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.     

SAR图像目标的融合检测方法

该文提出了一种利用扩展分形特征和局部对比度特征进行融合的SAR图像目标检测方法。分析了扩展分形特征的尺度敏感性及其在不同目标杂波模型下的二阶统计特性,分析表明扩展分形特征在目标检测中存在负值效应,即在正确检测出目标的同时把一些与目标具有相似形状而灰度值较低的区域也检测出来。而CFAR检测方法只利用了目标的局部对比度信息,不存在负值效应,但在强杂波环境中的检测结果存在很高的虚警。两种方法的融合可以滤除大量杂波虚警而保持目标。实测数据的融合检测结果证明了该方法的有效性。     

基于反射对称性的极化SAR舰船目标CFAR检测

反射对称性是极化散射中十分重要的一种性质。反射对称性检测量刻画了共极化通道和交叉极化通道间的相关性,在极化合成孔径雷达(Pol SAR)目标检测中有重要应用。在复Wishart分布的基础上,结合乘积模型,推导出反射对称性检测量统计模型服从K分布,利用实测数据证实该模型对杂波数据具有很好的拟合效果。最后基于K分布模型,用恒虚警率(CFAR)方法进行了舰船目标的检测,实验结果验证了该方法的有效性。     

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.     

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CFAR的SAR目标检测

CFAR检测是由事先定好恒定虚警概率进行目标检测的一种算法,其前提是目标相对于背景具有较强的对比度。CFAR算法通过单个像素灰度和某一门限的比较达到检测目标像素的目的。文中研究了恒虚警概率检测算法,推导了不同拟合分布的具体形式,给出了几种代表性检测器,如CA-CFAR检测器,通过仿真结果证明,在均匀杂波区域中,3种检测器的结果相当,都能检测出目标。但从整体看,CA-CFAR的检测性能更好。     

扩展分形法结合B-CFAR在SAR图像目标检测中的应用

针对文献[1]的扩展分形(Extended Fractal．EF)方法，分析了EF特征的优劣性。结合SAR图像的统计特性，本文将EF检测与双参数恒虚警车(Bi-parameter Constant False Alarm Rate B-CFAR)检测相结合．提出两个改进方案：一、利用两种特征的融合信息在决策层决策的检测方案；二、先用B-CFAR增强感兴趣目标区域(Region of Interest．ROI)．在此处理之后再用EF法检测。我们将这两种方案运用在复杂的二维SAR图像飞机检测中．得到了良好的检测效果。     

Beta分布下基于白化滤波的极化SAR图像海面舰船目标CFAR检测方法

在杂波纹理服从Beta分布的极化合成孔径雷达（Polarimetric Synthetic Aperture Radar,POLSAR）图像目标检测中,提出了一种基于多视极化白化滤波（Multilook Polarimetric Whitening Filter,MPWF）的恒虚警（Constant False Alarm Rate,CFAR）检测解析新方法.首先,假设乘积模型中纹理变量服从Beta分布,推导得到MPWF检测量的概率密度函数（Probability Density Function,PDF）.然后,对概率密度函数积分得到虚警概率关于检测门限的解析式,并设计相应的CFAR检测流程.最后,提出了基于MPWF的对数累积量估计方法,对Beta分布纹理变量参数u和v进行估计.通过实测数据验证了新方法的有效性.实验结果表明Beta分布对某些区域的极化SAR数据有更好的拟合效果,同时新方法与已有方法相比具有更好的CFAR保持能力.     

一种改进的高分辨率SAR图像超像素CFAR舰船检测算法

合成孔径雷达(SAR)图像舰船目标检测一直受到学者广泛关注,恒虚警率(CFAR)检测算法作为雷达图像经典目标检测算法被广泛应用于SAR图像舰船目标检测中。然而经典CFAR检测性能容易受到相干斑噪声影响,基于滑窗的检测结果对滑窗的尺寸选择非常敏感,难以保证杂波背景中不存在目标像素,并且计算效率较低。针对上述问题,该文提出了一种新的基于超像素无窗快速CFAR的SAR图像舰船目标检测算法。首先,利用基于密度的快速噪声空间聚类(DBSCAN)超像素生成方法生成SAR图像的超像素。在SAR数据服从混合瑞利分布的假设下,定义了超像素相异度。然后利用超像素精确估计每个像素的杂波参数,即使在多目标情况下,也可以克服传统CFAR滑动窗口的缺点。此外,基于SAR图像变异系数,提出了一种基于变异系数的局部超像素对比度来优化CFAR检测,以此消除大量杂波虚警,如陆地区域人造目标。对5幅SAR图像的实验结果表明,与其他方法相比,该文方法对不同场景SAR图像海面舰船目标检测都十分稳健。      

基于恒虚警率的双阈值检测方法

针对对海导航雷达视频图像背景灰度值分布不均匀,不同位置的目标与背景对比度不同的特点,以及对海导航雷达视频图像目标检测处理效率的要求,结合传统的阈值分割处理思路,提出一种基于恒虚警率的双阈值检测方法。该方法在保证低虚警率的基础上,结合现有的全局阈值和局部阈值两种处理思路,实现对对海导航雷达视频图像目标的快速精确检测,并在实测数据上与常用阈值检测算法Otsu算法进行了验证比较。结果证明,该算法能有效提高目标检测的准确度。     

