２内容安排 本论文主要围绕教育部留学叫国人员基金“基于ＳＡＲ图像的雷达自动目标检 测与识别技术”、“卜五”预研项Ｈ“目标识别技术”和“ｌ一五”预研项目“基于目标成像的识别技术”的研究任务，针对合成孔径雷达图像目标识别，从ＳＡＲ图像滤波、ＳＡＲ图像分割、ＳＡＲ图像的特征提取与识别等方面展开了较为深入的研究。具体内容概括如下：∞４＊‘ｊ＊４口家ｔ点寅验空合成孔径雷达图像目标识别技术研究第二章，针对ＳＡＲ图像中包含大量乘性相干斑，详细介绍了几种ＳＡＲ图像 滤波方法，分析了它们的优缺点，并给出了较低分辨率的ＳＡＲ图像滤波结果和较高分辨率的ＭＳＴＡＲ ＳＡＲ图像的滤波结果。第三章，针对相关文献中存在的问题：①没有考虑阴影，而阴影信息对识别 是很有用的；②没有将目标及其阴影从杂波背景中提取出来，由于背景杂波具有 多样性，不同的背景杂波特性会影响识别性能；⑨对于一个特定的识别问题，采 用某一种分类算法或者某一种特征未必能获得很好的识别性能，因此基于多特征 或多分类算法的分类器融合是必需的，我们给出了一种内存需求小、计算复杂度 低且识别性能较好的ＳＡＲ图像自动目标识别方法，首先给出一种有效的ＳＡＲ图像预处理方法，然后基于极化映射提取出目标和阴影的特征，最后基于平均准则融合多个分类器。第四章，主分量分析（Ｐｒｉｎｃｉｐａｌ ＣｏｍｐｏｎｅｎｔＡｎａｌｙｓｉｓ，ＰＣＡ）是模式识别领域中一种经典的特征提取方法。当ＰＣＡ用于图像的特征提取时，要将２维图像矩阵 （１ａｘ刀）转换成ｌ维向量（肌．玎），这样会导致两个方面的问题：①损失图像的 二维空间结构信息；②特征提取要在高维向量空间中进行，但在高维空间中很难 准确估计协方差矩阵且维数很大，对其进行特征分解会大大增加计算负担。在求取投影矢量时，大多文献直接对估计得到的大小为（肌．刀）×（ｍ?刀）的协方差矩阵进 行特征分解，计算量消耗较大，为此我们给出一种运算技巧，将对（肌．刀）×（册?疗）的矩阵特征分解转化为对ＭｘＭ的矩阵的特征分解（Ｍ为训练样本总数）。由于训 练样本数远远小于图像的维数，这样处理会大大减小计算负担。然而，训练样本 库中样本规模很大时，虽然采用了上述运算技巧，但计算量还是相当大。为了解 决上述ＰＣＡ的问题，近年来，Ｙａｎｇｌｌ３１１、Ｃｈｅｎｌｌ３２１等人提出二维主分量分析（Ｔｗｏ．ｄｉｍｅｎｓｉｏｎａｌ ＰＣＡ，２ＤＰＣＡ）的图像特征提取方法，它直接采用２维图像矩阵估计训练样本的协方差矩阵，完整地保留了图像的二维空间结构信息，估计得到的协方差矩阵更准确有效。并且估计得到的协方差矩阵维数为厅×厅或ｔ／Ｉｘ坍，远远小于ＰＣＡ估计的协方差矩阵维数（所．刀）×（所．疗）。相应地，对该协方差矩阵特征分解以求取投影矢量也效率更高。但是，２ＤＰＣＡ仅去除了图像各行或各列像素间的冗余信息，即仅对图像行或列压缩，因此得到的特征矩阵维数较大，这会导致最终的存储量和识别运算时间大大增加。西安电子科技大学博士论文第一章绪论本章中，首先根据左、右投影形式的不同，将Ｙａｎｇ［１３１】提出的２ＤＰＣＡ称为右投影形式的２ＤＰＣＡ（ｍｅ，ａｔ ２ＤＰＣＡ，Ｒ－２ＤＰＣＡ），将Ｚｈａｎｇｔｌ３３】提出的Ａｌｔｅｒｎａｔｉｖｅ２ＤＰＣＡ称作左投影形式的２ＤＰＣＡ（Ｌｅｆｔ ２ＤＰＣＡ，Ｌ．２ＤＰＣＡ）。为了降低Ｒ．２ＤＰＣＡ和Ｌ一２ＤＰＣＡ的特征矩阵维数，减小存储量和识别运算时间，我们给出了如下几．‘●一种改进的２ＤＰＣＡ方法ｊ两级Ｒ－２ＤＰＣＡ（Ｔｗｏ．ｓｔａｇｅ Ｒ－２ＤＰＣＡ）、两级Ｌ２ＤＰＣＡ（Ｔｗｏ?