子孔径NCS算法中虚假目标产生的机理与消除方法研究

子孔径结构的引入是实现Ultra Wide Band SAR(UWB SAR)实时信号处理的关键。将子孔径结构与Nonlinear Chirp Scaling(NCS)算法相结合的子孔径NCS算法可以较好的实现UWB SAR实时信号处理,但子孔径结构的引入使得成像结果中存在虚假目标的影响。针对子孔径NCS算法中存在虚假目标的现象,该文从理论上分析了虚假目标产生的机理,并提出了对距离弯曲校正前的子孔径回波两端补零的改进子孔径NCS算法消除虚假目标,最后通过仿真和实测的UWB SAR回波数据验证了该文理论分析以及所提方法的正确性。     

基于方位不变性的SAR图像旋转体检测

针对复杂环境中微弱旋转体目标(如地雷等)检测的难题,提出了一种基于方位散射特征和局部对比度特征融合的检测算法。首先,对旋转体目标特性进行了分析,进而利用子孔径SAR图像提取方位散射熵作为待检测特征。对全孔径SAR图像分别进行方位不变性检测和CFAR检测,并将检测结果相融合,得到最终检测结果。算法体现了利用目标先验知识辅助检测的思路,实测数据结果表明,该方法能够有效剔除原先在全孔径图像中无法剔除的杂波,有效降低检测的虚警率。     

基于子孔径分析的极化散射机理研究

在用极化sAR数据研究极化散射机理时,利用的是大量不同方位观察角度下接收的目标散射数据,但通常极化散射特性随方位角的变化并未被考虑。文中提出利用子孔径分析方法研究极化散射机理。子孔径是在不同的方位观察角度下．对整个场景的响应。用子孔径方法分析高分辨率极化sAR图像,可以突出全孔径中雷达后向散射的瞬时变化．因此可用于各向异性特征和非平稳目标的检测。最后利用丹麦EMISAR获取的L波段极化SAR全孔径图像数据进行仿真验证,提出了一种计算相对标准偏差的方法来检测非平稳目标。     

基于子孔径分解的SAR动目标检测方法

 运动目标在合成孔径雷达SAR(Synthetic Aperture Radar)图像中的成像会出现模糊,散焦等现象,并且会在方位向出现明显的偏移,这些会导致运动目标的目标杂波比TCR(Target-to-clutter Ratio)降低.本文在子孔径分解技术的基础上提出一种从单通道SAR单视复图像SLC(Single Look Complex)中检测动目标的方法,该方法通过子孔径图像之间的相减操作来抑制杂波,从而提高TCR.通过对机载CV-580数据和星载Envisat ASAR 数据进行测试,证明了该方法的有效性.     

基于子孔径Hough变换的SAR转动目标检测

受杂波影响,转动目标SAR回波在距离压缩域呈现断续正弦曲线特征而不易检测。提出一种基于子孔径Hough变换的转动目标检测方法,对全孔径进行分段积累检测,在子孔径内通过FFT将同一距离单元上的信号相干积累以提高信噪比,在孔径间采用广义Hough变换进行非相干积累进一步抑制杂波。该方法适用于硬件开销更小的单通道系统,两级检测获得稳健的杂波抑制性能和更优越的转动目标检测和测量性能。实验仿真结果验证了方法的有效性。     

从SAR子孔径序列图像中提取海洋动态特征的改进相位相关法(英文)

动态特征是海洋信息中的重要方面。但是在通常的SAR图像处理中动态信息往往会被丢失,因为这些方法大多把SAR图像看成是观测区域的瞬时状态。实际上,我们可以从SAR子孔径序列图像中获取动态信息,因为我们知道SAR不同方位向孔径对应不同的成像瞬间。从序列图像中获取动态信息的一个关键步骤就是图像匹配。但是SAR子孔径图像的强噪声特性使得传统的图像匹配算法难以奏效。该文中,为了应对SAR子孔径图像中的噪声问题,我们提出了一种改进的相位相关法。仿真实验表明改进的算法在多数情况下都可以达到0.15像素以上的精度以及很好的噪声鲁棒性。分析表明,该方法可以适用于从中等分辨的机载SAR图像和高分辨的星载SAR图像中提取动态特征,速度提取精度可以达到0.15-0.3 m/s。该文将该方法用于一个实际的机载SAR图像的处理,反演的海面动态速度在0.05-0.5 m/s左右,这个速度范围符合海面上一般的流速范围。     

