基于CFAR级联的SAR图像舰船目标检测算法

SAR图像舰船目标检测在军事监视和海洋环境监管等方面有着重要的意义。针对SAR图像的特点,提出了一种基于全局CFAR检测与局部CFAR检测级联的舰船目标检测算法。在全局CFAR检测中,通过海杂波特性拟合优选海杂波统计模型,以较高的虚警率筛选潜在的目标点;在局部CFAR检测中,以潜在目标点的连通区域为单位,通过检测窗口的选取、背景像素的确定和海杂波拟合等步骤以后,以较低的虚警率确定目标。最后,通过条件扩张算法和目标像素聚类完善船只细节。实验结果表明,文中算法在保证良好的检测性能的同时,具有检测效率高、舰船细节完整等优点,为舰船目标鉴别和信息提取提供了良好的保障,更加符合实际应用需求。     

基于深度学习的复杂沙漠背景SAR目标检测

SAR目标检测,因成像场景大、背景复杂多变而极具挑战。传统基于恒虚警率的SAR目标检测方法极易受背景干扰。针对上述问题,提出一种基于深度学习的复杂沙漠背景SAR目标端对端检测识别系统。即采用小规模沙漠背景下的SAR图像数据对Faster-RCNN网络进行迁移训练,一体化完成典型目标的检测与识别。基于合成数据集Desert-SAR的试验结果表明,与传统方法相比,该方法检测速度更快、准确率更高、鲁棒性更强。     

基于卷积神经网络的SAR图像目标检测算法

该文研究了训练样本不足的情况下利用卷积神经网络(Convolutional Neural Network, CNN)对合成孔径雷达(SAR)图像实现目标检测的问题。利用已有的完备数据集来辅助场景复杂且训练样本不足的数据集进行检测。首先用已有的完备数据集训练得到CNN分类模型,用于对候选区域提取网络和目标检测网络做参数初始化;然后利用完备数据集对训练数据集做扩充;最后通过四步训练法得到候选区域提取模型和目标检测模型。实测数据的实验结果证明,所提方法在SAR图像目标检测中可以获得较好的检测效果。     

SAR图像点目标的检测

分析了在均匀杂波回波功率服从 Gamma分布条件下 SAR点目标检测 ,推导了点目标虚警概率和检测概率与阈值系数关系 ,提出了检测点目标阈值系数选择根据和方法。在杂波均值估计方面 ,提出了以全局均值代替局部动态均值。实际测试结果表明所提出的检测方法在检测效果和计算量方面都优于双参数恒虚警检测算法     

SAR图像舰船目标检测算法的对比研究

SAR图像舰船目标检测有二种经典算法:双参数CFAR算法和K-分布CFAR算法。本文分析了二种算法的特点,使用RADARSAT卫星不同模式SAR图像分别进行实验,给出二种算法的适应性。     

基于CNN的SAR车辆目标检测

传统的SAR目标检测算法容易受到复杂背景的干扰,因此利用被广泛应用于图像目标检测和识别领域的Faster-RCNN方法,对复杂背景下的SAR图像进行车辆目标检测实验。在对样本数据进行预处理后对车辆真实位置进行标记,采用可视化的深度学习客户端对样本进行裁剪和旋转,扩充样本数据库。利用已充分训练的模型权重对ZF和VGG-16网络进行预训练,再利用扩充的数据集进行训练和验证,并使用包含MiniSAR数据的测试集进行测试。实验证明,ZF网络和VGG-16的检测效果类似,但是ZF网络因为网络层数更少因而检测耗时更短。     

基于SAR图像的点状目标检测方法研究

分析了SAR图像目标检测中常用的方差法、恒虚警算法,讨论了对纹理和灰度都敏感的扩展分形法,然后针对弱目标的检测,提出了基于小波多分辨率能级分析的检测方法,最后对四种算法的性能作了比较,并指出了下一步的研究方向.     

基于位置相关的SAR图像中分布式目标检测

在研究了SAR图像中分布式目标在其所占有的各分辨单元间的二维位置相关信息的基础上,提出了一种SAR图像中分布目标的检测方法。根据二维情形下的不同距离定义,提出了算法的几种形式。计算机仿真结果、处理真实SAR图像数据的试验结果和性能分析表明了该方法比经典的恒虚警检测算法更有效、更优越。通过比较不同的距离定义下检测算法的性能和运算复杂度,得出了最优的距离定义形式。     

SAR图像目标检测研究综述

SAR图像目标检测是SAR ATR(自动目标识别)的关键步骤,也是近年来SAR图像解译应用的一大研究热点.在广泛文献调研的基础上,本文从SAR图像目标检测的历史沿革、研究现状开始,综述了SAR图像目标检测的研究进展及存在问题,指出了该技术领域的发展趋势.     

基于HMM的机载UWB SAR图像中的点目标检测

UWBSAR图像中的目标检测通常指二面角目标检测，点目标检测由于没有发现军用车辆等人造目标这一直接效益而受到较少关注。为满足一些UWB SAR图像中检测点目标的需求(如图像融合时的配准，通过路灯和树木进行道路检测和为了抑制树干杂波而识别树干杂波等)而研究了其中的点目标检测问题。通过综合运用方向依赖滤波、隐马尔可夫模型和恒虚警率检测技术，设计了一种用于机载UWB SAR图像中的点目标检测算法。     

一种基于图像分布的SAR图像边缘检测方法

针对合成孔径雷达图像边缘检测,引入了信号幅一频域上的统计多分辨率分析的概念,结合了非极值抑制和双阈值连接两种处理方法,提出一种新的边缘检测算法.实验结果表明,与传统算法比较,新的边缘检测方法显著提高了边缘检测正确率和边缘定位精度.     

