改进Notch滤波的全极化SAR数据船舶检测方法

全极化SAR数据提供了更多的地物极化散射信息,目前被广泛的应用于海上船舶检测的应用研究。本文提出改进的Notch滤波方法,实现全极化SAR数据的海上船舶检测。该方法结合目标的极化散射特性与能量双重特点,设计针对海面、方位向模糊、相干斑噪的不同滤波,消除虚警,通过SPAN能量因子降低由于散射机制相同而造成的漏检。利用RADATSAT-2全极化精细扫描数据对本文的算法进行验证,并与PWF和SPAN方法进行对比分析,实验结果表明本文提出的方法能从海面上有效检测出各种大小的船舶,同时能抑制方位向模糊、相干斑噪以及船舶的旁瓣造成的虚警。     

基于PCDM香农熵的全极化SAR图像船舶目标检测方法

极化合成孔径雷达(PolSAR)数据包含了丰富的地物极化散射信息,已被广泛应用于海上交通监测与目标检测。根据船舶目标与海杂波背景在图像上的极化响应差异,提出了一种基于极化协方差差异矩阵PCDM(Polarimetric Covariance Difference Matrix)香农熵的全极化SAR图像船舶目标检测方法。首先计算极化协方差矩阵中元素与邻域元素的差值,由此得到协方差差异矩阵,以提高"船—海"对比度。然后根据香农熵计算公式提取图像的香农熵特征,并依据目标和背景的不同特性对船舶进行检测。针对检测结果中存在的由方位向模糊导致的虚警,根据目标与方位向模糊的偏移量和能量比关系进行移除。利用Radarsat-2全极化精细扫描数据和高分三号GF-3全极化条带1数据进行实验,并将提出的方法与SPAN方法、HV通道、PWF方法进行对比。结果表明:该方法能有效增强船海对比度,并有效提高检测准确率。     

基于L1/2范数约束增量非负矩阵分解的SAR目标识别

增量非负矩阵分解(INMF)随目标样本增加逐渐更新分解模型,能够有效解决NMF算法的计算代价随样本增加而成倍增长的问题。然而INMF在使NMF具备增量学习能力的同时,并未考虑NMF分解矩阵的稀疏性对识别性能的提升作用。针对上述问题,提出基于L1/2范数约束的增量非负矩阵分解(L1/2-INMF)算法,并应用于SAR目标识别。L1/2-INMF采用L1/2范数实时约束增量过程中的NMF分解矩阵,能够在不增加计算复杂度的同时,提升识别性能。针对MSTAR数据集的仿真实验结果表明,提出的L1/2-INMF能够解决传统非负矩阵分解方法计算代价随样本增加而增加的问题。     

结合纹理与极化分解的面向对象极化SAR水体提取方法

合成孔径雷达(Synthetic Aperture Radar,SAR)拥有全天时全天候的工作能力,能够有效地连续对地观测,是土地管理、水体监测、灾害评估等多种应用的稳定数据来源。基于面向对象的思想,提出一种高精度、低虚警率的极化SAR(Polarimetric SAR,PolSAR)水体提取方法。此方法首先对极化SAR图像进行分割,再结合纹理与极化分解特征,对分割区域进行投票,识别水体区域。利用Radarsat-2数据和TerraSAR-X数据开展实验,并将提出方法与基于单一纹理和基于极化分解等水体提取方法进行对比,结果表明该方法在两种数据中均具有最高的总分类精度,其中基于分割技术能够保持完整的水陆边界,纹理与极化特征能够区分浅草、裸地和阴影等与水体相似的地物,结合投票方法能够提高小型水体检测率。     

基于非负特征值分解的极化SAR子空间分解滤波

极化SAR子空间分解滤波的优势在于能很好地保持极化信息,然而斑点噪声抑制效果与边缘、点目标信息的保持能力却有待提高。针对这一问题,提出了一种基于非负特征值分解(NNED)的极化SAR子空间分解滤波。对于每一个像素点,首先计算其参数向量协方差矩阵的特征值与特征向量,进而得到各个特征子空间;然后,以散射机制相似度最小化为标准,利用NNED选取分离信号子空间与噪声子空间的最优阈值;最后根据信号子空间得到滤波后的结果。实测极化SAR实验表明,相比于同类算法,所提出的算法能有效地抑制斑点噪声并且能很好地保持边缘、点目标信息。     

