基于能量特征的图像目标检测

根据被测图像纹理背景和目标区域在小波变换域 在小波变换域内图像能量分布的不同,以及经过多尺度分解后在各子空间信息分布的不同,提出与背景纹理的方向无关,把目标的变化具有旋转、平称我以及尺度不变性的能量特征作为检测的依据。实验证明该方法具有较好的适应性。     

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。     

SAR图像点目标的检测

分析了在均匀杂波回波功率服从 Gamma分布条件下 SAR点目标检测 ,推导了点目标虚警概率和检测概率与阈值系数关系 ,提出了检测点目标阈值系数选择根据和方法。在杂波均值估计方面 ,提出了以全局均值代替局部动态均值。实际测试结果表明所提出的检测方法在检测效果和计算量方面都优于双参数恒虚警检测算法     

基于边缘特征的SAR图像目标检测方法

如何快速而准确地检测出SAR图像中的目标是一个极富挑战性的课题.利用图像边缘特征和模糊集理论设计了一种快速有效的SAR图像目标检测算法.该算法先利用模糊软阈值小波降噪方法去除相干斑噪声,然后用模糊边缘检测器检测出降噪图像的边缘,最后利用形态学操作算子提取出边缘图中的目标区域.与基于亮度特征以及基于纹理特征的检测算法相比,提出的检测算法能够快速、准确地检测出目标,而且产生的虚警数量较少.SAR实测数据的实验结果表明,提出的算法是有效的且具有很好的应用前景.     

基于目标识别的SAR图像特征分析

特征分析是目标检测与识别的关键,也是图像解译的经典课题之一.本文分析了合成孔径雷达图像目标识别系统各阶段常用的特征,并提出了几个新的具有鲁棒性的特征,从而为SAR图像目标检测和分类提供了良好的基础.     

基于位置相关的SAR图像中分布式目标检测

在研究了SAR图像中分布式目标在其所占有的各分辨单元间的二维位置相关信息的基础上,提出了一种SAR图像中分布目标的检测方法。根据二维情形下的不同距离定义,提出了算法的几种形式。计算机仿真结果、处理真实SAR图像数据的试验结果和性能分析表明了该方法比经典的恒虚警检测算法更有效、更优越。通过比较不同的距离定义下检测算法的性能和运算复杂度,得出了最优的距离定义形式。     

SAR图像目标检测研究综述

SAR图像目标检测是SAR ATR(自动目标识别)的关键步骤,也是近年来SAR图像解译应用的一大研究热点.在广泛文献调研的基础上,本文从SAR图像目标检测的历史沿革、研究现状开始,综述了SAR图像目标检测的研究进展及存在问题,指出了该技术领域的发展趋势.     

基于区域特征的高光谱与全色图像NSCT域融合方法

针对高光谱图像解译需求,提出了一种基于目标检测理论的NSCT域高光谱图像与全色图像融合方法.首先对高光谱图像进行RX异常目标检测,得到目标背景分离图像;然后对参与融合的波段图像进行无下采样轮廓波分解,得到不同分辨率的低频子带和多方向的带通子带;对于背景区域的低频子带系数和高频子带系数,分别采用加权平均和平均梯度自适应加权的融合策略,对于目标区域,则根据不同特征采用区域方差自适应加权的低频系数融合方法和区域方差取大的高频系数融合方法;最后进行NSCT逆变换得到融合图像.实验结果表明,本文提出的融合方法能够有效提高高光谱图像的目视效果,突出目标与背景区域的差异,有利于目视解译工作的进行.     

基于Markov随机场的SAR图像目标检测方法

提出了一种递增结构能量参数的Markov随机场模型的合成孔径雷达图像目标检测算法,利用模拟退火优化方法,获得最大后验概率准则下的目标检测结果。实验结果表明,该算法不仅能有效减少斑点噪声及背景杂波的影响,而且还可以排除具有较强回波的角反射器的干扰。     

基于多尺度特征的SAR区域型目标检测方法

通过对SAR图像的目标特性分析，提出了一种SAR区域型目标的检测方法。与通常的一些目标检测算法相比，该算法在ROI的提取和目标建模两个方面作了改进，提出了一个新的特征提取算子并引入多尺度的梯度特征作为分类依据。算法应用于真实的SAR图像进行居民区的检测，获得了预期的结果。实验表明，基于多尺度梯度特征的目标检测算法具有良好的性能。     

