面向舰船目标检测的单通道复值SAR图像统计建模方法研究

合成孔径雷达(SAR)成像模式丰富、覆盖范围广、分辨率高，可以长期、动态、宏观地对海洋进行监测。在完全发展的相干斑假设条件下，传统单通道SAR图像舰船目标检测方法主要研究幅度信息。然而，其部分假设条件在高分辨率情形下并非严格成立，因此无法有效利用单通道SAR图像的相位或复值信息。该文面向舰船目标检测应用，将单通道复值SAR图像统计建模方法划分为幅度、相位和复值统计建模3个部分，首先简要综述了单通道SAR图像幅度统计建模方法，然后详细阐述了单通道SAR图像相位和复值统计建模方法，并重点介绍了其建模过程和参数估计方法。在此基础上，该文给出了作者研究小组在基于复值统计信息的单通道SAR图像舰船目标检测方面的部分最新研究结果，并分析展望了下一步研究方向。      

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。     

二维类内最小交叉熵的图像分割快速方法

熵是基于图像的一维灰度直方图得到的,仅利用了像素的灰度信息。最小交叉熵就是要寻找最优阈值使原始图像和分割图像之间的信息量的差异最小,在交叉熵的基础上,通过引入图像的空间信息,定义了二维类内交叉熵,并提出了基于二维类内最小交叉熵的图像分割方法。实验结果表明,充分利用图像的灰度信息和空间信息后,二维类内交叉熵取得了比交叉熵更好的分割效果。为了提高运算效率,提出了相应的快速递推算法,计算时间由从多于3小时减少到只要几秒。     

强化位置感知的光学与SAR图像一体化配准方法

图像配准是光学与SAR图像信息融合的基础。现有典型的配准方法大多依赖于特征点检测与匹配来实现,对不同场景区域的适用性较差,容易出现误匹配点多或有效同名点不足以致配准失效的情况。针对该问题,本文提出了一种强化位置感知的光学与SAR图像一体化配准方法,利用深度网络直接回归图像间的几何变换关系,在不依赖特征点检测与匹配的情况下,实现端到端的高精度配准。具体地,首先在骨干网络中利用融合坐标注意力的特征提取模块,捕获输入图像对中具有位置敏感性的细粒度特征;其次,融合骨干网络输出的多尺度特征,兼顾浅层特征的定位信息与高层特征的语义信息;最后提出联合位置偏差与图像相似性的损失函数优化配准结果。基于高分辨率光学与SAR图像配准公开数据集OS-Dataset的实验结果表明,与现有典型的OS-SIFT、RIFT2、DHN及DLKFM四种算法相比,所提方法对于城市、农田、河流、重复纹理及弱纹理等不同场景区域均具有良好的稳健性,在配准的目视效果以及定量的精度指标上均优于现有算法。其中平均角点误差小于3个像素的百分比与四种算法中精度最高的DLKFM相比提高了25%以上;配准速度与四种算法中最快的DHN基本相当,...     

基于改进双边网络的SAR图像海陆分割方法

海陆分割是海岸线提取、近岸目标检测的一个基本步骤。传统的海陆分割算法分割准确度差,参数调节繁琐,难以满足实际应用要求。卷积神经网络能够高效地提取图像多个层次特征,广泛应用于图像分类任务,可作为海陆分割新的技术途径。其中双边网络(BiSeNet)能有效平衡分割精度和速度,在自然场景图像语义分割任务上取得了较好的表现。但对于SAR图像海陆分割任务,双边网络难以有效提取SAR图像的上下文语义信息和空间信息,分割效果较差。针对上述问题,该文根据SAR图像特点减少双边网络中空间路径的卷积层数,从而降低空间信息的损失,并选用ResNet18轻量化模型作为上下文路径骨干网络,减少过拟合现象并提供较广阔的特征感受野,同时提出边缘增强损失函数策略,提升模型分割性能。基于高分三号SAR图像数据的实验表明,所提方法可有效提升网络的预测精度和分割速率,其分割准确度和F₁分数分别达到了0.9889和0.9915,对尺寸大小为1024×1024的SAR图像切片处理速率为12.7 frames/s,均优于当前主流的分割网络框架。此外,所提网络的规模较BiSeNet减少50%以上,并小于轻量级的U-Net架构,同时网络有较强的泛化性能,具有较高的实际应用价值。      

基于精细分割的SAR图像舰船目标几何结构特征提取

随着高分辨率星载合成孔径雷达（synthetic aperture radar,SAR）系统的研制和使用,利用SAR图像实现快速准确的舰船目标识别分类成为了海上目标侦察监视的重要手段.文中针对SAR舰船目标切片图像,提出一种基于精细分割的SAR图像舰船目标几何结构特征提取方法.首先,采用基于Radon变换的分割方法将舰船目标和成像干扰区域进行分离,对分离出的舰船目标切片进行阈值分割处理,并利用形态学手段处理分割图像,减小旁瓣影响,准确提取目标主区域;然后基于椭圆形状约束进行目标区域的细化分割,解决分割区域"毛刺"现象和区域断裂现象,得到舰船目标的最佳图像分割区域;最后,通过逼近目标区域获得其对应的最小外接矩形（minimum enclosing rectangle,MER）,进而实现目标区域几何结构特征的精确提取.通过对获取的高分三号卫星SAR图像数据进行仿真实验,证明了本文方法提取舰船目标几何结构特征的高准确性和强稳定性,对海上舰船目标的识别与分类具有重要意义.     

