二进制形态学滤波的SAR目标识别主导散射区域残留

文摘

合成孔径雷达(SAR)的目标识别方法提出了研究基于主导散射区域(DSA)。DSA是一个二进制图像记录的位置主要在原始SAR图像散射中心。它可以反映散射中心的分布以及初步的形状目标,从而为SAR目标识别提供区别的信息。通过减去测试的DSA图像与相应的模板从不同的类,DSA残留代表测试图像和各种类之间的差异。进一步增强差异,DSA残留受二进制形态学滤波,即。,打开操作。后来,相似度度量的定义是基于过滤DSA后残留的二进制打开操作。考虑了DSA的可能的变化,不同的结构元素中使用二进制形态学滤波。和执行score-level融合之后获得一个健壮的相似性。通过比较测试图像之间的相似之处和不同的模板类,确定目标标签最大的相似性。来验证该方法的有效性和鲁棒性,实验是在移动和静止目标获取与识别(MSTAR)数据集和一些先进的SAR目标识别方法。

1。介绍

微波传感器,合成孔径雷达(SAR)可以在全天和全天候条件下运行的能力穿透云层和树木等避难所。因此,它广泛应用于军事和民用领域。随着SAR传感器的快速发展,高分辨率SAR图像的解释一直是一个紧迫的任务。SAR图像判读的一个分支,自动目标识别(ATR)的目标是决定一个未知的目标类感兴趣的区域(ROI)获得的目标检测(1]。自1990年代以来,研究了SAR ATR集中与一组丰富的有效方法。通常,SAR ATR方法可以分为两种类型:基于模板的(2,3和基于模型的4,5]。两类不同的方式描述目标的特征。基于模板系统存储等不同条件下的SAR图像和背景不同角度来描述目标的特征。相比之下,基于模型的方法使用物理或概念模型来描述目标,如CAD模型(4,5)或三维散射中心模型(6,7]。对于一个具体的SAR ATR算法,基于模板和基于模型的方法包括两个步骤:特征提取和分类。执行前一步获得歧视表示原始SAR图像。领域的SAR ATR,使用不同种类的特性包括几何特性(8- - - - - -13)、转换特性(14- - - - - -18),和散射中心特征(19- - - - - -25]。提取的几何特性来描述目标的几何特性。在[9,10),泽尼克和Krawtchouk时刻描述采用二进制目标区域,分别。后来,导致特征向量通过支持向量机(svm)进行分类。提取目标的轮廓点和接近椭圆傅里叶级数(EFS) (12]。同样的,提取的描述符是由支持向量机分类来确定目标标签。目标和背景的产物,影子间接反映了目标的形象。因此,Papson影子轮廓和Narayanan模型使用隐马尔科夫模型(HMM)与应用程序目标识别(13]。转换特性也经常用于SAR ATR。这些特性可以提取特别是高效利用方法如主成分分析(PCA) (14),线性判别分析(LDA) (14),而非负矩阵分解(NMF) [15]。后来,特征向量与统一的形式可以有效地通过先进的分类器分类支持向量机和稀疏表示分类(SRC)。在[14),PCA和LDA用于SAR特征提取,再进行分类的(资讯)。在[15),NMF引入SAR ATR,达到更高的性能比LDA和PCA根据实验结果。灵感来自于多方面的学习,一些其他转换功能是为了提高ATR性能(16- - - - - -18]。散射中心特征主要描述目标的电磁散射现象。作为典型代表,由于散射中心被应用到SAR ATR具有良好的性能。在[21- - - - - -24),几个匹配方案提出了建立一对一的两套属性散射中心之间的通讯。后来,为目标识别定义相似措施。在[6),散射中心是用于基于模型的方法,预测的散射中心由三维散射中心与提取的目标区域或散射中心。在分类阶段,根据分类器设计的属性特征。由于计算机视觉领域的快速发展,许多先进的分类器已成功应用到SAR目标识别与良好的性能包括支持向量机(9,12,26,27),自适应提高(演)28],SRC [27,29日,30.),和歧视的图形化模型(31日]。最近,深度学习方法,即。,convolutional neural network (CNN), is demonstrated to be effective for SAR ATR [32- - - - - -36]。CNN学习分层特性的卷积层和通过softmax层(即执行目标分类。多级回归分析)(37,38]。然而,对于功能没有统一的形式,例如,无序散射中心,传统的最近邻经常被采用。详细设计的相似性(距离)测量是第一的特性,和目标标签决定是模板类(模型)的最大相似度(最小距离)21- - - - - -24]。

