基于改进多尺度间隙度的海上目标分割方法

针对复杂海面背景下的可见光图像舰船目标分割问题,引入了图像的多尺度间隙度特征,分析了Dong提出的图像间隙度特征提取算法存在的问题,并进行了改进,采用滑动盒子内像素值方差计算滑动盒子的质量,提高了舰船目标与海面背景的可分离程度,最后利用改进算法提取图像的多尺度间隙度特征对海上舰船目标进行分割。实验结果表明,利用改进方法对海面背景下舰船目标进行分割,相对于sobel边缘检测、ostu阈值分割和基于传统提取算法的多尺度间隙度特征分割方法结果更优,可以更好地抑制海面亮度变化、海浪和背景杂波的影响,准确分割出海上舰船目标。     

基于视觉显著性的海面舰船检测技术

海面舰船检测技术有着特殊的军用以及民用意义,为了在宽广且环境复杂多变的海面上快速、高效、精确地检测到舰船目标,本文提出了一种基于多特征、多尺度视觉显著性的海面舰船检测方法.该方法充分利用了四元数图像可在多个通道上同时进行操作,节省操作时间,并保证不同尺度特征之间关联性的特点;除此之外,该方法还利用人眼对不用大小的图像关注目标不同的特点对图像进行尺度大小变换以避免漏检.该方法先用顶帽算法对原图进行简单的图像预处理以抑制云层、油污的干扰;其次提取多种特征构成四元数图像进行舰船目标显著性检测;在得到显著图后利用OTSU分割算法确定舰船所在的区域,并在原图上标定、提取舰船目标.通过在多种海面情况下分别进行实验分析,实验结果表明该算法可以排除云、雾、油污等干扰,精确、快速地检测到舰船目标,真正率达96.52%,虚警率低至2.11%,相较于他显著性检测算法在舰船检测方面有明显的优势.     

复杂海天背景下红外舰船目标的自动检测方法

近年来,舰船目标的检测与识别技术得到了人们越来越多的重视.研究了复杂海天背景下红外舰船目标的自动检测问题.首先运用小波变换对图像进行预处理,提高了图像的信噪比,从而抑制了噪声和背景杂波.然后针对红外舰船目标总是出现在海天线附近的问题,采用梯度强度均值分割的算法检测了海天线,确定了目标的潜在区域.最后,提出了一种基于行列均值的自适应阈值分割算法,结合使用红外舰船目标的几何特征量,采用特征匹配方法提取出舰船目标,达到了自动检测的目的.实验结果表明:该方法能有效地自动检测复杂海面背景中的红外舰船目标.     

复杂海天背景下红外舰船目标实时检测算法

针对复杂海空背景条件下的低信噪比舰船目标检测问题，在分析海面背景舰船目标红外图像特点的基础上，提出首先进行红外图像预滤波以抑制噪声背景增强目标，然后通过检测图像水平与垂直边缘得到潜在目标区域，最后通过小范围的图像分割检测舰船目标。实际录取数据实验结果表明，算法针对各种海面场景与目标类型均能准确检测目标，实时性好。     

基于兴趣区分割的红外舰船目标实时检测算法

针对复杂海天背景条件下的远距离低信噪比红外图像舰船实时目标检测问题,分析了海天背景舰船目标图像特点,提出利用图像小波分解得到的水平与垂直细节分量提取兴趣区,通过在兴趣区进行迭代最大类间方差法分割检测舰船目标.实际录取数据实验结果表明,算法针对各种海面场景与目标类型均能准确检测目标,实时性好.     

动态视频监控中海上舰船目标检测

为了监测一些危险的海洋区域,使用了基于电荷耦合器件(CCD)的动态平台,提出了一种基于海面背景纹理模型的舰船目标检测算法。利用图像子块离散余弦变换(DCT)域的能量特征,实现了天空背景和海天线的快速检测。为了将船舰目标从水平线下复杂的海水背景中分离出来,提取海天线以下的海面区域图像子块的DCT域纹理特征,并利用自适应模糊c均值聚类方法建立海面的混合纹理模型。利用建立的海面纹理模型,实现了海面背景与舰船目标的分割。实验结果表明该算法可以实现舰船目标的快速、稳健检测,尤其适合于大浪海况下基于运动监视平台的海事监测。     

基于均值漂移滤波及谱分类的海面舰船红外目标分割

提出了一种有效的海面舰船红外目标分割方法.利用均值漂移方法的不连续保持性滤波特性,滤除海面的强杂波干扰,同时又不损失舰船目标的信息.根据滤波得到的区域构建区域邻接图,采用基于最大最小SST图划分算法对区域邻接图的节点进行划分.划分结果最终将图像分为天空背景、海面背景以及舰船目标3个部分.由于采用区域节点来表征图像,较之采用原始图像象素节点表示,其节点个数大大减少,从而使算法的计算效率得到很大提高.实验结果也表明提出两步算法具有优越的性能,能够在海面强杂波干扰的情况下有效提取舰船红外目标.     

