基于分形特征融合的目标边缘检测算法

针对复杂背景下目标边缘检测问题,研究了分形在目标检测中的应用,提出了基于分形特征融合的目标边缘检测算法。首先求取图像的分形维数和几何度量空间变换率,然后运用Dempster-Shafer证据理论对分形维数和几何度量空间变换率进行融合处理,对图像像素分类,从而得到目标边缘,最后细化边缘得到目标检测结果。实验表明,该算法能够克服复杂背景的干扰,有效地提取目标边缘。     

高分辨SAR复杂场景中的人造目标检测

合成孔径雷达成像的最终目的是对成像场景中感兴趣的目标进行有效的检测、识别和监视。该文针对实际复杂地面环境场景中的人造目标检测问题,提出一种有效的SAR图像目标检测方法。该方法提出一种基于信息熵的改进Lee滤波算法,在图像平滑的同时,保持图像的细节和邻域特征信息;然后,采用门限化分割技术对高分辨SAR图像中的目标进行粗略检测;最后采用方向梯度能量分形特征提取方法,对图像中目标的尺寸和形状进行准确的估计,实现对目标的精确检测。实测数据的处理结果验证了该方法的有效性。     

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。     

基于扩展分形和CFAR特征融合的SAR图像目标识别

研究了多信息融合技术在SAR图像目标识别中的应用。将扩展分形特征(Extended Fractal)与双参数恒虚警特征(Double Parameter CFAR)形成的多信息进行融合处理。运用Dempster-Shafer证据理论，在决策层对SAR图像中的像素进行识别分类。实验结果表明通过融合对像素分类的准确性明显好于单特征的检测结果，减少了虚警概率，提高了系统的识别能力。     

云背景下红外小目标检测的分形方法

针对云背景下红外小目标检测对背景起伏依赖性强的问题,提出采用分形方法实现不同起伏背景的小目标检测。首先利用分数布朗随机场模型对实际云背景图像建模得到分形曲线,然后通过分析小目标存在对云背景分形特性的影响,总结出云背景区域含小目标时其分形曲线面积增大的规律,据此提出了基于分形曲线面积差量的小目标检测方法。实验结果表明:在虚警率为10-3时,分形方法对弱起伏和中等起伏云背景下红外小目标检测概率达到1.0,对强起伏云背景下红外小目标检测概率达到0.6,较现有其他一些方法具有更好的检测效果和背景适应能力。     

基于特征矢量匹配的SAR海洋图像舰船目标检测

根据SAR图像的基本特点 ,阐述了用DFBR场模型表达SAR图像的基本原理。在此基础上 ,通过提取SAR海洋图像中每个像素的分形值、分形模型拟合误差和方差统计量特征参数 ,结合图像像素的灰度值 ,形成一个对应于每个像素的特征矢量 ,并利用模糊数学的模糊子集概念 ,提出了一种基于特征矢量匹配的舰船目标检测方法。实际数据处理的结果表明 ,该方法具有较高的可靠性和准确性。     

基于深度学习的复杂沙漠背景SAR目标检测

SAR目标检测,因成像场景大、背景复杂多变而极具挑战。传统基于恒虚警率的SAR目标检测方法极易受背景干扰。针对上述问题,提出一种基于深度学习的复杂沙漠背景SAR目标端对端检测识别系统。即采用小规模沙漠背景下的SAR图像数据对Faster-RCNN网络进行迁移训练,一体化完成典型目标的检测与识别。基于合成数据集Desert-SAR的试验结果表明,与传统方法相比,该方法检测速度更快、准确率更高、鲁棒性更强。     

基于纹理特征和数学形态学的SAR图像目标检测方法

SAR图像目标检测是SAR图像解译的基础。针对含有目标的SAR图像,利用垂直方向的边缘纹理检测方法对预处理后的图像进行垂直边缘检测,再运用数学形态学中的腐蚀运算和膨胀运算对垂直方向边缘图进行虚警滤除处理,从而得到感兴趣的目标检测区域。详细地给出了SAR图像目标检测步骤,并将本方法与其他方法的检测结果进行了比较,实验结果表明,在均匀杂波背景与非均匀杂波背景下,该方法能够快速有效地实现SAR图像目标检测。     

一种新的复杂自然背景中多目标的检测算法

综合利用了RGB图像的彩色特征与灰度图像的分形特征,提出了一种新的复杂自然背景中多目标的检测算法.首先通过无监督优化模糊聚类的方法分割出彩色图像中目标的潜在区域,记录其质心位置和形状大小;然后在质心对应位置提取灰度图像中各区域的分形特征,利用几何度量空间变化率特征排除背景奇异区域的干扰;最后对记录的目标区域进行判决,得到真实目标的质心位置和形状特征,从而检测出全部目标.仿真结果表明,该算法可以有效的进行多目标检测,并较好的保留目标形状特征.     

