基于特征解耦的SAR图像舰船检测蒸馏

目前,基于深度学习的合成孔径雷达（SAR）舰船目标检测方法受到广泛关注。但因为模型参数量大、运算内存高等问题限制了其实际应用。通过学生网络模仿教师网络,知识蒸馏被视作一种高效的模型压缩方法。然而,大部分的知识蒸馏算法只针对常见的可见光图像任务,将其直接应用到复杂的SAR图像舰船目标检测上性能表现不佳。通过分析,出现上述性能不佳现象有以下两个原因：（1）前景背景面积严重失衡;（2）缺乏对前景和背景像素的关系建模。针对上述问题,提出基于解耦特征的拓扑距离知识蒸馏算法。前景和背景解耦蒸馏可以缓解前景背景失衡问题。通过解耦特征拓扑距离蒸馏,学生网络可以从教师网络学习到前景背景之间的关系,增强对背景噪声鲁棒性。实验结果表明,相比许多蒸馏算法,所提出的算法可以十分有效地提升学生网络在SAR图像舰船目标检测精度。比如,基于ResNet18-C4骨干网络的Faster R-CNN模型在HRSID数据集上AP提升6.85个百分点,从31.81%提升到38.66%。     

基于模糊理论的图像边缘检测

讨论了模糊理论在边缘检测中的应用,并给出了一种基于模糊理论的改进方法。实验结果表明,该算法不需要加额外的滤波器或图像降噪预处理,在抗噪性能方面明显优于其它方法。     

一种基于矩不变的SAR海洋图像舰船目标检测算法

提出了一种先分离SAR图像场景中的陆地和海洋区域，再利用矩不变自动门限法对分离出的海洋子场景进行舰船目标检测的算法。对数据处理的结果表明，该方法能够有效、快速、准确地检测到SAR海洋图像中的舰船目标。     

基于SAR图像的海洋舰船目标检测技术

合成孔径雷达图像水面舰船检测技术作为一种受到普遍关注的获取舰船信息的有效手段,本文针对SAR图像中海洋背景和舰船目标的各自特点,根据近年来国内外运用SAR所取得的成果,总结了SAR图像海洋舰船目标检测系统的一般流程,并详细回顾和分析了舰船检测流程中各环节所用的常用算法及其存在的优缺点.     

一种基于二次Gamma核的SAR图像舰船目标检测方法

针对CFAR检测方法在强海杂波环境中虚警率过高的问题,该文提出了利用二次Gamma核的目标检测方法对SAR图像舰船目标进行检测。该方法可以克服CFAR目标检测方法的缺陷,在强海杂波环境中能有效检测目标,通过实验证明了该方法大大提高了图像的平均信杂比,降低了检测的虚警率。     

改进YOLOv5的SAR图像舰船目标检测

近年来针对合成孔径雷达(synthetic aperture radar,SAR)图像中缺乏颜色和纹理细节的舰船检测技术在深度学习领域中得到了广泛研究,利用深度学习技术可以有效避免传统的复杂特征设计,并且检测精度得到极大改善.针对舰船目标检测框具有高长宽比和密集排列问题,提出一种基于改进YOLOv5的目标检测方法.该方...     

SAR舰船检测算法对比分析研究

为了满足快速准确地检测舰船目标的社会需求,该文利用SAR和地面实测数据,开展了K分布恒虚警率、G0-CFAR、双参数CFAR、小波变换以及最佳熵双阈值等经典SAR舰船检测算法的对比分析研究,给出了各种SAR舰船检测算法的准确度、运行速度及适用范围(分辨率、海况),为SAR舰船检测的业务化应用提供指导。     

遥感图像中舰船检测方法综述

随着遥感成像技术的发展,遥感图像中大型移动目标的检测和识别成为可能,舰船目标检测和识别就是在这一背景下提出的.在参考大量文献的基础上,回顾了舰船检测的发展历程,分析了其研究现状,对舰船检测方法进行了综述并分类,在此基础上对各类算法进行对比,最后给出了该领域存在的问题和发展趋势.     

