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。     

一种联合阴影和目标区域图像的SAR目标识别方法

地面目标的SAR图像中除了包含目标散射回波形成的区域,还包括由目标遮挡地面形成的阴影区域。但是由于这两种区域中的图像特性不相同,所以传统的SAR图像自动目标识别主要利用目标区域信息进行目标识别,或者单独使用阴影区域进行识别。该文提出一种阴影区域与目标区域图像联合的稀疏表示模型。通过使用1\2范数最小化方法求解该模型得到联合的稀疏表示,然后根据联合重构误差最小准则进行SAR图像目标识别。在运动和静止目标获取与识别(MSTAR)数据集上的识别实验结果表明,通过联合稀疏表示模型可以有效地将目标区域与阴影区域信息进行融合,相对于采用单独区域图像的稀疏表示识别方法性能更好。     

结合形状先验的图割目标分割方法

为了减少图像目标分割过程中噪声、阴影、背景复杂等因素的影响,将形状先验引入图割图像分割框架中,提出一种结合形状先验的图割目标分割方法。该方法给出了形状先验的定义,并将其转化为势函数的形式加入到能量函数中,通过能量最小化过程得到最终分割结果。同时,图像对齐过程能够适应形状模版与待分割目标之间的仿射不同。形状先验能够较好地约束目标边界,相比与传统图割算法,分割结果有了明显改善。实验结果表明,该算法具有有效性。     

基于精细分割的SAR图像舰船目标几何结构特征提取

随着高分辨率星载合成孔径雷达（synthetic aperture radar,SAR）系统的研制和使用,利用SAR图像实现快速准确的舰船目标识别分类成为了海上目标侦察监视的重要手段.文中针对SAR舰船目标切片图像,提出一种基于精细分割的SAR图像舰船目标几何结构特征提取方法.首先,采用基于Radon变换的分割方法将舰船目标和成像干扰区域进行分离,对分离出的舰船目标切片进行阈值分割处理,并利用形态学手段处理分割图像,减小旁瓣影响,准确提取目标主区域;然后基于椭圆形状约束进行目标区域的细化分割,解决分割区域"毛刺"现象和区域断裂现象,得到舰船目标的最佳图像分割区域;最后,通过逼近目标区域获得其对应的最小外接矩形（minimum enclosing rectangle,MER）,进而实现目标区域几何结构特征的精确提取.通过对获取的高分三号卫星SAR图像数据进行仿真实验,证明了本文方法提取舰船目标几何结构特征的高准确性和强稳定性,对海上舰船目标的识别与分类具有重要意义.     

一种基于视觉显著图的舰船红外图像目标检测方法

提出了一种基于视觉显著图的红外舰船目标定位方法,即通过改进的Itti模型生成视觉显著图,并基于视觉显著图分割出目标区域,从而实现目标检测。先用小波变换替代Itti模型中的高斯滤波来生成图像多尺度金字塔,然后用center—surround算子提取出多尺度的视觉差异特征,并对生成的视觉特征图进行合成,生成显著图。最后,利用阈值分割方法分割出目标区域,并对原始图像进行标记,从而实现目标检测。实验结果表明,与传统的Otsu阈值分割方法相比,该方法能够准确检测出目标区域。     

一种基于多重模糊聚类的红外目标分割算法

提出了一种基于多重模糊聚类的红外目标分割算法。为了实现目标的准确分割,先将原始红外图像进行四划分得到四个子图像,在各个子图像上分别进行模糊C均值聚类,再对图像进行横纵二划分各得到两个子图像,并将四划分时得到的聚类结果约束在二划分的聚类过程中,最后将二划分得到的聚类结果约束到原始图像的聚类过程中,并在其中加入邻域空间约束。此方法可有效增强背景和目标区域像素点的各自凝聚性和抗干扰性,有效提高聚类分割结果的准确性。实验结果表明,多重模糊聚类目标分割算法能准确地实现红外图像目标区域和背景区域的分离,是一种可行的目标分割算法。     

基于最稳定极值区域方法的目标检测与跟踪

针对非刚体目标的精确实时跟踪问题,提出了一种融合先验形状信患的基于最稳定极值区域(MSER)检测器的跟踪算法.首先,利用训练样本建立目标颜色特征的混合模型,生成目标统计颜色概率图,为最大稳定区域方法提供概率统计依据.其次,利用基于最稳定极值区域方法给出最稳定的分割结果.最后,利用训练样本得到目标的先验动态形状模型,并且融合目标形状信息与通过MSER算法生成的稳定区域信息,去除虚假分割结果,提高目标检测精度与跟踪性能.实验结果证明,该算法能在视频序列图像中有效检测并跟踪目标.     