ｓｔａｇｅ Ｌ．２ＤＰＣＡ）、两向２ＤＰＣＡ（Ｔｗｏ－ｄｉｒｅｃｔｉｏｎａｌ２ＤＰＣＡ，（２Ｄ）２ＰＣＡ）以及广义２ＤＰＣＡ（Ｇｅｎｅｒａｌｉｚｅｄ２ＤＰＣＡ．Ｇ２ＤＰＣＡ）ｏ第五章，线性判决分析（Ｌｍｅ盯Ｄｉｓｃｒｉｍｉｎａｎｔ Ａｎａｌｙｓｉｓ，ＬＤＡ）也是模式识别 领域中一种有效的特征提取方法。类似ＰＣＡ，ＬＤＡ用于图像特征提取时，也需要 将２维图像矩阵转化为１维图像向量，这会带来以下问题：①损失图像的二维空 间结构信息，导致识别性能变差；②特征提取要在高维向量空间中进行，会大大增加计算复杂度和运算负担，带来“维数灾难”、“小样本”等问题。为了解决上述 问题，Ｃｈｅｎｔｌ３２１、Ｌｉ【１３４１、Ｘｉｏｎｇ［１３５１等人提出二维线性判决分析（Ｔｗｏ．ｄｉｍｅｎｓｉｏｎａｌ ＬＤＡ，２ＤＬＤＡ）。该方法直接基于２维图像矩阵来构建类内和类间散布矩阵。本 章中，首先根据投影形式的不同将２ＤＬＤＡ分为两种形式：右投影的二维线性判 决分析（Ｆｉｇｈｔ ２ＤＬＤＡ，Ｒ．２ＤＬＤＡ）和左投影的二维线性判决分析（Ｌｅｆｔ２ＤＬＤＡ，Ｌ．２ＤＬＤＡ）。然后，针对Ｒ－２ＤＬＤＡ和Ｌ．２ＤＬＤＡ的特征维数过大的缺陷，提出三 种改进的算法：两级Ｒ－２ＤＬＤＡ（Ｔｗｏ．ｓｔａｇｅ Ｒ－２ＤＬＤＡ）、两级Ｌ．２ＤＬＤＡ（Ｔｗｏ．ｓｔａｇｅ Ｌ．２ＤＬＤＡ）和两向２ＤＬＤＡ（Ｔｗｏ．ｄｉｒｅｃｔｉｏｎａｌ ２ＤＬＤＡ）。第六章，ＬＤＡ是一种被广泛应用的线性降维算法。然而，ＬＤＡ仅仅在所有 类别的数据满足以下条件时才是最优的【１３６】：各类数据均来自于潜在的协方差矩阵 相同但均值不同的高斯分布；每类数据仅含有一个子类结构。由于这些局限性， ＬＤＡ在一些实际应用中无法得到令人满意的结果，尤其对于多模分布的数据。另 外，在图像识别中，由于训练样本维数远远大于训练样本总数，ＬＤＡ通常会出现 类内散布矩阵的逆矩阵不存在的现象。这一奇异性问题也限制了它的应用。还有 ＬＤＡ得到的特征维数仅为ｃ一１（ｃ为类别数），这对于多类识别问题来讲是远远 不够的。为了克服这些局限性，近来，Ｃｈｅｎ［１３７１和Ｚｈｕ［１３８１等人提出了子类判别分析（Ｃｌｕｓｔｅｒｉｎｇ．ｂａｓｅｄ Ｄｉｓｃｒｉｍｉｎａｎｔ Ａｎａｌｙｓｉｓ，ＣＤＡ）方法。ＣＤＡ首先将每一类目标数据适当地划分为多个独立的线性可分的子类，然后在这些子类之间进行ＬＤＡ 以找到最优的投影方向。由于ＣＤＡ假设每类数据服从多模分布，可在一定程度雷达信号处理国家重点实验室１４合成孔径雷达图像目标识别技术研究上缓解ＬＤＡ．的线性及奇异性等问题，且这一假设在实际应用中更适用。为了找 到每类目标数据的子类划分，文献［１３７１采用的是模糊ｃ－均值聚类算法，文献［１３９】 采用的是ｋ－均值聚类算法，这些聚类算法均不能保证聚类结果全局最优，且聚类 结果严重依赖于聚类初始点的选取，进而会影响系统性能及系统性能的稳定性。一－一为了解决上述问题，我们给出一种改进的子类判决分析（ＩｍｐｒｏｖｅｄＣＤＡ，ＩＣＤＡ）方法，它首先采用快速全局ｋ－均值聚类算法［１４０｜找到每类目标的最优子类划分， 然后基于找到的子类采用ＣＤＡ准则找到最优的投影矢量。因此，ＩＣＤＡ的性能不 依赖聚类时初始聚类中心的选择，且能保证达到全局最优。 第七章，针对ＳＡＲ图像数据的多模分布特性，提出几种图像特征提取方法， 具体内容如下： （１）提出二维子类判决分析及其改进的算法。