合成孔径雷达（SAR）图像是一种利用雷达波对地物进行成像的技术，在军事侦察、地质调查、环境监测等领域有着广泛应用。SAR图像中的目标检测和分类是两个关键的技术环节，它们对于从复杂的图像背景中识别和区分不同的目标至关重要。
本书收录了7份报告，涉及微弱轨迹的检测，以及多种现有和新型方法在SAR图像中对地面目标和海上目标进行检测和分类的理论和评估。该合集的出版旨在促进这些成果在国防界和更广泛领域中的应用。第一份报告涉及图像中模糊轨迹的自动检测。这是通过一种基于图像拉东变换径向导数的新型多尺度方法实现的，报告中概述了该方法。该算法的计划用途是将这些信息与图像中检测到的任何地面目标融合，以评估该目标的威胁等级。该算法也可能对两幅图像之间的自动配准确实有用。图 1 应用K-L变换（Karhunen-Loeve)方法。颜色大致与块包含边缘的概率相对应。接下来的三份报告涉及从地面目标的SAR图像中提取特征，以林肯实验室进行的类似研究为基础。林肯实验室发现了“最佳”的一组特征，可用于将目标与其雷达系统的背景杂波区分开来。这些报告描述了对从INGARA雷达平台获得的图像的这些特征（以及来自纹理匹配等相关模式识别任务的许多其他新特征和有用特征）的评估。再接下来是对一些现有分类方法的一份简要总结报告，其中有一些关于线性判别式的新分析。最后两份报告侧重于海上检测。与之前的检测任务一样，海上检测包括预筛选、低级分类（LLC）和可能的高级分类阶段。第一份海上检测报告侧重于预筛选。标准预筛选器是自适应阈值算法（ATA），已在各种数据上进行了广泛测试，并与其他基于参数和非参数直方图的预筛选器进行了实证比较。最后一份报告研究了许多算法，这些算法可能是分析员检测支持系统（ADSS）中当前实现的LLC模块的有用替代方案。该报告考虑了两类LLC方法。第一类LLC方法是特征提取，其中描述和测试了许多旋转和平移不变性特征。第二类LLC方法是分类，在本报告中重点关注与集成分类器相关的研究，通过组合大量更为简单的基分类器来生成性能良好的分类器。除了文献中描述的标准提升（boosting）和引导聚合（bagging）方法外，本书还介绍了一些组合分类器的新方法，并在简单数据集上进行了测试。
图 3 基分类器对AdaBoost算法性能的影响（迭代次数为1000）图 4 使用顺序更新将白点添加到蓝色类的效果
![]()
点击此处 开启业务合作
长按识别二维码，获取更多精彩内容
![]()
免责声明：本公众号目前所载内容为本公众号原创、网络转载或根据非密公开性信息资料编辑整理，相关内容仅供参考及学习交流使用。由于部分文字、图片等来源于互联网，无法核实真实出处，如涉及相关争议，请跟我们联系。我们致力于保护作者知识产权或作品版权，本公众号所载内容的知识产权或作品版权归原作者所有。本公众号拥有对此声明的最终解释权。
