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。      

基于灰度相关性的SAR图像联合CFAR舰船检测算法

分析了中高分辨率SAR海洋图像的目标和海杂波特点,利用了SAR海洋图像中舰船目标的灰度相关性、形状特性以及舰船目标与背景杂波的信杂比特性,提出了一种基于灰度相关性的联合CFAR舰船检测算法。算法综合利用了舰船目标内部相邻像素间的灰度强相关性和舰船目标和海杂波的信杂比,建立了海杂波区域内相邻像素间灰度值的二维对数正态分布来实现联合CFAR检测。该算法能够改善斑点噪声和背景局部不均匀对检测带来的虚警,检测效果相比于传统检测算法更加优越。     

基于背景预分析的SAR图像车辆目标检测算法

CFAR算法是一种常见的合成孔径雷达图像目标检测算法。CFAR算法在对背景杂波统计建模时需要考虑建模样本中是否混入目标等非背景像素。文中提出了一种新的CFAR检测算法,该算法认为目标窗口和背景窗口是同一个窗口,在CFAR算法之前,通过目标预筛选去除建模样本中的降质因素,并用广义伽马模型对背景窗口中的剩余样本建模。相比于传统的高斯模型CFAR算法,本文所用算法考虑了建模样本中降质因素对建模精度的影响,新的滑动窗模型结构更加简单,检测结果虚警率低,对距离很近的目标不会产生漏检。     

基于有序数据可变索引的SAR图像目标检测方法

该文提出了一种基于有序数据可变索引(Ordered Data Variability Index, ODVI)的SAR图像目标恒虚警检测算法,该算法首先对待测像素的参考窗进行基于ODVI的自适应筛选处理(Automatic Censoring, AC),以去除窗内的强杂波和干扰像素,并以窗内保留的均匀像素对背景的统计特性进行建模,估计其概率密度函数的参量,同时构建双参数恒虚警检测(CFAR)的检验统计量,计算检测的自适应阈值,实现检测的判决。论文给出了该算法的检测性能曲线,并利用实测的X波段SAR图像进行实验验证,与其它检测方法进行比较,结果显示该文算法具有较好的检测性能和较低的虚警概率。     

基于局部分形维数的多目标检测算法

在以自然景物为背景的图像中,分形维数是一种能有效地将目标从自然背景中检测出来的纹理特征.将图像的局部窗转化为一维序列的形式,在研究R/S分析法的基础上,提出了一种局部分形维数估计算法.将一维最大熵的检测结果与分形特征图的检测结果进行逻辑与运算,从而实现目标边缘的精确定位.实验表明该算法不仅可以有效地实现多目标检测同时具有较好的抗噪性能.     

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。     

基于多特征联合的高分辨率SAR图像机动目标快速获取

提出了一种高分辨率SAR图像机动目标快速获取方法.该方法首先利用SAR图像中的对比度信息采用CFAR检测以确定图像中潜在目标区域的位置,然后提取每一个潜在目标区域的尺寸特征、形状特征以及对比度特征进行基于投票机制的目标鉴别,从而滤除自然杂波虚警以及部分人造杂波虚警.实测数据的结果证明了该方法的有效性.     

利用图像区域自然尺度特征的海面舰船目标检测

为了提高动态海面背景中目标的检测性能,提出了一种新的基于图像区域自然尺度特征的海面舰船目标检测算法.算法将一维信号的自然尺度特征提取方法拓展到二维图像信号,通过相空间重构和分类,提取了图像灰度时间序列的自然尺度特征.利用BP神经网络,得到背景与目标自然尺度特征的辨识模型,然后对图像序列的自然尺度进行分类,检测得到舰船目...     