本文提出了一种SAR ATR方法基于主导散射区域(DSA) (39]。DSA是由选择几个主导散射点强度最高的原始SAR图像。这样,DSA反映了空间分布的主导散射中心。与此同时,初步目标的几何形状也可以被描述。因此,对SAR ATR DSA可以提供丰富的辨别力。在分类阶段,测试样本的DSA相匹配的地区体育会从不同的类对应的模板。测试样本之间的DSA残留及其正确的模板小补丁。相比之下,从错误的类模板时,大面积的残留通常是巨大地塑造。在这种情况下,目标标签可以正确确定基于DSA的区域残留高概率。然而,测试图像可能损坏严重的扩展操作条件(而是EOCs)像噪声腐败和部分遮挡。 As a result, its DSA may be partially deformed. To handle these situations, the binary morphological filtering, i.e., the opening operation [40执行),在DSA残留在这项研究进一步加强辨别力。打开操作后,同类样本之间的过滤DSA残留在很大程度上缩小,而类间残留的大多数被保留。所以,更容易区分不同的目标基于过滤DSA残留。相似度度量的定义是基于过滤DSA残留开始后操作,全面考虑分布属性的DSA的DSA残留物和可能的变形。此外,测试样本的处理不可预测的变形,多个结构元素形态学滤波联合使用。执行score-level融合之后,将结果在不同的结构元素来提高相似度测量的可靠性。最后,目标类的测试样品是决定根据融合相似之处。

本文的其余部分组织如下:部分2介绍了二进制形态学滤波的基本原理。节3基于DSA,目标识别方法。实验是在移动和静止目标获取与识别(MSTAR)数据集4。结论部分5有一些讨论。

2。二进制形态学滤波

二进制形态学滤波(40流程构建的二进制图像元素,可以修改二进制地区的分布和形状。二进制形态学滤波的关键,构建元素极大地影响过滤的结果。在过滤过程中,结构元素在二进制图像幻灯片和返回一个二进制结果基于集合理论。

腐蚀和膨胀是二进制形态学滤波的两个基本操作。对于一个二进制图像 ,腐蚀和膨胀操作后其相应的结果得到如下: 的符号和分别代表了腐蚀和膨胀操作;表示结构元素;和和分别是腐蚀和膨胀后的结果。侵蚀操作可以有效地去除较小的区域的大小比结构元素。相比之下,扩张操作可以扩大二进制地区根据结构元素。

根据属性,其他两个二进制形态学滤波方法,即。,打开和关闭操作,设计如下: 的符号和分别代表了打开和关闭操作。在操作,首先过滤使用二进制地区侵蚀操作和扩张操作之后。合闸操作是相反的顺序。根据腐蚀和膨胀的属性操作,打开操作能够打破狭隘的连接和平滑区域的轮廓。不同,合闸操作可以连接整个二进制地区消除漏洞。

3所示。DSA匹配使用形态学操作

3.1。代的主导散射区(DSA)

SAR图像反映目标的后向散射。SAR图像中的像素高强度表示他们有更强的散射。通过选择一定数量的最强烈的散射点,可以生成一个二进制DSA图像。生成DSA的过程如下:

步骤1。那种原始图像的强度以降序的方式

步骤2。决定阈值分割基于期望主导散射点的数量

步骤3。原始SAR图像转换为一个二进制图像根据阈值在步骤2中。
DSA的生成主要是简单和方便与传统的目标分割算法。数据1 (b)- - - - - -1 (d)显示原始图像的地区体育会图1(一)通过选择不同数量的散射点在100年,150年和200年,分别。可见,地区体育会能反映散射中心的分布以及初步的目标形状。选择散射点的数量也是至关重要的。太少的选择将变形目标形状,而大量的散射点会带来太多的背景杂波的假警报。根据许多MSTAR的观察图像,选择150主导散射点的选择是这个特殊数据集相对强劲。与二进制目标地区相比,生成的地区体育会有以下优点:首先,它更容易生成DSA比二进制目标地区。如前所述,使用生成DSA的步骤非常简单和高效。主要原因是占主导地位的散射中心强度远高于背景像素。然而,对于二进制目标地区,一些弱散射中心在目标可能接近强度与背景像素,这使得它难以精确的目标分割。第二,如图1,DSA不仅可以描述散射中心的分布也反映目标的几何形状。因此,DSA可以提供更多的歧视的信息比二进制目标地区,主要描述了目标的几何形状。第三,在这项研究中,多级地区体育会共同使用。如图1,他们提供而且描述目标的特征。因此,承诺共同分类可以促进识别性能。

3.2。DSA匹配使用二进制形态学滤波

3.2.1之上。基于DSA残渣的相似性度量

DSA反映了散射中心的分布以及初步的目标形状。因此,DSA残留实际上反映了两幅图像的差异。从这方面,DSA残留物可以有效地用来区分不同类型的目标。表示地区体育会产生的测试图像和其相应的模板映像和 ,分别;DSA残留通过一个简单的减法如下:

图2显示了DSA残留BMP2形象及其对应的图像之间在同一方位的模板数据库由BMP2 BTR70和T72(这些目标提出了部分的详细描述4)。显然,DSA与正确类残留有更少的非零元素比那些不正确的类。表示的区域(即非零区域。非零像素)的数量 , ,和作为 , ,和 ,分别;之间的相似性和定义如下:

方程(4)给出了规范化的相似性。当两幅图像的地区体育会完全重叠,相似度是1,两个地区体育会= 0时的相似之处没有重叠。理想情况下,一个测试图像,获得最大的相似性与对应的模板相同的类。和错误的类是相对较低的相似之处。然后,测试图像可以被正确。然而,由于可能的腐败造成的地区体育会而是EOCs像噪音污染和阻塞,这是不足以做出可靠的判断只是用原始DSA残留。因此,DSA的辨别力残留物应进一步利用改善ATR性能。

3.2.2。二进制形态学滤波的DSA残渣

设计的相似性测量方程(4)主要认为DSA残留的面积,但忽略了残留物的分布。如图2,同一个类中的残留分布在小补丁。相比之下,不同阶层之间的DSA残留聚集庞大地形状。因此,采用形态学开操作处理DSA残留进一步加强不同类型的差异。打开操作使用的结构元素执行在DSA残留吗消除小片如下: 在哪里代表了过滤DSA开放手术后残留。我们设置了结构元素然后应用DSA残留在图打开操作2。过滤后的DSA残留在图所示3。很明显,相同的类之间的残留明显减少,但不同类别之间的残留只是略有收缩。相比之下,图中的结果2直觉上,打开操作使它更容易区分不同的目标。

在方程(的相似性度量方法4)进一步对过滤后的残留物。作为展示在表1,最初的DSA残留的相似性和过滤后的残留物计算基于数据的结果2和3,分别。前后的差异相似集打开操作计算是0.45和0.56,分别。这表明差异DSA残留在开幕式后增强操作,这是有利于正确分类不同类型的目标。因此,基于过滤DSA残留的相似性可以更好的区分不同的类来提高ATR性能。

3.3。Score-Level融合

结构元素的选择有重要影响过滤的结果。之前很少DSA残留物的分布信息,本研究使用几种不同的结构元素在开放手术处理地区体育会的可能变形。后来,score-level融合是用来组合来自不同结构元素的相似之处。

假设有不同的结构元素集及其对应的相似之处 。为每一个 , 代表测试图像和之间的相似性模板类。一个线性score-level融合执行如下: 在哪里表示相对应的重量结构元素和融合和测试样本的相似性模板类。当使用不同的权重向量时,不同的结构元素分配不同的重要性。没有之前的信息,所有的重量都相等,也就是说, ,在这项研究中。融合相似性计算后,测试图像的目标标签决定类相似度最高的。

