基于稀疏表示及字典学习的sar目标识别

摘要
摘要
随着合成孔径雷达（Synthetic Aperture Radar，SAR）成像技术的发展，已经可以获取大量的SAR图像数据。

SAR图像目标识别技术在军事、民用等领域的应用价值越来越突出，SAR图像的预处理、检测、鉴别及识别等方面均取得了很大的进展。

在实际中，由于目标所处环境及目标配置、结构的复杂性，不可能得到目标所有状态或配置下的训练样本，其无法表示真实世界中所有情况，因此如何提高目标变体的识别性能是SAR目标识别的一个重要的研究方向。

本文主要针对SAR图像预处理、SAR图像目标识别，特别是目标变体的识别等方面展开了研究，在稀疏表示和字典学习的基础上提出了基于多信息字典学习及联合动态稀疏表示的SAR图像目标识别方法。

本论文的主要内容可概括如下：
1. 介绍SAR图像预处理过程中涉及到的目标分割、配准、截取等处理过程。

2. 介绍传统的模板匹配方法、基于稀疏表示的SAR目标识别方法、基于联合稀疏表示的SAR目标识别方法及基于Hausdorff距离的识别方法，通过实验，分析并验证上述几种方法的可行性和优缺点。

3. 针对现有的基于联合稀疏表示的SAR目标识别方法中存在的问题，结合已用于人脸识别方面的联合动态稀疏表示模型，提出了基于多信息联合动态稀疏表示的SAR图像目标识别方法。

该方法利用目标图像域幅度信息和频域幅度信息分别构造字典，利用联合动态稀疏表示模型对测试目标的两种信息进行稀疏求解，根据重构误差对测试目标进行识别。

该方法综合利用了目标图像域幅度信息和频域幅度信息之间的关联性，提高了对测试目标的识别性能。

通过实验，验证了该方法的有效性，并与其它方法进行比较，突出了该方法的优势。

4. 在基于多信息联合动态稀疏表示的SAR图像目标识别方法的基础上，针对利用训练样本信息直接构造字典存在的缺陷，本文结合鉴别字典学习和联合动态稀疏表示模型，提出了基于多信息字典学习及联合动态稀疏表示的SAR图像目标识别方法。

首先利用经过预处理后的训练图像的图像域幅度信息和频域幅度信息分别进行鉴别字典学习，利用学习得到的字典对测试目标的两种信息向量进行联合动态稀疏表示，并根据重构误差得到最终的识别结果。

该方法结合了字典学习及联合动态稀疏表示两方面的优势，合理地利用了两种信息间的关联性，与直接由训练样本构造的字典相比，在字典尺寸较小时，仍然能够保持较好的识别性能。

