一种SAR图像舰船目标快速检测方法

基于SAR图像的舰船目标自动检测是海洋监视应用的重要方面,但随着SAR成像能力和图像分辨率的提高,传统的CFAR检测方法已不能满足舰船目标自动检测的要求。针对中高分辨率SAR图像中舰船目标自动检测问题,提出一种基于像素筛选G0分布的SAR图像舰船目标快速检测方法,该方法首先根据像素灰度值出现频率选取阈值对杂波像素进行筛选,然后通过抽样定理对图像进行降分辨率处理,最后再在经过像素筛选的降分辨率图像中实现基于G0分布的自适应CFAR检测。NASA/JPL AIR-SAR实测数据的实验结果表明,该方法不仅能有效减少中高分辨率SAR图像舰船目标自动检测的虚警,而且能显著提高检测效率。     

轻量化SAR图像舰船目标检测算法

精准的舰船目标检测技术能够提升武器装备的全方位感知能力。针对复杂环境下SAR舰船目标检测虚警、漏警问题严重,提出一种基于YOLOv5的轻量化SAR图像舰船目标检测算法3S-YOLO。3S-YOLO首先对网络结构进行重构,调节感受野与多尺度融合关系,实现特征提取网络和特征融合网络轻量化处理;然后,对网络进行剪枝,通过基于几何中值的剪枝算法对网络进行压缩,加快推理速度;最后,使用可变焦损失函数对网络进行训练,使感知分类系数回归。结果表明,算法经过优化后,精度最高可提高至99.1%;经过剪枝后,模型体积大幅下降,可压缩至190 kiB,下降98.6%;算法推理速度提升4倍,推理时间缩短至3 ms以下。相较于当前主流算法,3S-YOLO在各方面均取得了不错的成绩,满足SAR图像实时舰船目标检测。     

极化SAR图像舰船目标检测研究综述

极化合成孔径雷达(PolSAR)使用二维脉冲压缩技术获取高分辨力极化信息图像,目前已广泛应用在军事侦察、地形测绘、环境与自然灾害监视、海上舰船目标检测等领域.如何解决复杂海杂波的建模与参数估计、慢小目标检测、密集目标检测等问题仍然是当前PolSAR图像舰船目标检测的难点.该文归纳梳理了PolSAR图像舰船目标检测的4类...     

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。     

SAR图像舰船目标检测算法的对比研究

SAR图像舰船目标检测有二种经典算法:双参数CFAR算法和K-分布CFAR算法。本文分析了二种算法的特点,使用RADARSAT卫星不同模式SAR图像分别进行实验,给出二种算法的适应性。     

基于YOLOX网络的SAR图像舰船目标检测

针对SAR图像舰船目标尺寸大小不一、舰船分布密集、背景复杂等问题,本文提出一种改进YOLOX网络并用于SAR图像舰船目标检测。该网络包括主干特征提取网络、加强特征提取网络、解耦头、预测框优化及损失计算等4个部分。与常规YOLOX网络相比,本文作了如下改进：首先,在主干特征提取网络中,3个基础特征层之后都添加了CA模块;在加强特征提取网络中,两处下采样之后也都添加了CA模块。以强化对SAR图像中重要区域的特征提取。其次,在框回归损失函数中,引入CIOU替代IOU,以更好地利用预测框和真实框之间的相对位置信息和形状信息,提升预测框回归精度。本文基于AIR-SARSHIP-2.0数据集进行了大量的舰船目标检测实验,并选择了Faster-RCNN、YOLOv3和常规YOLOX等3种网络与本文的改进YOLOX网络进行对比。实验结果表明,本文的改进YOLOX网络整体性能优于其他3种对比网络,有更少的虚警和漏警、更高的检测精度。     

改进YOLOv3的SAR图像舰船目标检测

针对目标检测算法直接应用于SAR图像舰船检测数据集时数据训练不充分、鲁棒性差等问题,本文提出了一种改进YOLOv3的SAR图像舰船目标检测方法,从改进网络训练策略的角度出发,提升算法对不同舰船目标的适应性,优化算法的检测性能。改进主要包括两个方面:一方面本文在YOLOv3的基础上引入了ATSS（Adaptive Training Sample Selection）正负样本的分配方法,提高YOLOv3中正负样本选择的质量,优化网络训练。另一方面本文设计了基于特征层的锚框超参数优化方法,使锚框更加贴合各检测层数据集样本分布,从而使训练模型更好的收敛。本文分别在SSDD、SAR-Ship-Dataset数据集上进行了实验,验证了其有效性。      

