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。      

SAR图像上舰船目标检测的一种新算法

提出了一种改进的KSW算法检测SAR图像上的舰船目标.在该算法中,检测门限被选择以最大化背景与目标灰度熵加权和.由于加权系数的引入,该算法能针对SAR图像上舰船目标检测的实际情况,调整背景与目标灰度熵在准则函数中所占比例.当海杂波较弱时,该算法与传统的KSW算法等价.当海杂波较强时,其较传统的KSW算法有更好的表现.     

基于Toeplitz矩阵特征值分解的SAR图像舰船目标检测方法

合成孔径雷达（SAR）图像舰船目标检测一直是海洋监测领域的重要手段。经典的恒虚警率（CFAR）检测依赖于分布模型及多参数的准确估计,难以适应复杂多变的海面背景。新兴的信息几何舰船检测方法挖掘了目标与杂波的统计差异,实现舰船的显著性表示,但依然受限于背景杂波的精确建模。考虑到现有方法的局限性,本文提出了一种基于Toeplitz矩阵特征值分解的SAR图像舰船目标检测算法。在无需寻求背景杂波分布模型的前提下,通过构建Toeplitz矩阵,以其特征值均值为检验统计量,充分获取目标与背景杂波的差异。在高分三号卫星和TerraSAR-X卫星实测SAR图像上的实验结果证明,相比于现有的多种典型方法,本文方法取得了更优的检测性能与更快的计算速度。      

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。     

复杂杂波背景下海洋SAR图像中舰船目标的检测

针对卫星SAR图像海洋背景和舰船目标特点,文献[1]提出了基于小波多分辨率分析的卫星SAR海洋图像舰船目标检测的新方法。在此基础上,本文针对不同海情杂波服从不同概率密度分布的特点,讨论了复杂杂波背景下基于小波变换检测海洋SAR图像中舰船目标的性能,给出了不同海情下的检测性能,并与传统门限检测方法比较,给出了不同信杂比下虚警概率曲线。仿真结果表明,该方法实用、有效。     

高分辨SAR图像自动区域筛选目标检测算法

在G0分布背景杂波假设下,基于VI-CFAR算法该文提出一种自动区域筛选的恒虚警目标检测算法,以解决高分辨SAR图像复杂环境背景下的目标检测问题。该算法首先利用变化指数(VI)统计量对局部参考窗内的均匀区域进行筛选,以剔除参考窗内具有目标干扰点的非均匀区域;然后利用均值比(MR)统计量对参考窗内同质的均匀区域进行区域合并,以解决杂波边界处的背景杂波筛选问题;最后利用筛选到的同质均匀区域内的像素集合进行背景杂波参数估计,对待检测区域实现二值检测。通过实测SAR图像车辆目标检测实验表明,在多目标和杂波边界复杂环境背景下,该算法具有较稳定的检测性能和虚警抑制能力。     

一种舰船目标SAR图像的仿真方案

对舰船目标的合成孔径雷达（SAR）图像（复值）进行再处理,可以对舰船目标进行更精细的成像及轨道计算。开发这些算法需要大量的测试图像。但是由于实验条件的限制,这些图像的数目非常有限,因而研究舰船目标的SAR图像仿真就显得十分必要。提出了对舰船目标的SAR图像进行仿真的一种方案。首先通过仿真舰船目标的SAR成像过程以得到舰船目标的SAR图像,接着根据海杂波SAR图像的统计特性对海杂波的SAR图像进行仿真,最后将两者叠加以获得海面舰船目标的SAR图像。仿真结果显示了该方案的有效性。     

基于9/7提升小波的海面弱目标检测算法

弱目标的检测一直是监视和报警系统的重要组成部分.海面背景下海面及连绵起伏的波浪反光使图像的信噪比和对比度都较低,而且舰船目标像素较少.先利用自适应灰度阈值对图像进行滤波;再进行9/7提升小波变换,提取高频部分;然后利用高频部分进行重构;最后对重构后的图像进行自适应灰度阈值处理,检测出目标.实验结果表明该算法能够有效地检测出强噪声和背景杂波干扰情况下的舰船目标.     

基于视觉显著性的SAR遥感图像NanoDet舰船检测方法

在合成孔径雷达遥感图像中,舰船由金属材质构成,后向散射强;海面平滑,后向散射弱,因此舰船是海面背景下的视觉显著目标。然而,SAR遥感影像幅宽大、海面背景复杂,且不同舰船目标特征差异大,导致舰船快速准确检测困难。为此,该文提出一种基于视觉显著性的SAR遥感图像NanoDet舰船检测方法。该方法首先通过自动聚类算法划分图像样本为不同场景类别;其次,针对不同场景下的图像进行差异化的显著性检测;最后,使用优化后的轻量化网络模型NanoDet对加入显著性图的训练样本进行特征学习,使系统模型能够实现快速和高精确度的舰船检测效果。该方法对SAR图像应用实时性具有一定的帮助,且其轻量化模型利于未来实现硬件移植。该文利用公开数据集SSDD和AIR-SARship-2.0进行实验验证,体现了该算法的有效性。      

基于有序数据可变索引的SAR图像目标检测方法

该文提出了一种基于有序数据可变索引(Ordered Data Variability Index, ODVI)的SAR图像目标恒虚警检测算法,该算法首先对待测像素的参考窗进行基于ODVI的自适应筛选处理(Automatic Censoring, AC),以去除窗内的强杂波和干扰像素,并以窗内保留的均匀像素对背景的统计特性进行建模,估计其概率密度函数的参量,同时构建双参数恒虚警检测(CFAR)的检验统计量,计算检测的自适应阈值,实现检测的判决。论文给出了该算法的检测性能曲线,并利用实测的X波段SAR图像进行实验验证,与其它检测方法进行比较,结果显示该文算法具有较好的检测性能和较低的虚警概率。     