海面红外舰船目标背景对比度的统计特性分析

在灰度的增益与偏置不变，以及目标背景对比度定义的基础上，研究了海面红外舰船目标背景对比度的特征，通过对大量实际海面红外舰船目标图像的统计分析，获得了海面红外舰船目标与其周围背景及背景与背景的统计特性，研究结果可用于海面红外舰船目标的检测中。     

基于色彩空间变换与异常检测的多光谱舰船感兴趣区域检测

针对多光谱遥感图像中复杂海面背景下海上舰船检测问题,在高斯模型RX异常检测算法的基础上进行改进,提出一种基于色彩空间变换的复杂海面上舰船感兴趣区域(ROI)的自动检测方法,解决了传统的阈值分割方法在遥感图像复杂海面背景下较难将目标与背景分离的问题。在多种不同复杂海面背景下的舰船ROI检测实验中,与传统阈值分割方法比较,该舰船ROI检测方法有较好的检测效果。     

基于深度学习的可见光舰船目标检测与识别

目标检测技术是计算机视觉中的重要任务,舰船的目标检测是保证海面安全不可或缺的技术,提出了一种改进Faster R-CNN的可见光舰船图像目标检测方法.针对Faster R-CNN网络舰船目标检测时出现的尺度较为单一及ROI池化造成的精度损失问题,通过引入特征金字塔模块实现多尺度特征融合,并将ROI池化的下采样策略优化为...     

Two-Dimensional Variation Algorithm for Fractal Analysis of Sea SAR Images

This paper proposes a novel algorithm for estimating the fractal dimension of sea synthetic aperture radar (SAR) images. The algorithm is based on the variation method, and it is suitably designed for the analysis of sea SAR images. The SAR image fractal dimension is a feature that provides a measure of the image roughness. Such a feature can play an important role in the classification process for recognizing the presence of anomalies on the sea surface. The innovation aspects of this paper are listed as follows: 1) an extension of the variation method, which was proposed for the fractal analysis of one-dimensional signals, to the case of two-dimensional (2-D) functions; 2) a numerical formulation of the variation method, which is suitable for processing 2-D discrete signals; and 3) an optimization of the algorithm for sea SAR image analysis. The algorithm is tested and validated both on simulated and real ERS-1/2 Precision Image sea SAR images and compared with the classical estimation algorithm based on spectral analysis.     

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。     

基于对角积分双谱的海面慢速小目标检测方法

针对海杂波背景下雷达对海面慢速小目标探测技术难题,该文提出一种基于对角积分双谱的三特征融合检测方法。该方法首先从待检测信号的估计双谱中获得对角积分双谱,而后根据海杂波单元与目标单元之间的非线性耦合差异性,进一步从对角积分双谱中提取峰值、质心频率、谱宽3种特征。考虑到扫描模式下雷达采用的相干脉冲数通常较少,易导致特征不稳定,进而影响海杂波与目标可分性,为此,通过多帧扫描历史数据和当前帧数据的综合应用,对谱特征进行积累得到累积峰值、全变差、累积谱宽3种累积特征。最后采用凸包分类算法,在三特征空间进行融合检测。经实测CSIR数据集验证,在同等参数条件下,该文检测方法相比已有基于时频三特征的检测方法,基于幅度、多普勒三特征检测方法和分形特征检测方法具有更好的检测性能。     

对海雷达多维图像特征融合智能检测方法

海面目标检测是雷达信号处理中的重要内容,在军事、民用领域内都有重要应用价值。在海面目标雷达信号处理中,海杂波的存在对检测算法的性能有很大影响,传统的雷达信号处理方法多基于统计理论,对于复杂环境条件和多样的目标特性检测性能下降明显。近年来深度学习技术发展迅速,为可靠的海面目标的检测方法提供了技术支持。本文对近年来目标检测算法、深度学习方法的发展进行总结,从雷达信号数据结构和维度出发,采用深度学习理论,分别提出了基于二维图像、三维视频雷达信号、多维雷达信号多通道融合的智能处理框架,并以导航雷达图像海上目标智能检测为例,提出一种Precise ROI?Faster R?CNN雷达图像检测算法,通过构建的导航雷达数据集训练和测试,相比经典恒虚警检测和Faster R?CNN检测方法有更高的检测精确度和更好的泛化能力,从而为对海雷达智能导航和目标检测提供了有效的技术途径。     