复杂背景下运动目标跟踪技术

运动目标分割技术是计算机视觉研究的热点。介绍了一种常用的K im目标分割方法,并针对其不足,对K im方法进行了改进,将连续两帧的差分图像和背景差分图像直接相乘得到灰度图像,然后对该灰度图像进行阈值分割来获取目标区域模板,再基于灰度加权图像模板匹配法实现目标跟踪。实验结果表明,该方法能够准确地检测跟踪目标,具有较好的实用价值。     

结合TV约束的穿墙雷达扩展目标成像方法

在穿过周期性空心墙体的雷达成像中,当成像区域存在扩展目标时,会有数量较多且呈现区域性分布的散射点,从而导致空间的稀疏性较差,如果仍然采用传统稀疏成像方法,往往得不到理想的结果,为此提出一种TV约束下的扩展目标稀疏成像方法。该方法首先将空心墙体等效为三层均匀介质模型,基于贝叶斯准则,采用"Integrate-out"方法充分利用目标的先验信息实现目标函数的无参数化,最后利用交替循环迭代法进行循环优化。仿真和实验结果表明,该方法不仅可以对扩展目标进行高分辨成像,还可以有效消除图像中的杂波,并且大大减小了计算量。     

改进的红外弱小目标检测方法

为了进一步提高红外弱小目标检测的准确性和实时性,针对红外图像的特点利用修正的Top-Hat算子对目标图像进行背景抑制以提高目标检测概率。根据已有的先验知识构造属性集,把灰度直方图限定在感兴趣区域,减少背景和噪声的干扰。利用改进的OTSU算法进行图像分割以检测目标。为了提高分割算法运算速度,把快速递推算法推广应用到了本文算法中。实验选取了不同类型的红外图像,将本文算法和其他文献中算法的分割结果进行了比较。实验结果表明,本文算法具有更好的分割效果,目标分割准确,运算速度提高了60%以上。属性直方图可以针对具体问题,利用已有的先验知识灵活构造,具有较好的通用性。     

基于HSV颜色空间检测与Gabor筛选器的阴影检测

针对视频分析中难以完全将前景(FG)和运动阴影正确分离,提出一种基于阴影HSV颜色空间特性与Gabor筛选器的阴影分割方法。首先,采用一种基于复杂背景(BG)的运动目标检测方法提取出运动目标;其次,采用基于HSV颜色空间阴影特性初步判定阴影区域;最后,设计基于感兴趣区域(ROI,region of interest)的Gabor筛选器对初步判定后的阴影区域进行筛选,从而检测出阴影。对不同光照和环境条件下的视频序列进行测试结果表明,方法效果好,阴影检测率高,可应用于智能视频监控的目标检测。     

基于梯度变化分析的弱目标检测

分析了噪声背景下弱目标区域的梯度分布特性,提出了一种利用弱目标边缘区域内梯 度分布特点来分割出弱目标的方法。为了提高分割的准确性,利用了帧间信息,根据目标的运动特征提取出真目标,并根据现场采集到的数据进行仿真,证明了该方法的有效性。     

Adaptive river segmentation in SAR images

There is difficulty for distinguishing of river and shadow in Synthetic Aperture Radar (SAR) images. A method of river segmentation in SAR images based on wavelet energy and gradient is proposed in this paper. It mainly includes two algorithms: coarse segmentation and refined segmentation. Firstly, The river regions are coarsely segmented by the wavelet energy feature,and then refined segmented accurately by the gradient threshold which is got adaptively. The experimental results show the validity of the method, which provides a good foundation for targets detection above the river.     