非负矩阵分解在遥感图像融合中的应用

非负矩阵分解（Non-negative Matrix Factorization,NMF）算法是在矩阵中所有元素均为非负数的条件下的一种矩阵分解方法,这为矩阵分解提供了一种新的思路。非负矩阵分解方法在图像处理领域具有十分重要的应用意义。介绍了非负矩阵分解的基本思想,讨论了非负矩阵分解用于图像融合的可能性,并实现了基于非负矩阵分解的遥感SAR图像与SPOT图像的融合,NMF能通过观测图像数据找到图像的基矩阵,发现图像的特征,从而最终获得融合图像。不仅对基于NMF的融合方法进行了实验,而且对基于NMF的融合方法和基于小波的融合方法作了对比,并从主观和客观上来评价了这两种融合图像的质量。实验结果表明基于NMF的融合图像与原始的SAR图和基于小波的融合图像相比,能提供更多的信息,更适合作为实时定位的基准图。     

一种极化SAR目标Cameron分解的改进方法

Cameron分解是一种非常重要的极化SAR目标相干分解方法,在舰船及小型飞机检测等方面有着广泛的应用.但由于Cameron分解方法未考虑目标可能具有的非相干特性,对包含非相干目标的场景应用会导致不准确的分解结果,不利于进行后续的目标检测处理.为了解决问题,通过引入Touzi提出的目标相干性判定准则,在Cameron分解过程中对目标进行相干分类预处理,能够较好地将场景中包含的非相干目标分离出来,从而提高了Cameron分解结果的准确性,达到了改进Cameron分解的目的.使用实测L波段极化SAR数据进行实验,实验结果验证了改进方法的有效性.     

一种面向建筑物提取的极化雷达影像分解方法

针对基于物理散射模型分解的建筑物与植被混淆的问题,发展了一种面向建筑物提取的全极化SAR影像多分量分解方法,用于区分散射类型易混淆的方位建筑物(走向与雷达方位向不平行的建筑物)与植被。该方法根据植被与建筑物的不同散射机制,预先剔除了植被像元,修正了体散射模型,改进了常规的全极化SAR多分量分解方法。通过H/α/A分解和非反射对称比筛选出植被像元,抑制植被区域对多分量分解效果的影响;引入修正的体散射模型,改进多分量分解模型;对植被区域进行Yamaguchi四分量分解,其他区域进行改进的多分量分解。利用E-SAR和AIRSAR全极化数据进行实验。结果表明,与传统的多分量分解方法相比该方法能够有效去除建筑物中的自然地物虚警从而提高检测精度。     

简缩极化SAR数据信息提取与应用

全极化(FP)成像模式丰富了合成孔径雷达(SAR)数据的信息量,在地物分类、环境监测、目标探测等领域取得了广泛应用,但是全极化系统受设计和维护复杂度、功率消耗、覆盖范围和数据下传等因素影响,制约了全极化SAR的应用.简缩极化(CP)SAR系统不仅降低了全极化SAR系统的复杂度,还能在一定程度上保持全极化信息,在森林参数反演、地物分类、目标检测等领域已取得了初步的成果.本文简要介绍了简缩极化SAR系统的基本原理,阐述了简缩极化SAR的全极化信息重建及分解的主要方法,并总结其近十年的主要研究成果,最后给出了其发展趋势.     