虽然ＣＤＡ可以缓解ＰＣＡ和ＦＬＤ的线性问题，但它在用于图像特征提取时仍要事先将２维图像矩阵变成ｌ维图像向量，这会带来损失二维图像的空间结构信息、“维数灾难”、奇异等问题。为了解决上述问题，提出二维子类判决分析（Ｔｗｏ．ｄｉｍｅｎｓｉｏｎａｌ ＣＤＡ，２ＤＣＤＡ），它直接基于二维图像矩阵，不需要将２维图像矩阵变成１维向量。在这一节中，首先分别给出２ＤＣＤＡ的两种投影形式：右投影形式的２ＤＣＤＡ（Ｒｉｇｈｔ２ＤＣＤＡ，Ｒ－２ＤＣＤＡ）和左投影形式的２ＤＣＤＡ（Ｌｅｆｔ ２ＤＣＤＡ，Ｌ．２ＤＣＤＡ）。针对它们求得的特征矩阵维数过大的问题，相应地也提出几种改进的２ＤＣＤＡ算法：两级Ｒ．２ＤＣＤＡ、两级Ｌ．２ＤＣＤＡ、两向２ＤＣＤＡ和广义２ＤＣＤＡ。（２）提出二维最大子类散度差鉴别分析。由于在２ＤＣＤＡ中，需要计算子类 类内散布矩阵的逆矩阵，而在小样本问题中逆矩阵通常是不存在的。为了避免计 算逆矩阵或逆矩阵不存在的问题，我们给出了一种新的图像特征提取方法，二维 最大子类散度差鉴别分析（Ｔｗｏ．ｄｉｍｅｎｓｉｏｎａｌ ＭａｘｉｍｕｍＣｌｕｓｔｅｒｉｎｇ．ｂａｓｅｄ ＳｃａｔｔｅｒＤｉｆｆｅｒｅｎｃｅ，２ＤＭＣＳＤ），它结合了ＭＳＤ［１４１?１４３】和２ＤＣＤＡ两种方法的思想。．由于２ＤＭＣＳＤ只沿行方向压缩图像，类似地，给出其另一种形式（称之为Ａｌｔｅｒｎａｔｉｖｅ ２ＤＭＣＳＤ），它只沿列方向压缩图像。由于２ＤＭＣＳＤ和Ａｌｔｅｒｎａｔｉｖｅ ２ＤＭＣＳＤ需要 较多的特征系数，这会增加内存需求量和识别时间。为此，又提出两向二维最大 子类散度差（Ｔｗｏ．ｄｉｒｅｃｔｉｏｎａｌ ２ＤＭＣＳＤ，（２Ｄ）２ＭＣＳＤ）鉴别分析，它同时对图像 行和列压缩，可大大降低特征维数，进而大大降低存储量和识别运算时间。 （３）提出对角子类判决分析。上述的２ＤＰＣＡ、２ＤＦＬＤ和２ＤＣＤＡ仅仅对图西安电子科技大学博士论文第一章绪论像行（或列）像素间的信息进行压缩，忽略图像的列（或行）像素间的信息，即 仅保留了图像行（或列）方向的相关性变化，而忽略了图像列（或列）方向的相 关性变化。为了同时保留图像行和列像素间的相关性变化，Ｚｈａｎｇ和Ｎｏｕｓｈａｔｈ分 别提出了对角主分量分析（Ｄｉａｇｏｎａｌ ＰＣＡ，ＤｉａＰＣＡ）１１４４１和对角Ｆｉｓｈｅｒ线性判决（Ｄｉａｇｏｎａｌ ＦＬＤ，ＤｉａＦＬＤ）［１４５】方法，它们基于原始图像的对角图像寻求最优的投影矢量。受ＤｉａＰＣＡ和ＤｉａＦＬＤ启发，我们提出对角子类判决分析（Ｄｉａｇｏｎａｌ ＣＤＡ，ＤｉａＣＤＡ）。与２ＤＣＤＡ相比，ＤｉａＣＤＡ基于对角图像而不是原始图像来寻 找最优的投影方向，因而可以同时保留图像的行和列像素间的相关性变化。与ＤｉａＰＣＡ和ＤｉａＦＬＤ相比，ＤｉａＣＤＡ考虑了每类数据中存在多个子类的情况，因此， 可以处理多模分布问题。然而，ＤｉａＣＤＡ的很致命的问题是得到的特征矩阵维数 较大，这会大大增加内存需求量和识别运算时间。为了缓解这一问题，我们将ＤｉａＣＤＡ和２ＤＣＤＡ结合起来，提出了ＤｉａＣＤＡ＋２ＤＣＤＡ的特征提取方法，该方法可以大大降低特征维数、改善识别性能。第八章对全文工作进行总结，并对尚未完全开展的相关研究工作进行了展望。本章参考文献【１】吴顺君，梅晓春．雷达信号处理和数据处理技术．北京：电子工业出版社，２００８．【２】黄培康，殷红成，许小剑．雷达目标特性分析．北京：电子工业出版社，２００５． 【３】保铮，邢孟道，王彤．雷达成像技术．北京：电子Ｚ，＿ｌｋｔ±｛版社，２００５． 【４】张澄波．综合孔径雷达．