基于矩阵分解的海洋SAR图像舰船检测

针对海洋原始图像与低秩和稀疏矩阵分解模型数据结构不一致的问题,本文提出一种新的基于矩阵分解的海洋SAR图像舰船检测方法。首先该方法需对结构化相似的海洋SAR图像进行重组;然后根据重组矩阵特性适应性设计一个分解精度更高、分解速度更快的新矩阵分解模型,并利用增广拉格朗日乘子法求解模型,在不依赖任何杂波模型和检测统计量的前提下,实现代表舰船目标的稀疏成分的提取;最后利用形态学处理进行优化,实现海洋SAR图像舰船目标的检测。基于高分三号SAR卫星数据的实验结果表明,相比已有的基于鲁棒主成分分析的舰船检测方法,本文方法在处理复杂海况时,能更快速度地以较好的形状从海杂波中准确提取舰船目标,具有更好的鲁棒性。     

改进的基于Parzen窗算法的SAR图像目标检测

传统的Parzen窗检测算法假设目标占整个背景中较小的一部分,将SAR图像中的所有像素用于估计杂波概率密度函数,容易造成检测阈值的增大从而对不太明显的SAR图像舰船目标产生漏检。对此,提出了一种改进的Parzen窗检测算法,该算法通过自适应地设置目标窗口,将潜在的目标从检测图像中剔除,对剔除后的杂波背景采用Parzen窗进行非参数化的杂波模型估计,进而确定检测阈值,完成目标的检测。相比传统的Parzen窗检测算法,提出的SAR图像舰船目标检测算法减少了漏检数量,改善了检测性能。实测SAR图像的检测结果表明了该方法的有效性。     

星载SAR影像上船舶方位向模糊去除算法

目的 掌握海上船舶分布状态对于海上交通流分析和通航安全管理具有重要作用。遥感技术,特别是星载合成孔径雷达(SAR)技术的发展,为大范围海上船舶检测提供了有效的手段,但受SAR成像机制影响,海上船舶目标在星载SAR影像上通常存在着不同程度的方位向模糊噪声,这些噪声易被误判为船舶,导致船舶识别中虚警率提高。方法 本文简述了方位向模糊噪声的产生原因,提出了一种新的星载SAR影像上船舶方位向模糊去除算法,该算法的核心是构建目标方位向角度一致性、方位向位置偏移距离和方位向模糊能量衰减3个判别规则,对潜在SAR影像亮斑目标进行逐层筛选,实现船舶真实目标和方位向模糊目标的判别。结果 选取中国渤海海域和黄海海域的30 m分辨率的Radarsat-2数据进行案例分析,并与船舶自动识别系统(AIS)实测数据进行比对校验,结果表明,传统的双参数恒虚警率(CFAR)算法和基于K分布的CFAR等算法对于船舶难以剔除方位向模糊,容易造成虚警,而本文算法对实验影像的船舶方位向模糊去除准确率优于95.8%,能够有效剔除船舶方位向模糊。结论 该算法为星载SAR影像上船舶方位向模糊去除提供了新的手段,有助于提高SAR影像上船舶目标检测的准确性。     

SAR图像舰船目标检测的信息几何方法

目的 舰船目标检测是合成孔径雷达（SAR）图像在海事监测领域中的一项重要应用。由于海面微波散射的复杂性,SAR图像中海杂波分布具有非均匀性、非平稳性等特点,传统的基于恒虚警率（CFAR）的SAR图像舰船检测算法难以适应复杂多变的海杂波环境,无法实现实时有效的智能检测任务。鉴于此,本文提出了基于信息几何的SAR图像船舰目标检测方法,旨在分析统计流形及其在参数空间中的几何结构,探讨信息几何在SAR图像目标检测应用中的切入点,从新的角度提升该应用领域的理论与技术水平。方法 首先,运用威布尔分布族对SAR图像中的海杂波进行统计建模,利用最大似然方法估计SAR图像局部邻域像素的分布参数,并将不同参数下的统计分布作为威布尔流形上的不同点;其次,融合高斯分布的费歇耳度量来构造威布尔流形空间中概率分布之间的测度,实现目标与背景区域的差异性表征;最后,利用最大类间方差法,实现SAR图像舰船目标检测。结果 实验和分析表明,相比于传统的基于恒虚警率的检测算法,信息几何方法可以有效地区分舰船目标和海杂波背景,降低虚警率,实现舰船目标显著性表示与检测。结论 由于舰船目标的复杂后向散射特性,如何有效地表征这一差异,是统计类检测算法的关键所在。本文依据信息几何理论,将概率分布族的参数空间视为微分流形,在参数流形上构造合适的黎曼度量,对SAR图像中各像素局部邻域进行测度表征,可以显著性表示目标与背景杂波之间的统计差异,实现舰船目标检测。     

A novel method for speckle noise reduction and ship target detection in SAR images