基于目标相干散射特性的极化SAR图像分解分类方法

基于对目标极化相干散射特性的分析,我们改进了Cloude和Lee等人提出的极化特征分解及非监督分类算法,以适应高分辨率极化SAR图像中复杂的地物细节特征。实验结果表明,相对传统方法,该方法更能够保留目标的细节特征、准确地估计目标极化相干矩阵,因此能够获得更好的分解分类结果。另外,该方法还具有较好的收敛性和鲁棒性。     

Fully Polarimetric SAR Ship Detection based onPCDM Shannon Entropy#br#

Polarimetric Synthetic Aperture Radar（PolSAR）data contains rich polarization information about the scattering properties of ground objects,having beenwidely used in maritime monitoring and objects detection.The polarization reaction differences between ship targets and sea clutters are analyzed.A ship detection method using the Shannon entropy of the Polarimetric Covariance Difference Matrix (PCDM) is proposed in this paper,which is applied to fully polarimetric SAR images.To enhance the contrast between the ship targets and sea background,the PCDM is generated by calculating the elemental differences between the polarimetric covariance matrix at each pixel and its neighbors.Then the Shannon entropy of SAR images are extracted on the basis of the Shannon entropy calculation formula,and the character difference between the ships and background in the Shannon entropy map is presented for ship detection.The false alarms in the detection result caused by the azimuth ambiguities are removed,based on the displacement distance and energy ratio relationship,between the target and azimuth ambiguity.The Radarsat\|2 Fine Quad data and the Chinese GF\|3 Quad\|Polarimetric Stripmap Ⅰ data are used,to verify the effectiveness of the proposed method,and the SPAN method,HV channel image and polarimetric whitening filter (PWF) method are applied for comparison.The detection and comparison results indicate that the proposed method is able to effectively enhance the ship\|sea contrast,and has higher detection accuracy.     

星载SAR影像上船舶方位向模糊去除算法

目的 掌握海上船舶分布状态对于海上交通流分析和通航安全管理具有重要作用。遥感技术,特别是星载合成孔径雷达(SAR)技术的发展,为大范围海上船舶检测提供了有效的手段,但受SAR成像机制影响,海上船舶目标在星载SAR影像上通常存在着不同程度的方位向模糊噪声,这些噪声易被误判为船舶,导致船舶识别中虚警率提高。方法 本文简述了方位向模糊噪声的产生原因,提出了一种新的星载SAR影像上船舶方位向模糊去除算法,该算法的核心是构建目标方位向角度一致性、方位向位置偏移距离和方位向模糊能量衰减3个判别规则,对潜在SAR影像亮斑目标进行逐层筛选,实现船舶真实目标和方位向模糊目标的判别。结果 选取中国渤海海域和黄海海域的30 m分辨率的Radarsat-2数据进行案例分析,并与船舶自动识别系统(AIS)实测数据进行比对校验,结果表明,传统的双参数恒虚警率(CFAR)算法和基于K分布的CFAR等算法对于船舶难以剔除方位向模糊,容易造成虚警,而本文算法对实验影像的船舶方位向模糊去除准确率优于95.8%,能够有效剔除船舶方位向模糊。结论 该算法为星载SAR影像上船舶方位向模糊去除提供了新的手段,有助于提高SAR影像上船舶目标检测的准确性。     

Feature selection and weighted SVM classifier-based ship detection in PolSAR imagery

Target decomposition is an important method for ship detection in polarimetric synthetic aperture radar (SAR) imagery. Parameters such as the polarization entropy and alpha angle deduced from the coherency matrix eigenvalue decomposition capture the differences between the target and background from different views separately. However, under the conditions of a relatively high resolution and a rough sea, the contrast between ship and sea reduces in the aforementioned space. Based on the analyses of target decomposition theory and the target’s scattering mechanism, multi-polarization parameters can be used to characterize different scattering behaviours of the ship target and sea clutter. Moreover, each parameter has its own diverse significance in the practical detection problem. This article proposes a feature selection and weighted support vector machine (FSWSVM) classifier-based algorithm to detect ships in polarimetric SAR (PolSAR) imagery. First, the method constructs a feature vector that consists of multi-polarization parameters. Then, different polarization parameters are refined and weighted according to their significance in the support vector machine (SVM) classifier. Finally, ships are classified from the sea background and other false alarms by the classifier. The validation results on National Aeronautics and Space Administration/Jet Propulsion Laboratory (NASA/JPL) airborne synthetic aperture radar (AIRSAR) and Radarsat-2 quad polarimetric data illustrate that the method detects ship targets more precisely and reduces false alarms effectively.     

