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。     

一种基于变化检测技术的SAR图像舰船目标鉴别方法

该文引入变化检测思想,利用SAR图像中海杂波和目标之间的灰度差异,通过对潜在舰船目标切片的目标像素和背景像素进行分离,计算目标像素聚集度(TPAM)特征,实现对高亮像素在图像切片中聚集程度的定量评估,从而鉴别目标切片中是否包含有舰船目标,有效去除杂波虚警。首先,基于感兴趣区域(ROI)切片中心为目标像素及四周为海杂波的合理假设,构建似然比变化检测量获取差异图像;然后,利用KSW熵阈值选择方法实现差异图像中目标像素和海杂波像素的自动分离,生成二值图像;最后,利用切片中心像素为种子点,对二值图像进行区域生长,计算目标像素聚集度特征,并判断目标切片是否包含舰船目标。基于RADARSAT-1 SAR实测数据的实验结果表明,该文方法得到的目标像素聚集度特征计算简单、稳健性好、可区分度高,具有良好的鉴别性能,能够去除大部分海杂波干扰产生的虚警,有效地降低目标检测虚警率。     

基于纹理特征和数学形态学的SAR图像目标检测方法

SAR图像目标检测是SAR图像解译的基础。针对含有目标的SAR图像,利用垂直方向的边缘纹理检测方法对预处理后的图像进行垂直边缘检测,再运用数学形态学中的腐蚀运算和膨胀运算对垂直方向边缘图进行虚警滤除处理,从而得到感兴趣的目标检测区域。详细地给出了SAR图像目标检测步骤,并将本方法与其他方法的检测结果进行了比较,实验结果表明,在均匀杂波背景与非均匀杂波背景下,该方法能够快速有效地实现SAR图像目标检测。     

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。     

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。     

基于新Top Hat变换局部对比度的红外小目标检测

复杂场景下由背景物体产生的虚警是红外小目标检测中的难点,在目标信号微弱时问题尤为突出。为了抑制虚警,提出一种基于局部对比度特征的小目标检测算法。首先,利用一种新型Top Hat变换检测出图像中的潜在目标区域;然后分析潜在目标区域及其邻域特性,计算本文提出的局部对比度特征;最后基于此特征提取目标区域。对合成图像和实际红外图像的实验表明,本算法能有效地抑制背景景物造成的虚警,取得很高的检测率,并且对目标强度的变化以及目标所在背景的变化均具有一定的适应性。     

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。     

基于残差谱显著性区域提取的极化SAR船只检测

极化合成孔径雷达（synthetic aperture radar,SAR）包含了丰富的目标散射信息,已被广泛用于海上船只检测.文中将机器视觉中基于残差谱视觉显著性区域提取方法扩展到极化SAR船只检测.首先,全面分析SAR极化特征的船海区分能力,利用5景RADARSAT-2全极化数据,对比45种极化特征的船海欧式距离、巴氏距离和对比度,筛选出16个船海对比度大于20 dB的极化特征;其次,挑选出适用于残差谱显著性区域提取船只检测的极化特征组合,通过特征间互信息、图像对数谱特性分析,确定利用相干矩阵的三个幅度极化特征组合成RGB图像进行船只检测;最后,将本文方法与基于恒虚警率的方法比较.在测试图像中,传统方法的品质因数小于0.9,本文方法的品质因数为0.95.本文方法能够很好地抑制虚警,同时还可直接提取出目标的轮廓等几何信息,具有一定的应用前景.     

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.     

基于视觉认知机理的复杂动态背景下目标提取

针对现有复杂动态背景下目标检测与提取算法存在的局限性,提出构建一种基于视觉认知机理的时空域特征交互模式,以及基于该模式的复杂动态背景下的目标检测与提取算法。该算法通过时域特征在相似空域特征上的传递和空域特征依据时域特征一致性进行捆绑两个交互作用,实现复杂动态背景下的目标检测和提取。实验结果表明该算法不仅有效克服了传统目标检测与提取算法凭借单一特征或特征组合进行复杂背景中目标提取的不稳定性,同时大大降低了虚警率。     

