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。      

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。     

SAR图像车辆目标ROI的提取技术

SAR图像感兴趣目标区域(Region Of Interest, ROI)的提取是目标识别的基础。该文针对SAR图像中车辆目标ROI提取问题,系统分析了ROI提取过程的关键环节,提出了采用基于有序数据可变索引(Ordered Data Variability Index, ODVI)的自适应CFAR方法实现目标的恒虚警检测,同时对ROI切片计算鉴别特征,并实现序贯鉴别。最后利用X波段SAR图像数据验证了该文的ROI提取技术,给出了鉴别输出的ROI,处理结果显示该文算法能准确提取车辆目标ROI,有效消除虚警。     

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。     

一种结合空间信息的星载SAR图像舰船目标检测算法

针对常规恒虚警率(CFAR)方法对低信杂比合成孔径雷达(SAR)图像舰船目标检测效果不佳的问题,提出一种结合空间信息的星载SAR图像舰船目标检测方法。该方法通过将像素的空间信息与灰度信息相结合构造联合图像,以提高目标与背景的对比度,然后对联合图像进行CFAR检测。基于不同分辨力实测星载SAR图像舰船目标检测的实验结果表明,与直接基于CFAR的方法相比,该方法对低信杂比SAR图像具有更好的检测性能。     

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.     

SAR图像局部自适应ACCA-CFAR检测算法

该文在ACCA-CFAR(Automatic Censored Cell Averaging-CFAR)的基础上提出了一种以K分布对SAR图像杂波建模的局部自适应ACCA-CFAR目标检测算法。该算法首先估计局部窗口的K分布参数,然后根据参数确定局部ODV(Ordered Data Variability)门限,进而完成背景像素筛选,最后做出检测判决。文中证明了ODV门限与局部统计模型的参数有关,给出了采用局部自适应门限的理论依据。该文以海面舰船SAR图像为例,证明该算法在海面杂波背景中具有较少的虚警,可以完整地检测出舰船目标,保留更精细的结构特征。     

全卷积神经网络应用于SAR目标检测

在合成孔径雷达（SAR）图像目标检测中,由于场景杂波的复杂多变,对背景杂波统计模型估计难度增加,从而导致多数检测器容易受到背景杂波的干扰。针对如何避免场景杂波对目标检测干扰的问题,提出了一种基于全卷积神经网络的SAR目标检测模型。该模型将目标检测任务转化为像素分类问题,利用卷积神经网络对数据集中目标像素特征和背景杂波像素的先验信息进行自主学习,有效减少了虚警目标的数量;通过对目标及其阴影区域的联合检测,提高了目标的检测概率。对多个不同场景图像进行测试,实验结果表明提出的检测模型具有良好的检测性能和鲁棒性能,与传统恒虚警检测算法相比,在无需考虑背景杂波统计模型前提下有效降低了虚警概率。     

自适应SAR图像边缘检测算法

边缘检测是图像分析的基础,在对SAR图像进行边缘检测时,由于SAR图像存在很强的相干乘性斑点噪声,几乎没有一种方法既能有效地检测边缘又能排除斑点噪声的影响而不产生较多的虚假边缘,特别是在低视数SAR的情况下,该文指出了在低视数情况下应当如何对Touzi ratio边缘检测方法和最大似然(ML)边缘方法的检测窗口进行改进,在对SAR图像进行边缘检测时,引入了自适应窗口的方法,并将其应用到Touzi ratio边缘检测和最大似然 (ML)两个恒虚警边缘检测算法中,取得了很好的改进效果,引入自适应窗口的方法也适用于其它的SAR图像边缘检测算法。     

基于无监督分类的多视极化SAR相干斑滤波

相干斑噪声是引起SAR图像降质的主要原因之一。多视极化白化滤波器(MPWF)是一种专门应用于多视极化SAR图像降噪的有效技术。其中,滤波器参数估计的精确度直接决定了其滤波性能的好坏。对此,该文提出了一种新的基于无监督分类的自适应窗算法。该算法以分类图像作为对象;在滑动矩形窗内以中心像素作为参照物,自动搜索与其同类的像素并用于MPWF参数估计。实验结果表明,与其他几种典型的算法相比,该法不仅有效地抑制了相干斑,而且对图像的纹理信息具有很好的保持能力。     