基于Toeplitz矩阵特征值分解的SAR图像舰船目标检测方法

合成孔径雷达（SAR）图像舰船目标检测一直是海洋监测领域的重要手段。经典的恒虚警率（CFAR）检测依赖于分布模型及多参数的准确估计,难以适应复杂多变的海面背景。新兴的信息几何舰船检测方法挖掘了目标与杂波的统计差异,实现舰船的显著性表示,但依然受限于背景杂波的精确建模。考虑到现有方法的局限性,本文提出了一种基于Toeplitz矩阵特征值分解的SAR图像舰船目标检测算法。在无需寻求背景杂波分布模型的前提下,通过构建Toeplitz矩阵,以其特征值均值为检验统计量,充分获取目标与背景杂波的差异。在高分三号卫星和TerraSAR-X卫星实测SAR图像上的实验结果证明,相比于现有的多种典型方法,本文方法取得了更优的检测性能与更快的计算速度。      

基于改进YOLOv3网络的SAR图像舰船目标检测方法

在基于合成孔径雷达(SAR)图像的舰船目标检测中,针对图像背景复杂、舰船尺寸大小不一等问题,提出了一种改进的YOLOv3深度卷积神经网络(CNN),用于SAR图像中的舰船目标检测。该方法基于训练数据集中的尺寸标签信息,使用交并比作为距离度量,利用k-means聚类方法为舰船目标提取了九组先验锚点框作为后续候选框边框参数优化的初始值;引入r_GIOU来代替交并比r_IOU,用于更新框回归损失和置信度损失,从而得到更加合理的损失函数,能将候选框与标注框之间的相对位置信息引入候选框的边框参数优化。为了验证改进版YOLOv3网络的性能,文中基于高分辨SAR舰船检测数据集AIR-SARShip-2.0,利用平移、翻转、调整亮度等方法进行数据集扩充,得到训练数据集和测试数据集,并进行舰船目标检测实验。实验结果表明：相较于常规YOLOv3网络和Faster R-CNN网络,改进YOLOv3网络在舰船目标检测上的总体效果更好,具有更高的准确率和更少的虚警,提高了平均精度指标,且需要的计算时间更少。     

SAR图像目标综合检测方法

基于SAR(合成孔径雷达)图像杂波结构,结合小波变换和自适应维纳滤波提出了一种新的抑制SAR图像相干斑噪声方法,该方法能够较好保留杂波边缘和点目标.分析了抑制SAR图像相干斑噪声后的多分布特性,研究了相应的SAR目标检测,提出了一种新的SAR图像目标检测方法及其实现.实际SAR图像测试结果表明了本文方法的有效性.     

SAR图像舰船目标识别综述

SAR图像舰船目标识别是SAR图像海洋监视应用中的一项关键技术。在广泛文献调研的基础上,首先建立了SAR图像舰船目标识别的主要流程;接着对用于SAR图像舰船目标识别的众多特征进行归纳整理,分析了其物理意义及优缺点;然后对用于SAR图像舰船目标的分类算法进行了较为全面的综述;最后分析了目前研究中所面临的主要问题,展望了进一步研究的主要方向。     

基于深度学习的SAR图像舰船目标检测综述

近年来,合成孔径雷达成像技术因具备全天时和全天候的目标感测能力,在海洋实时监测和管控等领域发挥着重要作用,特别是高分率SAR图像中的舰船目标检测成为当前的研究热点之一.首先分析基于深度学习的SAR图像舰船目标检测流程,并对样本训练数据集的构建、目标特征的提取和目标框选的设计等关键步骤进行归纳总结.然后对检测流程中的各部...     

基于CFAR级联的SAR图像舰船目标检测算法

SAR图像舰船目标检测在军事监视和海洋环境监管等方面有着重要的意义。针对SAR图像的特点,提出了一种基于全局CFAR检测与局部CFAR检测级联的舰船目标检测算法。在全局CFAR检测中,通过海杂波特性拟合优选海杂波统计模型,以较高的虚警率筛选潜在的目标点;在局部CFAR检测中,以潜在目标点的连通区域为单位,通过检测窗口的选取、背景像素的确定和海杂波拟合等步骤以后,以较低的虚警率确定目标。最后,通过条件扩张算法和目标像素聚类完善船只细节。实验结果表明,文中算法在保证良好的检测性能的同时,具有检测效率高、舰船细节完整等优点,为舰船目标鉴别和信息提取提供了良好的保障,更加符合实际应用需求。     