关键词：合成孔径雷达，目标识别，稀疏表示，字典学习
论文类型：基础研究类
I
西安电子科技大学硕士学位论文
II
ABSTRACT
ABSTRACT
With the development of Synthetic Aperture Radar (SAR) imaging technology, we can get plenty of SAR data. The automatic target recognition (A TR) based on SAR images is an important field of research, especially has important applications in the military field. Recent years, SAR image preprocessing, target detection, discrimination and recognition have achieved great progress.
Because of the complexity of the target and background, the targets in SAR images may have variants. In practice, we cannot acquire the training samples about all kinds of configurations and stations, so the training samples failed to represent all the actual situations in the world. This yields the difficulty of target variants recognition of SAR images, and how to improve the recognition performance becomes to be a key problem.
This dissertation mainly studies preprocessing, target especially the target variants recognition of SAR images and presents a target recognition method based on the multi-information dictionary learning and joint dynamic sparse representation. The main contents of this dissertation are summarized as follows.
1. The first part introduces the process of target segmentation, registration and cropping in the preprocessing of SAR images.
2. The second part mainly introduces some existing technologies of target recognition, such as traditional template matching, sparse representation, joint sparse representation and Hausdorff Distance. At the same time, the feasibility, merits and drawbacks of these methods are analyzed.
3. To deal with the problems in the SAR target recognition method based on the joint sparse representation, this dissertation proposes a target recognition method of SAR images based on the multi-information and the joint dynamic sparse representation (JDSR) model which has been applied in face recognition. The method uses the amplitude information in both image and frequency domain to construct dictionaries, the sparse coefficients are get based on the joint dynamic sparse representation model,
III
西安电子科技大学硕士学位论文
The test sample is recognized using the reconstruction error. This method takes advantage of the correlation between the two kinds of information, and improves the recognition performance. Experiments results verify the effectiveness and advantage of this method.
4. On the basis of the method in chapter 3, to deal with the drawback of constructing the dictionaries directly using the training samples, this chapter combines the discriminative dictionary learning and joint dynamic sparse representation model, and proposes a target recognition method based on the multi-information dictionary learning and joint dynamic sparse representation. At the first stage, it learns the two dictionaries for the image domain amplitude information and frequency domain amplitude information after the SAR images preprocessing. Then the method uses these two kinds of information about the test target and the learned dictionaries to get the sparse coefficients of the test sample based on the joint dynamic sparse representation model. At last, it realizes the recognition based on the reconstruction error. This method makes use of the advantages of the dictionary learning and JDSR model, and removes the redundancy of the dictionary directly constructed. Compared to the dictionary constructed directly using the training samples, the new method has a better recognition performance when the dictionary has smaller number of atoms.