航管一次雷达抗风电场干扰目标检测方法

 近年来,全球风力发电装机容量呈指数型增长。然而,现有航管一次雷达的动目标检测(Moving Target Detector, MTD)技术无法抑制具有非零频成分的风电场杂波,可能导致目标遮蔽和虚警率上升。针对此问题,该文提出了一种在风电场杂波下航管一次雷达的目标检测方法。该方法在MTD前端设置风电场杂波抑制器。在该抑制器中首先估计雷达回波每个距离单元的谱中心,并把所有距离单元的谱中心移到零频。其次利用类似于对消固定杂波的方法对消目标回波,而具有较宽频谱宽度的风电场杂波经对消后仍有大部分的能量剩余。然后采用恒虚警率(Constant False Alarm Rate, CFAR)检测确定杂波所在的距离单元,并剔除待检测数据中所有杂波单元,解决了风电场杂波进入非零频多普勒滤波器可能导致当前航管一次雷达MTD检测性能急剧恶化的问题。实验结果表明该方法对风电场杂波强度不敏感,有效地消除了杂波对目标的遮蔽现象并控制了由杂波引起的虚警率上升。     

一种新的双孔径天线干涉SAR动目标检测方法

提出了一种基于双孔径天线沿航迹向干涉SAR进行动目标检测、测速及定位的新方法.该方法在分析杂波对消必要性的基础上,给出了进行地杂波对消、动目标检测、径向速度分量估计及定位的原理和实现方法.在恒虚警处理后,通过比较杂波对消后的残差图像与原始图像中运动目标和静止目标对消幅度的差异,检测出运动目标.同时,可以利用残差图象中杂波的对消特性进行运动目标径向速度的估算以及目标的定位.这种检测方法具有良好的杂波对消性能,能够完成被地面背景杂波掩盖的运动目标的检测、测速及定位.计算机仿真结果验证了其有效性.     

基于航迹速度修正频谱分析的防空雷达虚假目标判别方法

该文研究了防空雷达虚假目标判别问题,针对航迹欺骗干扰、杂波剩余假航迹干扰等能够形成航迹的虚假目标,从回波频谱分析角度着手,结合航迹速度修正处理,提出了一种全新的判别方法。该方法将虚假目标判别归结为二元假设检验问题,推导了以多普勒频率差为统计量的似然比判别表达式,给出了判别门限的计算公式,并基于实际防空雷达数据验证了方法的有效性,为解决防空雷达目标真伪判别提供了有效的技术途径。      

线性调频航管雷达风电场杂波背景下目标检测

传统动目标检测(Moving Target Detector, MTD)技术无法抑制具有频谱展宽特性的风电场杂波,可能导致目标检测概率下降和虚警率上升等问题。针对此问题,提出了一种线性调频航管雷达风电场杂波背景下的目标检测方法。该方法先进行风电场杂波抑制,再对杂波抑制后的数据基于MTD进行飞机目标检测。文中给出的风电场杂波抑制方法中,首先将传统谱中心补偿的风电场杂波抑制方法应用到线性调频体制雷达,针对此时存在的旁瓣抑制后的主瓣展宽问题,利用雷达参数信息优化恒虚警率(Constant False-Alarm Rate, CFAR)检测方法,再根据目标与杂波相对位置不同采用不同的方法抑制杂波。对于目标与杂波扩展主瓣在不同距离单元时,基于谱中心补偿及基于雷达参数的CFAR检测方法来检测并抑制风电场杂波;对于目标与杂波扩展主瓣在相同距离单元的情况,基于匹配追踪（Matching Pursuit,MP）算法抑制风电场杂波。仿真数据与实测数据实验结果表明该方法在保证有效检测目标的前提下能降低风电场杂波引起的虚警率。      

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。     

基于特征的海面低速小目标检测工程算法

为了提高海面雷达对海漂浮小目标检测能力,提出了一种基于目标时频特征的检测算法。首先,验证了从接收的时间序列中提取的相对多普勒峰高、相对多普勒偏移、相对多普勒熵等特征在时间维度上可以有效地区分海杂波和小目标;其次,构造了特征检测器,给定虚警概率下的判决区域由凸包算法确定;最后,根据实测数据对算法进行了检验。结果表明：当虚警概率为0.01时,采用双特征检测器可在512个脉冲下完全区分海杂波和实测小目标,双特征检测算法优于传统动目标检测算法。