基于噪声方差估计的红外弱小目标检测与跟踪方法

针对红外弱小多目标图像背景杂波干扰严重、弱 小目标检测率低和目标跟踪困难的问题,提出一种 基于噪声方差估计的红外弱小目标快速检测与目标跟踪算法。首先采用改进的形态学 滤波抑制背景噪声, 对处理后的多帧图像进行方差估计初步突出目标像素;然后对其进行信噪比(SNR)估计得到整个图像序列像素得 分,图像中像素SNR高的被标记为目标像素;再对标记过的图像进行分块分析 ,准确提取出连续图 像序列中的目标像素;将检测出的目标像素作为Hough变换的目标跟踪算法的输入,设置双 阈值实现目标 的有效跟踪。实验结果表明,在复杂背景下的红外弱小目标提取中,基于噪声方差估计的目 标检测拥有较 高的检测概率和较低的虚警概率,将其获得的目标像素作为Hough变换的输入,不仅可以有 效跟踪目标, 而且简化了算法的复杂度,实现目标的快速提取和跟踪,具有很高的应用价值。     

高分辨SAR图像自动区域筛选目标检测算法

在G0分布背景杂波假设下,基于VI-CFAR算法该文提出一种自动区域筛选的恒虚警目标检测算法,以解决高分辨SAR图像复杂环境背景下的目标检测问题。该算法首先利用变化指数(VI)统计量对局部参考窗内的均匀区域进行筛选,以剔除参考窗内具有目标干扰点的非均匀区域;然后利用均值比(MR)统计量对参考窗内同质的均匀区域进行区域合并,以解决杂波边界处的背景杂波筛选问题;最后利用筛选到的同质均匀区域内的像素集合进行背景杂波参数估计,对待检测区域实现二值检测。通过实测SAR图像车辆目标检测实验表明,在多目标和杂波边界复杂环境背景下,该算法具有较稳定的检测性能和虚警抑制能力。     

全卷积神经网络应用于SAR目标检测

在合成孔径雷达（SAR）图像目标检测中,由于场景杂波的复杂多变,对背景杂波统计模型估计难度增加,从而导致多数检测器容易受到背景杂波的干扰。针对如何避免场景杂波对目标检测干扰的问题,提出了一种基于全卷积神经网络的SAR目标检测模型。该模型将目标检测任务转化为像素分类问题,利用卷积神经网络对数据集中目标像素特征和背景杂波像素的先验信息进行自主学习,有效减少了虚警目标的数量;通过对目标及其阴影区域的联合检测,提高了目标的检测概率。对多个不同场景图像进行测试,实验结果表明提出的检测模型具有良好的检测性能和鲁棒性能,与传统恒虚警检测算法相比,在无需考虑背景杂波统计模型前提下有效降低了虚警概率。     

基于多源遥感卫星的海面舰船目标检测方法

围绕光学卫星遥感图像中的海面舰船目标检测问题,考虑静止轨道遥感卫星和低轨道高分辨率遥感卫星的优缺点,提出一种基于多源遥感卫星的海面舰船目标检测方法。该方法首先通过多结构多尺度形态学滤波和自适应阈值分割对静止轨道卫星遥感图像进行目标预检测,然后将预检测结果与卫星图像的地理位置信息相结合来确定高分辨率遥感图像候选目标区域,最后提取候选目标区域中目标的主要特征,进行舰船目标判别,将判别结果反映到静止轨道遥感卫星图像上。仿真结果表明,该方法能有效检测出海洋背景遥感图像中的多个运动舰船目标,具有目标检测率高、虚警率低、时效性好等优点,为静止轨道遥感卫星对海面运动舰船目标的实时监视跟踪提供了技术支撑。     

自选择混合分布模型的CFAR用于SAR图像舰船检测

为了解决恒虚警率检测算法（CFAR检测）在合成孔径雷达图像舰船检测中,用已有分布建模,不能应对所有的场景,对于一些复杂场景建模拟合效果不理想的问题,本文使用一种自选择混合分布的CFAR检测方法:首先,对图像进行预处理,减少目标像素对海杂波的影响;其次,利用学习出来的混合分布模型对预处理后的每一块图像进行建模,计算全局阈值,并根据阈值把图像像素分为目标和背景杂波;然后,为防止漏检,重新对场景像素进行建模、检测,重复此过程直到背景杂波中检测不到目标为止;最后加入后处理,减少虚警的产生。这一方法不仅能得到更好的海杂波模型,同时还能提取舰船的更多细节,实验结果证明了这一方法的有效性。      