Wishart分布情形下极化SAR图像目标CFAR检测解析方法

等效视数是影响极化合成孔径雷达（PolSAR）图像恒虚警 （CFAR）检测性能的重要参数.目前等效视数的估计大都不是整数,导致已有的基于整数等效视数的CFAR检测方法不再适用.为解决此问题,提出了一种新的PolSAR图像目标CFAR检测解析算法.首先,在Wishart分布假设下,推导出了多视极化白化滤波（MPWF）检测量的概率密度函数;然后对其积分得到了CFAR检测门限关于等效视数的解析表达式;最后通过仿真数据和AIRSAR实测数据比较了新方法与已有的适用于整数等效视数的检测方法和双参数恒虚警（2P-CFAR）检测方法的CFAR检测性能.结果表明新方法中实际虚警概率与给定的恒虚警概率最为接近,更好保证了CFAR检测的恒虚警假设.     

基于Markov随机场的SAR图像目标检测方法

提出了一种递增结构能量参数的Markov随机场模型的合成孔径雷达图像目标检测算法,利用模拟退火优化方法,获得最大后验概率准则下的目标检测结果。实验结果表明,该算法不仅能有效减少斑点噪声及背景杂波的影响,而且还可以排除具有较强回波的角反射器的干扰。     

基于灰度相关性的SAR图像联合CFAR舰船检测算法

分析了中高分辨率SAR海洋图像的目标和海杂波特点,利用了SAR海洋图像中舰船目标的灰度相关性、形状特性以及舰船目标与背景杂波的信杂比特性,提出了一种基于灰度相关性的联合CFAR舰船检测算法。算法综合利用了舰船目标内部相邻像素间的灰度强相关性和舰船目标和海杂波的信杂比,建立了海杂波区域内相邻像素间灰度值的二维对数正态分布来实现联合CFAR检测。该算法能够改善斑点噪声和背景局部不均匀对检测带来的虚警,检测效果相比于传统检测算法更加优越。     

Fisher纹理分布下基于匹配滤波的极化SAR图像CFAR检测方法

在已有的极化合成孔径雷达（PolSAR）图像恒虚警（CFAR）检测方法中,存在着高分辨下杂波模型适用性差的难题。为此提出了一种Fisher分布下的CFAR检测方法,并定义虚警损失率（CFAR Loss,C_L）以量化评估算法的恒虚警保持性能.首先,在乘积模型框架下引入Fisher纹理变量,推导出了多视极化匹配滤波（Multi-look Polarization Matched Filter,MPMF）检测量的概率密度函数（PDF）.然后,对PDF积分得到了虚警概率的闭合解析式,并设计了CFAR检测流程.仿真数据和机载合成孔径雷达（Airborne SAR,AIRSAR）数据实验结果表明,与基于K分布、G₀分布、Wishart分布的CFAR检测算法以及双参数恒虚警（two-Parameter CFAR,2P-CFAR）算法相比,新方法具有良好的恒虚警保持性能和检测性能,具有较强的鲁棒性,且运算时间未明显增加,相比于其他检测方法,品质因数（Figure of Merit,FoM）平均高出12.80%.     

Fisher分布下基于白化滤波的极化SAR图像CFAR检测方法

在已有的极化合成孔径雷达（SAR）图像恒虚警（CFAR）检测方法中,存在着高分辨下杂波模型适用性差的难题.为此提出了一种Fisher分布下具有虚警概率解析表达形式的CFAR检测方法.首先,在乘积模型框架下,引入Fisher纹理变量,推导出了极化白化滤波（PWF）检测量的概率密度函数（PDF）.然后,对PDF积分得到了虚警概率关于检测门限的解析表达形式,并设计了相应的CFAR检测算法流程.最后,通过机载合成孔径雷达（AIRSAR）实测数据比较了新方法和双参数恒虚警（2P-CFAR）算法及已有的基于K分布、G₀分布、Wishart分布的CFAR检测方法的检测性能.结果表明新方法能有效检测出目标,且鲁棒性较强,相比于其他检测方法,品质因数平均高出32.66%.     

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。     

SIRV杂波下距离扩展目标CFAR检测器

在球不变随机向量(SIRV,Spherically Invariant Random Vector)的非高斯杂波背景下,提出了一种新的距离扩展目标检测器.给出了检测参数的简易确定方法,推导了虚警概率与检测阈值的解析表达式,证明了所提检测器的恒虚警率特性.仿真实验表明,在参数设置合理情况下,所提出的检测器性能远好于已有的两种距离扩展目标检测器.另外,随着阵元数、目标散射点个数及杂波尖峰的增加,检测器的性能得到提高;且该检测器对第三门限的选取和不同的杂波相关性均具有很好的鲁棒性.