改进Notch滤波的全极化SAR数据船舶检测方法

全极化SAR数据提供了更多的地物极化散射信息,目前被广泛的应用于海上船舶检测的应用研究。本文提出改进的Notch滤波方法,实现全极化SAR数据的海上船舶检测。该方法结合目标的极化散射特性与能量双重特点,设计针对海面、方位向模糊、相干斑噪的不同滤波,消除虚警,通过SPAN能量因子降低由于散射机制相同而造成的漏检。利用RADATSAT-2全极化精细扫描数据对本文的算法进行验证,并与PWF和SPAN方法进行对比分析,实验结果表明本文提出的方法能从海面上有效检测出各种大小的船舶,同时能抑制方位向模糊、相干斑噪以及船舶的旁瓣造成的虚警。     

基于改进Faster R-CNN的SAR船舶目标检测方法

合成孔径雷达（Synthetic Aperture Radar, SAR）船舶检测在海洋交通监控中发挥着重要作用,传统SAR目标检测算法一般利用目标与背景杂波之间的对比度差异进行检测,在近岸海域等复杂场景下检测效果较差。为了提高在复杂场景下的检测性能,本文提出一种基于改进Faster R-CNN的船舶检测方法,在分析不同特征分辨率对检测性能影响的基础上,结合VGG的思想与扩张卷积设计一个适用于SAR船舶目标检测的特征提取网络,以提升对小型船舶目标的检测能力。另外,根据sentinel-1A数据集中目标尺寸分布选取小尺寸anchor,并通过去除冗余anchor,将检测速度提升了一倍。在sentinel-1A数据集上的实验证明本文提出的算法能够快速、有效地从复杂场景SAR图像中检测出船舶目标。     

合成孔径雷达图像船舶检测分析系统

近年来,通过海洋运输的危险品越来越频繁,海洋生态环境形式严峻.远洋及近海船舶导航、检测、监测任务繁重.本文设计了基于CFAR算法的SAR图像船舶检测系统以支持船舶检测、监测任务.该系统包括全自动海岸线检测模块,全自动或半自动远洋及近海船舶检测模块.通过RADASAT SAR图像验证系统的检测与分析是有效的.     

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。     

SAR图像海洋表面油膜检测方法

海洋表面油膜对海洋环境影响极大,因此,及时获取海面油膜信息对保护海洋具有重要意义。目前各国采用的油膜检测方法主要有直接探测法和遥感方法。其中,遥感方法中的合成孔径雷达(SAR)是目前研究的热点。总结了SAR图像应用于海面油膜检测的主要特点,介绍并分析比较了SAR图像油膜检测的一般步骤及其实现方法。最后提出了SAR图像海洋表面油膜检测的发展方向。     

SAR图像海洋表面油膜检测方法

海洋表面油膜对海洋环境影响极大,因此,及时获取海面油膜信息对保护海洋具有重要意义。目前各国采用的油膜检测方法主要有直接探测法和遥感方法。其中,遥感方法中的合成孔径雷达(SAR)是目前研究的热点。总结了SAR图像应用于海面油膜检测的主要特点,介绍并分析比较了SAR图像油膜检测的一般步骤及其实现方法。最后提出了SAR图像海洋表面油膜检测的发展方向。     

基于海图信息的SAR影像海陆自动分割

海陆分割是对海洋SAR图像进行船舶检测的基本前提之一,传统的手动分割方法可以很精确,但操作繁琐,速度较慢,不适合于批量图像的处理,而海岸线检测算法抗噪能力较低,对于近海多岛屿地区检测效果较差。提出了一种基于海图信息的SAR影像海陆自动分割方法,该方法利用SAR图像的地理信息,有效地与基于地理先验信息的海洋区域矢量图层相叠加,将对SAR图像的海陆分割问题转换为对矢量图层中多边形矢量元素区域的判断,并使海陆分割问题实现了自动化。最后使用Radarsat-1数据和ALOS PALSAR数据对该方法进行了验证。实验表明,近似自动分割与手动分割效果非常接近,对船舶检测几乎没有影响,且运行速度较快,适于图像的实时处理。
     

长度归一化扫描的合成孔径雷达图像船舶尾迹恒虚警率检测

提出一种基于长度归一化扫描的合成孔径雷达(SAR)图像船舶尾迹检测算法.存在距离向运动分量的船舶在SAR图像上会发生方位向偏移,那么尾迹的起点必在方位向上这一偏移量范围内.根据这一物理事实,将尾迹检测的搜索范围限定在可能为尾迹的线段上,从而提高了检测效率.算法通过利用线性积分和长度归一化这两个方法将矩形滑动窗口下的线性特征检测转化为了点特征检测,并通过经典的虚警率(CFAR)检测理论实现检测结果的输出.利用COSMO-SkyMed数据对该算法进行了实验验证,实验结果表明,该算法在尾迹检测上具有检测能力强、速度快的优点,船舶速度反演具有较高精度.     

长度归一化扫描的合成孔径雷达图像船舶尾迹恒虚警率检测算法

船舶尾迹检测作为近年来SAR图像海洋应用的一个重要方面而受到关注。本文提出了一种基于归一化扫描的SAR图像船舶尾迹检测算法。由于船舶的距离向运动分量会导致船舶在SAR图像上存在方位向偏移,因此算法首先在船舶的方位向一定距离内逐点进行360度归一化扫描得到扫描域,然后在扫描域内以概率模型进行统计建模实现了CFAR检测,进而对检测结果进行形态学处理,最后对扫描域进行K-均值聚类。反演扫描域聚类后的类心得到带端点目标尾迹及方位偏移量,同时自动提取出船舶的航速。利用COSMO-SkyMed数据对本文所提出的方法进行实验验证,实验结果表明本文的算法可以快速有效地进行尾迹检测和船舶速度反演。     

基于改进RetinaNet的船舶检测算法

目前基于深度学习算法的目标检测技术在合成孔径雷达（SAR）图像船舶检测中取得了显著的成果,然而仍存在着小目标船舶和近岸密集排列船舶检测效果差的问题。针对上述问题,提出了基于改进RetinaNet的船舶检测算法。在传统RetinaNet算法的基础上,首先,将特征提取网络残差块中的卷积改进为分组卷积,以增加网络宽度,从而提高网络的特征提取能力;其次,在特征提取网络的后两个阶段加入注意力机制,让网络更加专注于目标区域,从而提升目标检测能力;最后,将软非极大值抑制（Soft-NMS）加入到算法中,降低算法对于近岸密集排列船舶检测的漏检率。在高分辨率SAR图像数据集（HRSID）和SAR船舶检测数据集（SSDD）上的实验结果表明,所提改进算法对于小目标船舶和近岸船舶的检测效果得到了有效提升,与当前优秀的目标检测模型Faster R-CNN、YOLOv3和CenterNet等相比,在检测精度和速度上更加优越。