● 摘要
目前，合成孔径雷达（SAR）成像技术发展迅速，在军事和民用领域有着广泛的应用。但由于SAR图像一般具有高噪声、方位敏感、变形敏感等特点，给人们理解SAR图像带来了很大的难度。基于SAR的自动目标识别（ATR）技术可以大大提高SAR图像理解的效率和精确度，对提高当前军事武器的科技水平具有很高的实际及战略意义。本文重点研究了SAR ATR领域中的SAR图像分类和识别问题，采用了基于模板匹配和统计模式识别的理论方法，主要研究内容包括：1）实现了MIT Lincoln实验室提出的平均模板算法，首先采用基于双阈值恒虚警率的方法分割目标区域，再利用Radon变换估计目标方位角，最终使用最小距离分类器对目标进行分类，并通过仿真实验验证了算法的目标识别能力。2）利用支持向量机（SVM）对SAR图像进行分类，通过实验分析了不同图像尺寸、不同核函数、不同方位区间大小对SVM分类能力的影响，对比了最小距离分类器与SVM的分类性能。3）研究了两种典型多元统计分析及其核方法（Kernel Method）的理论原理，包括主分量分析（PCA）、核主分量分析（KPCA）、Fisher线性判别分析（FLDA）、核Fisher判别分析（KFDA），并利用这些方法提取SAR图像的线性和非线性特征，以克服SAR图像的方位及变形敏感性，进一步提高了目标识别率。4）在研究噪声快速独立分量分析（Noisy FastICA）的基础上，提出了一种适用于SAR图像的噪声独立分量分析方法——对数正态噪声ICA（LnnICA）。与以往的无噪ICA（noise-free ICA）不同，该算法考虑了SAR图像的背景杂波，可在移除噪声信息的基础上，寻找图像中真正的独立分量。仿真实验表明，LnnICA提取的特征减弱了SAR噪声影响，并提高了目标识别率。