复杂杂波背景下海洋SAR图像中舰船目标的检测

针对卫星SAR图像海洋背景和舰船目标特点,文献[1]提出了基于小波多分辨率分析的卫星SAR海洋图像舰船目标检测的新方法。在此基础上,本文针对不同海情杂波服从不同概率密度分布的特点,讨论了复杂杂波背景下基于小波变换检测海洋SAR图像中舰船目标的性能,给出了不同海情下的检测性能,并与传统门限检测方法比较,给出了不同信杂比下虚警概率曲线。仿真结果表明,该方法实用、有效。     

结合强化学习自适应候选框挑选的SAR目标检测方法

大场景合成孔径雷达(SAR)图像相对于通用光学图像,复杂背景杂波对目标特征提取影响更大,由于传统基于候选框的深度目标检测算法会在整张特征图上产生大量冗余候选框,因而在SAR图像复杂背景杂波影响下会产生大量的虚警,降低目标检测精度。针对该问题,该文基于Faster R-CNN检测模型,提出结合强化学习自适应候选框挑选的SAR目标检测方法。该方法能够通过强化学习自适应搜索特征图中可能含有目标的区域,并挑选搜索区域内的候选框继续进行分类、回归。通过准确搜索到含有目标的区域,可以减少复杂背景杂波的影响并减少传统强化学习应用于检测问题的计算量。所提方法利用强化学习序列决策的特点,能够根据图像信息通过强化学习迭代搜索自适应确定图像中可能含有目标的搜索区域的位置。同时,该方法通过在强化学习中使用距离约束,可以根据之前的搜索结果自适应调整下一次搜索区域的尺寸。基于实测数据的实验结果表明,所提方法能够提升传统深度学习目标检测方法的检测性能。      

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。      

一种多通道SAR杂波和动目标回波模拟方法北大核心CSCD

针对真实飞行试验数据和模拟数据的不足,提出了一种真实数据与模拟数据相混合的多通道合成孔径雷达(SAR)原始数据模拟方法。该方法将真实单通道SAR数据加窗形成多通道SAR杂波数据,将这些数据与模拟的多通道SAR运动目标数据合成,得到含有运动目标和真实杂波背景的多通道SAR原始数据。上述数据可用于多通道SAR运动目标检测方法、设计概念、系统设备的开发、验证和评估。该方法具有成本低和真实度高的优势。利用该方法获得的多通道SAR原始数据进行了DPCA动目标检测试验和通道均衡试验,证明了该方法的正确性和有效性。     

真实数据背景下的SAR运动目标回波信号模拟及应用

该文提出了一种新的合成孔径雷达(SAR)原始数据模拟方法,将模拟数据和实际测量数据结合在一起形成含有模拟运动目标和真实背景的SAR原始数据,用于对SAR运动目标检测方法的验证和分析。根据SAR的成像原理和运动目标的回波模型,该文给出了将模拟运动目标回波信号和真实背景回波数据叠加的半真实模拟数据的形成方法。通过将合成的数据应用于运动目标的检测试验,验证了方法的有效性。     

基于四阶矩的SAR图像目标检测

SAR图像中车辆目标检测是一个备受瞩目的关注点,运用传统的低阶矩方法进行SAR图像中目标检测,尤其是在图像中含有乘性噪声和在分辨率降低时,普遍存在检测率不高,不能充分体现出目标相对背景杂波的特性。本文根据SAR图像中目标的特性,提出基于四阶矩的方法对SAR图像进行目标检测。实验表明,采用四阶矩方法后,在乘性噪声和分辨率降低状况下,四阶矩方法的检测概率相对传统的二阶矩方法有明显提高。未来四阶矩将更广泛地用于SAR图像中对目标进行检测,有重大的应用前景。     

基于卷积神经网络的动目标检测

合成孔径雷达(SAR)动目标检测技术是雷达信号处理领域中的重要技术。文中利用深度学习高维特征提取能力，提出了一种基于卷积神经网络(CNN)的多通道SAR地面动目标检测算法，并针对雷达实测数据较少、动目标样本难以获得的问题，提出了基于仿真-实测混合样本集的网络训练方法完成网络的高精度训练。实测数据检测结果表明，此类方法能够有效地完成地面动目标检测，与传统动目标检测方法相比，具有显著的优势。     

