将压缩感知重构算法应用到哈达玛鬼成像中,以实现在较低采样率下恢复出待测物体的信息。该方案比哈达玛鬼成像的重构次数更少,所需要的采样次数也减少。使用观测时间和计算结构相似性指标这两个参数作为评价图像质量的客观标准,比较SP算法和OMP算法下哈达玛鬼成像的重构结果。经过模拟仿真和实验验证后,发现在哈达玛鬼成像的基础上,采用OMP算法与哈达玛鬼成像相结合,可以得到成像速度更快,成像质量较好的重构图像。

针对SAR图像舰船目标识别中存在的数据不平衡问题提出了一种基于批内平衡采样和模型微调的两阶段迁移学习方法。首先使用批内平衡采样方法得到类间数量平衡的训练集, 然后使用该数据集预训练模型, 最后通过迁移学习和模型微调继续训练不平衡数据并完成测试。针对一般三通道CNN模型在处理单通道SAR图像时会出现参数冗余的问题,设计了一种用于SAR图像识别的轻量化CNN模型。通过单通道卷积核、深度可分离卷积和用全局平均池化代替全连接层3种策略有效降低了模型的参数量。在公开数据集OpenSARShip上的实验结果表明: 所提方法有效提升了少数类的识别精度, 缓解了数据不平衡问题对识别结果的影响; 所提轻量化CNN模型在保证识别精度基本不变的前提下, 使传统三通道CNN模型的模型大小和单次迭代时间分别降低约58.86%和63.62%。