基于SAR图像的点状目标检测方法研究

分析了SAR图像目标检测中常用的方差法、恒虚警算法,讨论了对纹理和灰度都敏感的扩展分形法,然后针对弱目标的检测,提出了基于小波多分辨率能级分析的检测方法,最后对四种算法的性能作了比较,并指出了下一步的研究方向.     

SAR图像目标检测研究综述

SAR图像目标检测是SAR ATR(自动目标识别)的关键步骤,也是近年来SAR图像解译应用的一大研究热点.在广泛文献调研的基础上,本文从SAR图像目标检测的历史沿革、研究现状开始,综述了SAR图像目标检测的研究进展及存在问题,指出了该技术领域的发展趋势.     

扩展分形法结合B-CFAR在SAR图像目标检测中的应用

针对文献[1]的扩展分形(Extended Fractal．EF)方法，分析了EF特征的优劣性。结合SAR图像的统计特性，本文将EF检测与双参数恒虚警车(Bi-parameter Constant False Alarm Rate B-CFAR)检测相结合．提出两个改进方案：一、利用两种特征的融合信息在决策层决策的检测方案；二、先用B-CFAR增强感兴趣目标区域(Region of Interest．ROI)．在此处理之后再用EF法检测。我们将这两种方案运用在复杂的二维SAR图像飞机检测中．得到了良好的检测效果。     

基于级联CFAR的SAR图像目标快速检测方法

针对高对比度场景下合成孔径雷达(SAR)图像的实时目标检测问题,提出一种基于级联恒虚警率(CFAR)的SAR图像目标快速检测算法,将二维图像的检测沿距离向和方位向拆分成两个一维的CFAR检测, 采用距离向-方位向级联检测器并加以分割关联方法对目标进行检测。首先,按距离向叠加后进行距离向检测,并进行分割关联以划分不同目标的区域;然后,对过检单元进行方位向检测得到目标位置;同时,进行分割关联,从而实现目标检测。文中利用仿真的SAR图像、MSTAR数据和实测数据进行实验。仿真结果表明:该算法具有速度快、检测率高的优点,满足实时处理要求。     

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。     

基于扩展分形和CFAR特征融合的SAR图像目标识别

研究了多信息融合技术在SAR图像目标识别中的应用。将扩展分形特征(Extended Fractal)与双参数恒虚警特征(Double Parameter CFAR)形成的多信息进行融合处理。运用Dempster-Shafer证据理论，在决策层对SAR图像中的像素进行识别分类。实验结果表明通过融合对像素分类的准确性明显好于单特征的检测结果，减少了虚警概率，提高了系统的识别能力。     

SAR图像局部窗口K-分布目标检测算法

该文分析了双参数CFAR算法和K-分布CFAR算法的特点,将双参数CFAR算法局部窗口的概念应用到K-分布CFAR检测中,适应了SAR图像海面背景复杂且局域性强的情况,获得了较好的检测效果。     

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。     

UWB SAR非均匀区域目标检测方法

在超宽带合成孔径雷达(UWB SAR)图像目标检测中不仅会遇到均匀杂波区域，还会遇到叶簇区域、空旷区域及干扰目标等组成的非均匀杂波区域。恒虚警率(CFAR)目标检测是雷达目标检测的重要方法，而传统的CFAR检测对UWB SAR非均匀杂波区域目标检测效果较差。首先分析了叶簇区域、空旷区域及二者混合区域的杂波分布。然后针对UWB SAR的实际情况，运用智能索引变量的CFAR检测技术(VI—CFAR)，使得均匀杂波和非均匀杂波背景中目标检测都取得了较好的效果。最后，利用实际UWB SAR目标检测结果验证了VI—CFAR的有效性。     

一种适用于rural区SAR图像目标感兴趣区域获取方法

目标感兴趣区域的获取是目标分类的基础,由大场景图像中快速获取目标感兴趣区域对整个ATR系统的性能提高有较大意义。本文给出了一种适用于rural区的SAR图像目标感兴趣区域获取方法,在分析图像场景灰度统计分布的基础上,利用全局恒虚警率检测算法得到潜在目标区域,然后利用密度、形态学和尺寸滤波器对潜在目标区域聚类并滤除虚警,最终获得目标感兴趣区域。对2048×512像素实际场景的实验结果,应用本文算法4个车辆目标全部被检测且没有虚警,VC代码获取目标区域的总时间小于0.5秒。     

基于改进FRACTA算法的多通道SAR动目标检测技术

该文针对实际非均匀杂波环境对多通道SAR/GMTI动目标检测性能的影响,提出了一种改进型FRACTA算法。该算法将STAP中的FRACTA算法引入多通道SAR系统中,并进行改进,提高了其在多通道SAR系统中的检测性能和运算速度。实测数据处理结果表明,与传统的检测方案相比,该文算法能够在非均匀环境中明显地提高检测性能,是一种非均匀环境中鲁棒的多通道SAR动目标检测算法。     

基于有序数据可变索引的SAR图像目标检测方法

该文提出了一种基于有序数据可变索引(Ordered Data Variability Index, ODVI)的SAR图像目标恒虚警检测算法,该算法首先对待测像素的参考窗进行基于ODVI的自适应筛选处理(Automatic Censoring, AC),以去除窗内的强杂波和干扰像素,并以窗内保留的均匀像素对背景的统计特性进行建模,估计其概率密度函数的参量,同时构建双参数恒虚警检测(CFAR)的检验统计量,计算检测的自适应阈值,实现检测的判决。论文给出了该算法的检测性能曲线,并利用实测的X波段SAR图像进行实验验证,与其它检测方法进行比较,结果显示该文算法具有较好的检测性能和较低的虚警概率。     