北京：科学出版社，１９８９．［５】邢孟道．基于实测数据的雷达成像方法研究．博士研究生学位论文．２００２．［６】Ｃ．Ａ．Ｗｉｌｅｙ．Ｓｙｎｔｈｅｔｉｃａｐｅｒｔｕｒｅ ｒａｄａｒ．ＩＥＥＥ Ｔｒａｎｓ．ｏｎ Ａｅｒｏｓｐａｃｅ ａｎｄ ＥｌｅｃｔｒｏｎｉｃＳｙｓｔｅｍｓ，Ｖ０１．２１（３），４４０—４４３，１９８５． 【７】Ｗ．Ｇ Ｃａｒｒａｒａ，Ｒ Ｓ．Ｇｏｏｄｍａｎ，ａｎｄ Ｒ．Ｍ．Ｍａｊｅｗｓｋｉ．Ｓｐｏｔｌｉｇｈｔ ｓｙｎｔｈｅｔｉｃｒａｄａｒ：ｓｉｇｎａｌ ｐｒｏｃｅｓｓｉｎｇ ａｌｇｏｒｉｔｈｍｓ．Ｂｏｓｔｏｎ：Ａｒｔｅｅｈ Ｈｏｕｓｅ，１９９５． ａｐｅｒｔｕｒｅ【８】马长征．雷达目标三维成像技术研究．博士研究生学位论文．西安电子科技大学．１９９９．【９】姜正林．低分辨ＩＳＡＲ成像及干涉技术应用研究．博士研究生学位论文．西安雷达信号处理国家重点实验室１６合成孔径雷达图像目标识别技术研究一电子科技大学．２００１．【１０】杜兰．雷达高分辨距离像目标识别方法研究．博士研究生学位论文．西安电子科技大学．２００７．［１ １１杜兰：刘宏伟，保铮．一种基于距离－多谱勒二维联合的群目标分辨方法．电子学报，Ｖ０１．３２（６），８８ １－８８５，２００４．【１２】杜兰，保铮，邢孟道．直升机雷达回波的分析与检测．西安电子科技大学学报，Ｖ０１．３０（５），５７４－５７９，２００３． 【１ ３】廖学军．基于高分辨距离像的雷达目标识别．博士研究生学位论文．西安电予 科技大学．１９９９。【１４】裴炳南．高分辨雷达自动目标识别方法研究．博士研究生学位论文．西安电子科技大学．２００２．［１５］支ｉＪ宏伟，杜兰，袁莉，保铮．雷达高分辨距离像目标识别研究进展．电子与信息学报，Ｖ０１．２７（８），１ ３２８．１ ３３４，２００５．［１６】杜兰．雷达高分辨距离像目标识别方法研究．博士研究生学位论文．西安电子 科技大学．２００７． 【１７１袁莉．基于高分辨距离像的雷达目标识别方法研究．博士研究生学位论文．西安电子科技大学．２００７．【１８】陈渤．基于核方法的雷达高分辨距离像目标识别技术研究．博士研究生学位论文．西安电子科技大学．２００８． 【１ ９］ＨｏｎｇｗｅｉＬｉｕ，Ｚｈｅｎｇ Ｂａｏ，Ｒａｄａｒ ＨＲＲ ｐｒｏｆｉｌｅｓ ｒｅｃｏｇｎｉｔｉｏｎ ｂａｓｅｄｏｎＳＶＭ诵廿ｌｐｏｗｅｒ－ｔｒａｎｓｆｏｒｍｅｄ－ｃｏｒｒｅｌａｔｉｏｎ ｋｅｒｎｅｌ．Ｌｅｃｔｕｒｅ Ｎｏｔｅｓ ｉｎ Ｃｏｍｐｕｔｅｒ Ｓｃｉｅｎｃｅ，Ｖｏｔ．３１７４（Ｉ），５３１－５３６，２００４．【２０］Ｌａｎ砜Ｈｏｎｇｗｃｉｒｅｃｏｇｎｉｔｉｏｎ ｂａｓｅｄｏｎＬｉｕ，Ｚｈｅｎｇ。Ｂａｏ ｍｉｄ Ｍｅｎｇｄａｏ Ｘｉｎｇ．Ｒ ａｄａｒ ＨＲＲＰ ｔａｒｇｅｔ ｈｉｇｈｅｒ ｏｒｄｅｒ ｓｐｅｃｔｒａ．ＩＥＥＥ Ｔｒａｎｓ．Ｏｉｌ Ｓｉｇｎａｌ Ｐｒｏｃｅｓｓｉｎｇ，Ｖ０１．５３（７），２３５９－２３６８，２００５． ［２ １］余志舜，朱兆达．逆合成孔径雷达横向距离定标．电子学报，Ｖ０１．２（６），４５－４８，１９９７．［２２】李强．单脉冲雷达目标三维成像与识别研究．博士研究生学位论文．西安电子 科技大学．２００７．［２３１ ＱｕａＺｈａｎｇ ａｎｄ Ｔａｔ Ｓｏｏｎ Ｙｃｏ．Ｔｈｒｅｅ—ｄｉｍｅｎｓｉｏｎａｌ ＳＡＲｉｍａｇｉｎｇｏｆａｇｒｏｕｎｄ西安电子科技大学博士论文第一章绪论ｍｏｖｉｎｇ ｔａｒｇｅｔ ｕｓｉｎｇ ｔｈｅ ＩｎＩＳＡＲ ｔｅｃｈｎｉｑｕｅ－．