一种基于小波变换的SAR图像船舰检测的新算法

根据小波变换和Teager能量算子(TEO)的局部特性,该文提出一种基于SAR图像的船舰检测算法.该算法对SAR图像进行小波变换,计算小波系数的Teager能量.根据小波域的Teager能量对船舰信号的增强特性,使用双参数CFAR检测SAR图像船舰.仿真结果表明,新算法与传统的双参数CFAR检测算法和基于K-分布的单元平均检测算法相比,在船舰检测数和虚警数性能指标上均优于传统检测算法.     

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。     

SAR图像局部窗口K-分布目标检测算法

该文分析了双参数CFAR算法和K-分布CFAR算法的特点,将双参数CFAR算法局部窗口的概念应用到K-分布CFAR检测中,适应了SAR图像海面背景复杂且局域性强的情况,获得了较好的检测效果。     

自选择混合分布模型的CFAR用于SAR图像舰船检测

为了解决恒虚警率检测算法（CFAR检测）在合成孔径雷达图像舰船检测中,用已有分布建模,不能应对所有的场景,对于一些复杂场景建模拟合效果不理想的问题,本文使用一种自选择混合分布的CFAR检测方法:首先,对图像进行预处理,减少目标像素对海杂波的影响;其次,利用学习出来的混合分布模型对预处理后的每一块图像进行建模,计算全局阈值,并根据阈值把图像像素分为目标和背景杂波;然后,为防止漏检,重新对场景像素进行建模、检测,重复此过程直到背景杂波中检测不到目标为止;最后加入后处理,减少虚警的产生。这一方法不仅能得到更好的海杂波模型,同时还能提取舰船的更多细节,实验结果证明了这一方法的有效性。      

一种从SAR海洋图像中检测舰船航迹的算法

分析了合成孔径雷达 (SAR)图像中舰船航迹的特性和斑点噪声模型及其局部统计特性 ,在此基础上 ,提出了一种结合小波多分辨率分析、自适应阈值选择、边缘检测算子和Radon变换进行斑点噪声抑制和航迹检测的算法。数据处理的结果表明 ,该方法较直接对SAR图像应用Radon变换更有效、准确地检测到SAR图像中的舰船航迹     

SAR图像舰船目标检测数据集构建研究综述

算法和数据是影响深度学习技术发展的两大关键因素,大多数学者专注于算法的改进和开拓,仅有少部分学者致力于数据的研究.构建合成孔径雷达(Synthetic Aperture Radar,SAR)图像舰船数据集是SAR舰船目标检测项目的第一步,也是星载SAR图像实际工程应用的基础.分析了影响SAR舰船目标检测性能的关键因素,阐述了SAR舰船数据集的构建方法,概述了TerraSAR-X、"哨兵"1号(Sentinel-1)和高分三号(GF-3)三种SAR图像数据源,并对几种公开的SAR舰船数据集进行梳理与分析,总结了各数据集的发展历程,最后指出构建SAR图像舰船数据集仍需考虑的几个方面.     

一种基于斑点抑制的SAR图像舰船航迹检测算法

该文分析了合成孔径雷达(SAR)图像中舰船航迹的特性和斑点噪声模型及其局部统计特性。在此基础上,提出了一种先基于小波变换进行斑点噪声抑制,再基于Radon变换进行航迹检测的方法。对数据处理的结果表明,该方法较直接对SAR图像应用Radon变换能更有效、准确地检测到SAR图像中的舰船航迹。     

基于分块预判断的SAR图像舰船目标检测方法

由于具有恒虚警和自适应的能力,恒虚警率(CFAR)是应用最为广泛的SAR图像舰船检测算法之一,它在传统的中低分辨力图像中效果较好。但随着合成孔径雷达(SAR)幅宽与分辨力的提高,这种检测方法已不能满足舰船检测的近实时性要求。本文针对高分辨宽幅SAR图像中的舰船检测问题,提出了一种基于分块预判断的SAR图像舰船目标检测方法。该方法首先对SAR图像进行分块,然后利用一个预先训练的支持向量机(SVM)分类器对所有分块进行可能性判断,最后只对判断为存在目标的分块进行能量比检测。基于实测数据的实验表明,本文方法较以往算法在取得较好检测效果的同时,检测效率也有较大提升。     

基于Google Earth Engine的海量舰船目标SAR图像处理应用研究

传统基于单机的合成孔径雷达(Synthetic Aperture Radar,SAR)图像舰船目标检测需要在本地计算机上进行数据下载、处理和分析,这极大受限于本地计算机的性能,只能对少量SAR图像进行检测。本文利用Google Earth Engine(GEE)遥感云计算平台的海量数据存储和强大运算能力,通过在云端部署SAR卫星数据、模型算法和计算机算力,在GEE平台上进行了大范围海域的海量舰船目标SAR图像处理应用研究,实现了舰船目标检测同时还可以获取舰船目标信息、统计舰船目标数量、批量下载目标检测结果图像等。通过在Sentinel-1 SAR数据上进行相关实验,结果表明本文研究可在线对海量SAR数据进行实时、高效、快速地处理,对海上舰船监视具有较高的实际应用价值。      

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。