基于改进快速区域卷积神经网络的视频SAR运动目标检测算法研究

针对传统视频SAR(ViSAR)运动目标检测方法存在的帧间配准难度大、快速运动目标阴影特征不明显、虚警概率高等问题,该文提出一种基于改进快速区域卷积神经网络(Faster R-CNN)的视频SAR运动目标检测方法。该方法结合Faster R-CNN深度学习算法,利用K-means聚类方法对anchor box的长宽及长宽比进行预处理,并采用特征金字塔网络(FPN)架构对视频SAR运动目标的“亮线”特征进行检测。与传统方法相比,该方法具有实现简单、检测概率高、虚警概率低等优势。最后,通过课题组研制的Mini-SAR系统获取的实测视频SAR数据验证了新方法的有效性。     

一种结合空间信息的星载SAR图像舰船目标检测算法

针对常规恒虚警率(CFAR)方法对低信杂比合成孔径雷达(SAR)图像舰船目标检测效果不佳的问题,提出一种结合空间信息的星载SAR图像舰船目标检测方法。该方法通过将像素的空间信息与灰度信息相结合构造联合图像,以提高目标与背景的对比度,然后对联合图像进行CFAR检测。基于不同分辨力实测星载SAR图像舰船目标检测的实验结果表明,与直接基于CFAR的方法相比,该方法对低信杂比SAR图像具有更好的检测性能。     

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。     

SAR图像球流形局部嵌入建模及其分类方法

地物目标建模是合成孔径雷达(Synthetic Aperture Rader, SAR)图像解译和应用的关键技术之一。近年来,基于流形学习的建模方法得到发展,可望适用于依据微波散射机理成像的SAR图像建模。本文采用球流形嵌入(SLE)方法来实现SAR地物目标建模。该方法实质上是对SAR图像的高维描述或表达进行非线性降维,得到相应的低维流形结构,其分量就是SAR图像的本质特征,由于削弱了原始高维表达中的冗余信息,可用来更加精确地描述和解译地物目标,同时由于维数的降低,大大降低了计算复杂度。为验证其有效性,本文将其应用于SAR图像场景分类,采用简单的K最近邻(K nearest neighbor, KNN)分类器和支持向量机(Support Vector Machine, SVM)分类器。实验结果证明基于本文方法对SAR图像地物目标建模是有效的,有着良好的应用前景。      

基于深度学习的雷达成像技术研究进展

成像雷达具有全天时、全天候、远距离、高分辨对地观测的能力,使得雷达系统具有对观测区域进行成像和解译的能力。利用先进信号处理技术实现实时高分辨成像以满足图像解译的需求是雷达成像技术研究的重要目的和意义。随着深度学习的迅速兴起,深度学习网络在逆问题求解中得到广泛应用,也为提升成像质量和成像效率提供新的求解思路。本文基于雷达成像数学模型将雷达成像问题建模为成像逆问题,从逆问题求解的角度分析了基于深度学习的雷达成像方法的可行性。并综述了近年来雷达深度学习技术在合成孔径雷达（Synthetic Aperture Radar,SAR）、逆合成孔径雷达（Inverse Synthetic Aperture Radar,ISAR）、SAR运动目标成像等雷达成像领域的研究现状,在此基础上探讨了目前面临的亟待解决的问题,并对未来发展方向进行了展望。     

基于中心点回归的大场景SAR图像舰船检测方法

合成孔径雷达(synthetic aperture radar,SAR)图像舰船目标检测在军事和民用领域有着重要的应用.然而随着SAR图像成像能力的提升,SAR成像场景越来越大,舰船目标检测存在两个难点:一是舰船目标在整幅图像中所占比例极小,很难与周围背景分开;二是靠岸舰船目标通常密集排列,目标之间难以区分.目前常用基...     