图4显示了该方法的一般程序。测试图像的方位估计(28,41从C]来获取相应的模板图像目标类。之后,测试图像和模板图像的地区体育会产生散射中心的150人。地区体育会匹配使用该方法,使用score-level融合生成最终的相似度。最后,测试样本的目标类型是分配给的模板类最大的相似之处。MSTAR图像对齐,所以该方法可以直接实现。然而,对于不一致的图片,一些处理步骤可以用来使他们在分类之前,如目标集中化(9]。

4所示。实验

4.1。数据准备

MSTAR数据集被用来评估该方法的性能,其中包括地面目标的SAR图像的十类:BMP2, BTR70, T72, T62, BDRM2, BTR60, ZSU23/4, D7, ZIL131, 2 s1。这些目标的光学图像和范例SAR图像如图所示5。表2展示了模板的详细描述和测试集。模板样本收集抑郁症17°角,而测试样品在15°。为定量评价,一些先进的SAR ATR算法用于比较如表所示3。为简单起见,这些方法给出缩写根据使用功能或分类器。泽尼克和EFS方法执行的二进制目标区域,首次从二进制目标区域中提取特征,采用支持向量机分类。支持向量机和SRC,他们采用80维的特征向量进行分类利用主成分分析法(PCA)提取原始图像。CNN直接训练的强度值的原始图像。在下面几节中,我们首先检查该方法标准操作条件下(SOC)包括三级识别问题和十级识别问题。后来,几种典型而是EOCs用于全面评价该方法。

4.2。实验在SOC

4.2.1。准备三级问题

一个三级问题第一次被认为是在SOC。BMP2的样本,BTR70, T72 17°俯角作为模板,和样品15°分类表2。第一组是结构元素 。表4介绍了三级识别方法的识别结果。每个配置的三个目标可以用PCC(正确的分类)的概率超过96%,平均PCC计算为97.88%。结果表明在这种情况下该方法的有效性。

结构化元素直接影响过滤DSA残留。因此,识别性能密切相关的选择结构元素。进一步的验证,我们使用几种不同的结构元素对过滤DSA残留物,列出如下:

平均pcc展示在表在不同的结构元素5。当结构元素为空,即。,no opening operation is performed, the PCC is the lowest. The PCC at低于在哪里 , , ,和主要是因为是一个非常大的结构元素,所以它删除DSA中太多的像素残留的不正确的类。结果,不同的过滤DSA残留物会不够引人注目的高性能目标识别。

进一步提高了该方法的有效性和鲁棒性,不同的结构元素的融合结果score-level融合。融合结果在不同组合结构元素的比较表6。score-level融合的最佳性能实现的结合 , , , PCC平均为98.42%。因此,这种组合用于目标识别在接下来的实验。

该方法与其他方法相比在桌子上7。该方法实现了PCC最高。泽尼克和EFS方法相比,二进制目标区域被用作基线特征,该方法明显优于他们。此外,该方法不需要进一步从二进制特征提取的目标区域。CNN达到接近PCC的方法。CNN的分类能力密切相关的完整性和训练集的报道。在本实验设置中,有一些配置差异BMP2的T72训练和测试样本。因此,CNN的平均PCC略低于该方法。

4.2.2。十级的问题

一个更具挑战性的任务,即。,the 10-class recognition problem, is conducted in this part. All the 10-class samples listed in Table2这个实验是利用。表8展示了该方法的详细识别结果为十级的认可。BMP2和T72 pcc由于最低配置之间的差异测试和模板集。图6显示了详细的混淆矩阵参考方法的比较。不同方法的平均pcc比较表9。经历一些退化的所有方法在这种情况下,因为10类的分类目标比三级识别困难的问题。PCC最高的97.24%,该方法仍然优于其他的十级以下的认可。

4.3。实验曲线端下

SAR ATR的主要障碍是造成的各种而是EOCs变化的目标,SAR传感器、背景环境,等。因此,它是理想的,该方法可以实现不同类型的而是EOCs下良好的鲁棒性。

4.3.1。配置差异

在一定的目标,它可能有几个不同的应用程序的配置。在这种情况下,它需要ATR方法可以控制鲁棒性配置方差。表10列表模板和测试集在这个实验中,测试配置的BMP2和T72不同于他们的模板样本。表11比较了不同方法的平均pcc。最高的PCC,验证该方法是方差最强劲的配置。在配置差异,一些地方修改结构的目标,而整个目标形状保持稳定。因此,整个图像的亮度分布可能变化很大程度上由于地方差异。基于图像强度的方法包括支持向量机、SRC, CNN显著降低。相比之下,使用二进制目标区域的方法像泽尼克和EFS实现相对更好的性能,因为目标形状保持稳定。对于该方法,初步目标形状反映了DSA。此外,小修改本地散射中心也可以由使用不同的结构元素形态学开操作。因此,该方法可以保持其良好的性能配置下的方差。

