自适应阈值的视觉注意模型SAR舰船检测算法

为了解决SAR图像基于人类视觉注意模型舰船检测算法中需要人工确定经验阈值的问题,提出一种自适应阈值的视觉注意模型SAR舰船检测算法。引入最大类间方差(OTSU)法确定自适应阈值进行图像初分割,再应用视觉注意模型得到视觉显著图,最终根据显著图的统计特性进行自适应阈值分割检测出舰船目标。该算法相对于已有的视觉注意模型舰船检测算法自动化程度更高,与视觉注意模型舰船检测算法以及目前普遍使用的双参数CFAR、K-CFAR、KSW双阈值算法同时处理3种星载SAR数据——ENVISAT ASAR(25 m)、Sentinel-1(10m)和Cosmo-SkyMed(3m),进行对比分析实验,实验结果证明该算法简单、准确、高效。     

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%。     

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.     

影响星载SAR舰船检测的关键因素

由于传统舰船检测方法较少考虑海洋表面微波散射机理、星载SAR舰船成像原理等影响舰船检测的因素,适应能力有限,该文对影响星载SAR舰船检测的关键因素进行了深入研究。通过对海洋因素、舰船因素、SAR系统因素等进行深入研究,详细说明了这些因素如何影响星载SAR舰船检测,并归纳总结了星载SAR舰船检测的发展趋势,为实现星载SAR舰船自适应检测奠定了基础。     

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。     

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。     

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。     

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。