雷达学报杂志

雷达学报杂志2024年第2期

• 微波视觉与SAR图像智能解译

  徐丰, 金亚秋

  高分辨率雷达成像技术和人工智能、大数据技术的快速发展，有力促进了雷达图像智能解译技术的进步。由于雷达传感器本身的特殊性和电磁散射成像物理的复杂性，雷达图像的解译缺乏光学图像的直观性，准确迅速识别分类的需求对雷达图像解译提出了迫切的挑战。在借鉴人脑光视觉感知机理和计算机视觉图像处理相关技术基础上，进一步融合电磁散射物理规律及其雷达成像机理，我们提出发展微波域雷达图像解译的“微波视觉”的新交叉领域研究。该文介绍微波视觉的概念与内涵，提出微波视觉认知模型，阐述其基础理论问题与技术路线，最后介绍了作者团队在相关问题上的初步研究进展。

• SAR图像飞机目标智能检测识别技术研究进展与展望

  罗汝, 赵凌君, 何奇山, 计科峰, 匡纲要

  合成孔径雷达(SAR)采用相干成像机制，具有全天时、全天候成像的独特优势。飞机目标作为一种典型高价值目标，其检测与识别已成为SAR图像解译领域的研究热点。近年来，深度学习技术的引入，极大提升了SAR图像飞机目标检测与识别的性能。该文结合团队在SAR图像目标特别是飞机目标的检测与识别理论、算法及应用等方面的长期研究积累，对基于深度学习的SAR图像飞机目标检测与识别进行了全面回顾和综述，深入分析了SAR图像飞机目标特性及检测识别难点，总结了最新的研究进展以及不同方法的特点和应用场景，汇总整理了公开数据集及常用性能评估指标，最后，探讨了该领域研究面临的挑战和发展趋势。

• Intelligent Technology for Aircraft Detection and Recognition through SAR Imagery: Advancements and Prospects（in English）

  Synthetic Aperture Radar (SAR), with its coherent imaging mechanism, has the unique advantage of all-day and all-weather imaging. As a typical and important topic, aircraft detection and recognition have been widely studied in the field of SAR image interpretation. With the introduction of deep learning, the performance of aircraft detection and recognition, which is based on SAR imagery, has considerably improved. This paper combines the expertise gathered by our research team on the theory, algorithms, and applications of SAR image-based target detection and recognition, particularly aircraft. Additionally, this paper presents a comprehensive review of deep learning-powered aircraft detection and recognition based on SAR imagery. This review includes a detailed analysis of the aircraft target characteristics and current challenges associated with SAR image-based detection and recognition. Furthermore, the review summarizes the latest research advancements, characteristics, and application scenarios of various technologies and collates public datasets and performance evaluation metrics. Finally, several challenges and potential research prospects are discussed.

• 基于时频分析的SAR目标微波视觉特性智能感知方法与应用

  黄钟泠, 吴冲, 姚西文, 王立鹏, 韩军伟

  合成孔径雷达(SAR)目标识别智能算法目前仍面临缺少鲁棒性、泛化性和可解释性的挑战，理解SAR目标微波特性并将其结合先进的深度学习算法，实现高效鲁棒的SAR目标识别，是目前领域较为关注的研究重点。SAR目标特性反演方法通常计算复杂度较高，难以结合深度神经网络实现端到端的实时预测。为促进SAR目标物理特性在智能识别任务中的应用，发展高效、智能、可解释的微波物理特性感知方法至关重要。该文将高分辨SAR目标的非平稳特性作为一种典型的微波视觉特性，提出一种改进的基于时频分析的目标特性智能感知方法，优化了处理流程和计算效率，使之更适用于SAR目标识别场景，并进一步将其应用到SAR目标智能识别算法中，实现了稳定的性能提升。该方法泛化性强、计算效率高，能得到物理可解释的SAR目标特性分类结果，对目标识别算法的性能提升与属性散射中心模型相当。

• 格式塔感知规律在SAR图像中的有效性初探

  尤瑞希, 钱昱彤, 徐丰

  合成孔径雷达(SAR)图像是当前微波视觉研究领域的重要数据源。计算机视觉以光学视觉规律为理论基础，无法有效解译SAR图像。因此，借鉴人类视觉感知规律和计算机视觉技术，并融合电磁物理规律的微波视觉成为当前微波遥感领域的一个重要研究方向。探索微波视觉的认知基础对于完善微波视觉理论体系至关重要。该文旨在探讨光学感知规律在微波视觉中的有效性，作为完善微波视觉理论的基础尝试。格式塔感知规律是一类经典的视觉理论，常用于描述人类视觉系统对外部光学世界的感知规律，是计算机视觉的认知理论基础之一。在此背景下，该文以SAR图像为研究对象，借鉴认知心理学实验的设计流程，对格式塔感知规律中的感知组合律和感知不变律在SAR图像中的有效性进行初步研究，探索微波视觉的认知基础。实验结果表明，格式塔感知规律不能够直接应用到SAR图像的算法设计中，人类视觉系统从光学世界中总结出的知识概念、视觉规律在SAR图像中表现不佳，未来需要针对SAR图像等微波图像的特点总结相应的微波视觉认知规律。