4.3.2。大萧条角方差

SAR平台可能运行在不同的高度从地面。因此,抑郁症角度的实测图像可能会有很大不同42]。实际上,模板样本可能被收集在只有一个或几个抑郁角度。因此,重要的是,该方法可以强劲时测试和模板图像大萧条角方差。三个目标被用在这个实验展示了在桌子上12,即,2 s1,BDRM2,和ZSU23/4。的图片17°俯角用作模板集,而图像在30°、45°分类。图7说明了SAR图像的差异在不同的抑郁角度的图像2 s1 17°,分别为30°、45°。数据显示,目标形状和散射模式时不同俯视角的变化。不同方法的识别结果比较表13。抑郁症30°角,所有方法的平均pcc仍然保持在高水平。然而,当大萧条到45°角变化,不同方法的性能急剧下降,因为目标的出现是明显不同的比较数据7(一)和7 (c)。该方法能更好地应对大萧条造成的DSA的非线性变形角方差比泽尼克和EFS方法,直接从二进制目标区域提取特征。SVM, SRC, CNN,性能下降最严重由于剧烈变化图像的强度分布。最高的pcc在30°、45°,该方法被证明是最健壮的大萧条角方差。

4.3.3。噪音腐败

原在MSTAR SAR图像数据集收集在高信噪比(信噪比),这被认为是一个重要的原因不同的SAR ATR方法性能优良的SOC(下43]。然而,在实际应用中,实测SAR图像可以从背景噪音污染的环境或雷达系统(43- - - - - -45]。然后,很可能测试样品比模板的信噪比要低的多,这通常是收集了一些合作的条件下。在这项研究中,吵闹的模拟测试样品通过添加不同水平的高斯噪声原始十级测试样本表2。首先详细原始SAR图像转换为频域使用快速傅里叶逆变换(传输线)。后来,添加剂添加高斯噪声的频谱根据所需的信噪比。最后,noise-contaminated频率数据转换回图像领域获得的样本。图8显示不同的方法在不同的噪声水平的性能。很明显,该方法仍然是最强大的噪音下腐败PCC在每个最高的信噪比。尽管整个图像亮度分布被噪音,高强度的主导散射中心仍能保持相对稳定。因此,地区体育会仍然可以构建具有良好的精度,因此该方法可以在噪音下工作强劲腐败。同样,二进制目标区域比整个图像强度或PCAs更健壮的特性。因此,泽尼克和EFS方法比其余的人。

4.3.4。部分遮挡

是很常见的地面目标被遮挡的自然或人为的障碍,例如,树木和建筑物。目标特征的结果,一些无法收集的传感器。实验评估,部分闭塞的SAR图像首先构造根据闭塞模型(46,47]。详细的原始比例目标区域被背景像素从不同的方向。后来,闭塞的样本是由不同的方法分类。图9情节的所有方法的性能在不同的闭塞的水平。当目标被部分遮挡,提取的目标形状可能变形。结果,方法仅根据二进制目标区域,即。泽尼克和EFS,显著降低。方法,PCC保持在每个闭塞水平最高,因为以下原因:一方面,主导散射中心的分布仍歧视虽然有些散射中心是阻挡。另一方面,使用不同的结构元素形态学开操作可以有效地处理可能的变形引起的DSA部分阻塞。