复数二维经验模态分解在SAR目标识别中的应用

提出基于复数二维经验模态分解（C-BEMD）的合成孔径雷达（SAR）图像目标识别。C-BEMD作为传统BEMD的复数域推广,能直接处理原始SAR图像（包含幅度和相位信息）。采用C-BEMD对原始SAR图像进行分解,获得多层次复数内蕴模函数（BIMF）,反映目标时频二维特性。各层次BIMF既有独立描述能力,反映目标不同类型的特征;同时也具有内在关联性,即反映同一目标的固有属性。为此,分类算法基于联合稀疏表示设计,可利用内在关联性约束提高各层次BIMF的表征精度。利用MSTAR数据集中的多类目标SAR图像对方法进行测试验证,结果反映其在标准操作条件（SOC）和扩展操作条件（EOC）均可保持可靠的识别性能。     

旋转目标在三孔径InSAR中的幅相特性

该文首先建立了旋转目标的时频模型、多普勒模型;然后利用旋转目标的多普勒特点分析其SAR成像特点;最后分析了三孔径InSAR中偏置相位中心天线(DPCA:Displaced Phase Centre Antenna)杂波对消以及沿迹干涉(ATI:Along-Track Interferometry)的物理意义,得到了三孔径干涉对消处理后旋转目标的幅度、相位特性.这种分析方法比以往斜距近似分析更简单直观,并且仿真实验验证了结论的正确性,并且分析了其相位缠绕可能造成的动目标检测误差.为研究微运动目标在多通道SAR中的成像特性研究提供了初步的参考,证明了微动类型干扰对SAR动目标检测也能够形成不利影响.     

子带子孔径ATI地面运动目标检测及参数估计方法

该文提出了一种新的基于子带子孔径图像序列的顺轨干涉(ATI)地面运动目标检测方法。该方法利用超宽带合成孔径雷达(UWB SAR)的大带宽大波束角和低频特性,生成了对应不同中心频率和视角的多幅子带子孔径顺轨干涉图,并联合运动目标的多频多子孔径干涉相位进行地面运动目标检测和参数估计。该方法相比传统的ATI方法的优点在于:在检测方面,消除了盲速,既能检测具有距离向速度的目标,又能检测具有方位向速度的目标;在速度估计方面,能无模糊地同时估计出目标的距离向速度和方位向速度。基于UWB SAR半实测回波的实验验证了该方法的有效性。     

基于单通道SAR多子孔径空频处理的动目标检测算法

该文提出了一种基于单通道多子孔径空频自适应处理的运动目标检测方法:首先给出了基于方位频谱划分获取子孔径的处理过程,构造出类似于多通道的子图像。详细分析了多子孔径空时等效信号的原理,将不同合成中心时刻的子孔径序列所获得的回波信号等效成同一时刻不同空间位置所获得的回波信号,利用时延差异来获取空间信息,建立起后续处理的2维信号模型。在此基础上,结合多通道杂波抑制的思想,提出了采用多子孔径间空频自适应处理实现杂波抑制与运动目标检测的算法。最后,仿真实验验证了该方法的有效性。     

Ship detection optimization method in SAR imagery based on multi-feature weighting

Aiming at the problem that the accuracy of traditional ship detection algorithms is not satisfying in complex scene with many false alarm targets,a ship detection optimization method in SAR imagery based on multi-feature weighting was proposed.Firstly,the marker-based watershed algorithm was employed to remove land from SAR amplitude image.Then,the CFAR algorithm based on log-normal distribution was used to obtain candidate targets from no land image.Furthermore,the length to width ratio,the ship area and the contrast ratio of the candidate targets were extracted.Finally,a variance coefficient method was proposed to distribute the weight of the three features,and the confidence levels were calculated by combining the normalized feature vectors of the candidate targets with the feature weight.By determining the best confidence level,false alarm targets among the candidate targets were removed to optimize ship detection results.In order to verify the proposed method,experiments were carried on with the GF-3 SAR images of different complex scenes.The experimental results show that the proposed method is feasible and effective.     

Hierarchical Feature-Based Detection Method for SAR Targets Under Complex Environment

A reliable target detection method for Syn-thetic aperture radar (SAR) images is needed urgently with the wide application of SAR systems. The perfor-mance of conventional detection algorithms, such as Con-stant false alarm rate (CFAR), degrade significantly in low SCR or complex regions while the Human visual system (HVS) can identify targets of interest without knowing characteristics of the background even in complicated en-vironment. The combination of HVS with the SAR-ATR system may effectively achieve real-time multi-target de-tection in complex occlusion scenes. A new effective tar-get detection algorithm is put forward using hierarchical characteristics of targets. Inspired by different roles of the retina and visual cortex in the HVS, this detection algo-rithm is divided into coarse detection and fine detection stage. Two kinds of features based on the correlation be-tween target features and suspicious targets, namely over-all feature and refined feature, are used in these two stages respectively to extract real targets. Experimental results verify its correctness and effectiveness in complex environ-ment.     