一种非均匀Weibull杂波背景中的CFAR检测器

针对传统恒虚警(CFAR)算法在非均匀环境下,待检测单元(CUT)与参考窗的分辨单元不具有独立同分布(IID)特性,检测器性能出现剧烈下降的问题,提出一种新的CFAR检测器。该检测器首先引入一种M-N杂波边缘二元积累实现非均匀杂波边缘提取;然后,对数据平面内相邻杂波边缘内的数据,利用一种地形特征分类算法实现对地形的分类编号;最后,根据地形编号选择与CUT相同地形的分辨单元作为参考单元实现CFAR检测,则所选择的参考单元与CUT具有IID特性。利用实测数据验证M-N杂波边缘二元积累检测算法和地形特征分类算法的有效性。计算机仿真证明:文中提出的CFAR检测器的性能,比传统CFAR检测器的性能有明显提升。     

一种柔性自适应SAR 图像目标分割算法

合成孔径雷达(SAR)图像分割是SAR 图像处理的基础,国内外研究者提出了很多行之有效的分割方法。典型的算法如基于单阈值形态学分割算法、基于马尔科夫随机场的分割算法等。然而,考虑实际需求,图像分割需要同时兼顾快速性和准确性,这是当前手段相对缺乏的。文中提出了一种柔性自适应SAR 图像目标分割算法,将峰值点的提取过程与恒虚警率检测算法相结合分割SAR 图像中的目标。该算法可以将散射中心信息融入到目标分割中,同时完成目标分割和峰值点提取,是一种快速而又精确的图像分割算法。最后,该文基于数据集对算法进行了验证,证实了该算法的合理性与可行性。     

一种基于知识辅助的CFAR检测器

针对单元平均恒虚警率（CA CFAR）检测器存在的杂波边缘效应问题,研究了一种基于知识辅助的CFAR检测器,该检测器由两部分组成：数据选择器和传统的CA CFAR检测器。数据选择器利用GIS提供的先验信息对参考单元进行筛选,尽可能地选择与待检单元（CUT）地貌相同的训练样本,也就是说选择相对CUT为均匀的参考单元,级联的CA CFAR完成检测判决。最后,通过IPIX雷达实测数据,从虚警个数和检测两个方面与传统的CFAR检测器进行了详细的比较。仿真结果表明,基于知识辅助的CFAR检测器具有更优的性能。     

基于级联CFAR的SAR图像目标快速检测方法

针对高对比度场景下合成孔径雷达(SAR)图像的实时目标检测问题,提出一种基于级联恒虚警率(CFAR)的SAR图像目标快速检测算法,将二维图像的检测沿距离向和方位向拆分成两个一维的CFAR检测, 采用距离向-方位向级联检测器并加以分割关联方法对目标进行检测。首先,按距离向叠加后进行距离向检测,并进行分割关联以划分不同目标的区域;然后,对过检单元进行方位向检测得到目标位置;同时,进行分割关联,从而实现目标检测。文中利用仿真的SAR图像、MSTAR数据和实测数据进行实验。仿真结果表明:该算法具有速度快、检测率高的优点,满足实时处理要求。     

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.     

Robust Centralized CFAR Detection for Multistatic Sonar Systems

This paper proposes a novel centralized Constant false alarm ratio (CFAR) detector for multistatic sonar systems. The detector employs the idea of Variability index (VI) CFAR detection, to adaptively select the matched detection algorithm in diversified undersea environments. All the echo data from mutistatic sonar receivers are transmitted into the centralized fusion center. Firstly, the background statistics of reference cells from different nodes are analyzed. Then choose one appropriate centralized detection algorithm according to the background statistics, which refers to the centralized Cell averaging CFAR (CA-CFAR), greatest of CFAR, order statistic CFAR detection algorithms. The performance of the proposed detector is analyzed by computer simulation and measured sonar data. The results show that, compared to the centralized CA-CFAR detector, the introduced centralized detector achieves a better robustness in multiply heterogeneous undersea environments.     

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。      

SAR图像直线提取

针对合成孔径雷达(SAR)图像中相干斑的统计特性,设计了对应的直线提取算法.首先组合运用Canny算子和Ratio算子得到边缘点及其边缘方向,然后根据边缘方向一致性原理得到初始直线图;最后,通过高层编组方法连接由于噪声引起的直线缺损.本文提出的边缘检测方法克服了边缘方向量化带来的直线断裂,并且具有恒虚警的特性.高层编组过程通过对初始直线图的分析确定可能扩展的直线区域,之后在原始图像中进行统计证实,得到完整的直线图.直线提取算法在X波段机载SAR图像上进行了试验,得到了满意的效果.提取的直线图可以用于遥感图像矢量化、自动目标识别等方面.