基于多尺度圆周频率滤波与卷积神经网络的遥感图像飞机目标检测方法研究

针对遥感图像飞机目标检测因目标尺度不一存在漏警、虚警等问题,该文基于遥感图像中飞机目标形状特征和灰度变化特点提出了一种多尺度圆周频率滤波(MSCFF)与卷积神经网络(CNN)相结合的MSCFF+CNN飞机目标自动检测算法.该算法首先采用多尺度圆周频率滤波器滤除遥感图像复杂背景,实现不同尺度飞机目标候选区域提取;然后,通过构建卷积神经网络(CNN)模型实现候选区域有效分类,最终精确确定飞机目标位置.最后,基于获取的真实遥感图像进行目标检测算法实验验证,经统计该算法的飞机目标检测率为94.38%,虚警率为3.76%,实验结果充分验证了该文算法的有效性,该算法可为机场监管、军事侦察等应用提供重要的技术支持.     

基于压缩感知的步进频雷达目标检测算法

为了解决压缩感知步进频雷达在低信噪比下的目标检测问题,结合传统雷达的恒虚警检测和压缩感知雷达重构思想,建立基于压缩感知的步进频雷达的目标检测模型,利用复近似消息传递消息的特性,提出了一种基于多脉冲的重构算法,并结合恒虚警检测实现了低信噪比下的压缩感知步进频雷达目标检测。仿真结果表明：文中所提的方法提高了检测概率,改善了目标检测性能。     

基于风险估计的弱小目标恒虚警检测

复杂背景下的红外弱小目标检测是目标探测领域的一个难题。为了有效抑制复杂背景的干扰,降低复杂背景所带来的虚警,提出了一种基于风险估计的恒虚警检测方法。首先,分析了背景分布的统计方法,对传统的正态分布统计方法予以改进,对滤波后的图像做局部灰度的分布统计,从而更准确地描述背景图像的分布规律。然后,在传统的恒虚警算法中加入风险估计,将背景复杂度作为风险估计判断依据,利用风险估计自适应调整分割阈值,从而达到抑制背景干扰、减少虚警和误判的目的。最后,实验结果表明:该算法可以显著减少复杂背景造成的虚警,并保证能够有效探测出弱小目标。     

利用改进分形特征对SAR图像目标检测方法的研究

改进分形特征是用指数小波在一个尺度上对检测图像滤波,针对特定大小目标用能量关系函数求得各像素点的分形特征。该文研究了利用改进分形特征对SAR图像进行目标检测的方法,分别使用改进特征与扩展分形特征对单一背景和复杂背景条件下的SAR图像进行目标检测,结果表明:改进分形特征能够在这两种背景条件下以更低虚警率检测出全部特定大小的目标,目标空间可分辨性好、位置指示准确;但在复杂背景条件下的检测虚警率比单一背景下的检测虚警率有所上升。     

Wishart分布情形下极化SAR图像目标CFAR检测解析方法

等效视数是影响极化合成孔径雷达（PolSAR）图像恒虚警 （CFAR）检测性能的重要参数.目前等效视数的估计大都不是整数,导致已有的基于整数等效视数的CFAR检测方法不再适用.为解决此问题,提出了一种新的PolSAR图像目标CFAR检测解析算法.首先,在Wishart分布假设下,推导出了多视极化白化滤波（MPWF）检测量的概率密度函数;然后对其积分得到了CFAR检测门限关于等效视数的解析表达式;最后通过仿真数据和AIRSAR实测数据比较了新方法与已有的适用于整数等效视数的检测方法和双参数恒虚警（2P-CFAR）检测方法的CFAR检测性能.结果表明新方法中实际虚警概率与给定的恒虚警概率最为接近,更好保证了CFAR检测的恒虚警假设.