UWB SAR叶簇隐蔽目标差值变化检测中杂波分布建模分析与应用

由于树林观测区域后向散射强度具有快变特性,现有方法无法对UWB SAR叶簇隐蔽目标差值变化检测的杂波分布进行准确建模分析。为此,首先推导分析了均匀观测场景差值变化检测的杂波分布模型,而后假设观测场景后向散射强度服从伽马分布,在此基础上进一步推导了一种快起伏场景差值变化检测杂波分布模型。实验应用结果表明,该分布模型可对树林区域差值变化检测的杂波分布进行准确建模分析,从而提高变化检测性能。     

基于视觉注意机制的UWB SAR叶簇隐蔽目标变化检测

在超宽带合成孔径雷达叶簇隐蔽目标检测中,传统的UWB SAR图像变化检测方法易受图像灰度值起伏和成像条件变化的影响,致使现有的变化检测算法的性能下降.本文根据人类视觉系统的生理结构和认知特点,提出了一种基于视觉注意机制的叶簇隐蔽目标变化检测算法.该方法使用视觉注意模型,将图像的多尺度特征信息融合为单幅视觉显著图像,并利用图像局部邻域信息和目标的空间相关特性对视觉显著图中视觉注意焦点进行分层筛选和变化检测.实验结果表明:本文中基于视觉注意机制的变化检测方法可以有效检测多时相UWB SAR图像中的叶簇隐蔽目标,较之传统的基于统计原理的变化检测方法,其检测速度更快,且对场景复杂的UWB SAR图像亦具有鲁棒性.     

UWB SAR叶簇遮蔽目标中的变化检测技术

在超宽带合成孔径雷达叶簇隐蔽目标检测中,目前采用的变化检测算法主要包括归一化相减法和似然比法,这两种算法在实际应用中存在如下问题:归一化相减法在图像相关性较低时性能下降严重,而似然比法需要目标及杂波充分的先验知识。鉴于上述问题,本文提出了一种两级处理变化检测算法,第一级基于修正的线性均方估计构造变化检测量;第二级采用一种改进的秩序滤波器,在保持目标边缘特性的同时,克服了待检测图像中杂波分布的正向拖尾特性,提高了算法检测性能。文中最后基于实测数据验证了算法的有效性。      

基于邻域统计分布变化分析的UWB SAR隐蔽目标变化检测

该文针对载机不同航迹条件下所得多时相UWB SAR图像灰度值存在较大起伏,严重影响了基于像素灰度值差异的变化检测算法性能,提出了一种基于邻域统计分布变化分析的UWB SAR隐蔽目标变化检测方法。该方法将Gram-Charlier展开理论同秩序滤波器相结合对多时相图像中每个像素邻域的统计分布进行估计,进而借助K-L散度理论对多时相图像邻域统计分布变化进行定量分析以检测目标对应的变化区域。实验结果表明,该文方法能够更好地适应不同航迹UWB SAR图像间灰度起伏的影响,取得更好的检测结果。     

基于图像分割的SAR图像变化检测算法及实现

本文提出一种基于图像分割的变化检测方法,该方法首先根据SAR图像统计特性进行图像分割,然后对两幅SAR图像的分割图进行融合,用相同的区域分割来描述两幅图像,再利用区域灰度和纹理等信息构造图像变化函数,用变化函数对图像进行变化检测判别,最后利用合成孔径雷达(SAR)图像进行的试验,并和变化矢量分析方法(CVA)进行比较,得到了很好的效果。     

SAR图像舰船目标分割算法研究

针对SAR图像固有的乘性斑噪，把概率竞争网络用于SAR图像分割和水上目标检测，充分利用了图像像素间的空间邻接关系，提高了分割、检测的准确性和有效性，取得较好的结果。     

高分辨SAR 图像中桥梁目标的自动分割

作者沿图像边缘检测的思路，在研究SAR图像特性的基础上，提出了一种高分辨SAR图像中桥梁目标的自动分割算法，同时提出了一种新的类矩形区域的中轴线搜索算法，使得桥梁目标的图像分割更为方便，并取得了良好的检测效果。     

