一种基于变化检测技术的SAR图像舰船目标鉴别方法

该文引入变化检测思想,利用SAR图像中海杂波和目标之间的灰度差异,通过对潜在舰船目标切片的目标像素和背景像素进行分离,计算目标像素聚集度(TPAM)特征,实现对高亮像素在图像切片中聚集程度的定量评估,从而鉴别目标切片中是否包含有舰船目标,有效去除杂波虚警。首先,基于感兴趣区域(ROI)切片中心为目标像素及四周为海杂波的合理假设,构建似然比变化检测量获取差异图像;然后,利用KSW熵阈值选择方法实现差异图像中目标像素和海杂波像素的自动分离,生成二值图像;最后,利用切片中心像素为种子点,对二值图像进行区域生长,计算目标像素聚集度特征,并判断目标切片是否包含舰船目标。基于RADARSAT-1 SAR实测数据的实验结果表明,该文方法得到的目标像素聚集度特征计算简单、稳健性好、可区分度高,具有良好的鉴别性能,能够去除大部分海杂波干扰产生的虚警,有效地降低目标检测虚警率。     

动态背景下运动车辆的检测与跟踪研究

为实现对车载设备视频图像中车辆的识别和跟踪,针对图像中的运动目标和动态背景,提出了一种基于特征学习的目标检测和超像素跟踪算法.该算法首先对训练图像进行HOG特征提取,并利用AdaBoost算法得到强分类器.利用强分类器对采集的图像进行车辆检测,从而确定搜索区域.结合对搜索区域的超像素分割结果,采用均值漂移聚类算法实现车辆识别与跟踪.实验结果表明,该算法可以很好地实现视频序列中的车辆识别,提高了目标跟踪的实时性.     

SAR图像车辆目标ROI的提取技术

SAR图像感兴趣目标区域(Region Of Interest, ROI)的提取是目标识别的基础。该文针对SAR图像中车辆目标ROI提取问题,系统分析了ROI提取过程的关键环节,提出了采用基于有序数据可变索引(Ordered Data Variability Index, ODVI)的自适应CFAR方法实现目标的恒虚警检测,同时对ROI切片计算鉴别特征,并实现序贯鉴别。最后利用X波段SAR图像数据验证了该文的ROI提取技术,给出了鉴别输出的ROI,处理结果显示该文算法能准确提取车辆目标ROI,有效消除虚警。     

一种改进的高分辨率SAR图像超像素CFAR舰船检测算法

合成孔径雷达(SAR)图像舰船目标检测一直受到学者广泛关注,恒虚警率(CFAR)检测算法作为雷达图像经典目标检测算法被广泛应用于SAR图像舰船目标检测中。然而经典CFAR检测性能容易受到相干斑噪声影响,基于滑窗的检测结果对滑窗的尺寸选择非常敏感,难以保证杂波背景中不存在目标像素,并且计算效率较低。针对上述问题,该文提出了一种新的基于超像素无窗快速CFAR的SAR图像舰船目标检测算法。首先,利用基于密度的快速噪声空间聚类(DBSCAN)超像素生成方法生成SAR图像的超像素。在SAR数据服从混合瑞利分布的假设下,定义了超像素相异度。然后利用超像素精确估计每个像素的杂波参数,即使在多目标情况下,也可以克服传统CFAR滑动窗口的缺点。此外,基于SAR图像变异系数,提出了一种基于变异系数的局部超像素对比度来优化CFAR检测,以此消除大量杂波虚警,如陆地区域人造目标。对5幅SAR图像的实验结果表明,与其他方法相比,该文方法对不同场景SAR图像海面舰船目标检测都十分稳健。      

一种基于视觉注意模型的可移动目标检测方法

提出了一种基于视觉显著性的目标检测算法,用于对位于地面上的车辆、飞 机等地面可移动目标进行检测和定位。针对地面可移动目标在场景中较小的特点,设计了一种用于对 目标检测进行引导的基于视觉注意机制的目标显著模型。首先,提取图像目标的颜色特征、强 度特征和方向Gabor特征,并将其结合起来用于计算显著图。然后以超像素为单位对 显著值进行计算,并结合人眼视觉敏感度对不同距离的超像素之间的差异进行加权处理。实 验结果表明,本文算法可以有效地检测并定位出复杂背景中的地面可移动目标。     

基于表征转换机的SAR图像目标分割方法

针对SAR(Synthetic Aperture Radar)图像中的目标分割问题,由于目标与杂波空间模式(像素强度和分布)不同,通过分析图像空间模式的方式可达到分辨目标和杂波并分割目标的目的。该文基于表征转换机理论提出一种有效的SAR图像目标分割方法,该算法分析SAR图像中的空间模式,计算其与参考杂波图像的相似程度,最后将与参考杂波相似程度较高的部分消除以达到分割目标的目的,并在衡量相似度部分使用基于累积直方图的自动阈值选取办法。仿真和实测数据的实验验证了此算法的有效性。      