复杂场景下单通道SAR目标检测及鉴别研究进展综述

SAR作为一种主动式微波成像传感器,以其全天时、全天候、作用距离远等独特的技术优势,成为当前对地观测的主要手段之一,在军事和民用领域发挥着十分重要的作用。随着SAR遥感技术的发展,高分辨率、高质量的SAR图像不断产生,仅依靠人工手段对感兴趣的目标进行检测、识别费时费力,因此亟需发展SAR自动目标识别(ATR)技术。典型的SAR ATR系统主要包括检测、鉴别、分类/识别3个阶段,其中,检测和鉴别阶段是整个SAR ATR系统的基础,是国内外雷达界一直开展的SAR应用基础研究之一。针对单通道SAR图像,简单场景下目标检测与鉴别已经取得了不错的结果;而在复杂场景下,杂波散射强度相对高、杂波背景非均匀和目标散射强度相对弱、分布密集等情况,使得SAR目标检测和鉴别依然是一个难点。该文对近十年左右复杂场景下单通道SAR目标检测及鉴别方法的研究进展进行了归纳总结,并分析了各类方法的特点及存在的问题,展望了未来复杂场景下单通道SAR目标检测与鉴别方法的发展趋势。      

基于单通道SAR图像序列特征值分解的动目标检测方法

该文提出了一种基于单通道图像序列间协方差矩阵分解的动目标检测方法。首先给出基于方位频谱划分获取子图像的处理过程,分析了子孔径划分在图像序列间所产生的误差来源,结合二维自适应方法对幅度和相位上存在的误差同时校正,实现了子图像间的配准,构造出类似于多通道的子图像。在此基础上,结合多通道杂波抑制的思想,详细分析了两子孔径间协方差矩阵特征值分解实现目标与杂波分离的原理,并针对在图像域估计采样协方差引起的精度与目标能量损失之间的矛盾,提出了在距离多普勒域的改进处理。最后,经过仿真实验验证了该方法的有效性。     

基于单通道SAR多子孔径空频处理的动目标检测算法

该文提出了一种基于单通道多子孔径空频自适应处理的运动目标检测方法：首先给出了基于方位频谱划分获取子孔径的处理过程,构造出类似于多通道的子图像。详细分析了多子孔径空时等效信号的原理,将不同合成中心时刻的子孔径序列所获得的回波信号等效成同一时刻不同空间位置所获得的回波信号,利用时延差异来获取空间信息,建立起后续处理的2维信号模型。在此基础上,结合多通道杂波抑制的思想,提出了采用多子孔径间空频自适应处理实现杂波抑制与运动目标检测的算法。最后,仿真实验验证了该方法的有效性。     

利用改进分形特征对SAR图像目标检测方法的研究

改进分形特征是用指数小波在一个尺度上对检测图像滤波,针对特定大小目标用能量关系函数求得各像素点的分形特征。该文研究了利用改进分形特征对SAR图像进行目标检测的方法,分别使用改进特征与扩展分形特征对单一背景和复杂背景条件下的SAR图像进行目标检测,结果表明：改进分形特征能够在这两种背景条件下以更低虚警率检测出全部特定大小的目标,目标空间可分辨性好、位置指示准确;但在复杂背景条件下的检测虚警率比单一背景下的检测虚警率有所上升。     

基于深度森林的多级特征融合SAR目标识别

大多数传统的合成孔径雷达(SAR)目标识别方法仅仅使用了单一的幅度特征,但是由于斑点噪声的存在,仅仅使用幅度特征会限制识别的性能。为了进一步提高SAR目标识别的性能,该文提出了一个基于深度森林的多级特征融合SAR目标识别方法。首先,在特征提取阶段,提取了多级幅度特征和多级密集尺度不变特征变换(Dense-SIFT)特征。幅度特征反映了目标反射强度,Dense-SIFT特征描述了目标的结构特征。而多级特征可以从局部到全局表征目标。随后,为了更完整、充分地反映SAR目标信息,借鉴深度森林的思想对多级幅度特征和多级Dense-SIFT特征进行联合利用。一方面通过堆叠的方式不断将多级幅度特征和多级Dense-SIFT特征进行融合,另一方面通过逐层的特征变换挖掘深层信息。最后利用得到的深层融合特征对目标进行识别任务。该文在MSTAR数据集上进行对比实验,实验结果表明所提算法在性能方面取得了提升,且其性能对超参数设置具有一定的鲁棒性。     

SAR图像机动目标检测的两种CFAR算法对比研究

分析和对比了SAR图像机动目标检测的两种实用算法:全局CFAR算法和局部双参数CFAR算法.首先分析了CFAR检测算法的基本理论,然后给出了两种CFAR算法的具体形式,在此基础上,对比了这两种CFAR算法的时间复杂度,总结了各自特点和流程.利用实测数据分别进行实验,进一步分析了各自的优缺点.     

三维目标曲线SAR成像的降维搜索算法

曲线合成孔径雷达(CurviLinear Synthetic Aperture Radar,CLSAR)利用雷达平台的单条曲线轨迹就可形成三维成像所需的曲线合成孔径。由于CLSAR采集的数据在三维频率空间是稀疏的,简单地采用非参数化方法所获得的图像几乎无法使用,所以有价值的目标三维像必须采用参数化方法来获得。该文提出一种新的适用于CLSAR的目标三维成像算法。该算法巧妙地利用了接收数据中距离方向与垂直距离方向参数间的弱耦合性,将高维优化问题解耦为低维优化问题,并顺序地估计出相应参数,最后采用一个迭代过程进行参数求精。仿真实验表明,新算法是一种适用于CLSAR的有效的目标三维成像算法。