• 面向SAR图像目标分类的CNN模型可视化方法

  李妙歌, 陈渤, 王东升, 刘宏伟

  卷积神经网络(CNN)在合成孔径雷达(SAR)图像目标分类任务中应用广泛。由于网络工作机理不透明，CNN模型难以满足高可靠性实际应用的要求。类激活映射方法常用于可视化CNN模型的决策区域，但现有方法主要基于通道级或空间级类激活权重，且在SAR图像数据集上的应用仍处于起步阶段。基于此，该文从神经元特征提取能力和网络决策依据两个层面出发，提出了一种面向SAR图像的CNN模型可视化方法。首先，基于神经元的激活值，对神经元在其感受野范围内的目标结构学习能力进行可视化，然后提出一种通道-空间混合的类激活映射方法，通过对SAR图像中的重要区域进行定位，为模型的决策过程提供依据。实验结果表明，该方法给出了模型在不同设置下的可解释性分析，有效拓展了卷积神经网络在SAR图像上的可视化应用。

• 面向目视解译的全极化SAR船只精细化特征表征方法

  邓莎萨, 张帆, 尹嫱, 马飞, 袁新哲

  随着卫星技术的发展，极化合成孔径雷达(PolSAR)数据的分辨率和数据质量得到大幅提升，为人造目标的精细化目视解译提供了良好的数据条件。目前主要采用多分量分解的方法，但是易造成像素错分问题，为此，该文结合Yamaguchi极化分解和极化熵提出了一种非固定阈值划分的方法用于实现全极化SAR图像船只结构精细化特征表征。Yamaguchi极化分解能够识别基本散射机制，其修正后的体散射模型更符合实测数据，可有效对人造目标进行表征。极化熵H在弱去极化状态下可以看成某一指定等效点的目标散射机制，能够有效突出船只主散射特征。因此，该文通过将Yamaguchi极化分解算法的非固定三分量与极化熵的低中高熵内嵌，将其分为非固定阈值的九分类成分，从而降低硬阈值处理在阈值边界处受噪声影响产生的类别随机性。并且将二次散射和单次散射均显著的区域称为混合散射(MSM)，以更好匹配实验中船只典型结构的散射类型。在此基础上，利用广义相似性参数进一步缩短类内距离，采用改进后的GSP-Wishart分类器进行迭代聚类，旨在通过提高二次散射和混合散射机制以提高不同类型船只可区分度。最后，该文采用中国上海某港口的高分三号全极化SAR数据进行实验，为了验证每艘船只特征表征正确性，通过船舶自动识别系统(AIS)收集并筛选了该港口船只信息及光学数据，并与极化SAR数据中每艘船只进行匹配。实验结果表明该方法可有效区分散货船、集装箱船和油轮3种类型船只。

• 基于极化SAR梯度和复Wishart分类器的舰船检测

  殷君君, 罗嘉豪, 李响, 代晓康, 杨健

  舰船检测是极化SAR系统的重要应用之一。现有的舰船检测方法容易受到旁瓣泄露的干扰，使得舰船目标的形态难以提取，导致检测结果不符合真实情况。此外，在舰船过于密集、尺度不一致的情况下，相邻舰船由于旁瓣的影响有时会被认为是单个目标，从而造成漏检。针对这些问题，该文提出一种基于极化SAR梯度和复Wishart分类器的舰船检测方法。首先，将似然比检验(LRT)梯度引入对数比值梯度框架，使其适用于极化SAR数据；基于LRT梯度图进行恒虚警(CFAR)检测，提取舰船的边缘信息，消除伪影的同时抑制强旁瓣对舰船精细轮廓提取的影响。其次，利用复Wishart迭代分类器对舰船强散射部分进行检测，可排除大部分的杂波干扰且保持舰船形态细节。最后，将二者信息融合，从而可以保持舰船形态细节的同时克服旁瓣和伪信号的虚警。该文在3幅来自ALOS-2卫星的极化SAR图像上进行了对比实验，实验表明与其他方法相比，该文所提算法具有更少的虚警和漏检，且能够有效克服旁瓣泄露，保持舰船形态细节。

