摘要
合成孔径雷达（SyntheticApertureRadar,SAR）作为一种主动式微波成像传感器，具有全天时、全天候的成像能力，在空间对地观测领域具有广泛的应用。遥感大数据时代下，全新的SAR图像给目标信息智能提取与应用带来了新的挑战:（1）直接迁移的计算机视觉预训练网络难以表征SAR图像的电磁信息，影响了模型的稳健性;（2）由于源数据缺乏、标注难度大及传感器特性限制，SAR图像面临少样本学习困境，制约了模型的表征与泛化性能提升;（3）深度表征模型的可解释性不足，限制了对决策过程的交互理解以及模型的推广应用。 面对海量SAR数据的解译需求，迫切需要发展研究适用于SAR图像领域的目标智能解译新范式。针对上述面临的挑战，本文期望构建从数据驱动到电磁散射先验引导的SAR图像深度表征模型，建立像素和语义级的SAR图像相似性评价指标，为高分辨率SAR图像少样本智能目标识别提供理论与交互应用框架。本文的主要工作与创新点如下: 1）针对大场景星载SAR图像中飞机目标检测问题，从使用图像特征信息作为先验驱动深度模型的角度出发，本文提出了一种目标几何信息辅助的SAR图像目标智能检测算法:首先，设计了一种基于自适应鉴别算子的机场检测算法实现对大场景SAR图像中的机场目标的快速定位;然后，采用基于Canny算子的边缘检测方法对机场区域的SAR图像进行特征提取，获得包含疑似飞机目标的候选框;最后，使用深度神经网络对候选框目标进行鉴别并剔除虚警目标。本文采用高分3号与TerraSAR-X卫星图像对所提算法进行性能评估，实验结果验证了所提方法的有效性。 2）针对在应用中面临的由于SAR图像中目标的离散性、多变性与复杂背景干扰导致的模型稳健性不足的问题，本文提出了一种散射信息增强的SAR图像目标智能识别框架:其主要包括散射信息增强与注意力特征金字塔网络检测两个阶段。首先，以图像中强散射点作为散射信息建模的基础，采用混合聚类算法对提取的散射特征进行建模、鉴别与增强;进一步地，本文提出了融合卷积块注意力模块的特征金字塔网络，其融合浅层特征的高分辨率信息和深层特征的高语义信息进行决策，从而对散射信息增强后的多通道SAR图像进行判别。本文基于高分3号与TerraSAR-X卫星数据构建了SAR图像飞机目标检测数据集。所提方法的测试平均精确度为83.25％,在复杂背景及目标密集排布两种应用情形下均实现了稳健的检测性能。 3)针对少样本条件下模型泛化性与可解释性不足的问题，本文提出了一种因果启发的SAR图像解耦表征与少样本目标识别方法:首先，基于雷达观测过程提炼出SAR成像因果图，将SAR图像建模为由本征属性、多样性及随机性调控的低维流形;并依此设计了对抗低维变量自编码网络，使用解耦的特征分布先验引导模型采样与算法优化，显著降低了模型的不透明度与对训练样本的需求。本文采用基于循环高频信息的编码方式对方位角进行表征，搭建了对称的条件编码模块来约束低维向量的语义分布一致性，设计了包括低维表征对抗与重构损失，和任务驱动的分类与角度预测的混合目标函数。MSTAR数据集被用于模型性能评估。实验结果表明所提模型可生成逼真的角度插值与目标变换样本，在每类仅使用12个训练样本的10分类任务中，实现了93.1％的识别率。 4)SAR图像相似性评价可为样本扩充、以及提升后续的目标检测、分割及融合算法的性能提供重要的精度保障。受最优传输理论启发，本文提出了一种基于Wasserstein距离相似性(WassersteinDistanceSimilarity,WDS)的评价指标:首先，对SAR图像进行概率分布建模，并构建基于像素位置欧式距离的代价矩阵;然后，利用Sinkhorn算法快速求解最优传输映射。本文将两个图像概率分布间的最优传输代价定义为图像间的WDS。距离越小，图像像素相似性越高。本文所提出WDS评价指标综合考虑了SAR图像中目标结构与背景分布信息，避免了传统评价指标复杂的统计建模过程，提供了一种更通用的SAR图像相似性评价方法。基于MSTAR数据的图像传输效果可视化分析以及定量指标评价实验验证了所提指标的合理性与有效性。 5)当实测数据难以支撑训练一个鲁棒的模型时，使用仿真数据增强是一个可行的策略。仿真数据质量在很大程度上决定了模型性能，因此对仿真数据进行客观且有效的质量评价具有重要意义。本文提出了一种基于识别率与替换率曲线的仿真数据效用评价指标(RecognitionrateversusSubstitutionrateCurve,RSC):首先，基于渐进增长的替换率，对参考与仿真数据集进行替换组合，生成差分训练数据集对;然后，评估不同替换比率下的模型分类准确率。本文将比较与参考分类器的RSC积分的差值定义为RSC评价指标。在实测与多源仿真数据集上的评估实验表明，所提出的RSC评价指标可以同时对仿真数据集的视觉相似性与分布一致性进行衡量，具有良好的效用评估能力，灵活性及可扩展性。
NETL