Keywords: SAR, Target Recognition, Sparse Representation, Dictionary Learning
Type of Dissertation: Basic Research
IV
插图索引
V
插图索引
图1.1 MSTAR 数据集中10类目标的光学图像 ...................................................... 2 图2.1 预处理过程示意图 ......................................................................................... 9 图2.2 模板匹配流程图 ........................................................................................... 10 图2.3 MSE 方法下7型号测试目标的变化曲线 ................................................... 11 图2.4 基于稀疏表示SAR 目标识别流程图 .......................................................... 12 图2.5 基于联合稀疏表示的SAR 目标识别方法流程图 ....................................... 15 图2.6 两个点集求解Hausdorff 距离示意图 .......................................................... 16 图2.7 基于Hausdorff 距离的SAR 目标识别方法流程图 ..................................... 18 图2.8 抽取处理后两种实验场景识别结果 ............................................................ 20 图3.1 基于多信息联合动态稀疏表示的SAR 目标识别方法流程图 .................... 22 图3.2 联合动态稀疏表示示意图，参考文献[12]中的图2绘制 ........................... 24 图3.3 ()x c k δ示意图 .............................................................................................. 24 图3.4 联合三种信息后，7型号测试目标随降维维数的识别率的变化曲线 ....... 25 图3.5 对数变换、中值滤波示意图 ........................................................................ 26 图3.6 第二种实验场景下平均识别率随字典尺寸的变化曲线 ............................. 27 图3.7 未配准时，对数变换、中值滤波SRC 、 JDSRC 两种方法的影响........... 28 图3.8 联合稀疏表示示意图，参考文献[11]绘制 .................................................. 30 图3.9 分别稀疏表示，重构融合方法的流程图 .................................................... 31 图3.10 不同稀疏度下各方法平均识别率随字典尺寸变化曲线 ........................... 33 图4.1 基于多信息字典学习及联合动态稀疏表示的SAR 目标识别方法流程图 . 39 图4.2 部分型号训练和测试目标配准时质心的位移图 ......................................... 40 图4.3 各方法平均识别率随字典尺寸的变化曲线................................................. 43 图4.4 经过和未经过对数变换、中值滤波两种情况下的变化曲线 ...................... 44 图4.5 经过对数变换、中值滤波四种方法平均识别率随字典尺寸的变化曲线 .. 45 图4.6 四种方法在两种情况下平均识别率随字典尺寸变化曲线 ......................... 46 图4.7 不同稀疏度下，各方法平均识别率随字典尺寸变化曲线 ......................... 48 图4.8 第四种实验场景，各方法平均识别率随字典尺寸变化曲线 ...................... 49 图4.9 各型号测试目标的真实标记和本章方法的识别类别 (49)
西安电子科技大学硕士学位论文
VI
表格索引
表格索引
表1.1 MSTAR数据第一种实验场景 (3)
表1.2 MSTAR数据第二种实验场景 (3)
表1.3 MSTAR数据第三种实验场景 (3)
表1.4 MSTAR数据第四种实验场景 (4)
表2.1 稀疏表示方法下，第一种实验场景的实验结果 (13)
表2.2 稀疏表示方法下，未经过配准处理情况下的识别结果 (13)
表2.3 稀疏表示方法下，经过配准处理情况下的识别结果 (13)
表2.4 Hausdorff距离方法下，第一种实验场景的识别结果 (19)
表2.5 Hausdorff距离方法下，第二种实验场景的识别结果 (19)
表2.6 Hausdorff距离方法下，优化前后目标变体的识别结果 (20)
表3.1 第二种实验场景，各方法下7型号测试目标的识别率 (26)
表3.2 第三种实验场景，未配准时SRC的识别结果 (29)
表3.3 第三种实验场景，配准时SRC的识别结果 (29)
表3.4 第三种实验场景，未配准时JDSRC的识别结果 (29)
表3.5 第三种实验场景，配准时JDSRC的识别结果 (29)
表4.1 未经过对数变换、中值滤波处理的识别结果 (43)
表4.2 经过对数变换、中值滤波处理时四种方法的识别结果 (45)
表4.3 SRC、JDSRC、本章方法在两种情况下的识别结果 (47)
表4.4 第四种实验场景本章方法在字典原子数目为681时的识别结果 (50)
表4.5 第四种实验场景JDSRC字典原子数目为268时识别结果混淆矩阵 (50)