Removal of azimuth ambiguities and detection of a ship: using polarimetric airborne C-band SAR images

Synthetic aperture radar (SAR) imagery from the sea can contain ships and their ambiguities. The ambiguities are visually identifiable due to their high intensities in the low radar backscatter background of sea environments and can be mistaken as ships, resulting in false alarms in ship detection. Analysing polarimetric characteristics of ships and ambiguities, we found that (a) backscattering from a ship consisted of a mixture of single-bounced, double-bounced and depolarized or diffused scattering types due to its complex physical structure; (b) that only a strong single- or double-bounce scatterer produced ambiguities in azimuth that look like relatively strong double- or single-bounce scatterers, respectively; and (c) that eigenvalues corresponding to the single- or double-bounce scattering mechanisms of the ambiguities were high but the eigenvalue corresponding to the depolarized scattering mechanisms of the ambiguities was low. With these findings, we proposed a ship detection method that applies the eigenvalue to differentiate the ship target and azimuth ambiguities. One set of C-band JPL AIRSAR (Jet Propulsion Laboratory Airborne Synthetic Aperture Radar) polarimetric data from the sea have been chosen to evaluate the method that can effectively delineate ships from their azimuth ambiguities.     

复杂背景下SAR近岸舰船检测

目的 船舶在合成孔径雷达（synthetic aperture radar, SAR）图像中的检测是研究热点,但目前适合近岸舰船检测的方法并不多。在SAR图像中,近岸舰船受到岸上建筑物的干扰严重,尤其是对于排列紧密的近岸船舶来说,其对比度相似,很难区分船舶与背景。为解决近岸舰船检测困难问题,提出了一种基于加权双向注意金字塔网络的近岸舰船检测方法。方法 本文在FCOS （fully convolutional one-stage）网络的基础上提出了一种新的双向特征金字塔网络。将卷积注意力机制模块（convolutional block attention module,CBAM）与金字塔网络的每个特征图进行连接,提取丰富的语义信息特征;借鉴PANet （path aggregation network）的思想,添加自下而上的金字塔模块,突出不同尺度船舶的显著特征。最后提出了一种加权特征融合方式,使特征图提取的特征信息的着重点不同,提高舰船检测精度。结果 本文在公开的SAR图像舰船数据集SSDD （SAR ship detection dataset）上进行实验。实验结果表明,相比原FCOS方法,本文方法的检测精度提高了9.5%;与对比方法相比,本文方法在同等条件下的检测精度达到90.2%。在速度方面,本文方法比SSD提高0.6 s,比Faster R-CNN （region convolutional neural network）提高1.67 s,明显优于对比方法。结论 本文通过改进特征网络和特征融合方式,提高了算法对SAR图像舰船目标检测中背景复杂、排列紧密的近岸舰船目标的定位效果,有效增强了对舰船目标定位的准确性。     

基于自适应和最优特征的合成孔径雷达舰船检测方法

针对合成孔径雷达（SAR）目标舰船检测中对小目标检测效果不佳的问题,提出一种自适应锚框单阶段舰船检测方法。首先,在单阶段无锚框特征选择（FSAF）算法的基础上利用神经架构搜索（NAS）得到最优特征融合方式,以充分利用图像特征信息;然后提出新的损失函数,在解决正负样本不均衡的同时使网络能够更加精确地对位置进行回归;最后结合更适用于舰船检测的Soft-NMS过滤检测框得到最后的检测结果。在公开的SAR舰船检测数据集上进行了多组对比实验,结果表明,相比基础目标检测算法,所提出的方法对小目标的漏检和误报明显减少,且对靠岸舰船检测性能有一定提升。     

