靶场红外测量图像弱信号小目标检测系统的设计与实现

分析了红外图像中小目标、噪声以及背景的特点,考虑到单帧图像处理不能兼顾对目标的可靠检测和低的虚警概率,而现有的多帧检测算法计算量大,难以实时实现,采用了将单帧和多帧检测有机结合的小目标检测技术.首先采用基于高阶统计量的目标检测算法,从单帧强噪声图像中检测出虚警率低的候选目标点;然后针对小目标运动的一致性和连续性,采用多帧高阶互相关的序列图像处理方法,得到目标运动轨迹;最后再对目标运动轨迹进行综合评判,进行航迹确认,得到真实目标的位置和轨迹.实验结果表明,该技术降低了虚警概率,提高了检测概率.     

基于NSCT分解系数的SAR图像目标检测算法*

恒虚警率(Constant False Alarm Ratio,CFAR)目标检测法用于合成孔径雷达(Synthetic Aperture Radar, SAR)图像时,通常要求图像有强的对比度,而实际上此条件很难满足。为提高SAR图像目标的检测率,特别是低信噪比图像,本文从SAR成像机理入手,结合非下采样Contourlet变换（Nonsubsampled Contourlet Transform,NSCT）理论的多尺度、多方向和平移不变性等特点,提出了一种新的SAR图像目标提取算法,即TD-NSCT（Target Detection based on NSCT）算法。该方法融合了CFAR检测器和NSCT变换的优点,通过对分解系数特征的选取和组合,达到改善SAR图像信噪比、提高SAR目标检测率的目的。用不同实际SAR图像数据和不同方法进行了比较实验,实验结果表明TD-NSCT算法能效提高SAR目标的检测率,特别是对于那些隐藏地物目标的低信噪比SAR图像。 TD-NSCT算法是一种可行和有效的SAR图像目标检测算法。     

SAR图像舰船目标检测的信息几何方法

目的 舰船目标检测是合成孔径雷达（SAR）图像在海事监测领域中的一项重要应用。由于海面微波散射的复杂性,SAR图像中海杂波分布具有非均匀性、非平稳性等特点,传统的基于恒虚警率（CFAR）的SAR图像舰船检测算法难以适应复杂多变的海杂波环境,无法实现实时有效的智能检测任务。鉴于此,本文提出了基于信息几何的SAR图像船舰目标检测方法,旨在分析统计流形及其在参数空间中的几何结构,探讨信息几何在SAR图像目标检测应用中的切入点,从新的角度提升该应用领域的理论与技术水平。方法 首先,运用威布尔分布族对SAR图像中的海杂波进行统计建模,利用最大似然方法估计SAR图像局部邻域像素的分布参数,并将不同参数下的统计分布作为威布尔流形上的不同点;其次,融合高斯分布的费歇耳度量来构造威布尔流形空间中概率分布之间的测度,实现目标与背景区域的差异性表征;最后,利用最大类间方差法,实现SAR图像舰船目标检测。结果 实验和分析表明,相比于传统的基于恒虚警率的检测算法,信息几何方法可以有效地区分舰船目标和海杂波背景,降低虚警率,实现舰船目标显著性表示与检测。结论 由于舰船目标的复杂后向散射特性,如何有效地表征这一差异,是统计类检测算法的关键所在。本文依据信息几何理论,将概率分布族的参数空间视为微分流形,在参数流形上构造合适的黎曼度量,对SAR图像中各像素局部邻域进行测度表征,可以显著性表示目标与背景杂波之间的统计差异,实现舰船目标检测。     

一种基于连通分析的UWB SAR目标检测算法

由于超宽带合成孔径雷达(UWB SAR)具有较强的穿透性而被广泛用于探测叶簇覆盖目标,但目前针对此种目标的检测尚未有系统完整的检测算法提出,多数研究机构在对基于UWB SAR的叶簇覆盖目标进行检测时,均沿用美国Lincoln实验室提出的三级结构检测流程,该通用检测算法在对高波段、高分辨率全极化SAR数据进行目标检测时,虽表现出良好的检测和识别性能,但用于UWB SAR叶簇覆盖目标检测时,则存在诸多不适用性。该文在对通用检测算法用于UWB SAR目标检测时存在的问题进行分析的基础上,提出了一种适用的新算法,该新算法通过滑窗平均、低门限恒虚警(CFAR)检测以及连通分析降低了算法对检测环境的要求,从而增强了算法的适用性和稳健性,最后给出了采用通用检测算法和新算法对UWB SAR图像中叶簇覆盖目标进行检测的结果,并验证了新算法在UWB SAR叶簇覆盖目标检测中的有效性。     