基于MSP-ROA边缘检测的SAR图像分割

该文以卡通模型为SAR图像分割的理论依据,提出了一种基于MSP-ROA边缘检测的SAR图像分割算法,算法中对边缘检测的结果做种子生长、标注和区域填充,并根据相似性准则对填充的初始分割结果进行相邻区域的合并处理,最终得到同质性和连通性都较好的SAR图像分割结果;文中给出了SAR图像分割处理的性能评估指标,并用实测的SAR图像数据验证了上述算法,最后给出了与其它分割方法比较的结果.     

基于流形特征与形状先验的红外直升机图像分割

为有效分割复杂天空背景下的直升机目标,提出了基于流形特征与形状先验的变分分割模型.根据图像数据的灰度分布构造区域能量项,推动变形曲线向目标边界演化;引入对称正定（Symmetric Positive Definite,SPD）矩阵流形上的区域协方差描述子构造流形特征能量项以提高分割算法的鲁棒性.在区域项、边界项和流形特征项的共同作用下获取红外直升机目标的第一阶段分割结果.在第二阶段分割过程中,基于主成分分析（Principal Component Analysis,PCA）方法获取直升机目标的先验形状变化模式,以变形曲线在PCA空间重构的形状作为先验知识约束曲线的演化,最终实现红外直升机图像的分割.实验结果表明,本文方法能够有效获取直升机目标的完整轮廓.     

基于显著区域提取的红外图像舰船目标检测

针对复杂海面背景下红外图像舰船目标由于灰度不均匀、海杂波干扰大等因素造成的自动检测虚警率高、准确率低的问题,提出了一种显著区域提取和目标精确分割相结合的红外舰船目标检测方法。首先,利用基于图论的视觉显著性(Graph-based Visual Saliency ,GBVS)模型计算待检测图像的显著图,使得目标区域信息增强;其次,结合舰船目标先验信息（长短轴、面积等）,利用多级阈值划分算法提取关注的显著区域,并确定原图中候选目标区域;最后,利用空间约束模糊C均值(Fuzzy C-Means,FCM)算法对候选区域进行分割,结合目标先验知识对分割区域筛选并输出目标位置。所提方法在公开数据集IRShips上与相关方法进行比较,结果表明,相比直接进行全图目标搜索的方法,所提方法不仅准确率高、执行速度快,且检测目标的位置更加精确。     

高分辨率SAR图像地物分类算法研究

本文给出了一种关于高分辨率、单极化Synthetic Aperture Radar(SAR)图像目标分类的完整算法.首先,利用基于改进的相关邻域模型的Radar Cross-Section(RCS)重构算法进行目标和阴影检测,通过非线性积累把图像分割为“阴影区”、“背景区”和“目标区”;接着通过形态学算子进行地貌滤波和边缘提取,应用改进的Hough变换和细线化措施进行线段的连接和编组;最后利用空间联合位置模型进行目标的分类.     

基于统计模型组的Markov SAR图像分割

该文首先介绍SAR图像分割的概念,分析了其地物数据的统计特性,在此基础上利用多种模型构成的统计模型组来匹配大幅SAR图像中各类地物的直方图分布,给出了衡量实际地物直方图和假设已知模型匹配程度的检验统计量,以此来选取最优的统计模型组;并提出了基于统计模型组的Markov随机场的SAR图像分割算法,利用Radarsat的实测数据验证了算法的有效性,给出了性能评估结果,并与其它分割方法做了比较。     

边缘惩罚层次区域合并SAR图像分割算法

该文利用方向边缘强度信息,建立一种新的边缘惩罚SAR图像分割模型,提出一种最小化该模型的层次区域合并算法。利用多方向比例边缘检测算子(MDRED)提取边缘强度信息,并结合分水岭变换获得高质量的初始过分割结果。利用多边形近似区域边缘,提取边缘的方向,将方向边缘强度映射(OESM)融入边缘惩罚中,获得惩罚强度与边缘强度呈反比的惩罚项。逐渐增大边缘惩罚项的强度,获得由图像特征驱动的层次区域合并算法。利用区域邻接图(RAG)表示图像分割,提高区域合并的速度。实验表明:该文方法与其它方法相比在性能和效率上都有优势,获得更好的分割结果。