表4.6 第四种实验场景本章方法字典原子数目为268时识别结果混淆矩阵 (50)
表4.7 第四种实验场景JDSRC方法在字典原子数目为268时的识别结果 (51)
表4.8 第四种实验场景本章方法在字典原子数目为268时的识别结果 (51)
VII
西安电子科技大学硕士学位论文
VIII
符号对照表
IX
符号对照表
符号
符号名称 D
模板库 Num
训练样本数目 c 、C
训练或测试样本类别 A 字典
y
测试样本信息 x 稀疏表示系数
l 0 l 0范数 l 2 l 2范数 l 1
l 1范数
F
矩阵的Frobenius 范数 r
降维维数 K
信息类别数 X 稀疏系数矩阵 Y 测试样本信息矩阵 T
映射 U 、V 点集 S 1、S 2
信息数据矩阵 S
稀疏度
Q
稀疏编码控制矩阵 F 、W
线性变换矩阵
H
训练样本类别信息矩阵 α、β
权值
西安电子科技大学硕士学位论文
X
缩略语对照表
缩略语对照表
缩略语英文全称中文对照
SAR Synthetic Aperture Radar 合成孔径雷达
A TR Automatic Target Recognition 自动目标识别
JDSR Joint Dynamic Sparse Representation 联合动态稀疏表示JDSRC Joint Dynamic Sparse Representation 联合动态稀疏表示分类器Classification
SRC Sparse Representation Classification 稀疏表示分类器
JSR Joint Sparse Representation 联合稀疏表示
JSRC Joint Sparse Representation 联合稀疏表示分类器Classification
SOMP Simultaneous Orthogonal Matching 正交匹配追踪
Pursuit
HD Hausdorff Distance Hausdorff距离
LTS-HD Least Trimmed Square Hausdorff 最小Hausdorff距离Distance
PSO Particle Swarm Optimization 粒子群优化
PHD Partial Hausdorff Distance 部分Hausdorff距离
LC-KSVD Label Consistent K-SVD 标号一致KSVD
XI
西安电子科技大学硕士学位论文
XII
目录
目录
摘要 (I)
ABSTRACT (III)
插图索引 (V)
表格索引 (VII)
符号对照表................................................................................................................ I X 缩略语对照表 ............................................................................................................ X I 目录......................................................................................................................... X III 第一章绪论. (1)
1.1 研究背景及其意义 (1)
1.2 SAR图像自动目标识别的研究进展 (1)
1.3 论文主要内容安排 (2)
1.3.1 MSTAR数据及实验场景介绍 (2)
1.3.2 内容安排 (4)
第二章SAR图像预处理及目标识别方法 (7)
2.1 概述 (7)
2.2 SAR图像预处理方法 (7)
2.2.1 滤波处理 (7)
2.2.2 分割处理 (7)
2.2.3 配准处理 (8)
2.2.4 截取处理 (8)
2.3 传统的模板匹配 (9)
2.3.1 模板匹配 (9)
2.3.2 模板匹配实验 (10)
2.3.3 实验结果 (10)
2.4 稀疏表示 (11)
2.4.1 概述 (11)
2.4.2 稀疏表示 (11)
2.4.3 基于稀疏表示的分类 (12)
2.4.4 基于稀疏表示的SAR目标识别流程图及实验结果 (12)
2.5 联合稀疏表示 (14)
2.5.1 联合稀疏表示 (14)
XIII
西安电子科技大学硕士学位论文
2.5.2 基于联合稀疏表示的目标识别流程 (14)
2.6 基于Hausdorff距离的SAR目标识别 (15)
2.6.1 Hausdorff距离 (15)
2.6.2 改进的Hausdorff距离 (16)
2.6.3 Hausdorff距离与粒子群优化算法 (17)
2.6.4 基于Hausdorff距离的SAR目标识别流程及实验结果 (18)
2.7 本章总结 (20)
第三章基于多信息联合动态稀疏表示的SAR图像目标识别 (21)
3.1 概述 (21)
3.2 联合动态稀疏表示 (21)
3.2.1 概述 (21)
3.2.2 联合动态稀疏表示模型 (21)
3.3 基于多信息联合动态稀疏表示的SAR目标识别 (22)
3.3.1 预处理 (23)
3.3.2 构造字典 (23)
3.3.3 测试样本预处理 (23)
3.3.4 测试样本的联合动态稀疏表示 (23)
3.3.5 测试样本的识别 (24)
3.4 第二种实验场景 (24)
3.4.1 实验结果及分析 (25)
3.4.2 经过对数变换、中值滤波处理 (26)
3.5 第三种实验场景 (27)
3.5.1 未配准情况下，对数变换、中值滤波的影响 (28)
3.5.2 对数变换、中值滤波情况下，配准处理的影响 (29)
3.6 JDSRC与其他方法的比较 (30)
3.6.1 联合稀疏表示（JSRC） (30)
3.6.2 分别稀疏表示重构误差融合 (30)
3.7 本章总结 (33)
第四章基于多信息字典学习及联合动态稀疏表示的SAR图像目标识别 (35)
4.1 概述 (35)
4.2 K-SVD字典学习 (35)
4.2.1 K-SVD算法模型 (35)
4.2.2 K-SVD算法求解 (36)
4.3 鉴别字典学习LC-KSVD (36)
XIV
目录
4.3.1 LC-KSVD模型 (36)
4.3.2 LC-KSVD的优化 (37)
4.3.3 LC-KSVD初始化 (38)
4.4 基于多信息字典学习及联合动态稀疏表示的SAR目标识别 (38)
4.4.1 预处理 (39)
4.4.2 字典学习 (40)
4.4.3 联合动态稀疏表示 (41)
4.4.4 识别 (41)
4.5 第二种实验场景 (41)
4.5.1 未经过对数变换、中值滤波处理 (42)
4.5.2 经过对数变换、中值滤波处理 (44)
4.5.3 未配准和配准两种情况下的比较 (45)
4.5.4 稀疏度对识别结果的影响 (47)
4.6 第四种实验场景 (48)
4.7 本章总结 (51)
第五章结束语 (53)
5.1 工作总结 (53)
5.2 工作展望 (54)
参考文献 (55)
致谢 (59)
作者简介 (61)
XV
西安电子科技大学硕士学位论文
XVI
第一章绪论
第一章绪论
1.1 研究背景及其意义
随着信息技术的发展，现代化战争已经转变为信息化战争，国际军事实力的较量也转变为了高科技的较量。