SAR图像舰船目标检测的信息几何方法

目的 舰船目标检测是合成孔径雷达（SAR）图像在海事监测领域中的一项重要应用。由于海面微波散射的复杂性,SAR图像中海杂波分布具有非均匀性、非平稳性等特点,传统的基于恒虚警率（CFAR）的SAR图像舰船检测算法难以适应复杂多变的海杂波环境,无法实现实时有效的智能检测任务。鉴于此,本文提出了基于信息几何的SAR图像船舰目标检测方法,旨在分析统计流形及其在参数空间中的几何结构,探讨信息几何在SAR图像目标检测应用中的切入点,从新的角度提升该应用领域的理论与技术水平。方法 首先,运用威布尔分布族对SAR图像中的海杂波进行统计建模,利用最大似然方法估计SAR图像局部邻域像素的分布参数,并将不同参数下的统计分布作为威布尔流形上的不同点;其次,融合高斯分布的费歇耳度量来构造威布尔流形空间中概率分布之间的测度,实现目标与背景区域的差异性表征;最后,利用最大类间方差法,实现SAR图像舰船目标检测。结果 实验和分析表明,相比于传统的基于恒虚警率的检测算法,信息几何方法可以有效地区分舰船目标和海杂波背景,降低虚警率,实现舰船目标显著性表示与检测。结论 由于舰船目标的复杂后向散射特性,如何有效地表征这一差异,是统计类检测算法的关键所在。本文依据信息几何理论,将概率分布族的参数空间视为微分流形,在参数流形上构造合适的黎曼度量,对SAR图像中各像素局部邻域进行测度表征,可以显著性表示目标与背景杂波之间的统计差异,实现舰船目标检测。     

Advanced technology of high-resolution radar: target detection,tracking, imaging,and recognition

Ship detection from synthetic aperture radar (SAR) imagery plays a significant role in global marine surveillance. However, a desirable performance is rarely achieved when detecting small and densely clustered ship targets, and this problem is difficult to solve. Recently, convolutional neural networks (CNNs) have shown strong detection power in computer vision and are flexible in complex background conditions, whereas traditional methods have limited ability. However, CNNs struggle to detect small targets and densely clustered ones that exist widely in many SAR images. To address this problem while preserving the good properties for complex background conditions, we develop a coupled CNN for small and densely clustered SAR ship detection. The proposed method mainly consists of two subnetworks: an exhaustive ship proposal network (ESPN) for ship-like region generation from multiple layers with multiple receptive fields, and an accurate ship discrimination network (ASDN) for false alarm elimination by referring to the context information of each proposal generated by ESPN. The motivation in ESPN is to generate as many ship proposals as possible, and in ASDN, the goal is to obtain the final results accurately. Experiments are evaluated on two data sets. One is collected from 60 wide-swath Sentinel-1 images and the other is from 20 GaoFen-3 (GF-3) images. Both data sets contain many ships that are small and densely clustered. The quantitative comparison results illustrate the clear improvements of the new method in terms of average precision (AP) and F1 score by 0.4028 and 0.3045 for the Sentinel-1 data set compared with the multi-step constant false alarm rate (CFAR-MS) method. The values are verified as 0.2033 and 0.1522 for the GF-3 data set. In addition, the new method is demonstrated to be more efficient than CFAR-MS.

     

一种基于自适应背景杂波模型的宽幅SAR图像CFAR舰船检测算法

利用海洋宽幅SAR图像进行大范围海域舰船检测在海洋监视、军事侦察等方面具有重要应用。由于海况的复杂性,宽幅SAR图像背景杂波特性随海域不同而变化。采用双参数CFAR检测算法和基于K分布CFAR检测算法在处理宽幅SAR图像时,由于在待检测的所有区域采用同种背景杂波模型,导致使用的杂波模型在不适应区域失配,使CFAR检测性能下降。针对这个问题,提出了一种基于自适应背景杂波模型的CFAR宽幅SAR图像舰船检测算法,该算法通过背景窗口的多尺度统计方差判断目标所处的杂波环境,自适应选择对应的背景杂波分布模型,最后根据已知的恒虚警率及选择的杂波概率密度函数进行CFAR检测。对20多幅宽幅SAR图像进行了试验,实验结果表明:该算法在检测精度上有明显的改善。