基于超像素多特征融合的快速图像分割算法

为了提高高分辨率图像分割效率,解决复杂图案中待分割目标边缘附近前景与背景区分度小而造成的分割目标不完整问题,本文通过引入超像素HOG特征,提出了一种基于超像素多特征融合（superpixel multi-feature fusion,SMFF）的快速图像分割算法.首先采用目前最有效的超像素算法对待分割图像进行超像素预分割,然后提取基于超像素的HOG特征、Lab颜色特征和空间位置特征,设计基于超像素的多特征度量算法,最终采用图割理论实现了基于超像素多特征融合的快速图像分割.实验结果验证了本文算法的有效性,其算法性能接近于目前最经典图像分割算法,且本文算法的时间性能要明显优于其它对比算法.     

基于模糊推理的电气设备红外图像分割

使用模糊理论处理电气设备红外图像分割的不确定性，提出了一种基于模糊推理的电气设备红外图像分割算法。首先分别利用电气设备红外图像故障区域的像素灰度、像素点与图像质心的马氏距离以及图像膨胀操作定义了强度特征、全局故障可能性特征和局部灰度特征；然后根据特征的模糊语言值制定了27条模糊规则，设计了一种模糊推理红外图像分割算法；最后，从主观和客观评价指标上将算法与传统Otsu算法和FCM算法进行了对比。实验表明，该算法的分割精度和误分割率比其他两种算法都有一定的改善，同时该算法能够滤除图像中具有高亮度的干扰区域，对具有小亮度差和小面积故障区域的红外图像有较好的分割效果。     

基于自适应相似度距离的改进FCM图像分割

为了改善传统FCM算法抗噪性差的问题,提出了基于自适应相似度距离的FCM算法.算法将像素分为两个特征:第一个描述的是像素的内在属性(灰度级特征),第二个描述邻域像素特征(空间特征).在此基础上,基于自适应相似度距离,根据像素在图像中的空间位置决定哪一个特征拥有优先级,对其进行聚类.图像分割结果表明,算法比标准FCM算法有明显改善,具有很好的抗噪性能,取得了更好的分割效果.     

基于平坦度的激光雷达强度图像的滤波算法

激光雷达是一种比较新的获取地面信息的方法，这种方法得到的数据不仅包括不规则间距的三维数据点云，还包括激光强度信息。现有的激光雷达数据处理方法大都是将三维数据点进行处理得到数字地面模型（DTM），对于激光强度信息的处理方法的研究比较少。针对激光雷达数据中像素级融合了三维信息和强度信息的特点，提出了一种基于高程信息平坦度的均值滤波算法。先将激光雷达的强度信息转换为灰度图像，然后在对各像素进行均值滤波处理时，融合了对应的激光雷达距离信息中该像素邻域内的高程信息。运用此算法和传统均值算法对激光雷达数据进行了处理，并且使用多种指标对处理结果进行了比较。结果表明，该算法既保持了传统均值滤波的优点，又改进了对弱边缘目标的保护。     

基于Beta-Prime统计模型和QGD分类器的SAR图像地物分类方法

本文融合了Beta-prime(BP)统计模型和Quadratic Gamma discrimination(QGD)分类器各自的优点,给出了一个完整的合成孔径雷达(SAR)图像地物分类算法.通过利用BP模型区分背景杂波和目标,利用QGD分类器区分自然目标和人造目标,可以精确地把SAR图像分成阴影、背景杂波、自然目标和人造目标,在为目标识别过程提供潜在目标切片的同时,也能够提供背景杂波和自然目标的信息.     

高阶分形特征在雷达信号检测中的应用

本文将高阶分形特征用于雷达信号的分析,提取出用于区分目标和杂波的新的分形特征——缝隙尺度变化率.推导了缝隙值在加性分形噪声中的关系式.实验表明:利用缝隙特征进行海上雷达目标的检测,可以取得较分维值检测更高的准确率.     

