SAR图像中海上舰船目标自动检测新方法

针对中分辨率近岸海域SAR图像,结合已有的舰船检测算法,提出了一种新的海上舰船目标自动检测方法。该方法先根据相应的抽取算法和图像数据映射准则,分离图像中的海洋和陆地区域,并结合最大熵分割法提取海洋背景中包含候选目标的感兴趣区域,最后利用特征匹配方法检测出真正的舰船目标。对50多幅SAR图像进行了试验,其结果表明该方法能自动、快速、准确地检测出图像中舰船目标。     

基于边缘检测的SAR图像自适应区域分割

受相干斑噪声影响,合成孔径雷达（Synthetic Aperture Radar,SAR）图像成像质量低,目标判读困难。针对传统方法对SAR图像分割存在噪声敏感、细节缺失、过度分割等问题,提出一种基于边缘检测的SAR图像自适应区域分割方法。首先引入双边滤波构建级联滤波器,对SAR图像进行保边抑噪;然后建立基于纹理复杂度的阈值估算模型,实现阈值自适应目标SAR图像边缘检测;最后提出基于边缘特征的自适应区域生长分割方法,较好解决了传统区域生长算法对SAR图像分割时出现的过度生长和过度分割之间的矛盾问题。该方法综合利用了SAR图像二维熵、边缘灰度信息、区域灰度信息,实现了对单极化目标SAR图像的自动分割。实验表明,相较于其他传统分割方法,该方法保边抑噪能力更强,目标细节检测更准确,较好解决了SAR图像过分割问题。     

基于改进正则化方法的SAR图像区域特征提取

合成孔径雷达(SAR)图像上的各种噪声削弱了目标、阴影等感兴趣区域(region of interest,ROI)的细节特征,影响了后续的目标检测、分类和识别等应用。传统的正则化方法能够增强SAR图像的目标特征,但是运算量过大,实时性不好。提出一种改进的正则化方法,有效地提高了SAR图像区域特征提取的速度和精度。理论上证明,降质算子的优化可以使运算量由O(M3N3)降到O(MN),同时保留了区域特征增强的能力。利用MSTAR数据库中实测的SAR图像进行算法验证,实验结果表明该方法能够大幅度提高目标杂波比,有效抑制感兴趣区域内的噪声,从而更精确地把目标和阴影等区域从背景杂波中提取出来。     

基于区域生长的SAR图像目标检测方法研究

基于区域生长算法和SAR图像相干斑的特点,提出了一种有效的SAR图像目标提取方法。该方法结合SAR图像的目标特征,分析了区域生长的关键问题（种子点的选取和相似性生长准则）并提出相应的决策,给出了实现SAR图像中目标的提取步骤。仿真结果表明该方法具有较强的抗噪性能和应用潜力。     

基于模糊加权SVM的SAR图像水体自动检测

提出一种SAR图像水体自动检测方法。该方法采用树型小波对SAR图像进行分解,提取样本图像与待检测图像的中频信息,并进行纹理分析,利用模糊加权支持向量机对样本图像的纹理进行训练,从而获得判别水体的决策函数,通过该决策函数能够检测出图像的水体区域。该方法结合了图像的灰度与纹理信息,减少了SAR图像中的噪声影响,能够适用于大幅面范围的SAR图像水体自动检测。     

基于水平集的SAR图像建筑物区域检测

根据合成孔径雷达(SAR)图像建筑物成像的特点,采用基于水平集的分割方法对SAR图像建筑物区域进行检测。结合基于指数小波提取的SAR图像梯度边缘信息,以及基于变差函数提取的SAR纹理特征,建立能量函数模型,进行曲线演化分割从而提取目标。实验结果表明,与基于灰度信息的模型相比,该模型可以准确、快速地检测出大场景SAR图像中的建筑物区域。     

基于特征向量的SAR图像目标识别方法研究

用于描述区域特征的Hu矩不变量在模式识别中得到广泛使用。然而在噪声影响下,尤其是SAR图像中严重的相干斑噪声,Hu 矩不变量不再保持其完美的性能。以Hu七个矩不变量为基础,结合SAR图像的特点,引入四个仿射矩不变量和SAR图像中目标区域的峰值、均值和方差系数,构成SAR图像中目标识别的特征向量。该特征向量体现了SAR图像区域目标的形状特征和区域的灰度信息。通过对两种不同分辨率下的T72坦克SAR图像的目标识别仿真实验,均获得了较好的目标识别效果,说明所选取的SAR图像目标识别的特征向量是有效的,具有较强的目标识别性能。     

基于特征提取的SAR图像滤波算法

针对SAR图像所包含的地物目标比较复杂的特点,提出一种新的SAR图像滤波算法.该算法利用Contourlet变换能保持边界.结合特征提取可以获得区域目标点特征的特点,利用自适应阈值的方法对SAR图像进行滤波.与传统Lee滤波和保持边缘特征滤波算法进行比较,实验表明新的算法不仅提高了图像的质量.其量化指标也得到了提高.作为该算法的应用.利用变换域内低频图像和子带图像的融合规则对L和C两个波段的SAR图像进行去噪融合,可以看出该算法的去噪效果.     