海岛环境SAR图像仿真

弹载SAR岛屿海岸线景象匹配成功概率与实时图中海岸线形状密切相关,海岛环境下海浪和地形起伏等因素对海岸线在SAR图像中的特征具有不可忽略的影响,造成海岸线的模糊和变形。首先分析了海岛环境弹载SAR图像的特点,然后基于海浪频谱和方向谱相关经验公式,利用线性叠加方法给出了详细的海浪仿真的实现过程;建立了海岛高程起伏的二维指数函数模型;利用波数域方法给出了典型场景下的海岛SAR图像仿真结果,并在此基础上分析了海浪和山峰对弹载SAR图像海岸线检测的影响和基于SAR图像的海岸线检测方法局限性。研究结果表明基于SAR回波数据的海岸线检测方法是一种适于弹载SAR应用的有效方法。     

基于小波包算法的压缩传感SAR 成像方法

压缩传感SAR 成像能够大量减小采样率和数据量,但只对稀疏场景有效。该文提出基于小波包训练稀疏表示基的压缩传感SAR 成像方法。该方法通过对同类型的SAR 图像进行小波包训练,在小波包库中选择能够稀疏表示该类SAR 场景的稀疏表示基,并通过求解l1 范数最小化问题重构SAR 场景反射系数。文中提出的方法在严重降采样下仍能够实现无模糊的SAR 成像,仿真数据成像结果表明该文方法具有较好的效果。      

复杂轨迹合成孔径雷达后向投影算法图像流GPU成像

相对于基于傅里叶变换的频域成像算法,后向投影( BP)算法因采用时域逐点相干积累,更适合于复杂轨迹合成孔径雷达( SAR)高精度成像。但BP算法计算量巨大,限制了其应用于SAR大场景大数据量快速成像。图形处理器( GPU)具有强大浮点运算和并行处理能力,为大场景BP算法快速成像实现提供了途径。结合GPU并行处理,提出了一种基于图像流的复杂运动SAR大场景BP快速成像处理方法。该方法借助BP算法中图像像素点相互独立处理的特性,采用图像像素点并行及图像流程处理,设计了孔径与图像缓存调度方案,提高SAR大场景大数据BP算法成像效率。仿真和机载实测数据结果验证了方法的有效性,在有限GPU显存条件下实现了8192×8192大场景快速成像,并且成像加速比相对于传统CPU单线程处理可达300倍以上。     

视频SAR成像与动目标阴影检测技术

视频合成孔径雷达(SAR)技术将观测场景的动态信息以视频方式呈现出来,其高帧率成像特性有利于实现对地面机动目标的实时探测。视频SAR信号处理关键技术主要包括高帧率成像处理算法和运动目标检测技术等。该文对视频SAR成像处理进行了探讨,给出了两种典型视频SAR成像处理仿真数据结果,详细分析了视频SAR阴影形成机理和对动目标检测性能的影响,并将基于机器学习的视频SAR阴影目标检测技术与经典处理方法在实际数据上进行了验证对比。      

基于视觉显著性的SAR遥感图像NanoDet舰船检测方法

在合成孔径雷达遥感图像中,舰船由金属材质构成,后向散射强;海面平滑,后向散射弱,因此舰船是海面背景下的视觉显著目标。然而,SAR遥感影像幅宽大、海面背景复杂,且不同舰船目标特征差异大,导致舰船快速准确检测困难。为此,该文提出一种基于视觉显著性的SAR遥感图像NanoDet舰船检测方法。该方法首先通过自动聚类算法划分图像样本为不同场景类别;其次,针对不同场景下的图像进行差异化的显著性检测;最后,使用优化后的轻量化网络模型NanoDet对加入显著性图的训练样本进行特征学习,使系统模型能够实现快速和高精确度的舰船检测效果。该方法对SAR图像应用实时性具有一定的帮助,且其轻量化模型利于未来实现硬件移植。该文利用公开数据集SSDD和AIR-SARship-2.0进行实验验证,体现了该算法的有效性。      

压缩感知SAR成像方法及抗相干干扰性分析

对合成孔径雷达(SAR)的干扰与抗干扰技术,目前已受到广泛的关注和研究。文中在分析了传统SAR成像及其相干干扰原理的基础上,利用压缩感知理论,探讨了一种压缩感知SAR成像方法,并分析了其抗相干干扰性。该方法通过构造满足RIP性质的观测矩阵和稀疏变换矩阵,在假设场景目标稀疏的条件下,准确重构出场景目标高分辨像,克服了由于SAR系统收到回波信号的脉内频率和脉间相位关系被破坏而无法利用传统二维匹配滤波成像方法获得准确场景目标高分辨像的问题,具有很好的抗相干干扰特性。最后给出了相关的仿真实验结果。