改进的极化SAR点散射目标扰动滤波检测方法

为完成极化合成孔径雷达(PolSAR)图像中点散射像素目标的检测,从几何扰动滤波检测点散射像素的基本原理出发,分析了经典方法存在的相干度参数阈值无法自适应获取和不同散射机制共享同一阈值两个问题,提出利用Cloude-Pottier分解结果中熵参数的分布情况计算得到阈值,利用平均阿尔法角参数完成不同散射机制的初分类,对初分类的结果排序得到的某种散射机制对应的相干度参数的比例因子,根据比例因子计算得到该类散射机制的阈值,从而完成点散射目标的检测。对机载合成孔径雷达（AIRSAR）数据集中的San Francisco Bay图像进行了实验,结果表明,改进方法在检测性能上优于经典方法。     

基于背景移除的时域目标检测

针对时域目标检测算法中跟踪数据量大、实时实现难度高的缺点,提出一种基于背景移除的时域目标检测方法.该方法首先根据不同像素点的时域起伏特性建立一个统一的模型,进而利用最小二乘法估计出该模型的参数,实现静态背景的移除.然后采用最小值滤波估计出目标信号的检测基准,并进一步分析了像素时域特性偏离该基准的分布特性,最终得到一个合适的目标检测量度.将所给出的算法应用于实际运动弱小目标的检测,实验结果表明,此算法对于复杂背景下的运动弱小目标具有很好的检测性能.     

基于量子免疫克隆聚类的SAR图像变化检测

传统的基于进化聚类方法在处理变化检测时耗时过长,在搜索最优聚类中心过程中容易陷入局部最优,对于SAR图像的变化检测存在边缘定位不够准确的缺点,提出了基于量子免疫克隆聚类的SAR图像变化检测方法.把图像的灰度值作为输入信息,通过量子比特定义聚类中心,通过量子免疫克隆算法来搜索最优聚类中心,从而得到更佳的全局阈值,最后根据...     

基于背景因子的红外点目标探测技术

复杂场景下红外弱点目标检测是红外目标识别的关键技术性难题之一。首先从概率论出发分析了背景因子存在的必要性。接着详细地论述了采用模糊集合中的隶属度理论和模式识别中的多分类器融合理论设计背景因子的过程。由于背景因子的引入对强干扰的复杂背景进行自适应地削弱,使得在各种背景下探测概率趋于均匀分布,最终实现了恒虚警率。     

基于ROC融合准则的SAR边缘检测算法

根据ROC(receiver operating characteristics)技术能评估分类器在所有可能工作阈值下总体性能的特点,建立包含边缘像素点相关分析与ROC分类决策的ROC融合准则。依据该准则组合多种SAR边缘检测算子,并得到合成孔径雷达(SAR)影像的"理想"边缘检测结果。实验结果表明,本文方法能融合多种边缘检测算子的优点,有较强的开放性与目标适应性,并且不需要手工设置阈值,自动化程度高,有很强的工程实用性。     

基于卷积构型的单元平均CFAR目标检测算法

提出一种基于卷积构型的单元平均恒虚警率(convolution based cell averaging constant false alarm rate, CCA-CFAR)快速检测算法.该算法首先根据背景杂波分布模型计算待检测合成孔径雷达(synthetic aperture radar, SAR)图像统计量矩阵, 然后对单元平均恒虚警率(cell averaging constant false alarm rate, CA-CFAR)检测器构建卷积模型, 利用卷积运算实现对背景杂波的矩估计, 并求出详细的背景杂波分布函数, 最后根据分布函数计算出每个像素的判定阈值, 并对所有待检测像素是否为目标点进行判定.该检测算法复杂度低, 运算效率高, 能够快速实现SAR图像实时目标检测.仿真实验证明了该方法的有效性和工程实用价值.     

Model-based neural network for target detection in SAR images

A controversial issue in the research of mathematics of intelligence has been that of the roles of a priori knowledge versus adaptive learning. After discussing mathematical difficulties of combining a priority with adaptivity encountered in the past, we introduce a concept of a model-based neural network, whose adaptive learning is based on a priori models. Applications to target detection in SAR images are discussed. We briefly overview the SAR principles, derive relatively simple physics-based models of SAR signals, and describe model-based neural networks that utilize these models. A number of real-world application examples are presented.     

基于红外背景复杂程度描述的小目标检测算法

提出了关于红外“背景复杂程度”的基本概念,发现并论述了一种有效的红外背景复杂程度定量描述方法。此外,提出了一种基于红外背景复杂程度描述的自适应Butterworth高通滤波方法,实现了具备一定普适性的红外图像预处理。在小目标检测问题的研究中,构造并实现了一种更具实用性的先检测后跟踪小目标检测算法,此算法在一个完整的框架下实现了红外图像预处理过程和小目标检测过程的自适应统一。     

基于中心点回归的大场景SAR图像舰船检测方法

合成孔径雷达(synthetic aperture radar,SAR)图像舰船目标检测在军事和民用领域有着重要的应用.然而随着SAR图像成像能力的提升,SAR成像场景越来越大,舰船目标检测存在两个难点:一是舰船目标在整幅图像中所占比例极小,很难与周围背景分开;二是靠岸舰船目标通常密集排列,目标之间难以区分.目前常用基...