SAR海上静止目标检测

海上石油平台等海上工程有可能对其附近海域造成污染。合成孔径雷达SAR(Synthetic Aperture Radar)能够检测这些海上静止目标,并且监测原油泄漏等海洋污染。同时,检测出的海上静止目标也可以为海洋SAR图像的精确定位提供控制点。在2L-IPH(Two-Looks Internal Hermitian Product)方法检测结果的基础上,结合目标形状和子孔径运动检测方法,将海上静止目标和运动的目标区分开来。通过对渤海地区EnviSat ASAR单视复数据进行实验,结果表明了该方法的有效性。     

改进的基于结构检测的SAR图像去斑方法

合成孔径雷达图像固有的相干斑噪声严重降低了图像的可解译程度,影响了后续目标检测、分类和识别等应用.因此,SAR图像的相干斑抑制问题一直是SAR图像应用的重要课题之一.一个理想的去斑算法应该在平滑的同时保持图像的边缘等细节不受损失,目前存在各种各样的算法,但没有一种方法能够完美的满足这一要求.为此该文提出了一种改进的结构检测的SAR图像去斑算法.利用概率迭代方法分割图像并检测边缘,结合强点检测图,将SAR图像标为结构区和非结构区,在非结构区域内进行Lee滤波以平滑噪声,对结构区直接保留原值,获得了非常好的去斑效果.利用RADARSAT实测图像进行实验,并对实验结果作充分分析,证明了本算法的有效性.     

基于合成孔径雷达回波数据的海岸线提取方法

合成孔径雷达(synthetic aperture radar,简称SAR)通过对地面目标的多次照射来提高方位向上的目标分辨能力,由此使现有的SAR目标检测算法通常是一个基于SAR图像的"后处理"过程.在分析各种成像算法和现有的一些典型SAR目标检测算法的基础上,提出了一种在非成像状态下进行海岸线提取的新方法,把成像处理与目标检测问题有机地结合起来.通过真实星载SAR回波数据应用实验,证明了直接利用SAR回波对海岸线检测的有效性.     

一种基于矩不变的SAR海洋图像舰船目标检测算法

提出了一种先分离SAR图像场景中的陆地和海洋区域，再利用矩不变自动门限法对分离出的海洋子场景进行舰船目标检测的算法。对数据处理的结果表明，该方法能够有效、快速、准确地检测到SAR海洋图像中的舰船目标。     

一种改进的子视图交叉相关法检测海面小型移动船舶

本文基于船舶检测的子视图交叉相关法,提出一种SAR图像检测小型移动船舶的方法,突破了原算法仅适用于检测大型或静止目标的限制.SAR图像数据由ALOS-PALSAR采集,海面实况已知数据包括ALOS经过时的海面船只数量、航速及航向等参数.实验结果表明本文提出方法优于恒虚警率CFAR与原有的子视图相关法,同时也讨论了用ALOS-PALSAR图像检测船舶时,其尺寸大小对识别船舶的限制.     

劣质SAR图像退化模型研究

为了改善SAR图像的质童,提出了劣质SAR图像的退化模型.根据在斑点非完全发育的非平稳域,SAR图像受斑点噪声污染或线性模糊退化两种主要因素降质的特点,设计了两种具有代表性的复原流程,并采用复小波域层内层间相关性斑点抑制算法和维纳去卷积盲复原算法进行复原.实验结果表明,复原后图像的视觉效果和PSNR值均有明显的改善.     

基于级联CNN的SAR图像舰船目标检测算法

针对合成孔径雷达(SAR)图像中舰船目标稀疏的特点,提出一种基于级联卷积神经网络(CNN)的SAR图像舰船目标检测方法.将候选区域提取方法BING与目标检测方法Fast R-CNN相结合,并采用级联CNN设计,可同时兼顾舰船检测的准确率和速度.首先,针对SAR图像中相干斑噪声影响梯度检测的问题,在原有梯度算子的基础上增加平滑算子,并对图像尺寸个数和候选框个数进行适应性改进,使其提取到的候选窗口更快更准;然后,设计级联结构的Fast R-CNN检测框架,前端简单的CNN负责排除明显的非目标区域,后端复杂的CNN对高概率候选区域进行分类和位置回归,整个结构可以保证快速准确地对舰船这种稀疏目标进行检测;最后,设计一种联合优化方法对多任务的目标函数进行优化,使其更快更好地收敛.在SAR图像舰船检测数据集SSDD上的实验结果显示,所提出的方法相比于原始Fast R-CNN和Faster R-CNN检测方法,检测精度从65.2%和70.1%提高到73.5%,每张图像的处理时间从2235ms和198ms下降到113ms.     

一种子视相干优化的极化SAR船只检测方法

针对传统单极化SAR船只检测能力不足的问题,提出了一种基于极化SAR图像子视相干的方法来检测船只。该方法在船只和海杂波SAR子视图相干程度分析的基础上,通过调整全极化SAR图像数据的最优极化状态得到3个优化的相干参数,并由此定义了一种最优相干积参数。由于该参数可以保留相干目标(即船只)的强度和相位,因此能够极大提高目标与背景之间的对比度,从而改善后期的目标检测性能。最后,采用机载极化SAR数据来评估本文方法,其试验结果表明,该方法能充分利用目标的极化特征以及子视相干性信息,显著提高了船海对比度,实现了船只检测性能的改进。     

改进的基于Parzen窗算法的SAR图像目标检测

传统的Parzen窗检测算法假设目标占整个背景中较小的一部分,将SAR图像中的所有像素用于估计杂波概率密度函数,容易造成检测阈值的增大从而对不太明显的SAR图像舰船目标产生漏检。对此,提出了一种改进的Parzen窗检测算法,该算法通过自适应地设置目标窗口,将潜在的目标从检测图像中剔除,对剔除后的杂波背景采用Parzen窗进行非参数化的杂波模型估计,进而确定检测阈值,完成目标的检测。相比传统的Parzen窗检测算法,提出的SAR图像舰船目标检测算法减少了漏检数量,改善了检测性能。实测SAR图像的检测结果表明了该方法的有效性。     

基于深度学习的SAR弱小目标检测研究进展

随着合成孔径雷达(SAR)技术的不断进步, 大范围观测和高分辨率成像使得SAR图像中包含了大量特征微弱的小尺寸目标, 通常涵盖飞机、车辆、油罐、船舶等高价值民用目标和关键军事目标, 这类目标尺寸较小、特征微弱、稠密相连、形态多变, 对它们进行精确的检测是当前SAR图像解译的难题. 随着深度学习技术的发展, 研究者们针对SAR弱小目标的成像特性和检测挑战, 通过对深度学习网络的精细调整和优化, 成功地推动了本领域的进步. 本文将全面回顾基于深度学习的SAR图像弱小目标检测, 以数据集和方法为研究对象, 深入分析SAR弱小目标检测任务所面临的主要挑战, 总结最新检测方法的特点和应用场景, 并汇总整理了公开数据集与常用性能评估指标. 最后, 总结本任务的应用现状, 并对未来的发展趋势进行展望.