• 基于散射点拓扑和双分支卷积神经网络的SAR图像小样本舰船分类

  张翼鹏, 卢东东, 仇晓兰, 李飞

  随着合成孔径雷达(SAR)图像在舰船检测和识别领域的广泛应用，准确而高效地进行舰船分类已经成为一个亟待解决的问题。在小样本学习场景下，一般的方法面临着泛化能力不足的问题，因此该文引入了额外的信息和特征，旨在增加模型对目标的理解和泛化能力。该文通过散射关键点构建拓扑结构以表征舰船目标的结构和形状特征，并计算拓扑结构的拉普拉斯矩阵，将散射点之间的拓扑关系转化为矩阵形式，最后将SAR图像和拉普拉斯矩阵分别作为双分支网络的输入进行特征提取。在网络结构方面，该文设计了一个由两个独立的卷积分支组成的双分支卷积神经网络，分别负责处理视觉特征和拓扑特征，并用两个交叉融合注意力模块分别对两个分支的特征进行交互融合。该方法有效地将目标散射点拓扑关系与网络的自动学习过程相结合，从而增强模型的泛化能力并提高分类精度。实验结果表明，在OpenSARShip数据集上，所提方法在1-shot和5-shot任务的平均准确率分别为53.80%和73.00%。而在FUSAR-Ship数据集上，所提方法分别取得了54.44%和71.36%的平均准确率。所提方法在1-shot和5-shot的设置下相比基础方法准确率均提升超过15%，证明了散射点拓扑的应用对SAR图像小样本舰船分类的有效性。

• 面向SAR目标识别深度网络可理解的类激活映射方法

  崔宗勇, 杨致远, 蒋阳, 曹宗杰, 杨建宇

  随着深度学习方法在合成孔径雷达(SAR)图像解译领域的广泛应用，SAR目标识别深度网络可理解性问题逐渐受到学者的关注。类激活映射(CAM)作为常用的可理解性算法，能够通过热力图的方式，直观展示对识别任务起作用的显著性区域。然而作为一种事后解释的方法，其只能静态展示当次识别过程中的显著性区域，无法动态展示当输入发生变化时显著性区域的变化规律。该文将扰动的思想引入类激活映射，提出了一种基于SAR背景杂波特性类激活映射方法(SCC-CAM)，通过对输入图像引入同分布的全局扰动，逐步向SAR识别深度网络施加干扰，使得网络判决发生翻转，并在此刻计算网络神经元输出激活值的变化程度。该方法既能解决添加扰动可能带来的扰动传染问题，又能够动态观察和度量目标识别网络在识别过程中显著性区域的变化规律，从而增强深度网络的可理解性。在MSTAR数据集和OpenSARShip-1.0数据集上的试验表明，该文提出的算法具有更加精确的定位显著性区域的能力，相比于传统方法，在平均置信度下降率、置信度上升比例、信息量等评估指标上，所提算法具有更强的可理解性，能够作为通用的增强网络可理解性的方法。

• 融合可微分渲染的SAR多视角样本增广

  贾赫成, 蒲欣洋, 王燕妮, 符士磊, 徐丰

  合成孔径雷达(SAR)因其全天候、全天时的监测能力在民用和军事领域得到广泛应用。近年来，深度学习已被广泛应用于SAR图像自动解译。然而，由于卫星轨道和观测角度的限制，SAR目标样本面临视角覆盖率不全的问题，这为学习型SAR目标检测识别算法带来了挑战。该文提出一种融合可微分渲染的SAR多视角样本生成方法，结合逆向三维重建和正向渲染技术，通过卷积神经网络(CNN)从少量SAR视角图像中反演目标三维表征，然后利用可微分SAR渲染器(DSR)渲染出更多视角样本，实现样本在角度维的插值。另外，方法的训练过程使用DSR构建目标函数，无需三维真值监督。根据仿真数据的实验结果，该方法能够有效地增加多视角SAR目标图像，并提高小样本条件下典型SAR目标识别率。

• 基于RANSAC和三维谱峰分析的全姿态散射中心建模

  靳明振, 杨申, 吴中杰, 张会强, 刘盛启

  全姿态散射中心模型是一种性能优良的光学区复杂目标电磁散射参数化模型。针对传统的基于候选点筛选和聚类的全姿态散射中心建模方法易出现虚假散射中心和遗漏真实散射中心的问题，该文提出了一种基于目标三维空间电磁散射强度场谱峰分析的建模方法。首先，基于目标多视一维散射中心参数，利用随机采样一致性(RANSAC)方法和Parzen窗函数方法估计目标在三维空间中的电磁散射强度场。然后，通过谱峰分析、散射中心关联和多视量测融合，得到全姿态三维散射中心的位置。最后，利用二值形态学处理修正全姿态散射中心的角度可见性，估计全姿态散射中心的散射系数和类型参数。仿真结果表明，该文方法所提取的全姿态散射中心与目标几何结构具有极强的关联性，相较传统方法，在缩减三维散射中心数量的同时提升了模型的表示精度。