一种新的SAR图像目标检测算法

提出一种与数据有关的基与固定基相结合的合成孔径雷达(SAR)图像检测算法,分别提取2种不同空间下表示的目标特征,将这些特征在不同空间中融合并进行调制,形成显著图,从而将目标特征凸显出来,利用目标的先验知识检测目标,使用ADTS高分辨率机载SAR目标数据进行仿真。实验结果表明,该算法能够有效突出待测图像中的目标区域,并抑制非目标区域,具有较高的检测精度。     

SAR图像序列目标检测方法

提出一种合成孔径雷达（SAR）图像序列目标检测方法,采用最大后验概率准则完成第1帧SAR图像的目标提取,同时获得所需参数向量。在此基础上,对图像进行目标检测,利用前一帧图像的目标检测信息和参数向量,实现后一帧图像的目标检测,并对SAR图像杂波数据的参数向量进行修正。仿真实验结果说明,该方法具有良好的目标分割性能。     

一种基于自适应背景杂波模型的宽幅SAR图像CFAR舰船检测算法

利用海洋宽幅SAR图像进行大范围海域舰船检测在海洋监视、军事侦察等方面具有重要应用。由于海况的复杂性,宽幅SAR图像背景杂波特性随海域不同而变化。采用双参数CFAR检测算法和基于K分布CFAR检测算法在处理宽幅SAR图像时,由于在待检测的所有区域采用同种背景杂波模型,导致使用的杂波模型在不适应区域失配,使CFAR检测性能下降。针对这个问题,提出了一种基于自适应背景杂波模型的CFAR宽幅SAR图像舰船检测算法,该算法通过背景窗口的多尺度统计方差判断目标所处的杂波环境,自适应选择对应的背景杂波分布模型,最后根据已知的恒虚警率及选择的杂波概率密度函数进行CFAR检测。对20多幅宽幅SAR图像进行了试验,实验结果表明:该算法在检测精度上有明显的改善。     

利用高斯混合模型的SAR图像目标CFAR检测新方法

SAR（合成孔径雷达）图像杂波分布模型种类繁多且对实际地物的建模能力有限。在使用基于杂波统计模型的CFAR(恒虚警率)算法对SAR图像进行目标检测时,杂波统计模型的失配会导致检测结果产生较大的CFAR损失,算法精度不高。提出了一种基于高斯混合模型的CFAR检测新方法。该方法以理论上可以拟合任意形状概率密度分布的高斯混合模型对实际SAR图像的背景杂波进行拟合,利用拟合后得到的分布模型,根据CFAR检测的原理推导出目标检测阈值的计算公式完成目标的检测。新方法对服从不同分布模型的背景杂波,使用形式上统一的模型进行描述,克服了CFAR检测高度依赖背景杂波分布的缺点,提高了CFAR的通用性。实验结果表明,即使在背景杂波类型未知的情况下,新方法依然得到了良好的目标检测效果。     

基于聚类的SAR图像快速目标检测

针对SAR图像目标检测效率低、虚警概率高及SAR图像的特点,改进了Mean Shift聚类算法,并与双参数CFAR检测技术相结合,提出了一种能够快速而准确的SAR图像目标检测算法。通过聚类预处理SAR图像,降低了背景杂波对目标检测的影响及检测的虚警率,并且聚类后的SAR图像具有一定的结构,将图像结构的概念引入到目标检测中,避免了对图像逐点检测,大大提高了检测速度。实验结果表明,该方法具有检测速度快、虚警概率低的特点。     

基于自聚焦的变门限SAR/GMTI动目标检测方法

高分辨率合成孔径雷达（Synthetic aperture radar,SAR）合成孔径时间长导致动目标散焦严重、信杂噪比（Signal clutter noise ratio,SCNR）降低,增加了对动目标的检测难度。针对这种情况,本文提出了一种基于自聚焦的变门限SAR/(Ground moving target indication,GMTI)动目标检测算法。该算法利用距离相位误差和方位相位误差之间存在的固定关系实现对动目标的两维相位误差的估计与补偿,达到提高SCNR的目的。通过两级不同门限的恒虚警率（Constant false alarm rate,CFAR）检测分别实现动目标检测和排除虚警。实测数据结果表明,本文算法能有效地检测动目标,降低虚警概率。     