快速、准确、高效地在复杂的战场中获得信息是现代化战争中极其重要的一部分。

技术的发展带来战争的复杂化，仅仅利用传统的可见光、红外遥感技术已难以满足现代战争技术的需求。

合成孔径雷达成像技术的产生代表着现代战争进入了一个新的阶段。

合成孔径雷达（Synthetic Aperture Radar，SAR）[1]的成像基本不受光照、气候等因素的影响，雷达可以全天时、全天候地对目标进行监测，因此在军事领域具有很高的应用价值。

同时，SAR成像也可用于地质检测、海情、道路等其他领域[2]。

随着SAR成像技术的发展，实际中已经可以获得大量的SAR图像数据，SAR 图像数据处理及图像信息的解译工作成为研究的热点。

其中，利用SAR图像对目标进行识别是从SAR数据中获取目标信息的一个重要方面，尤其在军事领域具有重要的应用价值。

SAR图像分辨率的提高会引起数据量的增大，SAR图像目标识别已经由起初的人工判读方式转变为自动目标识别（Automatic Target Recognition，A TR），这也成为了SAR目标识别方法研究的重点。

本论文的工作主要针对SAR图像自动目标识别展开，为了便于本论文后续章节的理解，先对SAR A TR进行简单介绍。

1.2 SAR图像自动目标识别的研究进展
SAR图像自动目标识别在军事领域具有重要的应用价值，世界各国在该领域都投入了大量的精力，进行了大量的研究。

典型的SAR图像自动目标识别系统为美国麻省理工学院林肯实验室提出的SAR A TR三级处理流程[3]：目标的检测、鉴别及识别三个级别。

国内关于该领域的研究起步较晚，国家在该领域非常重视，增大投入，其水平也在不断提高，缩小了与国外在该领域的差距。

近20多年来，很多学者是基于美国MSTAR[4]计划中的实测SAR地面静止目标数据开展SAR图像目标识别研究，研究内容包括SAR图像的预处理、SAR图像目标特征提取、SAR目标识别算法等。

在实际中，由于目标所处环境及目标配置、结构的复杂性，不可能得到目标所有状态或配置下的训练样本，其无法表示真实世界中所有情况。

因此在SAR目标变体识别方面存在困难，如何提高目标变体的识别性能是SAR图像目标识别的一个重要的研究方向。

1
西安电子科技大学硕士学位论文
2
除了传统的模板匹配方法[4][5]，近年来基于稀疏表示[6][7]、压缩感知的SAR 图像目标识别方法[8][9][10]也成为了研究的热点。

传统的模板匹配方法主要利用某种匹配准则来衡量测试目标与训练样本间的匹配程度。

基于稀疏表示与压缩感知的SAR 目标识别方法中主要利用训练样本对测试目标进行线性表示，根据重构误差对目标进行识别。

在后续的章节中会对现有的方法做进一步介绍。

1.3 论文主要内容安排
1.3.1 MSTAR 数据及实验场景介绍
现有的SAR 目标识别文献中大部分利用MSTAR 数据集[4]，该数据集中包含多个俯仰角、多个方位角下的目标图像，目标图像的分辨率为0.3m×0.3m 。

MSTAR 数据集中包含很多类目标，除了常见的三大类（BMP2、BTR70、T72812），还包括其他类别的目标所成的图像，如军用火箭发射装置2S1、推土机D7、卡车ZIL131、T62、BTR60、BRDM2、ZSU23/4，其光学图像如图1.1所示。