5。结论

提出了一种SAR ATR方法通过二进制形态学滤波的DSA残留。之间的DSA残留测试图像和其相应的模板图像处理的二进制形态学操作。后来,相似度度量设计基于目标识别的过滤DSA残留。进一步提高了该方法的有效性和鲁棒性,形态开放操作进行了在不同的结构元素,由score-level融合相结合的结果。最后,测试样本的目标标签决定融合相似性最高的类。根据MSTAR数据集上的实验结果,可以得出几个结论如下:(1)在SOC的领导下,该方法实现了非常高的pcc 98.83%和97.38%的三级和十级问题,分别。因此,该方法可以用来区分许多类型的地面目标具有良好的性能。(2)该方法而是EOCs下仍是最强劲的。(3)与几种先进的SAR ATR方法相比,该方法具有较高的有效性和鲁棒性。所以,它有许多潜在的SAR ATR的实际应用。

将来工作如下:一方面,主导散射点的数量应该为不同类型的自适应地确定目标,如地面目标,船只和飞机。另一方面,可以采用更有效的决策融合策略或设计组合来自不同结构元素的结果进一步加强ATR性能。

数据可用性

MSTAR数据集用于支持本研究的结果可在网上http://www.sdms.afrl.af.mil/datasets/mstar/。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

