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。     

UWB SAR非均匀区域目标检测方法

在超宽带合成孔径雷达(UWB SAR)图像目标检测中不仅会遇到均匀杂波区域，还会遇到叶簇区域、空旷区域及干扰目标等组成的非均匀杂波区域。恒虚警率(CFAR)目标检测是雷达目标检测的重要方法，而传统的CFAR检测对UWB SAR非均匀杂波区域目标检测效果较差。首先分析了叶簇区域、空旷区域及二者混合区域的杂波分布。然后针对UWB SAR的实际情况，运用智能索引变量的CFAR检测技术(VI—CFAR)，使得均匀杂波和非均匀杂波背景中目标检测都取得了较好的效果。最后，利用实际UWB SAR目标检测结果验证了VI—CFAR的有效性。     

基于三通道UWB SAR子孔径图像序列的ATI方法

针对三通道超宽带合成孔径雷达(UWB SAR)系统,提出了一种基于子孔径图像序列的顺轨干涉(ATI)方法,利用UWB SAR的大波束角特性,生成多个视角的子孔径顺轨干涉图检测运动目标并估计参数.该方法相比传统的ATI方法的优点在于:不仅能检测具有距离向速度不为零的目标,而且能检测具有方位向速度不为零的目标,并可估计目标的距离向速度和方位向速度.基于UWB SAR半实测回波的实验验证了该方法的有效性.     

基于HMM的机载UWB SAR图像中的点目标检测

UWBSAR图像中的目标检测通常指二面角目标检测，点目标检测由于没有发现军用车辆等人造目标这一直接效益而受到较少关注。为满足一些UWB SAR图像中检测点目标的需求(如图像融合时的配准，通过路灯和树木进行道路检测和为了抑制树干杂波而识别树干杂波等)而研究了其中的点目标检测问题。通过综合运用方向依赖滤波、隐马尔可夫模型和恒虚警率检测技术，设计了一种用于机载UWB SAR图像中的点目标检测算法。     

UWB SAR低信杂比环境下时频表示成像方法研究

超宽带合成孔径雷达(UWB SAR)为了探测隐藏在树林中或埋于地下的目标,通常工作在低信杂比的环境中。目标淹没在强烈的杂波背景之中很难被发现。该文利用时频表示成像(TFRIF)方法得到不同方位空间频率对应的一组SAR图像,并且分辨率几乎没有损失。通过这组SAR图像的融合能够提高信杂比。利用实际数据验证了该文方法的有效性。     

结合目标先验信息的检测图像网格聚类算法

合成孔径雷达(Synthetic Aperture Radar, SAR)图像自动目标识别的前提条件之一是能够准确地提取感兴趣区域(Region of interest, ROI),因此能够获取ROI中心的聚类算法是SAR图像处理的关键算法之一。为了尽可能降低检测图像中的虚警以及减少聚类及相应的鉴别算法的计算量,本文提出一种基于先验信息的网格聚类算法,该方法首先通过目标和杂波的形状统计信息估计网格聚类参数,然后利用其对检测图像进行网格划分,并引入目标的占空比特征去除杂波,最后通过粗提取和精提取两种方法计算得到聚类中心。仿真和实测数据处理结果表明,该算法能够对检测目标进行有效聚类并去除大部分杂波,同时极大地减少了鉴别的计算量,且简化了传统ROI中心提取流程。      

子带子孔径ATI地面运动目标检测及参数估计方法

该文提出了一种新的基于子带子孔径图像序列的顺轨干涉(ATI)地面运动目标检测方法。该方法利用超宽带合成孔径雷达(UWB SAR)的大带宽大波束角和低频特性,生成了对应不同中心频率和视角的多幅子带子孔径顺轨干涉图,并联合运动目标的多频多子孔径干涉相位进行地面运动目标检测和参数估计。该方法相比传统的ATI方法的优点在于:在检测方面,消除了盲速,既能检测具有距离向速度的目标,又能检测具有方位向速度的目标;在速度估计方面,能无模糊地同时估计出目标的距离向速度和方位向速度。基于UWB SAR半实测回波的实验验证了该方法的有效性。     

基于HMM核超球面支持向量机的 超宽带SAR未爆物检测

 利用机载超宽带合成孔径雷达(UWB SAR)探测地下未爆物(UXO)具有安全和高效的优点.UXO检测分为预筛选和鉴别.预筛选从大面积SAR图像中提取若干怀疑目标,而鉴别则将这些怀疑目标分成UXO和杂波从而降低虚警.本文提出隐马尔可夫模型(HMM)核的超球面支持向量机(HS-SVM)UXO鉴别器.HS-SVM基于结构风险最小原理并利用核特征空间中的超球面区分UXO和杂波能够解决小训练样本集和无典型杂波样本两个问题.此外将描述UXO多方位特征的HMM作为HS-SVM核函数进一步提高了UXO的鉴别性能.实测数据处理结果表明,HMM核HS-SVM优于HMM和高斯核HS-SVM等UXO鉴别器.     