一种SAR图像舰船目标旁瓣去除方法

SAR图像舰船目标的几何结构参数对于SAR图像舰船目标识别具有重要意义,然而由于实际获取的SAR图像中舰船存在旁瓣干扰,导致提取的舰船几何结构参数和真实值相距甚远。本文提出一种基于距离约束的SAR图像舰船目标旁瓣去除方法,提出方法首先基于矩技术对目标方位角进行估计;然后利用获取的方位角将目标旋转至水平方向并提取目标主轴;最后通过比较舰船两侧到主轴的最大距离和平均距离对目标图像进行迭代,实现目标旁瓣去除。基于弹载和星载SAR图像舰船目标切片数据的实验结果表明,提出的方法能够有效去除旁瓣杂波,进而有利于获取精确的舰船几何结构特征。     

SAR图像目标的融合检测方法

该文提出了一种利用扩展分形特征和局部对比度特征进行融合的SAR图像目标检测方法。分析了扩展分形特征的尺度敏感性及其在不同目标杂波模型下的二阶统计特性,分析表明扩展分形特征在目标检测中存在负值效应,即在正确检测出目标的同时把一些与目标具有相似形状而灰度值较低的区域也检测出来。而CFAR检测方法只利用了目标的局部对比度信息,不存在负值效应,但在强杂波环境中的检测结果存在很高的虚警。两种方法的融合可以滤除大量杂波虚警而保持目标。实测数据的融合检测结果证明了该方法的有效性。     

SAR图像舰船检测的神经网络关联剪枝方法

合成孔径雷达（Synthetic Aperture Radar, SAR）由于其具备全天时、全天候的工作特点,使其在海洋环境监测、海洋资源调查和海洋防灾减灾等领域得到了广泛的应用。其中,基于SAR图像的舰船目标检测是SAR图像处理中的重要部分,其在军用和民用领域均具有重要的意义。本文针对基于深度学习实现的SAR图像目标检测算法参数计算量大、内存占用率高的问题提出了关联剪枝方法。该方法通过对网络进行改进,将相关联的卷积同时进行剪枝,并在训练结束后统一映射到低维度上以实现剪枝操作。通过在SSDD、SAR?Ship?Data?set和HRSID上进行实验,可以在保证平均精度（AP50）下降小于2%的前提下,针对FCOS网络实现70%以上的剪枝率,验证了所提方法的有效性。     

SAR图像舰船目标检测数据集构建研究综述

算法和数据是影响深度学习技术发展的两大关键因素,大多数学者专注于算法的改进和开拓,仅有少部分学者致力于数据的研究.构建合成孔径雷达(Synthetic Aperture Radar,SAR)图像舰船数据集是SAR舰船目标检测项目的第一步,也是星载SAR图像实际工程应用的基础.分析了影响SAR舰船目标检测性能的关键因素,阐述了SAR舰船数据集的构建方法,概述了TerraSAR-X、"哨兵"1号(Sentinel-1)和高分三号(GF-3)三种SAR图像数据源,并对几种公开的SAR舰船数据集进行梳理与分析,总结了各数据集的发展历程,最后指出构建SAR图像舰船数据集仍需考虑的几个方面.     

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。     

SAR图像舰船目标去旁瓣处理

准确分割出SAR图像舰船成像区域是舰船目标几何参数提取、目标分类识别的基础。受SAR成像机理影响,图像不可避免地存在旁瓣效应,严重影响目标特征提取精度。提出一种舰船目标去旁瓣方法：首先确定目标区域及强散射区域最小外接矩形,在两个外接矩形区域内,根据旁瓣自身特征进行统计分析,删除疑似旁瓣区域,最后对剩余区域重新计算区域参数,获取更准确成像区域。通过对高分辨率机载SAR图像实验验证,该算法能有效去除旁瓣对SAR舰船目标影响,更精确分割出目标真实成像区域。     

基于多重连接特征金字塔的SAR图像舰船目标检测

针对SSD等算法在合成孔径雷达(SAR)图像舰船小目标以及复杂场景下目标的检测效果不佳问题,提出了一种基于多重连接特征金字塔的舰船目标检测方法.首先,针对图像中小目标舰船的特点,构建了全新的特征提取网络I-VGGNet,以解决小尺寸舰船特征信息的丢失问题;其次,增加了多重连接特征金字塔网络模块,加强舰船高层语义特征与低...