共查询到20条相似文献,搜索用时 203 毫秒
1.
增强成像方法将待检测目标的先验知识引入到成像过程中对其进行增强,有助于提高图像的直观性和改善后续检测效果.旋转体目标具有散射特性的方位不变性,而大多数人造和自然杂波不具备该特点,因此可利用方位散射不变性对旋转体目标进行增强成像.该文首先提出了方位散射熵的概念以度量目标不同方位向散射特性的一致性,在此基础上提出了基于方位散射熵的旋转体目标增强成像算法,最后针对实际机载 SAR 应用中存在的位置和姿态误差给出了结合运动误差补偿的方位散射熵的计算方法.实测数据结果证明了该文所提方法的有效性和实用性. 相似文献
2.
3.
基于方位不变特征的地雷检测方法 总被引:1,自引:0,他引:1
车载前视超宽带地表穿透雷达在地雷探测中遇到的困难是虚警率过高,地雷与杂波在全孔径图像中很难准确区分。为降低地雷探测过程中的虚警率,该文提出一种基于目标子孔径图像方位不变性的检测方法。该方法利用分裂发射虚拟孔径成像模型,将全孔径图像分解为左右两个子孔径图像,并根据子孔径图像中的目标一维距离剖线建立双峰特征模型。在此模型基础上提取具有方位不变性的若干特征,进而得到左右子孔径图像中目标的一致性度量,并将该一致性度量作为最终的特征向量送入鉴别器加以判别。经实测数据验证,该算法能有效剔除原先在全孔径图像中无法剔除的杂波,从而降低前视地表穿透合成孔径雷达中地雷探测的虚警率。 相似文献
4.
本文利用军事目标在SAR图像中具有较大的雷达散射截面,后向散射强以及在可见光图像中几何外形清晰的特点,提出一种利用SAR图像和可见光图像多维特征检测目标的方法。该方法分为图像预处理,目标检测和融合检测三部分。首先,利用基于特征匹配的方法对多传感器图像进行配准。其次,利用全局双参数恒虚警(CFAR)方法检测SAR图像中的目标,经过滤波处理后,确定感兴趣区域(Region Of Interesting,ROI)并提取目标的SAR图像特征;将ROI映射到可见光图像中,对该区域进行边缘检测、滤波、连通性分析、提取目标的可见光图像特征。最后,在特征层利用特征向量距离准则融合检测目标。实验结果表明该方法性能优于单传感器检测方法,且能有效的改进目标检测性能。 相似文献
5.
针对合成孔径雷达(Synthetic Aperture Radar,SAR)图像中飞机目标散射点离散化程度高,周围背景干扰复杂,现有算法对飞机浅层语义特征表征能力弱等问题,本文提出了基于注意力特征融合网络(Attention Feature Fu-sion Network,AFFN)的SAR图像飞机目标检测算法.通过引入瓶颈注意力模块(Bottleneck Attention Module,BAM),本文在AFFN中构建了包含注意力双向特征融合模块(Attention Bidirectional Feature Fusion Module,ABFFM)与注意力传输连接模块(Attention Transfer Connection Block,ATCB)的注意力特征融合策略并合理优化了网络结构,提升了算法对飞机离散化散射点浅层语义特征的提取与判别.基于自建的Gaofen-3与TerraSAR-X卫星图像混合飞机目标实测数据集,实验对AFFN与基于深度学习的通用目标检测以及SAR图像特定目标检测算法进行了比较,其结果验证了AFFN对SAR图像飞机目标检测的准确性与高效性. 相似文献
6.
SAR多通道引起的虚假目标与散焦的船舶目标形状纹理特征非常相似,在全孔径SAR图像中难以区分。针对此类虚假目标造成的虚警问题,该文提出一种基于子孔径与全孔径特征学习的SAR多通道虚假目标鉴别方法。首先,对复数SAR图像进行幅值计算得到幅度图像,利用迁移学习方法提取幅度图像中的全孔径特征;接着,对复数SAR图像进行子孔径分解获得一系列子孔径图像,然后用栈式卷积自编码器(SCAE)提取子孔径图像中的子孔径特征;最后,将子孔径和全孔径特征进行串联并利用联合特征进行分类。在高分三号超精细条带模式SAR图像上的实验结果表明,该方法可以有效的鉴别船舶目标和多通道虚假目标,与仅使用全孔径特征学习的方法相比准确率提升了16.32%。 相似文献
7.
针对SAR图像舰船目标检测过程中存在方位向模糊造成虚警的问题,该文设计了一种基于改进的H//WishartH?非监督分类的多极化SAR图像舰船与方位向模糊鉴别方法。该方法首先提取目标散射回波峰值区域,以该区域的H//Wishart分类结果为初始聚类中心,利用复Wishart分布的最大似然分类器改善分类结果,通过对比分析各散射类型区域的结构鉴别舰船目标和方位向模糊。通过实验表明该方法能有效地鉴别舰船目标与方位向模糊,减少SAR舰船目标检测过程中存在的虚警。 相似文献
8.
9.
10.
利用高分辨率SAR图像进行建筑物提取的常规方法是首先利用二次散射特征线确定建筑物边界, 然后利用叠掩、阴影等散射特征来提取建筑物高度.当建筑物目标走向与星载SAR方位向夹角较大时, 其二次散射特征不明显, 常规重建方法不能取得理想结果.针对这类建筑物目标, 在分析SAR图像上的散射特征为平行四边形条带的基础上, 提出一种基于几何模型约束的建筑物自动提取与三维重建方法.将该方法应用于TerraSAR-X聚束模式图像, 并对提取结果进行了分析和评价, 表明该方法能够有效提取建筑物目标及其三维信息. 相似文献
11.