基于联合特征空间投影的SAR图像域杂波抑制

杂波抑制是实现地面慢速目标检测(GMTI,Ground Moving Target Indication)的前提条件.本文研究基于高分辨合成孔径雷达(SAR,Synthetic Aperture Radar)图像在杂波起伏时地面动目标检测问题.利用沿航迹(along-track)多幅SAR图像的相关性,提出一种基于广义特征分解的联合噪声子空间投影杂波相消算法.理论分析和仿真结果表明该算法在一定程度上能够有效抑制杂波内部起伏,并且对SAR图像配准误差具有稳健性.     

SAR图像目标综合检测方法

基于SAR(合成孔径雷达)图像杂波结构,结合小波变换和自适应维纳滤波提出了一种新的抑制SAR图像相干斑噪声方法,该方法能够较好保留杂波边缘和点目标.分析了抑制SAR图像相干斑噪声后的多分布特性,研究了相应的SAR目标检测,提出了一种新的SAR图像目标检测方法及其实现.实际SAR图像测试结果表明了本文方法的有效性.     

一种基于自适应非线性滤波的UWB SAR目标检测预处理方法

超宽带合成孔径雷达(UWBSAR)具有叶簇穿透能力，但树干等强散射点在图像中形成了大量的脉冲杂波和针状杂波，使检测UWBSAR图像中的目标变得十分困难。本文运用自适应非线性滤波方法对图像进行预处理，滤除了图像中的脉冲杂波和针状杂波，使在恒虚警率(CFAR)目标检测中虚警率明显减少。实际UWBSAR的目标检测结果验证了这种预处理方法的有效性。     

UWB SAR叶簇隐蔽目标差值变化检测中杂波分布建模分析与应用

由于树林观测区域后向散射强度具有快变特性,现有方法无法对UWB SAR叶簇隐蔽目标差值变化检测的杂波分布进行准确建模分析。为此,首先推导分析了均匀观测场景差值变化检测的杂波分布模型,而后假设观测场景后向散射强度服从伽马分布,在此基础上进一步推导了一种快起伏场景差值变化检测杂波分布模型。实验应用结果表明,该分布模型可对树林区域差值变化检测的杂波分布进行准确建模分析,从而提高变化检测性能。     

基于DPCA和多分辨分析的SAR微弱运动目标检测

图像域偏移相位中心天线(DPCA)方法可显著抑制双孔径合成孔径雷达(SAR)的静止杂波,但对消处理后的剩余杂波和噪声仍可严重影响微弱目标检测性能。该文提出采用二维多分辨分析在DPCA处理后图像域进一步抑制干扰,显著改善了SAR微弱运动目标的检测性能。数值仿真验证了新方法对杂波和噪声二种干扰成分的抑制性能。     

低频UWB SAR的冲击响应函数

提取系统的冲击响应函数(impulse response function,IRF)是测量雷达系统性能指标的前提,IRF来自理想点目标的雷达图像。对于低频超宽带合成孔径雷达(ultra wide band synthetic aperture radar,UWB SAR),参考点目标的电磁散射特性是频率和方位角的函数,不满足理想点目标的散射特性要求。本文从IRF的定义出发,结合低频UWBSAR系统处理模型,利用二维数字聚焦方法消除杂波的影响,同时利用低频电磁散射数值建模的方法计算参考点目标的电磁散射特性,最后给出了计算系统IRF的方法。     

单通道UWB SAR地面运动目标变化检测

工作在VHF/UHF波段的超宽带合成孔径雷达（UWBSAR）具有叶簇穿透和高分辨成像的能力。文中提出了一种适合单通道UWBSAR的地面运动目标检测方法——基于子孔径图像变化检测的运动目标检测算法。该算法利用UWBSAR的大波束角特点,在方位向选取较大时间间隔的两个子孔径生成子孔径图像,并根据运动目标在不同子孔径图像上聚焦位置的差异检测运动目标,估计运动目标速度和位置。文中给出了该方法的原理、参数选择、实现步骤,并基于UWBSAR实测数据验证了所提方法的有效性。     

结合强化学习自适应候选框挑选的SAR目标检测方法

大场景合成孔径雷达(SAR)图像相对于通用光学图像,复杂背景杂波对目标特征提取影响更大,由于传统基于候选框的深度目标检测算法会在整张特征图上产生大量冗余候选框,因而在SAR图像复杂背景杂波影响下会产生大量的虚警,降低目标检测精度。针对该问题,该文基于Faster R-CNN检测模型,提出结合强化学习自适应候选框挑选的SAR目标检测方法。该方法能够通过强化学习自适应搜索特征图中可能含有目标的区域,并挑选搜索区域内的候选框继续进行分类、回归。通过准确搜索到含有目标的区域,可以减少复杂背景杂波的影响并减少传统强化学习应用于检测问题的计算量。所提方法利用强化学习序列决策的特点,能够根据图像信息通过强化学习迭代搜索自适应确定图像中可能含有目标的搜索区域的位置。同时,该方法通过在强化学习中使用距离约束,可以根据之前的搜索结果自适应调整下一次搜索区域的尺寸。基于实测数据的实验结果表明,所提方法能够提升传统深度学习目标检测方法的检测性能。      

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。