（a ）BMP2 （b ）BTR70 （c ）T72
（d ）2S1 （e ）BTR60 （f ）BRDM2
（g ）D7 （h ）T62 （i ）ZIL131
（j ）ZSU23/4 图1.1 MSTAR 数据集中10类目标的光学图像
第一章 绪论
3 参考现有文献中的实验场景设置，把常见的实验场景分为四种：第一种，训练样本为雷达俯仰角为17°时的装甲车BMP2SN9563、装甲车BTR70SNC71及主战坦克T72SN132，测试样本为雷达的俯仰角为15°时的3大类3型号所成的图像，包括装甲车BMP2SN9563、装甲车BTR70SNC71、主战坦克T72SN132。

第二种，训练样本为雷达俯仰角为17°时的装甲车BMP2SN9563、装甲车BTR70SNC71及主战坦克T72SN132，测试样本为雷达俯仰角为15°时的3大类7型号所成的图像，包括装甲车BMP2（BMP2SN9563、BMP2SN9566、BMP2SNC21）、装甲车BTR70SNC71、主战坦克T72（T72SN132、T72SN812、T72SNS7）。

第三种，训练样本为雷达俯仰角为17°时的装甲车BMP2（BMP2SN9563、BMP2SN9566、BMP2SNC21）、装甲车BTR70SNC71及主战坦克T72（T72SN132、T72SN812、T72SNS7），测试样本为雷达俯仰角为15°时的3大类7型号所成的图像，包括装甲车BMP2（BMP2SN9563、BMP2SN9566、BMP2SNC21）、装甲车BTR70SNC71、主战坦克T72（T72SN132、T72SN812、T72SNS7）。

第四种，在第二种实验场景中训练和测试均加入了军用火箭发射装置2S1、推土机D7、卡车ZIL131、T62、BTR60、BRDM2、ZSU23/4七类目标。

四种实验场景中具体的训练样本数目、测试样本数目如表1.1、表1.2、表1.3、表1.4所示。

数据类型 BMP2 BTR70 T72 SN9563 C71 SN132 训练样本（俯仰角17°）
233 233 232 测试样本（俯仰角15°） 195
196 196 表1.2 MSTAR 数据第二种实验场景
数据类型
BMP2 BTR70 T72 SN9563 SN9566 SNC21 C71 SN132 SNS7 SN812 训练样本（俯仰角17°）
233 0 0 233 232 0 0 测试样本（俯仰角15°） 195 196
196 196 196 191 195 数据类型
BMP2 BTR70 T72 SN9563 SN9566 SNC21 C71 SN132 SNS7 SN812 训练样本（俯仰角17°）
233 232 233 233 233 228 231 测试样本（俯仰角15°） 195 196
196
196 196 191 195
西安电子科技大学硕士学位论文
4 表1.4 MSTAR 数据第四种实验场景
1.3.2 内容安排
本文主要对稀疏表示[6-10]、联合稀疏表示[11]、联合动态稀疏表示[12]及鉴别字典学习[13]在SAR 图像目标识别中的应用进行了相关的研究。

首先对现有的SAR 图像目标识别方法进行介绍，对稀疏表示在SAR 目标识别中应用的可行性做了验证，利用目标的多种信息，改善了基于联合稀疏表示的SAR 识别方法，同时在文献[14][15]的基础上，通过对第二种实验场景进行试验，完善了文献[15]的内容。

然后将联合动态稀疏表示引入到SAR 目标识别中，综合利用目标的图像域幅度信息和频域幅度信息两种信息之间的相关性和互补性，采用联合动态稀疏表示模型进行稀疏求解，根据重构误差完成目标识别，并通过实验验证了该方法有较好的识别性能。