如何快速而准确地检测出SAR图像中的目标是一个极富挑战性的课题.利用图像边缘特征和模糊集理论设计了一种快速有效的SAR图像目标检测算法.该算法先利用模糊软阈值小波降噪方法去除相干斑噪声,然后用模糊边缘检测器检测出降噪图像的边缘,最后利用形态学操作算子提取出边缘图中的目标区域.与基于亮度特征以及基于纹理特征的检测算法相比,提出的检测算法能够快速、准确地检测出目标,而且产生的虚警数量较少.SAR实测数据的实验结果表明,提出的算法是有效的且具有很好的应用前景. 相似文献
12.
13.
14.
提出了一种基于双孔径天线沿航迹向干涉SAR进行动目标检测、测速及定位的新方法.该方法在分析杂波对消必要性的基础上,给出了进行地杂波对消、动目标检测、径向速度分量估计及定位的原理和实现方法.在恒虚警处理后,通过比较杂波对消后的残差图像与原始图像中运动目标和静止目标对消幅度的差异,检测出运动目标.同时,可以利用残差图象中杂波的对消特性进行运动目标径向速度的估算以及目标的定位.这种检测方法具有良好的杂波对消性能,能够完成被地面背景杂波掩盖的运动目标的检测、测速及定位.计算机仿真结果验证了其有效性. 相似文献
15.
在合成孔径雷达(Synthetic Aperture Radar,SAR)成像中,当方位向合成孔径较大时,观测区域内目标的电磁特征会表现为各向异性,导致基于各向同性假设的传统SAR成像方法不再适用。为此,宽角SAR成像方法通过将宽孔径划分为多个子孔径,利用每个子孔径对应的回波数据单独成像,实现对目标雷达图像的多角度重构。由于目标的散射特性在相邻子孔径中通常不会发生较大改变,每个子孔径的强散射中心分布高度相似,使得宽角SAR的成像结果具有低秩结构,即相邻子孔径对应的目标成像结果的支撑集相近。为了使用这种相关性,将Karhunen Loeve (KL)变换引入到宽角SAR成像过程中,再利用目标强散射中心分布的稀疏特性,建立基于低秩结构的宽角SAR稀疏成像模型。采用增广拉格朗日法(Augmented Lagrangian,AL)和交替方向乘子(Alternating Direction Method of Multipliers,ADMM)对上述成像模型进行迭代求解,从而获得宽角SAR成像结果。相比于传统的宽角SAR成像方法,本文所述方法不仅能提高目标后向散射系数的重建精度,还能有效抑制旁瓣... 相似文献
16.
由于不同目标相对雷达的平动不同,单目标运动补偿方法不能同时完成各个目标的平动补偿,因而无法获得清晰的多目标ISAR像。文中提出了一种对同一雷达波束内距离不能分辨的多个运动目标进行ISAR成像的方法,根据不同目标的平动多普勒近似线性变化且变化历程不同的特点,采用CLEAN技术,基于回波信号的时间-调频率分布得到各个目标对应的调频率,分离不同目标的信号分量,从而将对多目标成像转变成了对多个单目标成像,利用单目标运动补偿和成像方法获得各个目标的ISAR像。仿真结果验证了该方法的有效性。 相似文献
17.
浅地层探地雷达自动目标检测与定位研究 总被引:4,自引:0,他引:4
该文提出了一种基于图像熵变化及窗口能量检测的探地雷达自动目标检测与定位方法,该方法首先通过探地雷达未经合成孔径处理的图像与经合成孔径处理后的图像之间的熵变化来检测目标,再通过在合成孔径图像中进行窗口能量检测来判断目标所在的位置。通过对实测数据的处理,结果表明该方法取得了较好的效果。 相似文献
18.
天波超视距(OTH)雷达系统中,为了获得较高的多普勒分辨率,通常会采用长的相干积累时间,但对于机动目标,长相干积累时间会导致回波的多普勒展宽,不利于检测。对于弱目标,由于其能量低,容易被强目标掩盖,加大了检测难度,针对这一问题,提出一种基于目标运动参数估计的OTHR机动弱目标检测方法。利用遗传算法优越的参数估计性能这一特点,采用遗传算法估计各目标的运动参数,并引入"clean"算法的思想,在时域上逐个减去强目标,以消除强目标的掩盖效应。又考虑到遗传算法的运算量较大,进一步提出采用时频分析算法估计各参数范围,减小遗传算法的运算量。仿真结果表明,与已有算法相比,文中算法具有更高的参数估计精度和弱目标检测性能。 相似文献
19.
20.
针对复杂场景下合成孔径雷达图像船舶检测中易产生漏检的问题,本文提出了一种基于改进YOLOv5的复杂场景下SAR图像船舶检测算法。该算法首先将由通道注意力和空间注意力共同组成的自适应注意力模块引入YOLOv5的特征提取网络中,通过将特征向量筛选加权后,使重要的目标特征占有更大的网络处理比重,以此增强网络对目标区域的特征学习能力。然后根据SAR图像特性优化了检测模型的损失函数,提升了预测框的置信度,最终降低了复杂场景区域的目标漏检率。实验表明,相比传统YOLOv5算法,本文算法显著提升了召回率。对于复杂场景下的SAR图像船舶目标检测,平均准确率达到了79.8%,相比于传统YOLOv5算法和Faster R-CNN算法分别提高了26.1%和17.3%。 相似文献