共查询到17条相似文献,搜索用时 171 毫秒
1.
2.
3.
该文针对探地雷达(GPR) 2维剖面图像中目标特征提取困难及其识别精度较低等问题,采用深度学习方法来提取2维剖面图像中目标的特征双曲线。根据GPR工作的物理机制,设计了一种级联结构的卷积神经网络(CNN),先检测并去除回波数据中的直达波干扰信号,再利用CNN得到B扫描(B-SCAN)图像的特征图,并对特征信号进行分类识别以提取目标的特征双曲线。同时,为处理各种干扰信号影响目标特征双曲线结构完整性的问题,提出了一种基于方向引导的特征数据补全方法,提高了目标特征双曲线识别的准确率。与方向梯度直方图(HOG)算法、单级式目标检测(YOLOV3)算法和更快速的区域卷积神经网络(Faster RCNN)算法相比,在综合评价指标F上该文方法的检测结果是最优的。 相似文献
4.
传统基于单机的合成孔径雷达(Synthetic Aperture Radar,SAR)图像舰船目标检测需要在本地计算机上进行数据下载、处理和分析,这极大受限于本地计算机的性能,只能对少量SAR图像进行检测。本文利用Google Earth Engine(GEE)遥感云计算平台的海量数据存储和强大运算能力,通过在云端部署SAR卫星数据、模型算法和计算机算力,在GEE平台上进行了大范围海域的海量舰船目标SAR图像处理应用研究,实现了舰船目标检测同时还可以获取舰船目标信息、统计舰船目标数量、批量下载目标检测结果图像等。通过在Sentinel-1 SAR数据上进行相关实验,结果表明本文研究可在线对海量SAR数据进行实时、高效、快速地处理,对海上舰船监视具有较高的实际应用价值。 相似文献
5.
目前基于统计特征的合成孔径雷达(Synthetic Aperture Radar,SAR)图像目标检测方法,易受成像条件稳定性的影响而误差较大。针对这一问题,本文提出了一种基于Gamma流形的SAR图像舰船目标检测算法。通过Gamma分布族构建SAR图像二维统计流形,构造黎曼度量,借助切向量长度实现对SAR图像的显著性表示。最后利用分类算法,实现SAR图像舰船目标的检测过程。实验结果表明,该方法不仅能有效地检测出SAR图像感兴趣目标区域,而且对海杂波具有较好的鲁棒性。 相似文献
6.
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。 相似文献
7.
基于深度学习的SAR图像舰船目标检测算法对图像的数量和质量有很高的要求,而收集大体量的舰船SAR图像并制作相应的标签需要消耗大量的人力物力和财力。该文在现有SAR图像舰船目标检测数据集(SSDD)的基础上,针对目前检测算法对数据集利用不充分的问题,提出基于生成对抗网络(GAN)和线上难例挖掘(OHEM)的SAR图像舰船目标检测方法。利用空间变换网络在特征图上进行变换,生成不同尺寸和旋转角度的舰船样本的特征图,从而提高检测器对不同尺寸、旋转角度的舰船目标的适应性。利用OHEM在后向传播过程中发掘并充分利用难例样本,去掉检测算法中对样本正负比例的限制,提高对样本的利用率。通过在SSDD数据集上的实验证明以上两点改进对检测算法性能分别提升了1.3%和1.0%,二者结合提高了2.1%。以上两种方法不依赖于具体的检测算法,且只在训练时增加步骤,在测试时候不增加计算量,具有很强的通用性和实用性。
相似文献8.
9.
10.
合成孔径雷达(Synthetic Aperture Radar, SAR)是实现舰船目标监视应用的重要遥感手段之一。高分辨率宽测绘带(High Resolution Wide Swath, HRWS) SAR 能够同时获取方位向高分辨率和宽测绘带SAR数据,为SAR图像舰船目标监视带来了新的机遇和挑战。该文综述了国内外SAR图像舰船目标监视技术研究现状,总结了舰船监视对SAR成像系统基本性能要求,结合HRWS SAR成像特点,分析了舰船目标监视面临的关键技术问题,重点介绍了研究小组在HRWS SAR图像舰船目标检测、特征提取、分类识别等关键问题的解决方案和初步研究成果,并指出需进一步研究的方向。 相似文献
11.
12.
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... 相似文献
13.
14.
15.
由于合成孔径雷达(SAR)特殊的成像机制,导致了SAR图像上出现了旁瓣效应(SVA)。针对舰船目标检测过程中,旁瓣效应改变了强反射目标的形状导致的定位困难与定位错误问题,该文提出了一种基于空间变迹滤波与有序统计恒虚警率(OS-CFAR)的舰船检测算法。该算法将空间变迹滤波算法运用到复图像数据中,针对目标检测要求的实时性问题进行算法改进,通过全局CFAR只对潜在目标点进行旁瓣抑制而忽略对舰船检测无意义的大量背景点,在抑制旁瓣的同时减少了算法运算量。然后采用非线性的OS-CAFR算法对旁瓣抑制后的图像进行目标检测,并且采用形态学膨胀运算,弥补SVA算法可能造成的像素点幅值错误降低的问题。最后利用高分三号(GF-3)的实测数据进行验证,通过对比有无使用该文算法的结果的图像对比度与检查目标个数,体现了算法的有效性。 相似文献
16.
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。 相似文献
17.
基于CFAR级联的SAR图像舰船目标检测算法 总被引:1,自引:0,他引:1
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。 相似文献