最后在联合动态稀疏表示的基础上，引入了鉴别字典学习，在分别对目标的两种信息进行字典学习后，结合联合动态稀疏表示模型对测试目标进行识别。

本文的主要内容：
第一章为绪论，简要介绍了SAR 图像目标识别的研究意义及当前国内外研究现状和发展水平，并对实验所用的MSTAR 数据做了简单的介绍。

第二章主要介绍了SAR 图像预处理[16]方法及现有的一些SAR 目标识别方法。

本文中的SAR 图像预处理方法包括图像分割、图像配准、图像截取预处理。

其中分割方法采用幂次变换的Ostu 方法[17]，配准处理中采用目标区域质心对齐的方式对所有的图像进行配准，而截取处理则是将原有的128128⨯的配准后的图像截取大小为6363⨯像素的中心区域作为后续识别中的训练和测试图像。

现有的SAR 图像目标识别方法中，首先介绍了传统的模板匹配方法，其次将文献[6]中的稀疏表示应用于SAR 目标识别方法，然后在文献[11]的基础上，将多视图改进为目标的多种信息，利用联合稀疏表示模型对目标进行识别，最后介绍了文献[15]中的基于Hausdorff 距离的SAR 目标识别方法，在文献[15]的基础上，对测试样本存在目标变体的情况做了实验，验证了该方法的有效性。

第三章主要介绍了基于联合动态稀疏表示的SAR 图像目标识别方法。

该方法是对联合稀疏表示模型的一种扩展，其强调同一目标的多幅图像或同一目标的多种信息具有相似但并不一定相同的稀疏表示模式，较好地利用了图像间或者信息
第一章绪论
间的相关性，更具有灵活性和适应性。

首先对训练样本和测试样本进行预处理，利用目标的图像域幅度信息和频域幅度信息分别构造字典，然后通过联合动态稀疏表示模型对测试目标对应的两种信息进行稀疏求解，利用得到的稀疏系数矩阵对测试目标的两种信息向量进行重构，根据重构误差得到最终的识别结果。

第四章介绍了基于多信息字典学习及联合动态稀疏表示的SAR图像目标识别方法。

该方法是在第三章方法的基础上做的进一步改进。

第三章中字典时利用目标的图像域幅度信息和频域幅度信息直接构造成的，这样的字典包含较多的冗余信息，当字典原子减少时，识别性能急剧下降，因此本章中引入鉴别字典学习方法，对目标的两种信息进行字典学习。

学习后的字典，在字典原子数目较少的情况下依然能够较全面地包含各类目标的信息，有利于低字典尺寸下的目标识别。

同时在预处理过程中加入了对数变化和中值滤波处理，提高了各类目标的识别性能，并与其它的方法通过实验进行比较，验证了本章方法的有效性。

第五章对全文内容进行了总结，提出了当前研究中仍存在的一些问题，并对本文尚未完全展开的工作进行了展望。

西安电子科技大学硕士学位论文
第二章 SAR图像预处理及目标识别方法
第二章SAR图像预处理及目标识别方法
2.1 概述
随着SAR成像技术的发展和提高，基于SAR图像的自动目标识别也有了很大的发展，现已存在多种SAR图像目标识别的方法，如基于稀疏表示（Sparse Representation Classification，SRC）[6]的SAR目标识别，基于联合稀疏表示（Joint Sparse Representation，JSR）[11]的多视角下的SAR图像自动目标识别等等。

本章将对涉及到的现有的一些方法做出描述，方便后续章节的比较。

2.2 SAR图像预处理方法
SAR图像除了包含感兴趣的目标区域，还包含了大量的背景杂波，这直接影响了目标检测、鉴别、识别的性能，并且SAR图像的质量容易受到相干斑的影响。

同时，与光学图像不同，SAR图像中目标对方位角、目标图像域信息对目标位置均具有较强的敏感性，因此在利用SAR图像进行目标识别之前需对SAR图像进行滤波、分割、配准、截取等预处理。

