一种基于矩不变的SAR海洋图像舰船目标检测算法

提出了一种先分离SAR图像场景中的陆地和海洋区域，再利用矩不变自动门限法对分离出的海洋子场景进行舰船目标检测的算法。对数据处理的结果表明，该方法能够有效、快速、准确地检测到SAR海洋图像中的舰船目标。     

基于模糊理论的SAR图像海上舰船检测方法研究

舰船检测是合成孔径雷达图像海洋应用的一个重要部分,针对中分辨率近岸海域SAR图像,提出了一种基于模糊理论的海上舰船检测方法。该方法先利用改进的模糊增强算法对图像进行增强处理,以改变图像灰度的分布特性,从而分离图像中海洋区域和陆地区域,并结合最大熵分割法提取海洋背景中包含候选舰船的感兴趣区域,最后,对ROI区域进行分割,提取舰船的特征,并基于模糊推理技术实现对海上舰船目标的检测。     

基于SVM的高分辨率SAR图像舰船目标检测算法

针对高分辨率合成孔径雷达(SAR)图像舰船检测对检测精度、智能化水平、实时性和处理效率的要求,在研究了高分辨率SAR图像海洋背景和目标特点的基础上,提出了一种基于支持向量机的高分辨率SAR图像舰船目标检测算法。算法首先设计了一个对分块区域进行线下训练的支持向量机(SVM)分类器对SAR图像分块进行舰船目标区域筛选,进而实现对包含不同观测部分的舰船目标分块的筛选,之后对筛选出的舰船目标区域进行最大熵阈值(KSW)算法进行舰船目标精细检测。采用TerraSAR-X等多幅商业卫星数据进行了实验验证,通过与经典CFAR检测算法的对比得出结论,算法在改善了由斑点噪声和海洋杂波背景不均匀导致检测结果产生大量虚警的同时,检测速度也较之提高了20%~35%。     

基于异常检测与双层筛选机制的SAR图像舰船检测方法

针对现有合成孔径雷达(SAR)图像舰船目标智能检测算法中筛选误差较大的问题,提出一种新的SAR图像舰船目标检测方法。该方法将高光谱图像异常检测理论引入到SAR图像舰船目标检测处理中。通过图像转换将SAR图像转换成高光谱类型图像,采用异常检测算法实现舰船目标的检测预处理,得到感兴趣区域二值图。运用双层筛选机制,实现背景杂波的准确建模和舰船目标的快速检测。实验结果表明,该算法能够降低筛选误差,有效地消除虚假目标和旁瓣干扰,具有更好的结构保真度。     

基于SAR图像的海洋舰船目标检测技术

合成孔径雷达图像水面舰船检测技术作为一种受到普遍关注的获取舰船信息的有效手段,本文针对SAR图像中海洋背景和舰船目标的各自特点,根据近年来国内外运用SAR所取得的成果,总结了SAR图像海洋舰船目标检测系统的一般流程,并详细回顾和分析了舰船检测流程中各环节所用的常用算法及其存在的优缺点.     

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。     

基于Radon变换的高分辨SAR图像舰船目标精细分割

随着合成孔径雷达（Synthetic Aperture Radar, SAR）分辨率的提升,利用SAR图像进行舰船检测和识别逐渐成为海洋目标监视的重要手段。但受限于SAR成像机理,高分辨SAR图像旁瓣问题开始凸显,这严重影响舰船目标的主体分割。提出一种基于Radon变换的舰船目标精细分割算法,通过将SAR图像进行Radon变换,在Radon域实现了旁瓣数据的识别与剔除。然后利用形态学滤波去除细碎旁瓣,最终实现了SAR图像旁瓣的有效抑制。利用高分三号和COSMO-SkyMed卫星图像数据对算法进行验证,结果表明该算法相比于现有分割算法,在区域内均匀性、区域间差异性、形状复杂度等方面均具有较好的提升。     

