一种基于间隙度特征的SAR图像车辆目标鉴别算法

该文提出一种新的基于间隙度(lacunarity)特征的高分辨率SAR图像车辆目标鉴别算法,用以去除检测阶段的自然杂波虚警。文中着重分析了高频区车辆目标和自然地物后向散射强度不规则性的差异,其中与自然地物相比,车辆目标像素集合在灰度图像上表现为较强的不规则性和较大的间隙尺寸。基于这一特点,利用分形理论提取间隙度特征来定量估算待鉴别目标像素强度分布的不规则性和间隙大小,并以此实现鉴别处理。最后,采用X波段的两种实测图像数据验证了该文算法,结果显示该特征具有较好的鉴别性能。     

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。     

高分辨率SAR图像机动目标纹理特征提取与分析

该文基于高频区目标散射中心理论分析了高分辨率SAR图像机动目标和自然地物后向散射特性的差异,探讨了两类目标纹理现象产生的机理,并在此基础上,分别基于局部统计量和分形模型提取机动目标的纹理特征,给出了鉴别特征优选方法。文中利用MSTAR的车辆目标实测数据检验了该文计算的纹理特征,给出纹理特征优选结果以及各纹理特征鉴别的性能,结果表明该文提取的纹理特征具有较好的鉴别性能,能消除大部分自然地物产生的虚警。     

基于ROI和证据理论的目标融合检测算法

考虑合成孔径雷达图像(SAR)和光学图像的互补特性,提出了一种基于感兴趣目标区域(regions of interest, ROI)决策层融合的军事目标检测方法:分别在SAR图像和光学图像中提取出ROI,再利用各自的统计特征和几何特征给提取出的ROI分配置信度,以表示正确鉴别ROI的概率。最后在决策层上运用D-S证据理论融合两个源中同一ROI的置信度,获得更可靠的融合检测结果。该方法很好的实现了SAR和光学图像的优势互补,并在对遥感图像测试集的试验中得到了验证。      

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。      

基于DBSCAN技术的SAR图像感兴趣区域鉴别

使用一种新奇的聚类方法从粗略检测后的SAR图像中提取感兴趣区域(ROI),再通过多特征提取和综合鉴别,去除虚警保留目标,为进一步的目标识别做准备。自动目标聚类是基于SAR图像的自动目标识别系统的难点之一,带有噪声的基于密度的聚类方法 (DBSCAN)可以发现任意形状的聚类目标,只依赖于两个不敏感的系统参数,通过区域判断缩减计算时间减少计算内存,很好地适应了自动目标识别的系统需要。多特征目标鉴别方案基于聚类结果,研究聚类得到的感兴趣区域,通过提取多种特征综合判断,有效去除了虚警。所述方法已应用于某SAR-ATR系统,得到了很好的应用体验。     

基于多特征联合的高分辨率SAR图像机动目标快速获取

提出了一种高分辨率SAR图像机动目标快速获取方法.该方法首先利用SAR图像中的对比度信息采用CFAR检测以确定图像中潜在目标区域的位置,然后提取每一个潜在目标区域的尺寸特征、形状特征以及对比度特征进行基于投票机制的目标鉴别,从而滤除自然杂波虚警以及部分人造杂波虚警.实测数据的结果证明了该方法的有效性.     

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%。      

SAR 村庄目标ROI 提取和异源图像匹配

针对合成孔径雷达(SAR)图像信噪比低且具有相干斑噪声,与光学图像配准时难度较大的现状,提出了一种异源图像村庄目标感兴趣区域(ROI)提取和匹配新方法。首先,对SAR 图像进行中值滤波和偏微分处理,消除噪声干扰;然后,利用灰度共生矩阵的四个纹理参数对整幅图进行计算,判断是否为村庄目标点,并提出局部灰度一致性算法,消除虚警点,增加目标点,完成村庄目标ROI 的粗提取;接着,利用傅里叶描述子对获得的目标ROI 进行二次描述和填充,获得最终待匹配的村庄ROI;最后,利用Hu 不变矩区域特征,结合最小欧氏距离测度和余弦相似度,实现异源图像匹配。实验结果表明,最终获得的配准图像误差较小,配准图像视觉判断比较理想,因而具有较高的可靠性和稳定性以及较高的理论研究价值和广泛的应用前景。     

多特征联合的序贯鉴别方法去除SAR ATR中虚假ROIs

在SAR图像机动目标自动识别过程中,因目标预筛选阶段采用次优的异常检测策略而产生大量虚假的感兴趣区域(Region of Interest,ROI),这些虚假ROIs很大程度上降低了目标识别的效率.该文提出一种基于多特征联合的序贯鉴别算法来去除虚假ROIs.该算法首先对ROI切片的目标特征做冗余性、鲁棒性和可分离性的定量分析,以选取互补性强、稳定好的最优特征,并按所选特征鉴别性能的优略进行排序,来构建序贯鉴别的观测矢量,然后利用各鉴别特征的统计模型和设定的虚警概率来计算各特征对应判决阈值,最后联合优选的多个特征进行序贯判决.文中利用X波段的MSTAR数据验证了本文的算法,并与二项式距离鉴别算法做性能比较.     