2.2.1 滤波处理
理想的滤波方法主要的目的是在消除相干斑噪声的同时较好地保留图像的边缘信息。

而事实上，理想的滤波器很难设计，因此需综合考虑保留边缘信息和去除相干斑噪声这两个方面，达到较好的滤波效果。

常见的用于SAR图像滤波方法有多视技术、空域滤波、小波滤波等。

早期的SAR成像中，多视技术[16]是以空间分辨率为代价，以此减少方位向和距离向上的相干斑噪声。

随着SAR图像分别率逐渐提高，出现了多种空域滤波方法，传统的有均值滤波中值滤波[18]，而后出现了Lee滤波[19]、Kuan滤波[20]、MAP滤波[21]、基于相关邻域的滤波[22]等等。

由于小波变换在图像处理上应用的优良性，基于小波变换的SAR图像滤波方法[23]也得到了广泛的关注和发展。

这些滤波方法在胡利平[24]和尹奎英[25]的博士论文中也有相关的描述，这里不再进行详细说明。

在后续章节中如果涉及到滤波处理时，均采用简单的中值滤波方法来对相干斑起到一定的抑制作用。

2.2.2 分割处理
SAR图像中包含大量的背景杂波区域，这对后续的目标的识别性能有一定的影响，特别是在低信杂比情况下，将严重影响对目标的判断。

因此，为了减少背景杂波对目标识别的影响，需要采用某些方法将感兴趣的目标区域分割出来。

用于SAR图像分割的方法常见的有基于统计分布的MAP准则最优分割[26]、
西安电子科技大学硕士学位论文
双参数恒虚警[27]、随机马尔可夫随机场分割[28]。

双参数恒虚警分割方法是根据背景区域的先验知识得到分割阈值后进行阈值分割，再利用形态学处理得到目标区域，这种方法速度快，缺点在于当背景较复杂时，很难较准确地获得背景的信息，导致分割精度下降。

马尔可夫随机场分割精度较高，但速度慢。

近几年，一些学者将Ostu及其改进方法应用于SAR图像分割方法，这些方法除了达到去除噪声的效果还有较好的内聚性。

如2维Ostu分割算法[29]，一种偏微分去噪的Ostu分割算法及基于Ostu的自适应SAR目标分割方法[25]及幂次变换Ostu分割方法[17]。

关于分割方法这里不做详细的介绍，在后续章节中提到的分割处理时均采用文献[17]中提出的变幂次Ostu分割方法。

2.2.3 配准处理
本文中的配准是针对本论文的实验所用的MSTAR数据集所做的配准处理。

目标图像大小为128×128像素，每幅图像的中间区域为目标区域，但数据集中并未给出所全部目标在图像中的配准方式。

为了避免由于目标没有进行统一配准对实验结果的影响，我们需要按照统一的方式对所有的图像进行配准。

首先，通过图像分割处理，将每幅图像中的目标区域分割出来，参照文献[30]中的公式求该区域的质心，然后将质心放置图像的中心像素对所有的图像进行配准。

2.2.4 截取处理
截取处理的作用主要体现在减少目标区域周围的背景杂波以及减小后续的运算量。

截取处理非常简单，即以配准后图像的中心像素为中心，截取一定大小的中间区域作为截取后的图像，该图像必须完全包含目标区域，可以较少地包含一些背景杂波。

图像的分割、配准、截取过程示意图如图 2.1 所示。

图 2.1（a）为一幅原始的SAR目标图像，该图像来自于MSTAR数据集，其大小为128×128。

图2.1（b）为对图 2.1（a）图进行目标区域分割处理后的二值图像，其中白色区域为分割出的目标区域，黑色的为背景区域。

图2.1（c）图为采用质心对齐方式进行配准后的图像，与图2.1（a）图相比，图2.1中（a）的原图像中的某个像素的位置坐标为(76,66)，在图2.1（c）中以质心对齐方式配准后该像素的位置坐标变为(68,62)。

图2.1中（d）为对图2.1中（c）的配准后的图像以质心为中心截取63×63大小的区域后得到的图像。

对实验所用的MSTAR数据，每幅原始大小为128⨯128的图像，通过上述预处理方法处理后得到大小为63⨯63的图像作为后续识别所用的样本数据。