ＩＥＥＥ Ｔｒａｎｓ．ｏｎ Ｇｅｏｓｃｉｅｎｃｅ ａｎｄ ＲｅｍｏｔｅＳｅｎｓｉｎｇ，Ｖ０１．４２（９），１ ８ １ ８—１８２８，２００４．【２４］马长征，张守宏．舰船目标单脉冲雷达三维成像技术．电子科学学刊，２２（３），３８５－３９１，２０００．［２５］ＫｉｍＫｙｕｎｇ－Ｔａｅ，Ｓｅｏ Ｄｏｎｇ－Ｋｙｕ，ａｎｄ Ｋｉｍ Ｈｙｏ－Ｔａｅ．Ｅｆｆｉｃｉｅｎｔ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｏｆＩＳＡＲ ｉｍａｇｅｓ．ＩＥＥＥ Ｔｒａｎｓ．ｏｎ ａｎｔｅｎｎａｓ ａｎｄ ２００５．ｐｒｏｐａｇａｔｉｏｎ，Ｖ０１．５３（５），１６１１－１６２１，【２６］Ｓ．Ｍｕｓｍａｎ，Ｄ．Ｋｅｒｒ，ａｎｄＣ．Ｂａｃｈｒｎａｎｎ．Ａｕｔｏｍａｔｉｃ ｒｅｃｏｇｎｉｔｉｏｎ ｏｆ ＩＳＡＲ ｓｈｉｐ Ａｅｒｏｓｐａｃｅｉｍａｇｅｓ．ＩＥＥＥＴｒａｎｓ．ｏｎａｎｄＥｌｅｃｔｒｏｎｉｃｓＳｙｓｔｅｍｓ，Ｖ０１．３２（４），１３９２?１４０４，１９９６．【２７］黄玉琴．基于ＳＡＲ图像的城市形态时空变化的研究．中国科学院研究生院（遥感应用研究所）．博士研究生学位论文．２００６． ［２８］付琨．高分辨率单视单极化ＳＡＲ图像地物分类方法研究．国防科学技术大学． 博士研究生学位论文．２００２．［２９】胡丹．基于ＳＶＭ的ＳＡＲ图像地物分类研究．中南大学．硕士研究生学位论文．２００８．【３０］傅斌．ＳＡＲ浅海水下地形探测．中国海洋大学．博士研究生学位论文．２００５．［３１］谭衢霖．鄱阳湖湿地生态环境遥感变化监测研究．中国科学院研究生院（遥感应用研究所）．博士研究生学位论文．２００２． ［３２］薛浩洁．ＳＡＲ图像海洋表面油膜检测方法研究．中国科学院研究生院（电子学 研究所）．硕士研究生学位论文．２００４． ［３３］贾承丽．ＳＡＲ图像道路和机场提取方法研究．国防科学技术大学．博士研究生学位论文．２００６．【３４］蒋斌．ＳＡＲ图像道路提取方法研究．国防科学技术大学．硕士研究生学位论．２００４．【３５］蒋运辉．ＳＡＲ图像中的道路检测技术研究．电子科技大学．硕士研究生学位论文．２００５．【３６］戴光照，张荣．高分辨率ＳＡＲ图像中的桥梁识别方法研究．遥感学报，ｖ０１．１１（２），１７７—１８４，２００７．【３７］曹海梅．遥感图像中水上桥梁目标识别与毁伤分析研究．南京理工大学．硕士雷达信号处理国家重点实验室１８合成孔径雷达图像目标识别技术研究研究生学位论文．２００５．【３８］刍ｇ英．水上桥梁目标识别算法研究．南京理工大学．硕士研究生学位论文．２００６．【３９】琚春华，王伟明，王光明，姚庆栋．一种桥梁目标识别方法的研究．计算机工程，Ｖ０１．２５（６），１ ９－２０，１ ９９９．【４０］李海艳．极化ＳＡＲ图像海面船只监测方法研究．中国科学院研究生院（海洋 研究所）．博士研究生学位论文．２００７． ［４１１匡纲要，计科峰，粟毅，郁文贤．ＳＡＲ图像自动目标识别研究．中国图象图形学报，Ｖ０１．８（Ａ），１ １ １５．１ １２０，２００３．【４２】袁礼海，宋建社，薛文通，赵伟舟．ＳＡＲ图像自动目标识别系统研究与设计． 计算机应用研究，Ｖ０１．１１，２４９．２５１，２００６．【４３１ Ｔ．Ｒｏｓｓ，Ｓ．Ｗｏｒｒｅｌｌ，Ｖ Ｖｅｌｔｅｎ，Ｊ．Ｍｏｓｓｉｎｇ，ａｎｄ Ｍ．Ｂｒｙａｎｔ．ＳｔａｎｄａｒｄＳＡＲ ＡＴＲｅｖａｌｕａｔｉｏｎ ｅｘｐｅｒｉｍｅｎｔｓ ｕｓｉｎｇ ｔｈｅ ＭＳＴＡＲ ｐｕｂｌｉｃ ｒｅｌｅａｓｅ ｄａｔａ ｓｅｔ．