结合结构相似度的自适应多尺度SAR图像变化检测

目的 结合高斯核函数特有的性质,提出一种基于结构相似度的自适应多尺度SAR图像变化检测算法。方法 本文提出的算法包括差异图像获取、高斯多尺度分解、基于结构相似性的最优尺度选择、特征矢量构造以及模糊C均值分类。首先,通过对多时相SAR图像进行对数比运算获取差异图像,然后,利用基于图像的结构相似度估计高斯多尺度变换的最优尺度,继而在该最优尺度参数下逐像素构建变化检测特征矢量,最后通过模糊C均值聚类方法实现变化像素与未变化像素的分离,生成最终的变化检测结果图。结果 在两组真实的SAR图像数据上测试本文算法,正确检测率分别达到0.9952和0.9623,Kappa系数分别为0.8200和0.8540,相比传统算法有了较大的提高。结论 本文算法充分利用了尺度信息,对噪声的鲁棒性有所提高。实测SAR数据的实验结果表明,本文算法可以智能获取最优分解尺度,显著提高了SAR图像变化检测性能。     

利用多尺度融合的SAR图像变化检测方法

为充分利用图像的细节信息,提高变化检测算法的鲁棒性和稳健性,本文融合了多个尺度间的特征,提出了一种自适应SAR图像变化检测方法。首先采用小波函数对对数比差异图进行多尺度分解,而后采用独立重构的方式,得到不同尺度下的重构图像。接着采用均值循环迭代分割算法,以甄别变化区域与未变化区域。最后将不同尺度下的判别结果,采用马尔科夫随机场融合的方式,来获取最终的变化二值图。通过对不同尺度下的图像进行融合,该方法不仅有效地利用了尺度信息,而且对边缘的检测更加细致。实验结果表明该算法能够有效地提高SAR图像变化检测的精度和鲁棒性。      

少样本条件下SAR目标识别潜力探究

随着深度学习在计算机视觉领域取得令人鼓舞的成果,基于深度学习技术实现对合成孔径雷达（Synthetic Aperture Radar, SAR）图像中时敏目标的分类识别已成为可能,实测SAR图像中时敏目标自动识别应用再次吸引了全球广大学者的目光。受客观条件所限,高质量实测SAR目标样本切片的获取代价大、成本高、数量少,且SAR对成像参数和目标姿态敏感,导致SAR图像面临的少样本条件下的目标识别问题更为突出。本文深度挖掘MSTAR(Moving and Stationary Target Acquisition and Recognition)数据集的目标识别潜力,针对10类SAR图像车辆目标分类识别潜能进行了研究和分析。为衡量不同样本数量条件下SAR目标识别潜能,同时降低对目标样本选取的随机性,提出利用不同数量实测训练样本,生成全角度训练数据集,对参与训练的样本进行规范化和合理化采样处理;将全角度扩充后得到的训练样本集作为标准模板数据集,通过遍历模板数据集,采用似然比相似性度量（Likelihood Ratio Similarity Measure, LiRSM）来衡量目标相似性,利用...     

基于级联网络的复杂大场景SAR图像舰船目标快速检测

合成孔径雷达(synthetic aperture radar,SAR)图像舰船目标检测紧贴军事和民用需求,为海洋监视提供重要信息支撑。针对复杂大场景SAR图像,本文设计了一种基于级联网络的舰船目标检测框架,该网络框架主要由D-BiSeNet海陆分割、分块区域筛选和CP-FCOS目标检测三部分组成。通过改进双边网络(D-BiSeNet)进行SAR图像海陆分割,增强了图像空间位置信息及网络边缘损失,提高了分割性能。通过海域面积比参数设定进行分块区域筛选,可以有效选择网络处理图像块,提升算法整体检测效率。CP-FCOS网络将Category-Position特征优化模块应用于传统FCOS网络,强化网络特征提取能力,同时改进目标分类和边界框回归方式,提高舰船目标定位效果。基于Sentinel-1和高分三号大场景实测数据实验表明,相比于传统CFAR、Faster-RCNN和RetinaNet方法,本文方法综合检测性能提升25.7%,3.7%和9.9%,同时检测速度提升10.0%以上。