基于矩阵分解的海洋SAR图像舰船检测

针对海洋原始图像与低秩和稀疏矩阵分解模型数据结构不一致的问题,本文提出一种新的基于矩阵分解的海洋SAR图像舰船检测方法。首先该方法需对结构化相似的海洋SAR图像进行重组;然后根据重组矩阵特性适应性设计一个分解精度更高、分解速度更快的新矩阵分解模型,并利用增广拉格朗日乘子法求解模型,在不依赖任何杂波模型和检测统计量的前提下,实现代表舰船目标的稀疏成分的提取;最后利用形态学处理进行优化,实现海洋SAR图像舰船目标的检测。基于高分三号SAR卫星数据的实验结果表明,相比已有的基于鲁棒主成分分析的舰船检测方法,本文方法在处理复杂海况时,能更快速度地以较好的形状从海杂波中准确提取舰船目标,具有更好的鲁棒性。     

改进的基于Parzen窗算法的SAR图像目标检测

传统的Parzen窗检测算法假设目标占整个背景中较小的一部分,将SAR图像中的所有像素用于估计杂波概率密度函数,容易造成检测阈值的增大从而对不太明显的SAR图像舰船目标产生漏检。对此,提出了一种改进的Parzen窗检测算法,该算法通过自适应地设置目标窗口,将潜在的目标从检测图像中剔除,对剔除后的杂波背景采用Parzen窗进行非参数化的杂波模型估计,进而确定检测阈值,完成目标的检测。相比传统的Parzen窗检测算法,提出的SAR图像舰船目标检测算法减少了漏检数量,改善了检测性能。实测SAR图像的检测结果表明了该方法的有效性。     

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。     

复杂背景下SAR近岸舰船检测

目的 船舶在合成孔径雷达（synthetic aperture radar, SAR）图像中的检测是研究热点,但目前适合近岸舰船检测的方法并不多。在SAR图像中,近岸舰船受到岸上建筑物的干扰严重,尤其是对于排列紧密的近岸船舶来说,其对比度相似,很难区分船舶与背景。为解决近岸舰船检测困难问题,提出了一种基于加权双向注意金字塔网络的近岸舰船检测方法。方法 本文在FCOS （fully convolutional one-stage）网络的基础上提出了一种新的双向特征金字塔网络。将卷积注意力机制模块（convolutional block attention module,CBAM）与金字塔网络的每个特征图进行连接,提取丰富的语义信息特征;借鉴PANet （path aggregation network）的思想,添加自下而上的金字塔模块,突出不同尺度船舶的显著特征。最后提出了一种加权特征融合方式,使特征图提取的特征信息的着重点不同,提高舰船检测精度。结果 本文在公开的SAR图像舰船数据集SSDD （SAR ship detection dataset）上进行实验。实验结果表明,相比原FCOS方法,本文方法的检测精度提高了9.5%;与对比方法相比,本文方法在同等条件下的检测精度达到90.2%。在速度方面,本文方法比SSD提高0.6 s,比Faster R-CNN （region convolutional neural network）提高1.67 s,明显优于对比方法。结论 本文通过改进特征网络和特征融合方式,提高了算法对SAR图像舰船目标检测中背景复杂、排列紧密的近岸舰船目标的定位效果,有效增强了对舰船目标定位的准确性。     

A novel method for speckle noise reduction and ship target detection in SAR images

It is very difficult to detect small targets when the scattering intensity of background clutter is as strong as the targets and the speckle noise is serious in synthetic aperture radar (SAR) images. Because the scattering of man-made objects lasts for a longer time than that of background clutter in azimuth matching scope, it is much easier for man-made objects to produce strong coherence than ground objects. As the essence of SAR imaging is coherent imaging, the contrast between targets and background clutter can be enhanced via coherent processing of SAR images. This paper proposes a novel method to reduce speckle noise for SAR images and to improve the detected ratio for SAR ship targets from the SAR imaging mechanism. This new method includes the coherence reduction speckle noise (CRSN) algorithm and the coherence constant false-alarm ratio (CCFAR) detection algorithm. Real SAR image data is used to test the presented algorithms and the experimental results verify that they are feasible and effective.     