高分辨率SAR图像舰船目标几何结构特征提取

随着SAR图像分辨率的提高,利用SAR图像进行舰船识别成为遥感卫星获取海洋情报的新途径。几何结构特征是对目标的直观描述,提取方法简单,成为对舰船目标进行初分类的重要依据。本文首先介绍了几种典型的几何结构特征及其计算方法,并分析了它们在舰船识别中的作用,然后介绍了一种基于方位角估计的几何结构特征提取方法:对图像进行预处理抑制旁瓣,利用矩技术估计方位角,旋转目标至水平状态,采用逐步逼近的方法获得最小外接矩形,进而提取其他几何结构特征。实验结果证明本文方法提取的几何结构特征准确度高,算法稳定性好。      

结合强化学习自适应候选框挑选的SAR目标检测方法

大场景合成孔径雷达(SAR)图像相对于通用光学图像,复杂背景杂波对目标特征提取影响更大,由于传统基于候选框的深度目标检测算法会在整张特征图上产生大量冗余候选框,因而在SAR图像复杂背景杂波影响下会产生大量的虚警,降低目标检测精度。针对该问题,该文基于Faster R-CNN检测模型,提出结合强化学习自适应候选框挑选的SAR目标检测方法。该方法能够通过强化学习自适应搜索特征图中可能含有目标的区域,并挑选搜索区域内的候选框继续进行分类、回归。通过准确搜索到含有目标的区域,可以减少复杂背景杂波的影响并减少传统强化学习应用于检测问题的计算量。所提方法利用强化学习序列决策的特点,能够根据图像信息通过强化学习迭代搜索自适应确定图像中可能含有目标的搜索区域的位置。同时,该方法通过在强化学习中使用距离约束,可以根据之前的搜索结果自适应调整下一次搜索区域的尺寸。基于实测数据的实验结果表明,所提方法能够提升传统深度学习目标检测方法的检测性能。      

雷达海上目标双通道卷积神经网络特征融合智能检测方法

受复杂海洋环境影响,基于统计理论的海面目标检测方法由于假设条件不成立,在实际应用中难以实现高性能检测,本文从特征提取分类角度,通过深度学习分类方法对目标和杂波的雷达回波信号进行二元分类,提出了一种基于双通道卷积神经网络(DCCNN)的雷达海上目标智能检测方法。首先,对实测海杂波和目标雷达信号进行预处理,得到信号的时间-多普勒谱和幅度信息;然后,构建DCCNN对预处理得到的数据进行智能特征提取,得到信号的特征向量,并对不同特征提取模型性能进行测试;最后,通过阈值可设的Softmax分类器作为检测器对特征向量进行分类,实现虚警率的控制。测试结果表明:与传统的单通道CNN以及无虚警控制Hog-SVM分类算法相比,基于二维卷积核VGG16和一维卷积核LeNet的DCCNN特征提取模型和softmax分类器可实现更高的检测性能,并可以实现虚警率控制,为复杂海杂波背景下目标智能检测提供了新的技术途径。     

利用改进分形特征对SAR图像目标检测方法的研究

改进分形特征是用指数小波在一个尺度上对检测图像滤波,针对特定大小目标用能量关系函数求得各像素点的分形特征。该文研究了利用改进分形特征对SAR图像进行目标检测的方法,分别使用改进特征与扩展分形特征对单一背景和复杂背景条件下的SAR图像进行目标检测,结果表明:改进分形特征能够在这两种背景条件下以更低虚警率检测出全部特定大小的目标,目标空间可分辨性好、位置指示准确;但在复杂背景条件下的检测虚警率比单一背景下的检测虚警率有所上升。     

用聚束SAR对慢速运动目标进行轨迹跟踪和参数估计的方法

针对聚束式合成孔径雷达(SAR)动目标检测的问题,把回波信号进行连续重叠地时域分组,每组信号可以看成是来自一个时域子孔径, 然后在每个子孔径内分别成像。地面固定目标在每幅图像上的成像情况是相同的, 通过彼此相减就可以消去,达到了抑制杂波的目的,而运动目标由于每个时刻的位置都在变化,在每幅图像上的位置是不同的, 从而在相减后剩余下运动目标的图像,把这些图像拼接起来就再现了运动目标的运动轨迹,根据运动轨迹就可以对其运动参数进行估计。该文给出了这个方法的原理推导和具体的检测过程。仿真结果证明了该方法的有效性。     

基于遗传算法的SAR图像目标鉴别特征选择

针对SAR图像自动目标鉴别的应用,提出了一种基于遗传算法的特征选择方法.首先提取了反映目标和杂波虚警差异的八个特征,分别是:四个空间边界属性特征,一个分形维数特征和三个对比度特征.然后对由八个特征构成的特征矢量采用遗传算法进行特征选择,以选出对于目标鉴别最优的特征序列.遗传算法中适应度函数的设计综合考虑了描述长度、鉴别总错误数以及漏报数等三个因素,使得该适应度函数对于特征优劣的评价更全面.实测数据的实验结果证明了所提算法的有效性.