1.3 本书内容介绍

SAR图像目标识别可以提供感兴趣目标的类别、位置、姿态等信息，不仅具有重大的理论意义和学术研究意义，而且具有广阔的应用前景，特别是在对精确打击、获取目标的细节信息等要求很高的军事应用领域有着巨大的应用价值。本书内容结构框图如图1-2所示，分别利用流形学习理论、稀疏表示理论及特征融合理论对基于模型的SAR图像目标识别方法进行了研究，旨在克服乘性相干斑、目标方位角敏感特性等因素对识别的不利影响，提高目标识别的准确性和健壮性。

本书内容共11章，第1章对SAR图像目标识别进行概述。第2～4章主要介绍基于流形学习的SAR图像目标识别。其中，第2章介绍基于局部保持特性和混合高斯分布的SAR图像目标识别，第3章介绍基于局部保持特性和Gamma分布的SAR图像目标识别，第4章介绍基于结构保持投影的SAR图像目标识别。第5～7章主要介绍基于稀疏表示的SAR图像目标识别。其中，第5章介绍基于类别稀疏表示的SAR图像目标识别，第6章介绍基于乘性稀疏表示和Gamma分布的SAR图像目标识别，第7章介绍基于判别统计字典学习的SAR图像目标识别。第8章～10章主要介绍基于特征融合的SAR图像目标识别。其中，第8章介绍基于Dempster-Shafer证据理论融合多稀疏表示和样本统计特性的SAR图像目标识别，第9章介绍基于Dempster-Shafer证据理论和稀疏表示的SAR图像目标识别，第10章介绍基于两阶段稀疏结构表示的目标识别算法。第11章对全书内容进行总结，并探讨未来SAR图像目标识别可能的发展方向。本书如此设置各章内容的原因如下。

由于流形学习算法对数据局部特性的保持具有优越性，因此第2～4章中分别介绍了笔者提出的几种基于流形学习的SAR图像目标识别算法。流形学习算法可以很好地描述和提取数据的内部流形结构，在光学图像的特征提取中得到了非常广泛的应用，但是该类方法的突出缺点是对噪声的健壮性不强。基于SAR系统的相干成像机理，在SAR图像中不可避免地存在非高斯相干斑，因此直接利用现有的适用于光学图像处理的流形学习算法进行特征提取往往不能很好地实现SAR图像目标识别。针对此问题，本书中介绍的算法将流形学习和SAR图像统计模型相结合，从统计的角度进行SAR图像的特征提取，以更好地实现SAR图像目标识别。第2章和第3章中分别介绍了基于局部保持特性和混合高斯分布的目标识别算法，以及基于局部保持特性和Gamma分布的目标识别算法，这两种算法将局部保持特性分别和混合高斯分布、Gamma分布相结合，在保持数据局部结构的同时，考虑了数据中的噪声分量，能够更好地对SAR图像进行描述，从而实现高精度识别。第4章中介绍了基于结构保持投影的目标识别算法，将样本的类别信息融入结构保持模型，构建能反映样本关系的相似度矩阵和差异度矩阵。相似度矩阵用于保持同类样本的局部结构，可使同类样本在特征提取后更加紧致。差异度矩阵用于分离在高维空间的近距离异类样本，以减弱目标方位角敏感特性对识别的影响。

考虑到稀疏表示算法具有天然的判别能力，第5～7章中介绍了笔者提出的几种基于稀疏表示的目标识别算法。稀疏表示可很好地对数据实现灵活、简洁和自适应的表示。对SAR图像目标识别而言，稀疏表示理论的优势是：①稀疏表示能精确地对SAR图像进行描述，可有效地捕获SAR图像的全局信息，并且可以结合SAR图像的多种特征，为建立SAR图像融合特征空间构建平台。②稀疏表示将对SAR图像的特征提取转化成对稀疏向量的获取，为特征空间建立和特征准确提取提供了研究途径。③稀疏表示采用很少的非零系数即可对SAR图像进行描述，更适合现在日益膨胀的大数据对算法的要求。为了降低数据的特征维数，第5章中提出了基于类别稀疏表示的目标识别算法。训练样本的类别信息被融入多稀疏表示模型，根据每类目标的训练样本单独构建字典矩阵，以减弱方位角敏感特性对识别的影响。在第6章中，考虑SAR图像中存在乘性相干斑，介绍了基于乘性稀疏表示和Gamma分布的目标识别算法。为了更好地描述SAR图像的本质特性，采用乘性模型对SAR图像进行描述。为了减弱相干斑对SAR图像的不利影响，采用Gamma模型对其进行建模。通过稀疏表示和乘性模型的有效结合实现了SAR图像的精确识别。在第7章中，考虑到通过学习得到的字典矩阵往往可以获得比预定字典矩阵更强的识别健壮性，介绍了基于判别统计字典学习的目标识别算法，从统计的角度出发，求解字典矩阵，同时将判别力融入通过学习得到的字典矩阵。

设计有效的集成方案和合成策略，将SAR图像目标的多种特征进行综合处理，实现不同特征差异性和互补性的有机结合，产生比单一特征更精确、更完整的描述，是实现高精度、高健壮性SAR图像目标识别的关键挑战。在第8～10章中，分别介绍了笔者提出的几种基于特征融合的目标识别算法。第8章中介绍了一种基于Dempster-Shafer证据理论融合多稀疏表示和样本统计特性的目标识别算法，根据多稀疏表示和样本统计特性分别构建基本概率分配函数，以捕获目标的细节信息和全局特征，采用Dempster-Shafer证据理论将样本的细节信息和全局特征融合，实现了样本特征的全面提取，以改善识别效果。第9章中介绍了一种基于Dempster-Shafer证据理论稀疏表示的融合算法，首先构造可以增强最小重构误差样本的权重的支持度函数实现目标识别，通过融合相似训练样本信息提高目标识别率，采用Dempster-Shafer证据理论融合多个相似训练样本的特征，以进一步提高识别率。在第10章中，将流形学习和稀疏表示的优势结合起来，介绍了一种能保持数据流形结构的两阶段稀疏结构表示算法，用于实现SAR图像目标识别。数据的流形结构在训练阶段和测试阶段分别进行保持，实现了高精度的目标识别。

需要说明的是，本书讨论的目标识别不仅限于关注SAR图像目标的类别识别，同时旨在实现SAR图像目标的型号识别。目标的型号说明了目标的配置情况，型号识别比类别识别提供了更多的目标细节信息。例如，同一类别的坦克上有没有机关枪、油箱，天线是否打开等；同一类别的装甲车上有没有炮筒、挡泥板、聚光灯等。同类别、不同型号的目标称为变形目标（Variants），目标的型号识别就是把同类型不同型号的目标区分开。 fcZA0cU+KPJ1sNNyEecgZsYHZf4TPh3Qp2FPBZh/1i8HM9Pnq7SW85hdKIgaWiEC