基于多尺度静态小波分解的改进型CFAR船只检测算法

SAR船只目标检测是实现海上安全监测的有效手段。由于在海杂波较为复杂的情况下,传统CFAR算法对于弱小船只检测效果不佳,本文提出了基于多尺度静态小波分解的改进型CFAR检测算法。首先通过实验选出最优小波基及最佳小波分解级数,再利用幂运算对经多尺度乘性增强的小波系数进行优化,以增强船只与海洋背景的对比度,从而运用简单的CFAR算法即可得到较好的检测效果。最后,以新型星载ALOS-PALSAR数据为例,通过与传统CFAR算法的对比实验,验证本文算法的有效性。实验表明,利用Sym2最优小波基的较强边缘检测能力以及小波多尺度乘性增强,双重强化了船只目标的边缘影像特征,并有效抑制了海杂波噪声,使得本文算法在提高检测率与降低虚警率两方面都优于传统CFAR算法,有利于高海杂波下弱小船只的检测。     

A New Ship Target Detection Algorithm based on SVMin High Resolution SAR Images

The characteristics of ocean background and target in the high resolution synthetic aperture radar (SAR) images are analyzed.Aiming at the requirements of ship detection in high-resolution synthetic aperture radar (SAR) image,the detection accuracy,intelligence level,real-time and processing efficiency,we put forward a high resolution SAR images ship detection algorithm based on support vector machine.The algorithm designs a pre-training support vector machine (SVM) classifier and complete the screening of the ship target block area,then the algorithm of optimal entropy thresholds proposed by Kapur,Sahoo,Wong(KSW) will be used on the target area selected for fine detection of ship targets.In this paper,several commercial satellite data,such as TerraSAR-X,are used to verify the experiment.Comparing with the classical CFAR detection algorithm,Experimental results show that the algorithm can improve the false alarm caused by the speckle noise and ocean clutter background inhomogeneity.At the same time,the detection speed is also increased by 20% to 35%.     

一种自适应的合成孔径雷达图像目标检测方法

目标检测是自动目标识别的一个重要步骤,论文提出了一种自适应的SAR图像目标检测方法,该方法采用基于Weibull分布模型的恒虚警率(CFAR)检测技术,将参考窗口分块,判断各子块类型,根据各子块类型不同,自适应选择参考样本确定阈值。在检测过程中,利用灰度和方差特征,预先排除明显不为目标的像素。对CFAR检测结果,利用目标基本形状特征排除虚警。实验证明,该方法在同质区和非同质区背景下都具有较好的检测性能。     

一种基于二次Gamma核的SAR图像舰船目标检测方法

针对CFAR检测方法在强海杂波环境中虚警率过高的问题,该文提出了利用二次Gamma核的目标检测方法对SAR图像舰船目标进行检测。该方法可以克服CFAR目标检测方法的缺陷,在强海杂波环境中能有效检测目标,通过实验证明了该方法大大提高了图像的平均信杂比,降低了检测的虚警率。     

一种多目标环境下的SAR图像自适应CFAR检测方法

多数CFAR检测器在多目标检测环境下需要关于干扰目标的先验信息,当检测环境发生变化时,这些检测器很难维持稳定的检测性能。针对多目标环境下的SAR图像目标检测,提出一种新的自适应CFAR（恒虚警）检测器。该检测器利用局部的杂波功率水平估计以及目标和杂波的方差特征筛选出参考窗中的均匀杂波像素,同时剔除掉干扰目标像素;在筛选过程中,每一步使用的判决门限根据上一步的判决结果自动更新;最后对筛选出的样本点作单元平均处理形成检验统计量;完全不需要干扰目标的任何先验信息。利用实测数据仿真研究了该检测器的检测性能与运行效率,实验结果表明,相对单元平均CFAR检测器及有序统计量CFAR检测器,该检测器提高了检测性能,保留了目标精细的结构特征,而运行效率与有序统计量CFAR检测器相当,很具实用性。     

SAR图像CFAR检测的快速算法综述

针对合成孔径雷达(Synthetic aperture radar, SAR)图像目标检测中恒虚警率(Constant false alarm rate, CFAR)算法的广泛应用, 进行CFAR检测的快速算法分析具有重要研究价值. 首先概述了当前国内外对SAR图像CFAR检测快速算法的研究现状; 然后分别从快速预筛选和迭代计算方法两个方面对各类快速算法的实时性及性能进行了分析总结, 给出了四种基本CFAR检测器的迭代计算公式, 并提出了一种研究CFAR检测快速算法的基本框架, 现有的快速算法均可纳入该理论框架予以分析; 最后, 以经典双参数CFAR检测算法为例, 对该基本框架进行仿真实现和性能分析, 验证了其可行性与检测性能．结果表明: 新的CFAR检测快速算法基本框架充分融合了快速预筛选思想和迭代计算方法的优势, 有效提高了CFAR算法在SAR图像检测应用中的执行效率.