SAR图像变化检测综述

合成孔径雷达(synthetic aperture radar, SAR)图像变化检测任务是检测同一地区、不同时间获得的两幅SAR图像的变化情况,在农业、军事等方面都有广泛的应用。首先介绍了实现SAR图像变化检测过程中的三个难点和SAR图像变化检测的一般流程。然后,介绍了图像预处理的方法和产生差异图的步骤。图像预处理是SAR图像进行变化检测前必不可缺的步骤,而差异图的质量影响最终的变化检测结果。随后,分别对传统的变化检测方法和基于深度学习的变化检测方法进行了总结,并分析了每种方法的优缺点。最后,给出了SAR图像变化检测的评价指标。     

高分辨SAR 图像中桥梁目标的自动分割

作者沿图像边缘检测的思路,在研究SAR 图像特性的基础上,提出了一种高分辨SAR图像中桥梁目标的自动分割算法,同时提出了一种新的类矩形区域的中轴线搜索算法,使得桥梁目标的图像分割更为方便,并取得了良好的检测效果。     

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。     

基于自组织网络的SAR遥感图像的多尺度分割

基于多尺度信息特征和混合模型,将自组织混合网络(SOMN)应用于合成孔径雷达(SAR)图像的分割.首先对SAR图像的多尺度序列进行多尺度随机建模,以此进行多尺度特征提取;然后对其建立混合模型,并经过SOMN进行学习研究得到混合模型的参数;最后再利用Bayesian分类器,对SAR图像进行分割.实验结果表明,本文方法能够充分地利用SAR图像多尺度序列中不同类型地形的统计信息,进而明显地改进了图像的分割质量.     

基于线性回归的SAR目标方位角估计方法

方位角估计是合成孔径雷达(SAR)图像自动目标识别研究中的一个重要问题。一般而言,基于SAR图像的目标方位角估计方法应满足精度高、速度足够快、对目标部署条件的变化具有一定的稳健性。文中在分析现有的SAR图像目标方位角估计方法优缺点的基础上,给出了一种有效的基于线性回归的SAR图像目标方位角估计方法,并通过对大量实测MSTARSAR图像目标方位角的估计试验,详细分析了该方法对SAR图像目标方位角的估计性能。     

基于CNN的SAR车辆目标检测

传统的SAR目标检测算法容易受到复杂背景的干扰,因此利用被广泛应用于图像目标检测和识别领域的Faster-RCNN方法,对复杂背景下的SAR图像进行车辆目标检测实验。在对样本数据进行预处理后对车辆真实位置进行标记,采用可视化的深度学习客户端对样本进行裁剪和旋转,扩充样本数据库。利用已充分训练的模型权重对ZF和VGG-16网络进行预训练,再利用扩充的数据集进行训练和验证,并使用包含MiniSAR数据的测试集进行测试。实验证明,ZF网络和VGG-16的检测效果类似,但是ZF网络因为网络层数更少因而检测耗时更短。     

基于直接密度比估计的SAR图像变化检测

提出了一种通过直接分布函数密度比估计的SAR图像变化检测方法。不同于以往基于分布函数的方法需要先分别估计不同时相的分布函数再计算比值,该方法直接估计分布函数比值,并使用皮尔逊散度作为差异度量获取差异图。通过将概率标签松弛(PLR)嵌入到最大期望(EM)聚类算法中,增强了变化检测结果的空间一致性。实验结果表明,该方法能够准确地提取变化区域,得到较为满意的变化检测结果。     

基于压缩感知的SAR图像目标识别

提出一种基于压缩感知的合成孔径雷达图像目标识别方法,将目标识别问题转化为稀疏表示的近似求解问题。该方法利用测试样本在全体训练样本基下的稀疏性,实现样本间的近似稀疏表示。通过考察稀疏系数主要集中于样本真实类别之上的分布特性,研究了稀疏系数本身对目标类别具有的可区分能力,最后基于稀疏系数的分布特性设计分类算法完成目标识别。基于MSTAR数据中三类目标的实验证明,与目前已有的几种典型方法相比,该方法可以取得更高的识别率,是一种有效的合成孔径雷达图像目标识别方法。     

基于边缘特征的SAR图像目标检测方法

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.