It is very difficult to detect small targets when the scattering intensity of background clutter is as strong as the targets and the speckle noise is serious in synthetic aperture radar (SAR) images. Because the scattering of man-made objects lasts for a longer time than that of background clutter in azimuth matching scope, it is much easier for man-made objects to produce strong coherence than ground objects. As the essence of SAR imaging is coherent imaging, the contrast between targets and background clutter can be enhanced via coherent processing of SAR images. This paper proposes a novel method to reduce speckle noise for SAR images and to improve the detected ratio for SAR ship targets from the SAR imaging mechanism. This new method includes the coherence reduction speckle noise (CRSN) algorithm and the coherence constant false-alarm ratio (CCFAR) detection algorithm. Real SAR image data is used to test the presented algorithms and the experimental results verify that they are feasible and effective.     

基于局部窗口K分布的快速舰船检测算法

针对局部窗口K分布检测算法运算速度慢、计算效率低的问题,提出了一种基于局部窗口K分布的快速舰船目标检测算法。该算法首先采用迭代分割算法对原始合成孔径雷达(SAR)图像进行预筛选处理,根据预筛选选出潜在目标,在原始SAR图像中剔除潜在目标像素;然后利用背景图像计算二阶和四阶积分图像,在每一个像素点处采用滑动窗口的方式,在积分图像中进行加减计算确定所在位置的二四阶矩并估计K分布的参数;其次,确定概率密度函数后,通过求解函数得到检测阈值,根据检测阈值确定感兴趣区域;最后,通过模糊差影的鉴别方法对目标中的虚警目标进行进一步剔除,进而完成检测。通过实测SAR图像检测实验,积分算法与局部窗口的K分布算法相比将运算所需时间降低了50%,基于模糊差影的鉴别算法将品质因素由44.4%提高到100%。所提算法既保证了算法的实时性,又提高了检测的精度,在进行SAR舰船自动检测方面具有一定的应用价值。     

A multiobjective fuzzy clustering method for change detection in SAR images

On account of the presence of speckle noise, the trade-off between removing noise and preserving detail is crucial for the change detection task in Synthetic Aperture Radar (SAR) images. In this paper, we put forward a multiobjective fuzzy clustering method for change detection in SAR images. The change detection problem is modeled as a multiobjective optimization problem, and two conflicting objective functions are constructed from the perspective of preserving detail and removing noise, respectively. We optimize the two constructed objective functions simultaneously by using a multiobjective fuzzy clustering method, which updates the membership values according to the weights of the two objectives to find the optimal trade-off. The proposed method obtains a set of solutions with different trade-off relationships between the two objectives, and users can choose one or more appropriate solutions according to requirements for diverse problems. Experiments conducted on real SAR images demonstrate the superiority of the proposed method.     

基于级联CNN的SAR图像舰船目标检测算法

针对合成孔径雷达(SAR)图像中舰船目标稀疏的特点,提出一种基于级联卷积神经网络(CNN)的SAR图像舰船目标检测方法.将候选区域提取方法BING与目标检测方法Fast R-CNN相结合,并采用级联CNN设计,可同时兼顾舰船检测的准确率和速度.首先,针对SAR图像中相干斑噪声影响梯度检测的问题,在原有梯度算子的基础上增加平滑算子,并对图像尺寸个数和候选框个数进行适应性改进,使其提取到的候选窗口更快更准;然后,设计级联结构的Fast R-CNN检测框架,前端简单的CNN负责排除明显的非目标区域,后端复杂的CNN对高概率候选区域进行分类和位置回归,整个结构可以保证快速准确地对舰船这种稀疏目标进行检测;最后,设计一种联合优化方法对多任务的目标函数进行优化,使其更快更好地收敛.在SAR图像舰船检测数据集SSDD上的实验结果显示,所提出的方法相比于原始Fast R-CNN和Faster R-CNN检测方法,检测精度从65.2%和70.1%提高到73.5%,每张图像的处理时间从2235ms和198ms下降到113ms.     