Ｐａｒｔ ｏｆ ｔｈｅ ＳＨＥＣｏｎｆｅｒｅｎｃｅｏｎＡｌｇｏｒｉｔｈｍｓ ｆｏｒ Ｓｙｎｔｈｅｔｉｃ Ａｐｅｒｔｕｒｅ Ｒａｄａｒ Ｉｍａｇｅｒｙ Ｖ，Ｖ０１．３３７０，５６６－５７３，１ ９９８．［４４］Ｍ．Ｂｒｙａｎｔ，Ｓ．Ｗｏｒｒｅｌｌ，ａｎｄ Ａ．Ｄｉｘｏｎ．ＭＳＥ ｔｅｍｐｌａｔｅＰａｒｔ ｏｆ ｔｈｅ ＳＰＩＥ Ｃｏｎｆｅｒｅｎｃｅ Ｖ，Ｖ０１．３３７０，３９６—４０５，１ ９９８．ｏｎｓｉｚｅ ａｎａｌｙｓｉｓ ｆｏｒ ＭＳＴＡＲ ｄａｔａ．Ａｌｇｏｒｉｔｈｍｓ ｆｏｒ Ｓｙｎｔｈｅｔｉｃ Ａｐｅｒｔｕｒｅ Ｒａｄａｒ Ｉｍａｇｅｒｙ［４５１Ｌ．Ｍ．Ｋａｐｌａｎ．Ａｎａｌｙｓｉｓｏｆ ｍｕｌｔｉｐｌｉｃａｔｉｖｅ ｓｐｅｃｋｌｅ ｍｏｄｅｌｓ ｆｏｒ ｔｅｍｐｌａｔｅ－ｂａｓｅｄ ＳＡＲＡＴＲ．ＩＥＥＥ Ｔｒａｎｓ．ｏｎ Ａｅｒｏｓｐａｃｅ ａｎｄ Ｅｌｅｃｔｒｏｎｉｃ ２００１．Ｓｙｓｔｅｍｓ，Ｖ０１．３７（４），１４２４．１ ４３２，［４６１Ｌ．Ｍ．Ｋａｐｌａｎ，Ｒ．‘Ｍｕｒｅｎｚｉ，Ｅ．Ａｓｉｋａ，‘ａｎｄ Ｋ．Ｎａｍｕｄｕｄ．Ｅｆｆｅｃｔｒａｔｉｏｏｎｏｆ ｓｉｇｎａｌ．ｔｏ．ｃｌｕｔｔｅｒｏｎｔｅｍｐｌａｔｅ－ｂａｓｅｄ ＡＴＲ．Ｐａｒｔ ｏｆ ｔｈｅ ＳＰＩＥ Ａｐｅｒｔｕｒｅ ＲａｄａｒＣｏｎｆｅｒｅｎｃｅＡｌｇｏｒｉｔｈｍｓ ｆｏｒＳｙｎｔｈｅｔｉｃＩｍａｇｅｒｙ Ｖ，Ｖ０１．３３７０，４０８－４１９，１９９８．ｏｆ ｈｙｂｒｉｄ ｔｅｍｐｌａｔｅｓ ｆｒｏｍ ｃｏｌｌｅｃｔｅｄ ａｎｄ［４７１ Ｒ．Ｓｈａｒｍａ ａｎｄ Ｎ．Ｓ．Ｓｕｂｏｆｉｃ．Ｃｏｎｓｔｒｕｃｔｉｏｎｓｉｍｕｌａｔｅｄ ｄａｔａ ｆｏｒ ＳＡＲ ＡＴＲ ａｌｇｏｒｉｔｈｍｓ．Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ＳＨＥ－Ｔｈｅ ＩｎｔｅｒｎａｔｉｏｎａｌＳｏｃｉｅｔｙ ｆｏｒ Ｏｐｔｉｃａｌ Ｅｎｇｉｎｅｅｒｉｎｇ，Ｖ０１．３３７１，４８０－４８６，１９９８．［４８１ Ｍ．Ｂｒｙａｎｔ，Ｓ．Ｗｏｒｒｅｌｌ，ａｎｄＳ．Ｐａｒｋｅｒ．Ｃｌａｓｓ ｓｅｐａｒａｂｉｌｉｔｙ ａｓｓｅｓｓｍｅｎｔｓａｎｄ ＭＳＥａｌｇｏｒｉｔｈｍ ｒｏｂｕｓｔｎｅｓｓ．Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆＳＰＩＥ－ＴｈｅＩｎｔｅｒｎａｔｉｏｎａｌ Ｓｏｃｉｅｔｙ ｆｏｒ ＯｐｔｉｃａｌＥｎｇｉｎｅｅｒｉｎｇ，Ｖ０１．３０７０，２９４－３０５，１ ９９７．西安电子科技大学博士论文第一章绪论１９【４９】罗峰．合成孔径雷达图像自动目标识别方法研究．四川大学．硕士研究生学位论文．【５０】韩萍，吴仁彪，蒋立辉．一种有效的ＳＡＲ图像分割与目标识别方法．系统工程与电子技术，Ｖ０１．２６（６），７３７．７３７，２００４． ［５ １１Ａ．Ｓ．Ｓｔｅｐｈｅｎ，Ｅｒｉｅｍｅｔｒｉｃ ｉｎａＫｅｙｄｅｌ，ｅｔ ａ１．Ｔｈｅｕｓｅｏｆ ｔｈｅ ｍｅａｎ ｓｑｕａｒｅｄ ｒｅｃｏｇｎｉｔｉｏｎｅｒｒｏｒｍａｔｃｈｉｎｇｍｏｄｅｌ－ｂａｓｅｄａｕｔｏｍａｔｉｃ ｔａｒｇｅｔｓｙｓｔｅｍ．ＳＰⅢ，１ ９９８，Ｖ０１．３３７０，３６０－３６８．【５２］Ｂ．Ｂｈａｎｕ．Ａｕｔｏｍａｔｉｃｔａｒｇｅｔ ｒｅｃｏｇｎｉｔｉｏｎ：ｓｔａｔｅ ｏｆ ｔｈｅ ａｒｔ ｓｕｒｖｅｙ．