这项工作在一定程度上支持的军事重大研究项目,在批准号AHJ11Z001。

引用

1. k . El-Darymli e·w·吉尔·麦奎尔d权力,和c . Moloney”自动合成孔径雷达图像目标识别:最先进的审查,”IEEE访问4卷,第6058 - 6014页,2016年。视图:出版商的网站|谷歌学术搜索
2. l·m·诺瓦克g . j . Owirka w·s·布劳尔和a·l·韦弗,“SAIP自动目标识别系统”,林肯实验室杂志,10卷,不。2、187 - 202年,1997页。视图:谷歌学术搜索
3. l·m·诺瓦克g . j . Owirka w·s·布劳尔和a·l·韦弗,“10年期和20-target MSE分类器的性能。”IEEE航空航天和电子系统,36卷,不。4、1279 - 1289年,2000页。视图:出版商的网站|谷歌学术搜索
4. j . r . Diemunsch和j . Wissinger”移动和静止目标获取与识别(MSTAR)基于模型的自动目标识别:搜索一个健壮的ATR技术”5日学报学报算法合成孔径雷达图像卷,3370年,第492 - 481页,1998年9月美国佛罗里达州奥兰多市。视图:谷歌学术搜索
5. t·d·罗斯,j·j·布拉德利,l . j .哈德逊和m·p·奥康纳”,所以有什么问题?——MSTAR的角度来看,“在6日学报学报算法合成孔径雷达图像卷,3721年,第672 - 662页,1999年8月美国佛罗里达州奥兰多市。视图:谷歌学术搜索
6. j .周施z、x陈和f .羌族“SAR图像的自动目标识别基于全球散射中心模型,”IEEE地球科学和遥感卷,49号10日,3713 - 3729年,2011页。视图:出版商的网站|谷歌学术搜索
7. b .丁和g·温”,基于三维散射中心模型的区域匹配方法与应用程序SAR目标识别,”IEEE传感器杂志,18卷,不。11日,第4632 - 4623页,2018年。视图:出版商的网站|谷歌学术搜索
8. j .公园,公园,和k金,“新的歧视特性对SAR自动目标识别,”IEEE地球科学和遥感信,10卷,不。3、476 - 480年,2013页。视图:出版商的网站|谷歌学术搜索
9. m . Amoon和g . a . Rezai-rad“自动目标识别的合成孔径雷达(SAR)图像的基于最优选择泽尼克时刻特性,”专业计算机视觉,8卷,不。2、77 - 85年,2014页。视图:出版商的网站|谷歌学术搜索
10. c·克莱门特l·帕洛·d·Gaglione et al .,“自动目标识别与Krawtchouk军用车辆的时刻,”IEEE航空航天和电子系统,53卷,不。1,第500 - 493页,2017。视图:出版商的网站|谷歌学术搜索
11. 马b·丁·g·温,c . et al .,“在合成孔径雷达图像目标识别使用二进制形态学操作,“应用遥感技术杂志》上,10卷,不。4、文章ID 046006, 2016。视图:出版商的网站|谷歌学术搜索
12. g·c·Anagnostopoulos说道,“基于svm从合成孔径雷达图像目标识别使用目标区域轮廓描述符,“非线性分析:理论、方法和应用,卷71,不。2、2934 - 2939年,2009页。视图:出版商的网站|谷歌学术搜索
13. Papson和r . m . Narayanan”在SAR图像分类通过阴影区IEEE航空航天和电子系统,48卷,不。2、969 - 980年,2012页。视图:出版商的网站|谷歌学术搜索
14. a . k . Mishra”验证的PCA和LDA SAR ATR,”TENCON学报》2008。IEEE 10地区会议,页1 - 6、海得拉巴,印度,2008年11月。视图:谷歌学术搜索
15. z崔,j·冯、曹z h .任和j·杨,“在合成孔径雷达目标识别通过非负矩阵分解,“专业雷达、声纳和导航,9卷,不。9日,第1385 - 1376页,2015年。视图:出版商的网站|谷歌学术搜索
16. y黄,j .贝聿铭j .杨b . Wang和刘x”对SAR ATR邻域几何中心扩展嵌入,”IEEE航空航天和电子系统,50卷,不。1,第192 - 180页,2014。视图:出版商的网站|谷歌学术搜索
17. g . m . Yu盾,h .风扇和g .旷”SAR目标识别通过当地multi-manifold正规化低秩近似稀疏表示,“遥感,10卷,不。2,p。211年,2018年。视图:出版商的网站|谷歌学术搜索
18. 黄x, y, j .贝聿铭,j .杨”样本判别分析SAR ATR。”IEEE地球科学和遥感信,11卷,不。12日,第2124 - 2120页,2014年。视图:出版商的网站|谷歌学术搜索
19. m·j·格里·l·c·波特,j·古普塔,凡德尔莫维A,“合成孔径雷达测量的参数模型”,IEEE天线和传播卷,47号7,1179 - 1188年,1999页。视图:出版商的网站|谷歌学术搜索
20. l·c·波特与r·l·摩斯“散射中心SAR ATR,”IEEE图像处理》第六卷,没有。1,第91 - 79页,1997。视图:出版商的网站|谷歌学术搜索
21. h·c·中国,r·l·摩西和l·c·波特,“基于模型的雷达图像分类”IEEE信息理论,46卷,不。5,1842 - 1854年,2000页。视图:出版商的网站|谷歌学术搜索
22. b·丁·g·温,j .钟c . Ma和杨x,“健壮的方法,由于散射中心的匹配应用合成孔径雷达自动目标识别,”应用遥感技术杂志》上,10卷,不。1,文章ID 016010, 2016。视图:出版商的网站|谷歌学术搜索
23. b·丁·g·温,j .钟c . Ma和杨x,”一个健壮的相似性度量属性散射中心集应用SAR ATR,”Neurocomputing卷,219年,第143 - 130页,2017年。视图:出版商的网站|谷歌学术搜索