最小模糊偏移度准则下的SAR图像对比度增强

针对SAR图像灰度特性,提出最小模糊偏移自动对比度增强算法(MFO)。该算法基于模糊理论,利用高斯型隶属度函数将图像灰度信息模糊化,以模糊偏移度最小准则确定模糊对比度增强操作数(INT),得到该准则下最优的S形灰度映射函数,增强SAR图像对比度。利用TEN、EME两种评估参数评价增强结果,验证了算法的有效性。     

融合多重机制的SAR舰船检测

目的 针对合成孔径雷达(synthetic aperture radar, SAR)图像噪声大、成像特征不明显,尤其在复杂场景更容易出现目标误检和漏检的问题,提出了一种融合多重机制的SAR舰船检测方法,用于提高SAR舰船检测的精度。方法 在预处理部分,设计了U-Net Denoising模块,通过调整噪声方差参数L的范围来抑制相干斑噪声对图像的干扰。在YOLOv7(you only look once v7)主干网络构建MLAN_SC(maxpooling layer aggregation network that incorporate select kernel and contextual Transformer)结构,加入SK(selective kernel)通道注意力机制至下采样阶段,增强关键信息提取能力和特征表达能力。为解决MP(multiple pooling)结构中上下分支特征不平衡的问题,改善误检情况,融入上下文信息提取模块(contextual Transformer block, COT),利用卷积提取上下文信息,将局部信息和全局信息结合起来,使图像特征能够更有效地提取出来。在头部引入SPD卷积(space-to-depth convolution, SPD-Conv),增强小目标的检测能力。用WIoU(wise intersection over union)损失函数替换CIoU(complete intersection over union)损失函数,运用动态聚焦机制,在复杂图像上加强对目标的定位能力。结果 在SSDD(SAR ship detection dataset)数据集和HRSID (high-resolution SAR images dataset)数据集上进行了实验对比,结果表明,改进后的方法相比于YOLOv7,AP(average precision)可达到99.25%和89.73%,分别提升了4.38%和2.57%,准确率和召回率为98.41%,93.24%和94.79%,81.83%,优于对比方法。结论 本文通过融合多重机制改进YOLOv7方法,提升了对目标的定位能力,显著改善了SAR舰船检测中复杂舰船的误检和漏检情况,进一步提高了SAR舰船检测精度。     

融合注意力机制与改进SSD算法的SAR舰船目标检测方法

针对单次多盒检测算法(SSD)对复杂背景下合成孔径雷达(SAR)图像舰船目标的检测容易出现误检或漏检情况,提出一种基于融合注意力机制与改进的SSD算法的目标检测方法。首先在SSD算法上引入ResNet网络并进行改进,以提供丰富的语义信息和细节信息,提高算法的鲁棒性;其次融合通道和空间注意力增强对舰船目标的辨认能力,抑制海杂波等干扰信息;同时改进损失函数来解决舰船密集分布时的漏检问题,提高网络训练效果。数据集上的实验表明,该方法平均准确率(mAP)为87.6%,比SSD算法提高了4.2个百分点,目标的漏检和误检明显减少。相比SSD算法,该算法对复杂背景下的舰船目标有较好的辨别能力和鲁棒性,抗干扰能力有所提升。     

双向特征融合的数据自适应SAR图像舰船目标检测模型

目的 利用合成孔径雷达（synthetic aperture radar,SAR）图像进行舰船目标检测是实施海洋监视的重要手段。基于深度学习的目标检测模型在自然图像目标检测任务中取得了巨大成功,但由于自然图像与SAR图像的差异,不能将其直接迁移到SAR图像目标检测中。针对SAR图像目标检测实际应用中对速度和精度的需求,借鉴经典的单阶段目标检测模型（single shot detector,SSD）框架,提出一种基于特征优化的轻量化SAR图像舰船目标检测网络。方法 改进模型并精简网络结构,提出一种数据驱动的目标分布聚类算法,学习SAR数据集的目标尺度、长宽比分布特性,用于网络参数设定;对卷积神经网络（convolutional neural network,CNN）提取的特征进行优化,提出一种双向高低层特征融合机制,将高层特征的语义信息通过语义聚合模块加成到低层特征中,在低层特征中提取特征平均图,处理后作为高层特征的注意力权重图对高层特征进行逐像素加权,将低层特征丰富的空间信息融入到高层特征中。结果 利用公开的SAR舰船目标检测数据集（SAR ship detection dataset,SSDD）进行实验,与原始的SSD模型相比,轻量化结构设计在不损失检测精度的前提下,样本测试时间仅为SSD的65%;双向特征融合机制将平均精确度（average precision,AP）值由77.93%提升至80.13%,训练和测试时间分别为SSD的64.1%和72.6%;与公开的基于深度学习的SAR舰船目标检测方法相比,本文方法在速度和精度上都取得了最佳性能,AP值较精度次优模型提升了1.23%,训练和测试时间较精度次优模型分别提升了559.34 ms和175.35 ms。结论 实验充分验证了本文所提模型的有效性,本文模型兼具检测速度与精度优势,具有很强的实用性。