ＩＥＥＥ Ｔｒａｎｓ．ｏｎＡｅｒｏｓｐａｃｅ ａｎｄ Ｅｌｅｃｔｒｏｎｉｃ Ｓｙｓｔｅｍｓ，１ ９８６，Ｖ０１．２２（４），３６４?３７９．【５３１Ｂ．Ｂｈａｎｕ，Ｄ．ＥＤｕｄｇｅｏｎ，ｅｔ ａ１．Ｉｎｔｒｏｄｕｃｔｉｏｎ ｔｏ ｔｈｅ ｓｐｅｃｉａｌ ｉｓｓｕｅｏｎａｕｔｏｍａｔｉｃｔａｒｇｅｔ ｄｅｔｅｃｔｉｏｎ ａｎｄ ｒｅｃｏｇｎｉｔｉｏｎ．ＩＥＥＥ Ｔｒａｎｓ．ｏｎ Ｉｍａｇｅ Ｐｒｏｃｅｓｓｉｎｇ，１ ９９７，Ｖ０１．６（１）， １－６１４．【５４］Ｂ．Ｂｈａｎｕ，Ｔ．Ｊｏｎｅｓ．Ｉｍａｇｅｕｎｄｅｒｓｔａｎｄｉｎｇ ｒｅｓｅａｒｃｈ ｆｏｒ ａｕｔｏｍａｔｉｃ ｔａｒｇｅｔ ｒｅｃｏｇｎｉｔｉｏｎ．ＩＥＥＥ Ａｅｒｏｓｐａｃｅ ａｎｄ Ｅｌｅｃｔｒｏｎｉｃｓ ＳｙｓｔｅｍｓＭａｇａｚｉｎｅ，１９９３，Ｖ０１．８（１０），１５－２３．ａｕｔｏｍａｔｉｃ ｔａｒｇｅｔ ｒｅｃｏｇｎｉｔｉｏｎ ｂａｓｅｄ ｕｐｏｎ【５５］Ｊ．Ａ．Ｒａｔｃｈｅｓ，Ｗａｌｔｅｓ，ｅｔａ１．Ａｉｄｅｄａｎｄｓｅｎｓｏｒｙ ｉｎｐｕｔｓ ｆｒｏｍ ｉｍａｇｅｓ ｆｏｒｍｉｎｇ ｓｙｓｔｅｍｓ．ＩＥＥＥＴｒａｎｓ．ｏｎ Ｐａｔｔｅｒｎ ＡｎａｌｙｓｉｓａｎｄＭａｃｈｉｎｅ Ｉｎｔｅｌｌｉｇｅｎｃｅ，１９９７，Ｖ０１．１９（９），１００４—１０１９．【５６１ ＧＪ．Ｅｔｔｉｎｇｅｒ，ＧＡ．Ｋｌａｎｄｅｒｍａｎ，ｅｔａ１．Ｐｒｏｂａｂｉｌｉｓｔｉｃ ｏｐｔｉｍｉｚａｔｉｏｎ ａｐｐｒｏａｃｈ ｔｏ ＳＡＲｆｅａｔｕｒｅ ｍａｔｃｈｉｎｇ．ＳＰＩＥ，１ ９９６，Ｖ０１．２７５７，３ １ ８－３２９．【５７］Ｊ．Ｗｉｓｓｉｎｇｅｒ，Ｒ．Ｗａｓｈｂｕｒｎ，ａｎｄ Ｄ．Ｍｏｒｇａｎ，ｅｔａ１．Ｓｅａｒｃｈ ａｌｇｏｒｉｔｈｍｓｆｏｒｍｏｄｅｌ－ｂａｓｅｄ ＳＡＲ ＡＴＲ．ＳＰＩＥ，１ ９９６，Ｖ０１．２７５７，２７９－２９３．【５８］Ｒ．Ｋ．ＥｒｉｃａｎｄＳ．Ｗ．Ｌｅｅ．Ｓｉｇｎａｔｕｒｅｐｒｅｄｉｃｔｉｏｎ ｆｏｒ ｍｏｄｅｌ－ｂａｓｅｄ ａｕｔｏｍａｔｉｃ ｔａｒｇｅｔｒｅｃｏｇｎｉｔｉｏｎ．ＳＰＩＥ，１ ９９６，Ｖ０１．２７５７，３０６－３ １ ７．【５９］Ｑ．Ｚｈａｏａｎｄ Ｊ．Ｃ．Ｐｒｉｎｃｉｐｅ．Ｓｕｐｐｏｒｔ ｖｅｃｔｏｒ ｍａｃｈｉｎｅｓ ｆｏｒ ＳＡＲ ａｕｔｏｍａｔｉｃ ｔａｒｇｅｔｒｅｃｏｇｎｉｔｉｏｎ．ＩＥＥＥ ６４３－６５４，２００１．Ｔｒａｎｓ．ＯｌｌＡｅｒｏｓｐａｃｅａｎｄＥｌｅｃｔｒｏｎｉｃＳｙｓｔｅｍｓ，Ｖ０１．３７（２），【６０１ Ｍ．Ｂｒｙａｎｔａｎｄ ＥＧａｒｂｅｒ．ＳＶＭ ｃｌａｓｓｉｆｉｅｒａｐｐｌｉｅｄ ｔｏ ｔｈｅ ＭＳＴＡＲ ｐｕｂｌｉｃ ｄａｔａ ｓｅｔ．ＳＰＩＥ，１９９９，Ｖ０１．３７２１，３５５－３６０．【６１１詹新光．基于支持向量机的ＳＡＲ图像目标识别．西安科技大学．硕士研究生学位论文．２００８．雷达信号处理国家重点实验室２０合成孔径雷达图像目标识别技术研究【６２１宦若虹，杨汝良，岳晋．ＳＶＭ与ＨＭＭ相结合的合成孔径雷达图像目标识别．系统工程与电子技术，Ｖ０１．３０（３），４４７．４５１，２００８．【６３］宦若虹，杨汝良．基于ＩＣＡ和ＳＶＭ的ＳＡＲ图像特征提取与目标识别．计算机工程，Ｖ０１．３４（１３），２４—２８，２００８． ［６４］Ｍ．Ａｌｂｅｒｔｏ．Ｉｍｐｒｏｖｅｄ ｍｕｌｔｉｌｏｏｋｔｅｃｈｎｉｑｕｅｓ ａｐｐｌｉｅｄ ｔＯ ＳＡＲ ａｎｄ ＳＣＡＮＳＡＲｉｍａｇｅｓ．