24. b·丁·g·温、黄x c . Ma和杨x,“在合成孔径雷达图像目标识别通过匹配属性散射中心,“IEEE选择杂志的主题应用地球观测和遥感,10卷,不。7,3334 - 3347年,2017页。视图:出版商的网站|谷歌学术搜索
25. b·丁·g·温、黄x c . Ma和杨x,“多级重建使用增强的数据由于散射中心的SAR目标识别,”IEEE地球科学和遥感信,14卷,不。6,979 - 983年,2017页。视图:出版商的网站|谷歌学术搜索
26. 问:赵和j·c·普林西比支持向量机对合成孔径雷达自动目标识别,”IEEE航空航天和电子系统,37卷,不。2、643 - 654年,2001页。视图:出版商的网站|谷歌学术搜索
27. h·刘和美国,“决策融合稀疏表示和支持向量机的SAR图像目标识别,”Neurocomputing卷,113年,第104 - 97页,2013年。视图:出版商的网站|谷歌学术搜索
28. 美国Todorovic y, z . Liu, j·李,“自适应提高SAR自动目标识别,”IEEE航空航天和电子系统,43卷,不。1,第125 - 112页,2007。视图:出版商的网站|谷歌学术搜索
29. j . j . Thiagaraianm k . n .需要p .膝盖,a . Spanias诉贝里沙,“稀疏表示在SAR图像自动目标分类”4日学报》国际研讨会通信、控制和信号处理(ISCCSP)利马索尔,页1 - 4,塞浦路斯,2010年3月。视图:谷歌学术搜索
30. h .歌曲,k, y, x,和h .邹,“稀疏表示在十级MSTAR SAR图像目标分类的数据集,”应用科学》第六卷,没有。1,p。26日,2016。视图:出版商的网站|谷歌学术搜索
31. 美国斯诉《艋舺》,r . g . Raj“SAR自动目标识别使用区别的图形模型,”IEEE航空航天和电子系统,50卷,不。1,第606 - 591页,2014。视图:出版商的网站|谷歌学术搜索
32. s . a .瓦格纳“SAR ATR的卷积神经网络和支持向量机的组合,”IEEE航空航天和电子系统,52卷,不。6,2861 - 2872年,2016页。视图:出版商的网站|谷歌学术搜索
33. f·s·陈,h . Wang徐,y .问:金,“目标分类使用深卷积网络SAR图像,”IEEE地球科学和遥感卷,47号6,1685 - 1697年,2016页。视图:出版商的网站|谷歌学术搜索
34. j .鼎陈,h·刘,m .黄“卷积神经网络与数据增加SAR目标识别,”IEEE地球科学和遥感信,13卷,不。3、1 - 5,2016页。视图:出版商的网站|谷歌学术搜索
35. k . Du y邓,t·赵r . Wang和n .李“SAR ATR基于位移和旋转不敏感CNN,“遥感信,7卷,不。9日,第904 - 895页,2016年。视图:出版商的网站|谷歌学术搜索
36. d . Malmgren-Hansen a . Kusk j·达尔et al .,“提高SAR自动目标识别模型与转移学习模拟数据,”IEEE地球科学和遥感信,14卷,不。9日,第1488 - 1484页,2017年。视图:出版商的网站|谷歌学术搜索
37. y LeCun (b .波沙,j·s·德克和p . Haffner“Gradient-based学习应用于文档识别,”IEEE的程序,卷86,不。11日,第2324 - 2278页,1998年。视图:出版商的网站|谷歌学术搜索
38. o . Russakovsky j .邓·h·苏et al .,“ImageNet大规模视觉识别的挑战。”国际计算机视觉杂志》上,卷115,不。3、211 - 252年,2015页。视图:出版商的网站|谷歌学术搜索
39. s . h .豆儿、g·史密斯和c·贝克,“可靠的目标特征提取和分类使用潜在的目标信息,”IEEE雷达研讨会论文集(RadarCon),页628 - 633,阿灵顿,弗吉尼亚州,美国,2015年5月。视图:谷歌学术搜索
40. r·冈萨雷斯和r·伍兹数字图像处理美国新世纪,普林斯顿,纽约,2008年。
41. y, y壮族、h·李,张x, x赵,“小说估计方法在SAR图像目标的旋转角度,”专业国际雷达会议学报》上,页1 - 4,杭州,中国,2015年10月。视图:谷歌学术搜索
42. b . Ravichandran a . Gandhe r .史密斯先生,r .,“健壮的自动目标识别使用学习分类器系统,”信息融合,8卷,不。3、252 - 265年,2007页。视图:出版商的网站|谷歌学术搜索
43. 美国豆儿、g·史密斯和c·贝克”目标分类性能的函数测量的不确定性,”IEEE学报》5日亚太会议上合成孔径雷达(APSAR)新加坡,页587 - 590年,2015年9月。视图:谷歌学术搜索
44. 盾和g .旷”分类单基因尺度空间:应用程序在SAR图像目标识别,”IEEE图像处理,24卷,不。8,2527 - 2539年,2015页。视图:出版商的网站|谷歌学术搜索
45. b .丁和g·温稀疏约束的子空间分类器对目标识别的SAR图像,”杂志的视觉传达和图像表示52卷,第176 - 170页,2018年。视图:出版商的网站|谷歌学术搜索
46. b·巴努·林和y”,随机模型识别阻挡的目标。”模式识别,36卷,不。12日,第2873 - 2855页,2003年。视图:出版商的网站|谷歌学术搜索
47. b .丁和g·温”,健壮的目标识别,利用视点SAR图像”遥感,9卷,不。11,1150年,页2017。视图:出版商的网站|谷歌学术搜索

版权

版权©2018曹国伟掸等。这是一个开放分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。