模糊聚类粒子滤波的点状交叉多目标跟踪算法

提出了一种新的低信噪比红外序列图像多目标检测跟踪算法,该算法有机地结合了TBD检测算法与模糊聚类粒子滤波跟踪算法。首先通过多帧TBD处理后,检测出运动目标的初始位置、运动速度,然后在跟踪阶段采用粒子滤波算法估计目标运动状态,并在估计位置开一个跟踪窗进行检测、模糊聚类概率融合。对真实红外图像序列进行实验仿真,仿真结果验证了该算法具有良好的实时性与很高的精确性。     

基于局部窗口K分布的快速舰船检测算法

针对局部窗口K分布检测算法运算速度慢、计算效率低的问题,提出了一种基于局部窗口K分布的快速舰船目标检测算法。该算法首先采用迭代分割算法对原始合成孔径雷达(SAR)图像进行预筛选处理,根据预筛选选出潜在目标,在原始SAR图像中剔除潜在目标像素;然后利用背景图像计算二阶和四阶积分图像,在每一个像素点处采用滑动窗口的方式,在积分图像中进行加减计算确定所在位置的二四阶矩并估计K分布的参数;其次,确定概率密度函数后,通过求解函数得到检测阈值,根据检测阈值确定感兴趣区域;最后,通过模糊差影的鉴别方法对目标中的虚警目标进行进一步剔除,进而完成检测。通过实测SAR图像检测实验,积分算法与局部窗口的K分布算法相比将运算所需时间降低了50%,基于模糊差影的鉴别算法将品质因素由44.4%提高到100%。所提算法既保证了算法的实时性,又提高了检测的精度,在进行SAR舰船自动检测方面具有一定的应用价值。     

基于证据理论的双传感器决策融合目标检测

针对单传感器图像目标检测概率相对较低的问题,提出用来自两个传感器的图像分别进行目标检测,并基于加权证据理论将检测结果进行决策级融合.在对同一地区SAR图像和高光谱图像进行决策级融合过程中,各证据的权值确定采取了以传感器信任度决定权值的方法,实现了各传感器之间图像信息最优化互补.实验结果表明,在虚警概率为10<'3>数量级的条件下,加权融合后的检测概率达到84.51%,比仅用单一高光谱图像和SAR图像进行目标检测时分别提高了11.27%和19.72%:在主观视觉效果上,采取决策级融合后检测效果也更好.     

改进的基于结构检测的SAR图像去斑方法

合成孔径雷达图像固有的相干斑噪声严重降低了图像的可解译程度,影响了后续目标检测、分类和识别等应用.因此,SAR图像的相干斑抑制问题一直是SAR图像应用的重要课题之一.一个理想的去斑算法应该在平滑的同时保持图像的边缘等细节不受损失,目前存在各种各样的算法,但没有一种方法能够完美的满足这一要求.为此该文提出了一种改进的结构检测的SAR图像去斑算法.利用概率迭代方法分割图像并检测边缘,结合强点检测图,将SAR图像标为结构区和非结构区,在非结构区域内进行Lee滤波以平滑噪声,对结构区直接保留原值,获得了非常好的去斑效果.利用RADARSAT实测图像进行实验,并对实验结果作充分分析,证明了本算法的有效性.     

雾霾图像增强算法对目标检测性能影响研究

针对雾霾环境下目标检测率低,容易造成交通事故等问题,提出了基于图像增强的动态双阈值算法。该算法针对雾霾天气下,传统的检测算法目标检测率低、虚警率高等问题,利用大气散射模型及联合双边滤波算法首先对原始雾霾图像的增强处理,然后再进行目标检测。分别使用动态双阈值、基于均值滤波的动态双阈值、基于直方图均衡化的动态双阈值、基于拉普拉斯算子的动态双阈值目标检测算法对不同程度雾霾环境下的实拍车辆运动视频进行目标检测,并用11097组图像数据对比分析改进算法的最佳检测率、最差检测率、平均检测率和虚警率。实验结果表明,改进算法目标检测率高、虚警率低,有助于减少交通事故,更加适用于雾霾环境下图像目标检测。     

一种SAR图像机动目标检测与分析方法

从SAR(合成孔径雷达)图像中检测和分析目标是进行SAR自动目标识别的关键步骤,提出了一种SAR图像中地面机动目标检测与分析的方法,该方法在对图像进行预处理后首先利用背景杂波强度分布为指数分布假设的恒虚警率算法以及形态学运算对原始的SAR场景数据进行快速检测获得感兴趣的目标区域,然后提取目标区域8个特征构成特征矢量以详细描述目标。实验结果表明,该方法计算速度快,能够从获得的目标区域得到大量有用的信息,而且该方法具有一定的通用性。     