基于分形的红外图象目标自动检测

本文介绍了一种基于分形的复杂背景下红外图象目标自动检测方法,该方法以自然背景和人造目标在分形特征上的固有的差异为依据,利用了人造目标分形特征拟合误差大的特点,实现了复杂背景中红外图象目标的自动检测。实际检测的实验结果表明：该目标自动检测方法对环境的适应性强,是一种颇具发展前景的目标自动检测方法。     

基于分形曲面尺度斜率特征的弱小目标检测

鉴于弱小目标检测所固有的难点及常用的检测方法不能准确、稳定地检测出目标,提出了运用分形曲面尺度斜率特征检测弱小目标的方法。通过实际数据分析可以得出:相比常用的分形维数和分形拟合误差等检测特征,分形曲面尺度斜率特征在表征人造目标与自然背景的差异上更加明显,在抗图像噪声干扰上也更为优异,有着更强的鲁棒性。该方法普遍适用于检测自然环境中的弱小目标,尤其在对空弱小目标方面,检测概率更高。无论背景、飞行姿态、目标类型发生怎样的变化,经本文算法运算后只需一步简易的分割就可以检测出微弱暗小目标。     

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.     

基于遗传算法的SAR图像目标鉴别特征选择

针对SAR图像自动目标鉴别的应用,提出了一种基于遗传算法的特征选择方法.首先提取了反映目标和杂波虚警差异的八个特征,分别是:四个空间边界属性特征,一个分形维数特征和三个对比度特征.然后对由八个特征构成的特征矢量采用遗传算法进行特征选择,以选出对于目标鉴别最优的特征序列.遗传算法中适应度函数的设计综合考虑了描述长度、鉴别总错误数以及漏报数等三个因素,使得该适应度函数对于特征优劣的评价更全面.实测数据的实验结果证明了所提算法的有效性.     

Hierarchical Feature-Based Detection Method for SAR Targets Under Complex Environment

A reliable target detection method for Syn-thetic aperture radar (SAR) images is needed urgently with the wide application of SAR systems. The perfor-mance of conventional detection algorithms, such as Con-stant false alarm rate (CFAR), degrade significantly in low SCR or complex regions while the Human visual system (HVS) can identify targets of interest without knowing characteristics of the background even in complicated en-vironment. The combination of HVS with the SAR-ATR system may effectively achieve real-time multi-target de-tection in complex occlusion scenes. A new effective tar-get detection algorithm is put forward using hierarchical characteristics of targets. Inspired by different roles of the retina and visual cortex in the HVS, this detection algo-rithm is divided into coarse detection and fine detection stage. Two kinds of features based on the correlation be-tween target features and suspicious targets, namely over-all feature and refined feature, are used in these two stages respectively to extract real targets. Experimental results verify its correctness and effectiveness in complex environ-ment.     

基于子孔径与全孔径特征学习的SAR多通道虚假目标鉴别

SAR多通道引起的虚假目标与散焦的船舶目标形状纹理特征非常相似,在全孔径SAR图像中难以区分。针对此类虚假目标造成的虚警问题,该文提出一种基于子孔径与全孔径特征学习的SAR多通道虚假目标鉴别方法。首先,对复数SAR图像进行幅值计算得到幅度图像,利用迁移学习方法提取幅度图像中的全孔径特征;接着,对复数SAR图像进行子孔径分解获得一系列子孔径图像,然后用栈式卷积自编码器(SCAE)提取子孔径图像中的子孔径特征;最后,将子孔径和全孔径特征进行串联并利用联合特征进行分类。在高分三号超精细条带模式SAR图像上的实验结果表明,该方法可以有效的鉴别船舶目标和多通道虚假目标,与仅使用全孔径特征学习的方法相比准确率提升了16.32%。      

基于改进YOLOv5的复杂背景红外弱小目标检测算法

针对传统算法依赖于对红外目标与环境背景的精确分离和信息提取,难以满足复杂背景和噪声等干扰因素下的检测需求。论文提出一种基于改进YOLOv5（You Only Look Once）的复杂背景红外弱小目标检测算法。该算法在YOLOv5基础上,添加注意力机制提高算法的特征提取能力和检测效率,同时改进原YOLOv5目标检测网络的损失函数和预测框的筛选方式提高算法对红外弱小目标检测的准确率。实验选取了来自不同复杂背景的7组红外弱小目标数据集,将这些图像数据集进行标注并训练,得到红外弱小目标检测模型,然后从模型训练结果和目标检测结果的角度评估算法和模型的正确性。实验结果表明:改进的YOLOv5算法训练出来的模型,检测准确性和检测速度对比实验列出的几种目标检测算法均有明显的提升,平均精度均值（mean Average Precision,mAP）可达99.6%以上,在不同复杂背景下均可有效检测出红外弱小目标,且漏警率、虚警率低。     

基于Toeplitz矩阵特征值分解的SAR图像舰船目标检测方法

合成孔径雷达（SAR）图像舰船目标检测一直是海洋监测领域的重要手段。经典的恒虚警率（CFAR）检测依赖于分布模型及多参数的准确估计,难以适应复杂多变的海面背景。新兴的信息几何舰船检测方法挖掘了目标与杂波的统计差异,实现舰船的显著性表示,但依然受限于背景杂波的精确建模。考虑到现有方法的局限性,本文提出了一种基于Toeplitz矩阵特征值分解的SAR图像舰船目标检测算法。在无需寻求背景杂波分布模型的前提下,通过构建Toeplitz矩阵,以其特征值均值为检验统计量,充分获取目标与背景杂波的差异。在高分三号卫星和TerraSAR-X卫星实测SAR图像上的实验结果证明,相比于现有的多种典型方法,本文方法取得了更优的检测性能与更快的计算速度。      

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。