• 微波光子SAR最优子带融合的全分辨伪彩图生成方法

  海宇, 刘玲, 李中余, 蒲巍, 王晓婷, 武俊杰, 李王哲, 李若明, 黄钰林, 杨建宇

  微波光子(MWP)雷达是一种通过光子器件对传统微波雷达硬件架构进行改进的新型雷达系统。借助光子器件卓越的物理特性，MWP雷达能够发射超宽带、高线性度的高质量线性调频信号，从而实现对目标的超高分辨率探测与成像。在目标成像与探测过程中，不同结构和特性的目标区域对不同频率信号的响应存在差异。因此，微波光子雷达具备通过散射差异生成伪彩图像的潜力，从而进一步提升微波光子合成孔径雷达(MWP-SAR)的信息获取能力。传统的遥感技术生成的伪彩图像分辨率较低，无法达到厘米级的分辨。因此，该文提出了一种在保证MWP-SAR高分辨率的前提下合成伪彩图像的方法。该算法首先建立了最优子带回波搜索模型，随后采用最优子带搜索算法对超宽带回波进行处理，以获取散射特性相差最大的子带回波通道。再对多子带差异图像进行色彩合成，通过这一处理步骤，能够生成对目标散射特性最佳描述的伪彩图像。同时，为了确保MWP-SAR的分辨率不受到损失，建立了一个融合模型，将全分辨率的SAR图像与多子带图像相融合，以维持伪彩图像的高分辨率。最终，通过实测的机载MWP-SAR数据成功地合成了全分辨率的伪彩色图像，从而验证了该算法的有效性。该算法可以使得MWP-SAR在成像时获取更多的目标信息，为成像雷达微波视觉的实现提供辅助。

• 基于属性散射中心卷积核调制的SAR目标识别深层网络

  李毅, 杜兰, 周可儿, 杜宇昂

  卷积神经网络(CNN)的特征提取能力与其参数量有关，一般来说，参数量越多，CNN的特征提取能力越强。但要学好这些参数需要大量的训练数据，而在实际应用中，可用于模型训练的合成孔径雷达(SAR)图像往往是有限的。减少CNN的参数量可以降低对训练样本的需求，但同时也会降低CNN的特征表达能力，影响其目标识别性能。针对此问题，该文提出一种基于属性散射中心(ASC)卷积核调制的SAR目标识别深层网络。由于SAR图像具有电磁散射特性，为了提取更符合SAR目标特性的散射结构和边缘特征，所提网络使用预先设定的具有不同指向和长度的ASC核对少量CNN卷积核进行调制以生成更多卷积核，从而在降低网络参数量的同时保证其特征提取能力。此外，该网络在浅层使用ASC调制卷积核来提取更符合SAR图像特性的散射结构和边缘特征，而在高层使用CNN卷积核来提取SAR图像的语义特征。由于同时使用ASC调制卷积核和CNN卷积核，该网络能够兼顾SAR目标的电磁散射特性和CNN的特征提取优势。使用实测SAR图像进行的实验证明了所提网络可以在降低对训练样本需求的同时保证优秀的SAR目标识别性能。

• Deep Network for SAR Target Recognition Based on Attribute Scattering Center Convolutional Kernel Modulation（in English）

  The feature extraction capability of Convolutional Neural Networks (CNNs) is related to the number of their parameters. Generally, using a large number of parameters leads to improved feature extraction capability of CNNs. However, a considerable amount of training data is required to effectively learn these parameters. In practical applications, Synthetic Aperture Radar (SAR) images available for model training are often limited. Reducing the number of parameters in a CNN can decrease the demand for training samples, but the feature expression ability of the CNN is simultaneously diminished, which affects its target recognition performance. To solve this problem, this paper proposes a deep network for SAR target recognition based on Attribute Scattering Center (ASC) convolutional kernel modulation. Given the electromagnetic scattering characteristics of SAR images, the proposed network extracts scattering structures and edge features that are more consistent with the characteristics of SAR targets by modulating a small number of CNN convolutional kernels using predefined ASC kernels with different orientations and lengths. This approach generates additional convolutional kernels, which can reduce the network parameters while ensuring feature extraction capability. In addition, the designed network uses ASC-modulated convolutional kernels at shallow layers to extract scattering structures and edge features that are more consistent with the characteristics of SAR images while utilizing CNN convolutional kernels at deeper layers to extract semantic features of SAR images. The proposed network focuses on the electromagnetic scattering characteristics of SAR targets and shows the feature extraction advantages of CNNs due to the simultaneous use of ASC-modulated and CNN convolutional kernels. Experiments based on the studied SAR images demonstrate that the proposed network can ensure excellent SAR target recognition performance while reducing the demand for training samples.