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。     

基于改进Faster R-CNN的SAR船舶目标检测方法

合成孔径雷达（Synthetic Aperture Radar, SAR）船舶检测在海洋交通监控中发挥着重要作用,传统SAR目标检测算法一般利用目标与背景杂波之间的对比度差异进行检测,在近岸海域等复杂场景下检测效果较差。为了提高在复杂场景下的检测性能,本文提出一种基于改进Faster R-CNN的船舶检测方法,在分析不同特征分辨率对检测性能影响的基础上,结合VGG的思想与扩张卷积设计一个适用于SAR船舶目标检测的特征提取网络,以提升对小型船舶目标的检测能力。另外,根据sentinel-1A数据集中目标尺寸分布选取小尺寸anchor,并通过去除冗余anchor,将检测速度提升了一倍。在sentinel-1A数据集上的实验证明本文提出的算法能够快速、有效地从复杂场景SAR图像中检测出船舶目标。     

Improving SAR data processing with polarimetric reference functions in the range Doppler algorithm

Synthetic aperture radar (SAR) is a form of radar that can be used to create images of objects and landscapes. The main important application of the polarimetric SAR can be found in surface and target decomposition process of its image processing. In this article, we propose a method of polarimetric SAR data processing using two new polarimetric reference functions of canonical targets with the intention to apply in coherent decompositions. Our experiment uses polarimetric backscatter characteristics of the dihedral and trihedral reflectors as the targets under a ground-based SAR geometry to create the polarimetric reference functions for azimuth compression in the SAR data processing. We process the data using Pauli decomposition to investigate the effect of our functions on the RGB (red, green, and blue) properties of the processed images. The results show that Pauli decomposition using our functions produces images with different distribution and intensity of RGB colours in the image pixels with some signs of improvement over the traditional range Doppler algorithm. This demonstrates that our polarimetric reference function can be used in the decomposition steps of the traditional SAR data processing and can potentially be used to reveal some useful quantitative physical information of target points of interest and improve image and surface classification.     

基于SAR图像的自动船只检测模型与算法实现

船只检测是实现船只航行安全的重要方法之一,利用SAR图像可实现船只检测。本文论述了海上船只检测的方法、过程及相应的算法。根据实际检测多位于存在陆地和岛屿的近海图像,利用分形维作为海陆分割的阈值,采用改进的分裂合并算法进行分割,并利用轮廓跟踪及种子填充消除分割遗留的孤立区域,使得海陆分割达到了较好的效果。在比较、试验的基础上,船只检测中采用了改进的CFAR算法,依据视数的不同选择不同的杂波模型,既消除了杂波模型参数计算复杂性,又取得了较好的时效性。通过试验证明,本文提出的算法在实际检测中取得了较好的效果,识别率高、虚景率低且实时性好。     

星载SAR影像上船舶方位向模糊去除算法

目的 掌握海上船舶分布状态对于海上交通流分析和通航安全管理具有重要作用。遥感技术,特别是星载合成孔径雷达(SAR)技术的发展,为大范围海上船舶检测提供了有效的手段,但受SAR成像机制影响,海上船舶目标在星载SAR影像上通常存在着不同程度的方位向模糊噪声,这些噪声易被误判为船舶,导致船舶识别中虚警率提高。方法 本文简述了方位向模糊噪声的产生原因,提出了一种新的星载SAR影像上船舶方位向模糊去除算法,该算法的核心是构建目标方位向角度一致性、方位向位置偏移距离和方位向模糊能量衰减3个判别规则,对潜在SAR影像亮斑目标进行逐层筛选,实现船舶真实目标和方位向模糊目标的判别。结果 选取中国渤海海域和黄海海域的30 m分辨率的Radarsat-2数据进行案例分析,并与船舶自动识别系统(AIS)实测数据进行比对校验,结果表明,传统的双参数恒虚警率(CFAR)算法和基于K分布的CFAR等算法对于船舶难以剔除方位向模糊,容易造成虚警,而本文算法对实验影像的船舶方位向模糊去除准确率优于95.8%,能够有效剔除船舶方位向模糊。结论 该算法为星载SAR影像上船舶方位向模糊去除提供了新的手段,有助于提高SAR影像上船舶目标检测的准确性。