SAR目标分类流程

预筛选(Prescreening)

目标识别第一步，从背景中提取潜在的目标。包括确定可能的目标和排除不符合要求的目标。这个过程通常被称为预筛选。

图5a.使用滑窗(插图)滤过图像，明显强于背景杂波的核心像素(蓝色)被检测出来

检测(Detection)

预筛选阶段第一步，逐点检测标记出与邻近像素反差较大的点。幸运的是，通常金属结构的目标反射信号通常比其它材料更加强烈，在雷达成像图中非常明显，因此可以使用滑窗法将目标信号从背景杂波中检测出来。

此时，通常在目标信号像素周围建立一个保护圈(或蒙版)来隔离其它区域的影响。图5a就是此算法在合成孔径雷达(SAR)成像图上的应用，它演示了对开阔空地背景中车辆的检测。右下角的小图展示了探测算法的基本原理。

图5b 已检测出的集群(绿色)，红色标记是在枚举其数目。采用简单集群增加算法(插图)

聚类(Clustering)

逐点检测后，应用聚类算法将属于同一目标的像素点相互关联。有一种方法是使用简单集群增加规则，如图5b右下角的插图所示。

白色像素(亮点)通过检测组成了四个集群。黑框内区域内检测算法达到预设门限，阴影像素已经形成统一集群。算法开始对未检测像素(黑点)进行检测。5b红色标记是在枚举已检测出的集群(绿色)。

排除离散集群(Rejection of Clutter Discretes)

预筛选阶段最后一步，是在集群建立的基础上，按一定原则(例如集群规模和平均功率)进行排除工作。即将一些有较大概率是离散杂物(如树木而不是人造物体)的集群排除。剩余集群作为潜在目标进入分类阶段。图5c中标有红色十字的为潜在目标，植被和假目标集群用黄色箭头标记。

图5c. 标有红色十字的为潜在目标。植被和假目标集群用黄色箭头标记

模板匹配(Template Matching)

一旦通过预筛选确定好待测目标，就可以开始分类了。有一种方法是将待测目标与数据库内已知图像（模板) 对比匹配。如图6所示。

图6. 目标与预先收集的样本数据库相对照。目标与红框内圈示的样本相匹配

由于雷达图像与成像角度息息相关，样本数据库应当包含各角度的成像样本。图6中，样本数据库基本囊括了入射角360°变化的成像样本。一般来说，样本空间要包括仰角改变和部分方位角变化。插图显示被测目标匹配红框圈示样本，而与黄框圈示样本不相匹配。

模板匹配在概念上很简单，问题是所需的数据库非常巨大，因为数据库要包括各种目标，每种目标还要具备不同照射角度的样本。因此，模板匹配在解决分类问题中扮演了重要的角色，但是使用相对受限。解决分类问题还需要另一种不受限制的方法。

基于特征分类(Feature-Based Classification)

这种方法通过分析目标特征，避免了对大型数据库的需要。选择合适的比较特征是提高基于特征分类性能的关键。通常目标特征可以分为三大类：几何特征、纹理特征征和差别特征。

几何特征包括长、宽、面积、长宽比、质心等参数。傅里叶系数也可以分在这一类，因为它在本质上是在描述目标的高频部分。图7演示了如何通过长和宽区分主战坦克(MBT)、装甲运兵车(APCs)和支援保障车辆(Support)。

图7.可以用长宽等特征值来识别目标种类。按照长宽对三种不同种类的军用车辆(MBT、APC、Support)进行了统计区分。

纹理特征主要是描述目标的像素强度随机性的一些参数，比如标准差、像素强度的空间相关长度和熵。差别特征包括分形维数(fractal dimension, 衡量目标内部空间分布的散射程度)，加权填补比率(weightedrank fill ratio，衡量能量在几个最明亮散射上的集中程度)。一旦选择好特征，在模式识别领域有一系列标准步骤来执行分类算法。

利用上述的标准特征通常可以使分类水平达到一个合理的水平。为了能够在目标变化时有更高的鲁棒性，某些特别是涉及到目标底层物理结构的参数，如主导散射的位置，可能会提供更好的鲁棒性能。