基于多域多维特征融合的海面小目标检测

多维特征检测技术是提高海面小目标检测的有效途径。为了进一步提升海面小目标检测性能,本文提出基于多域多维特征融合的检测方法。首先,从时域、频域、时频域、极化域等多域,充分挖掘海杂波和含目标回波的差异性,并将这些差异性表征为多维特征,构建高维特征空间。其次,通过极化域和特征域的多维特征线性融合,将多维特征压缩到3D特征空间中,获得高维度信息的同时减少维度计算代价。然后,结合凸包学习算法获得3D判决区域,实现异常检测。最后,基于IPIX实测数据的实验结果表明:相对现有的极化检测器,提出的检测器具有25%以上的显著性能提升。      

基于笔画宽度特征和剪枝算法的自然场景标签检测

针对自然场景标签图像背景复杂、目标区域形式多样、色调单一、空间集中等问题,提出了一种基于笔画宽度特征和剪枝算法的自然场景标签检测方法。根据图像的特点,首先利用阈值法和启发式规则,初步筛选出字符候选区;然后通过设计的笔画宽度特征提取算法,获得每一个候选区的文本相似度,融合基于惩罚函数的剪枝算法实现背景区域的滤除,得到进一步分割后的标签检测区域;使用形态学处理和区域面积的细分割后,最终生成目标检测图像。多组对比实验检测结果表明,本文算法具有良好的目标检测效果和优异的普适性。     

天波雷达电离层污染校正与海杂波抑制

在天波超视距雷达（OTHR）中,舰船目标的多普勒频率与海杂波谱接近,电离层污染会导致海杂波频谱展宽,从而淹没邻近的舰船目标信号。考虑到电离层污染会导致OTHR回波信号的相位缓慢变化,提出了采用相位梯度法对回波信号进行电离层污染校正;利用污染校正后的海杂波可以近似为两个单频信号之和这一特点,提出了应用奇异值分解来实现对海杂波的抑制。仿真结果表明,文中算法可以有效地校正电离层污染,抑制海杂波,显著提高信杂比,从而有效解决强海杂波对舰船目标的遮蔽问题。与现有的HRR—SVD算法相比,文中算法可以适用于相干积累时间较长和电离层污染较大的情况,防止残留的海杂波形成虚警,提高了OTHR对海杂波附近舰船目标的检测能力。     

基于深度学习的探地雷达二维剖面图像结构特征检测方法

该文针对探地雷达(GPR) 2维剖面图像中目标特征提取困难及其识别精度较低等问题,采用深度学习方法来提取2维剖面图像中目标的特征双曲线。根据GPR工作的物理机制,设计了一种级联结构的卷积神经网络(CNN),先检测并去除回波数据中的直达波干扰信号,再利用CNN得到B扫描(B-SCAN)图像的特征图,并对特征信号进行分类识别以提取目标的特征双曲线。同时,为处理各种干扰信号影响目标特征双曲线结构完整性的问题,提出了一种基于方向引导的特征数据补全方法,提高了目标特征双曲线识别的准确率。与方向梯度直方图(HOG)算法、单级式目标检测(YOLOV3)算法和更快速的区域卷积神经网络(Faster RCNN)算法相比,在综合评价指标F上该文方法的检测结果是最优的。     

基于级联网络的复杂大场景SAR图像舰船目标快速检测

合成孔径雷达(synthetic aperture radar,SAR)图像舰船目标检测紧贴军事和民用需求,为海洋监视提供重要信息支撑。针对复杂大场景SAR图像,本文设计了一种基于级联网络的舰船目标检测框架,该网络框架主要由D-BiSeNet海陆分割、分块区域筛选和CP-FCOS目标检测三部分组成。通过改进双边网络(D-BiSeNet)进行SAR图像海陆分割,增强了图像空间位置信息及网络边缘损失,提高了分割性能。通过海域面积比参数设定进行分块区域筛选,可以有效选择网络处理图像块,提升算法整体检测效率。CP-FCOS网络将Category-Position特征优化模块应用于传统FCOS网络,强化网络特征提取能力,同时改进目标分类和边界框回归方式,提高舰船目标定位效果。基于Sentinel-1和高分三号大场景实测数据实验表明,相比于传统CFAR、Faster-RCNN和RetinaNet方法,本文方法综合检测性能提升25.7%,3.7%和9.9%,同时检测速度提升10.0%以上。      

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。