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。     

复杂场景下单通道SAR目标检测及鉴别研究进展综述

SAR作为一种主动式微波成像传感器,以其全天时、全天候、作用距离远等独特的技术优势,成为当前对地观测的主要手段之一,在军事和民用领域发挥着十分重要的作用。随着SAR遥感技术的发展,高分辨率、高质量的SAR图像不断产生,仅依靠人工手段对感兴趣的目标进行检测、识别费时费力,因此亟需发展SAR自动目标识别(ATR)技术。典型的SAR ATR系统主要包括检测、鉴别、分类/识别3个阶段,其中,检测和鉴别阶段是整个SAR ATR系统的基础,是国内外雷达界一直开展的SAR应用基础研究之一。针对单通道SAR图像,简单场景下目标检测与鉴别已经取得了不错的结果;而在复杂场景下,杂波散射强度相对高、杂波背景非均匀和目标散射强度相对弱、分布密集等情况,使得SAR目标检测和鉴别依然是一个难点。该文对近十年左右复杂场景下单通道SAR目标检测及鉴别方法的研究进展进行了归纳总结,并分析了各类方法的特点及存在的问题,展望了未来复杂场景下单通道SAR目标检测与鉴别方法的发展趋势。      

基于有序数据可变索引的SAR图像目标检测方法

该文提出了一种基于有序数据可变索引(Ordered Data Variability Index, ODVI)的SAR图像目标恒虚警检测算法,该算法首先对待测像素的参考窗进行基于ODVI的自适应筛选处理(Automatic Censoring, AC),以去除窗内的强杂波和干扰像素,并以窗内保留的均匀像素对背景的统计特性进行建模,估计其概率密度函数的参量,同时构建双参数恒虚警检测(CFAR)的检验统计量,计算检测的自适应阈值,实现检测的判决。论文给出了该算法的检测性能曲线,并利用实测的X波段SAR图像进行实验验证,与其它检测方法进行比较,结果显示该文算法具有较好的检测性能和较低的虚警概率。     

基于假设检验的红外弱小目标感兴趣区域提取算法

根据假设检验的基本原理,提出了一种红外弱小目标感兴趣区域检测算法.该方法首先按照最小错误概率准则抽取图像中目标的感兴趣区域,然后在这些区域里进行目标提取和分析.实验结果表明,该方法很好地克服了一些传统方法中冗余计算多和分析难度高等缺点,非常适合于红外弱小目标的高性能检测.     

多分辨率特征在UWB SAR目标检测中的应用

本文借鉴高频合成孔径雷达(SAR)目标检测中多分辨率特征分析方法,结合超宽带合成孔径雷达(UWB SAR)工作体制和树干杂波的特殊性,详细分析了UWB SAR目标检测中树干杂波和目标多分辨率特性的区别;构造了多分辨率差分序列,并采用一阶AR模型实现了对多分辨率差分序列的建模;给出了基于多分辨率的广义似然比(GLR)定义,并提出了利用感兴趣区域(ROI)内GLR之和来确定ROI真假属性的判别方法;针对树干杂波和目标的模型训练分别提出了预先训练和现场训练的方法,大大提高了多分辨率特征提取的稳健性;基于实际UWB SAR图像数据的试验结果证明了利用多分辨率特征降低ROI虚警率的有效性。     

一种利用SAR和可见光图像融合检测目标的方法

本文利用军事目标在SAR图像中具有较大的雷达散射截面,后向散射强以及在可见光图像中几何外形清晰的特点,提出一种利用SAR图像和可见光图像多维特征检测目标的方法。该方法分为图像预处理,目标检测和融合检测三部分。首先,利用基于特征匹配的方法对多传感器图像进行配准。其次,利用全局双参数恒虚警(CFAR)方法检测SAR图像中的目标,经过滤波处理后,确定感兴趣区域(Region Of Interesting,ROI)并提取目标的SAR图像特征;将ROI映射到可见光图像中,对该区域进行边缘检测、滤波、连通性分析、提取目标的可见光图像特征。最后,在特征层利用特征向量距离准则融合检测目标。实验结果表明该方法性能优于单传感器检测方法,且能有效的改进目标检测性能。      

一种基于兴趣区提取的红外搜索系统目标实时检测算法

针对周扫红外搜索系统对空目标探测面临的图像数据量大、弱目标检测概率低、虚警率高等难点问题,提出了一种基于兴趣区(ROI)提取的目标实时检测算法。算法分析了周扫红外搜索系统获取的图像中目标与背景的特性,根据目标运动特性与灰度特性,在周扫红外搜索系统获取的整幅全景图像中快速提取目标可能存在的兴趣区;针对兴趣区内的局部目标图像切片,进一步精细检测识别,剔除虚假目标干扰。外场试验获取的实测数据目标检测结果表明,算法针对复杂低空背景下弱目标能够实现低虚警率稳健检测,已应用到了周扫红外搜索跟踪系统的工程样机研制中。