基于均值漂移聚类的运动目标检测

为了有效减少噪声对运动目标检测的影响,提出了一种利用均值漂移聚类实现运动目标检测的方法。首先运用Mean Shift算法分别对三帧连续图像进行平滑去噪处理,然后对图像进行边缘提取,最后通过三帧差分法对三帧图像进行差分,进而得到运动目标。实验结果表明,该方法可以有效地抑制噪声并提取出运动目标。     

基于多特征的SAR图像的无监督分割

针对合成孔径雷达(SAR)图像灰度变化大、纹理复杂及边界模糊等特点提出了一种基于多特征的sAR图像的无监督分割方法。首先提取了SAR图像的局部矩特征与灰度共生矩阵的统计量(对比度、相关度、嫡、同质性)特征;然后利用主元分析(PCA)的方法对这些有用的特征进行降维处理以得到含有足够类别信息的2维特征;最后使用Mcan Shift方法对具有2维特征信息的像素进行自动聚类。由于Mcan Shift聚类过程中无需提供类别数,因此,这种处理是一个无监督的自动分割过程。采用了多幅SAR图像和13rodatz纹理合成图像做分割实验,结果证明:本方法与单一利用灰度共生矩阵或矩特征的方法相比,分割的准确性明显提高。     

基于统计与结构信息的SAR图像水上目标检测

设计了基于图像分析理论，根据SAR图像特点形成水上目标轮廓的检测算法。该算法的实现分为3步：(1)基于数理统计的目标检测方法，形成目标区域；(2)用加权统计滤波算子和去除孤立点算法消除噪声，规范需要检测的水上目标；(3)提取目标轮廓。系统在不同的SAR图像上，取得了良好的检测结果。     

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SIDWT的遥感图像融合算法

合成孔径雷达(SAR)和全色遥感图像由于成像机理存在差异,对目标轮廓、纹理和色调等信息的表现各不相同,像素级融合后将更易于图像判读。基于此,将平移不变离散小波变换(SIDWT)算法用于SAR与全色遥感图像融合,该算法克服了传统小波变换不具有平移不变性的缺点。同时,提出一种新的增强互补信息的融合规则：图像的低频部分采用基于边缘提取的加权规则,高频部分采用绝对值最大原则。实验结果表明,该算法能够获得较好的融合效果。     

基于图割及均值漂移的合成孔径雷达图像强散射目标分割

针对合成孔径雷达(SAR)图像的特点及标准图割分割算法计算量较大等问题,提出了一种基于图割及均值漂移(Mean Shift)的高效的SAR图像强散射目标分割方法。该方法利用均值漂移算法对SAR图像进行预处理,将原图像表示为基于过分割区域的图结构;然后,以这些过分割图像区域为节点建立区域邻接图,运用图割分割算法得到SAR强散射目标的分割结果。与标准图割算法中以单像素为节点构建邻接图相比,参与图割算法的节点和边的数目减少了两个数量级,计算效率大幅提高。另外,根据SAR图像中目标的强散射特性,自动定义终端节点,减少了人工交互量。实验表明,该方法充分利用均值漂移及图割的优点,能够在背景杂波的干扰下有效地提取SAR强散射目标。     

复杂场景下深度表示的SAR船舶目标检测算法

雷达图像目标检测是国家海洋军事和经济发展的重点研究领域。与被动成像的光学雷达相比,合成孔径雷达（synthetic aperture radar,SAR）由于其高分辨率、全天候、全天时、主动式等特点,成为20世纪以来多国雷达研究的重要组成部分。图像目标检测是雷达图像解译的基础。提出一种复杂场景下深度表示的SAR船舶目标检测算法,针对SAR图像目标检测模型无法专注困难样本以及解决FPN多尺度金字塔融合的问题,提出将Libra R-CNN网络与NAS-FPN特征提取网络相结合。其中Libra R-CNN网络在采样、特征、目标三种水平分别具有先进的IoU平衡采样、平衡特征金字塔、平衡L1损失方法,同时将Libra R-CNN模型中的FPN特征提取网络替换为在COCO数据集中借助神经架构搜索（neural architecture search,NAS）方法形成的7层NAS-FPN网络。模型最终在SAR船舶数据集中进行了对比实验,与原先的NAS-FPN网络相比,组合后的网络平均精度提高了4.4个百分点,证明了模型融合后的有效性。     

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%.