基于CFAR级联的SAR图像舰船目标检测算法

SAR图像舰船目标检测在军事监视和海洋环境监管等方面有着重要的意义。针对SAR图像的特点,提出了一种基于全局CFAR检测与局部CFAR检测级联的舰船目标检测算法。在全局CFAR检测中,通过海杂波特性拟合优选海杂波统计模型,以较高的虚警率筛选潜在的目标点;在局部CFAR检测中,以潜在目标点的连通区域为单位,通过检测窗口的选取、背景像素的确定和海杂波拟合等步骤以后,以较低的虚警率确定目标。最后,通过条件扩张算法和目标像素聚类完善船只细节。实验结果表明,文中算法在保证良好的检测性能的同时,具有检测效率高、舰船细节完整等优点,为舰船目标鉴别和信息提取提供了良好的保障,更加符合实际应用需求。     

基于多分辨率能量特征的SAR目标检测

针对UWB SAR中二面角目标和树干杂波在方向域和频率域的不同特性，特别是频率域相关特性的不同，给出了一种新的多分辨率划分方法，通过该方法对原始图像的处理得到多分辨率图像序列，并以该图像序列为对象提取能量特征，最终实现了目标检测。对实测数据的检测表明，该方法能有效地抑制杂波，提高目标的检测性能。     

A novel lacunarity estimation method applied to SAR image segmentation

Based on the relative differential box-counting algorithm and the gliding-box algorithm, a novel method for estimating the lacunarity features of grayscale digital images is proposed. Four natural texture images are used to test the performance of the novel lacunarity measure. Comparisons with published methods show that the proposed method can efficiently describe texture images, and provide accurate classification results. Real synthetic aperture radar (SAR) images analyses are found to have different lacunarity values for different regions. We show that good results can be obtained with appropriate lacunarity parameters applied to SAR images segmentation.     

SAR图像上舰船目标检测的一种新算法

提出了一种改进的KSW算法检测SAR图像上的舰船目标.在该算法中,检测门限被选择以最大化背景与目标灰度熵加权和.由于加权系数的引入,该算法能针对SAR图像上舰船目标检测的实际情况,调整背景与目标灰度熵在准则函数中所占比例.当海杂波较弱时,该算法与传统的KSW算法等价.当海杂波较强时,其较传统的KSW算法有更好的表现.     

基于分形维与缝隙参数的海杂波目标检测

针对分数布朗运动模型在不同尺度上粗糙度相同的缺陷,提出一种将高阶分形特征作为分形维数补充的目标检测算法。该方法将Hurst指数和缝隙特征相结合,分析比较了海杂波和目标的特性。在此基础上,对IPIX雷达实测数据进行实验分析。结果表明,对海杂波背景下的小目标检测,提出的算法比仅基于分形维数的检测算法性能更优。     

基于卷积构型的单元平均CFAR目标检测算法

提出一种基于卷积构型的单元平均恒虚警率(convolution based cell averaging constant false alarm rate, CCA-CFAR)快速检测算法.该算法首先根据背景杂波分布模型计算待检测合成孔径雷达(synthetic aperture radar, SAR)图像统计量矩阵, 然后对单元平均恒虚警率(cell averaging constant false alarm rate, CA-CFAR)检测器构建卷积模型, 利用卷积运算实现对背景杂波的矩估计, 并求出详细的背景杂波分布函数, 最后根据分布函数计算出每个像素的判定阈值, 并对所有待检测像素是否为目标点进行判定.该检测算法复杂度低, 运算效率高, 能够快速实现SAR图像实时目标检测.仿真实验证明了该方法的有效性和工程实用价值.     

基于图像域的势函数正则化SAR图像增强算法

SAR图像增强技术是SAR信号处理中很重要的一门技术。SAR原始图像中除了包含模糊的目标区域和阴影区外还包含了大量的噪声。在目标识别过程中，如果先对原始SAR图像进行增强处理，在降低噪声的同时增强模糊的目标区域和阴影区，然后进行特征提取，就可以大大降低识别系统的运算量，提高识别效率。正则化方法广泛应用于图像分割、图像增强等领域。通过对两种正则化算法的比较，结合两种方法的优点，提出了一种改进的基于图像域的势函数正则化图像增强算法。利用MSTAR数据库数据进行仿真试验，取得了良好的效果。     

An Adaptive and Fast CFAR Algorithm Based on Automatic Censoring for Target Detection in High-Resolution SAR Images

An adaptive and fast constant false alarm rate (CFAR) algorithm based on automatic censoring (AC) is proposed for target detection in high-resolution synthetic aperture radar (SAR) images. First, an adaptive global threshold is selected to obtain an index matrix which labels whether each pixel of the image is a potential target pixel or not. Second, by using the index matrix, the clutter environment can be determined adaptively to prescreen the clutter pixels in the sliding window used for detecting. The $G^{0}$ distribution, which can model multilook SAR images within an extensive range of degree of homogeneity, is adopted as the statistical model of clutter in this paper. With the introduction of AC, the proposed algorithm gains good CFAR detection performance for homogeneous regions, clutter edge, and multitarget situations. Meanwhile, the corresponding fast algorithm greatly reduces the computational load. Finally, target clustering is implemented to obtain more accurate target regions. According to the theoretical performance analysis and the experiment results of typical real SAR images, the proposed algorithm is shown to be of good performance and strong practicability.