基于隐马尔可夫模型的多孔径SAR目标检测

穿透叶簇５的ＶＨＦ／ＵＨＦ超宽带（ＵＷＢ）ＳＡＲ具有相对带宽很宽，积累角大的特点，可同时获得距离、方位两个方向的高分辨能力，能用于探测叶簇隐蔽的军用车辆等人造目标而有着重要的军事应用价值。在多孔径ＳＡＲ成像的基础上，本文用隐马尔可夫模型对人造目标和叶簇等杂波建模，可有效地检测目标，实现一个ＡＴＲ系统的预筛选处理。     

基于卷积神经网络的SAR图像目标检测算法

该文研究了训练样本不足的情况下利用卷积神经网络(Convolutional Neural Network, CNN)对合成孔径雷达(SAR)图像实现目标检测的问题。利用已有的完备数据集来辅助场景复杂且训练样本不足的数据集进行检测。首先用已有的完备数据集训练得到CNN分类模型,用于对候选区域提取网络和目标检测网络做参数初始化;然后利用完备数据集对训练数据集做扩充;最后通过四步训练法得到候选区域提取模型和目标检测模型。实测数据的实验结果证明,所提方法在SAR图像目标检测中可以获得较好的检测效果。     

一种基于NSCT的区域能量图像融合算法

针对NSCT具有方向性、各向异性和平移不变性的特点,提出了一种新的基于NSCT图像融合算法。该方法同时考虑了窗口区域的匹配度和窗口中心像素的正负号相位信息,将选择和加权平均二种融合规则相结合,取最高层绝对值较大的系数作为融合图像最高层的系数。实验结果表明,文中方法融合效果优于传统小波和轮廓波变换方法。     

SAR图像目标的融合检测方法

该文提出了一种利用扩展分形特征和局部对比度特征进行融合的SAR图像目标检测方法。分析了扩展分形特征的尺度敏感性及其在不同目标杂波模型下的二阶统计特性,分析表明扩展分形特征在目标检测中存在负值效应,即在正确检测出目标的同时把一些与目标具有相似形状而灰度值较低的区域也检测出来。而CFAR检测方法只利用了目标的局部对比度信息,不存在负值效应,但在强杂波环境中的检测结果存在很高的虚警。两种方法的融合可以滤除大量杂波虚警而保持目标。实测数据的融合检测结果证明了该方法的有效性。     

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。     

检测SAR图像中径向慢速动目标

该文提出了一种从SAR图像中检测径向匀速动目标的方法,将SAR图像信号在频域分为正频部分和负频部分,静止背景的正负频分布对称,而径向动目标的多普勒质心与静止背景相比有一频移,信号在正负频域能量分布不对称。将分开的正负频域信号分别回到时域成像,计算这两幅复图像对应位置的模差绝对值,可对消静止背景,突显出径向动目标。仿真数据表明本算法有效。     

充分利用SAR图像中动静目标信息检测动目标

本文结合遗传算法,研究同时利用SAR(Synthetic Aperture Radar)图像中动静目标信息检测动目标的高效算法,进一步揭示单通道SAR/GMTI的潜力.单通道SAR图像中包含着动目标和静止背景信息,在SAR图像方位向信号中,以对称搜索二次相位和对称带通滤波(通带针对动目标频谱)所得两图像模差的绝对值检测动目标,既利用其中的静止背景信息抑制杂波,又利用其中的动目标信息聚焦动目标能量,能获得更好的动目标检测性能.     

SAR图像舰船目标检测算法的对比研究

SAR图像舰船目标检测有二种经典算法:双参数CFAR算法和K-分布CFAR算法。本文分析了二种算法的特点,使用RADARSAT卫星不同模式SAR图像分别进行实验,给出二种算法的适应性。     

基于改进RetinaNet的SAR图像目标检测方法

近年来,深度学习方法在合成孔径雷达(SAR)图像目标检测中得到了广泛的应用.船舶出现在近海、港口、岛礁、远洋等各种场景中,同时海洋环境复杂多变,使得船舶目标检测很难排除混乱背景的干扰.对于大纵横比、任意方向、密集分布的目标,精确定位变得更加复杂.本文基于深度学习的方法提出用于SAR图像目标检测的改进RetinaNet模...     

基于SAR图像的点状目标检测方法研究

分析了SAR图像目标检测中常用的方差法、恒虚警算法,讨论了对纹理和灰度都敏感的扩展分形法,然后针对弱目标的检测,提出了基于小波多分辨率能级分析的检测方法,最后对四种算法的性能作了比较,并指出了下一步的研究方向.