ＩＥＥＥ Ｔｒａｎｓ．．ｏｎ Ｇｅｏｓｃｉｅｎｅｅ ａｎｄ Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ，Ｖ０１．２３（４），５２９－５３４，１９９１．【６５］Ｊ．Ｓ．Ｌｅｅ．：Ａ ｓｉｍｐｌｅＴｒａｎｓ．ｏｎｓｍｏｏ．ｔｈｉｎｇ ａｌｇｏｒｉｔｈｍ ｆｏｒ ｓｙｎｔｈｅｔｉｃ ａｐｅｒｔｕｒｅ ｒａｄａｒ ｉｍａｇｅｓ．ＩＥＥＥＳｙｓｔｅｍ，Ｍａ玛ａｎｄ Ｃｙｂｅｍｅｔｉｅｓ，Ｖ０１．１３（１），９５—８９，１９８３．ｓｕｐｐｒｅｓｓｉｏｎ’ａｎｄ ａｎａｌｙｓｉｓ ｆｏｒ ｓｙｎｔｈｅｔｉｃ ａｐｅｒｔｕｒｅ ｒａｄａｒ ｉｍａｇｅｓ．【６６１ Ｊ．Ｓ．Ｌｅｅ．ＳｐｅｃｉｅＯｐｔｉｃａｌＥｎｇｉｎｅｅｒｉｎｇ，Ｖ０１．２５（５），６３６－６４３，１ ９８６． ａｎｄＡ．Ａ．Ｓａｗｃｈｕｋ．’Ａｄａｐｔｉｖｅ ｎｏｉｓｅ ｓｍｏｏｔｈｉｎｇ ｆｉｌｔｅｒ ｆｏｒ［６７］Ｄ．Ｔ．Ｋｕａｎｓｉｇｎａｌ—ｄｅｐｅｎｄｅｎｔ ｎｏｉｓｅ．ＩＥＥＥ Ｔｒａｎｓ．ｏｎ Ｐａｔｔｅｒｎ Ａｎａｌｙｓｉｓ ａｎｄ Ｍａｃｈｉｎｅ Ｉｎｔｅｌｌｉｇｅｎｃｅ，、ｂ１．７（２），１６５－１７７，１９８５． 【６８１ Ａ．Ｌｏｐｅｓ，Ｅ．Ｎｅｚｒｙ ａｎｄ Ｒ．Ｔｏｕｚｉ．Ｍａｘｉｍｕｍｔｅｘｔｕｒｅａｐｏｓｔｅｆｉｏｆｉ ｓｐｅｃｋｌｅａｎｄｆｉｒｓｔ ｏｒｄｅｒｍｏｄｅｌ ｉｎ ＳＡＲ ｉｍａｇｅｓ．Ｐｒｏｃｅｅｄｉｎｇ ｏｆ ｔｈｅ ＩＧＡＳＳ９０．Ｍａｒｙｌａｎｄ：Ｕｎｉｖｅｒｓｉｔｙｏｆ Ｍａｒｙｌａｎｄ，２４０９－２４ １ ２，１ ９９０．【６９］付琨，匡纲要，郁文贤．基于改进相关邻域模型的ＳＡＲ图像ＲＣＳ重构．系统 工程与电子技术，Ｖ０１．２３（４），４８－５３，２００１．【７０１鹂苏丹，张翠，王正志，李广侠．一种基于相关邻域模型的ＳＡＲ图像迭代滤波 方法．数据采集与处理，Ｖ０１．１８（２），１７９．１８４，２００３． 【７１】邓炜，赵荣椿．基于小波变换的ＳＡＲ图像相干斑噪声消除方法研究．信号处理，Ｖ０１．１７（１），８６—９０，－２００１． ［７２］Ｊ．ＰＧｒｅｏｒｙａｎｄ．Ａ．Ｗ．Ｒｏｂｅｒｔ．ＡＴＲ ｓｕｂｓｙｓｔｅｍ ｐｅｒｆｏｒｍａｎｃｅ ｍｅ．ａｒｅｕｓｉｎｇｍａｎｕａｌ。ｓｅｇｍｅｎｔａｔｉｏｎ ｏｆ ＳＡＲ ｔａｒｇｅｔ ｃｈｉｐｓ．ＳＰＩＥ，Ｖ０１．３７２ １，６８５－６９２，１ ９９９．【７３］何壶．ＳＡＲ图像分割及目标识别．西安电子科技大学．硕士研究生学位论文．２００６．【７４］彭丽娟．ＳＡＲ图像去噪及分割．西安科技大学．硕士研究生学位论文．２００６． 【７５］付琨，匡纲要，郁文贤．一种合成孔径雷达图像阴影和目标检测的方法．软件学报，Ｖ０１．１ ３（４），８ １ ８－８２６，２００２．西安电子科技大学博士论文第一章绪论【７６］李响，。韩萍，吴仁彪，杨国庆．一种基于Ｗｅｉｂｕｌｌ分布的ＳＡＲ图像分割方法． 系统工程与电子技术，Ｖ０１．２９（５），６７７—６７９，２００７． 【７７］韩萍，吴仁彪，蒋立辉．一种有效的ＳＡＲ图像分割与目标识别方法．系统工程与电子技术，Ｖ０１．２６（６），７３４—７３７，２００４．【７８］成功，毛士艺．ＭＳＴＡＲ图像中目标和阴影的局部特征提取及分类研究．全国 第十届信号与信息处理、第四届ＤＳＰ应用技术联合学术会议，２００６． 【７９］三Ｅ义敏，安锦文，王若朴．基于局部双参数估计的ＳＡＲ图像ＣＦＡ}