SAR图像船只分类识别研究进展

随着新一代SAR传感器的出现及应用,利用真实高分辨率、多极化SAR图像进行船只分类识别成为海上交通、渔业监测及国防应用的热点问题。首先回顾了SAR图像船只分类识别技术的发展。以近20 a国内外研究的重要成果为基础,对几何结构特征、散射特征和极化特征等船只分类特征进行了总结和比较,分析了其优缺点;总结了各种SAR图像船只分类识别算法的技术特点,并分析了各方法的适用性。最后对SAR图像船只分类识别技术的应用前景和发展趋势进行了阐述。     

SAR图像船只尾迹检测研究综述

利用星载合成孔径雷达(SAR)图像进行海面船只尾迹检测的研究在海洋领域具有重要意义。SAR海洋图像中尾迹线性特征的检测和精确定位是个难点,研究了SAR图像中船只尾迹的检测方法,根据近年来SAR图像海面船只尾迹检测的发展,总结了尾迹类型及其成像机理,分析了影响尾迹检测的因素和目前国内外的尾迹检测算法,通过对这些方法的对比分析得出它们的优缺点,并对今后的研究方向进行了展望。     

应用多重形态谱的船只红外尾迹图像细粒度识别研究

通过流体力学技术对海浪波进行分析,实现船只的速度聚束调制;应用多重形态谱检测船只红外尾迹图像;以船只红外尾迹图像为样本,通过卷积神经网络收集红外尾迹图像深度特征;根据特征坐标生成图像关键目标区域,利用添加注意力模块,获得关键目标对象的特征图谱;采用网络训练优化图像的分类层与卷积层,确保所有层的分辨能力;增强图像细粒度信息实现船只轨迹精准识别,完成船只红外尾迹图像细粒度识别.实验证明,所提方法识别用时较短,特征表述详细,获得的识别精准度更高.     

基于机载SAR图像的海面船只实时检测分类应用架构

合成孔径雷达(SAR)被广泛应用于军事侦察、海洋监测、灾害应急评估等各类应用中.其中,SAR海面船只检测分类是SAR海洋应用的重要一环.限于SAR特殊的成像机理,SAR图像中的目标特征多变,导致基于SAR图像的目标分类应用进展缓慢.机载SAR因其实时、便捷的部署和使用方式得到了快速发展,基于机载SAR图像的海面船只检测...     

光学遥感图像舰船目标检测与识别综述

遥感图像舰船目标自动检测与识别是遥感图像处理与分析领域备受关注的课题, 其核心任务是判断遥感图像中是否存在舰船目标,并对其进行检测、分类与精确定位, 它在海面交通监控、船只搜救、渔业管理和海域态势感知等领域具有广阔的应用前景. 本文主要围绕光学卫星遥感图像中的舰船目标自动检测与识别, 分析舰船目标检测与识别面临的难点问题, 综述当前光学遥感图像舰船检测与识别的主要处理方法, 在此基础上指出研究中尚存在的问题并展望未来的发展趋势.     

基于红外物理学和流体动力学的海面船只红外尾迹真实感绘制

随着红外热像仪成像分辨率的提高,已能观察越来越多新的目标红外成像特征.为探究航拍海面船只红外尾迹的形成原因和具体成像特征,基于流体动力学和红外物理学原理,提出一种海面船只红外尾迹建模与绘制新算法.首先使用体素化将船体转化为固体粒子,以实现固-液耦合效果模拟;然后提出一种海水垂直面的温度变化模型,以确定液体粒子的初始温度值分布;为模拟海上行驶船只的运动及其场景的红外成像特性变化,提出一种新的结合光滑粒子流体动力学(SPH)模型及海水热传导机制的模型;最后通过红外成像模型,成功绘制出海面船只的红外尾迹场景特征图像.文中所提出的海水热传导机制SPH模型除了能模拟船只尾迹的几何形状变化外,还能求得尾迹区域海水的红外物理特征变化,并从实验模拟的角度证明了红外尾迹的成像原因.该算法在海面目标的探测与救援、军事上的红外隐身与对抗等领域都有重要的应用价值.     

遥感图像中船只目标区域的分割方法

针对高分辨率遥感海面图像中的船只检测问题,提出一种新的区域分割方法。该方法利用小波变换得到适合分形分析的一定尺度的频谱信息,针对图像特点采用改进的差分盒维计算方法进行区域分割,根据小波变换的尺度映射关系将得到的目标区域映射到原图的相应区域,同时利用分维数的特点进行更细致的分割。实验结果证明了该方法的有效性。     

融合多特征的均值漂移彩色图像分割方法

针对均值漂移图像分割方法中只考虑图像颜色和空间信息,对纹理丰富的图像不能进行有效分割的情况,提出一种新的融合图像颜色、纹理和空间等低层特征信息的图像分割方法.用极性、各向异性和对比度来表示图像的纹理信息,并结合颜色和空间信息形成图像分割特征;然后用均值漂移进行图像滤波;最后,进行区域合并得到分割结果.实验结果表明,该方法对纹理丰富的自然风景图像有较好的分割效果.     

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.     

船基系留气球AIS数据采集系统设计与实现

船舶自动识别系统可以为发展高频地波雷达技术提供验证数据集;目前,现有手段为HFSWR提供的数据集存在实时性差以及仅能对小范围内的船只进行跟踪观测等缺点,针对该问题,设计了一套船基球载AIS数据采集系统,利用系留球搭载AIS接收机进行多次海上长时间驻空实验,期间获取了来自345条船只的270 580条数据;结果表明：船基球载AIS接收机这一方式能够显著提高船只之间AIS信息的接收距离,当系留球锚泊在150 m高空时,系统的AIS信息接收距离能够达到244 km;并验证了AIS海上传播模型的准确性;船基球载AIS数据采集系统可实现长期高空驻留,所获取的周边海域船只的AIS信息数据范围广,实时性高,漏报率低,是对船基HFSWR性能进行评估的有效手段。     

一种基于纹理特征融合的SAR图像分割方法

在由若干灰度共生矩阵纹理统计量进行特征融合后所生成的图像上,定义多分辨双Markov-GAR模型,采用多分辨MPM参数估计方法及相应的无监督分割算法,对SAR图像进行纹理分割。该方法既利用了像素的灰度信息,也利用了像素的空间位置信息,削弱了斑点噪声对分割的影响。实验表明对于一些高分辨SAR图像,该方法与单纯基于灰度图像上的多分辨双Markov-GAR模型纹理分割相比,分割精度得以提高。     

Pointwise SAR image change detection based on stereograph model with multiple-span neighbourhood information

In this article, a novel pointwise approach is proposed for change detection in bi-temporal synthetic aperture radar (SAR) images using stereograph model. Due to the fact that SAR image suffers from the speckle noise, a pointwise approach based on a set of characteristic points only, not on the whole pixels, seems to be more efficient. Moreover, the correlations of neighbourhood points which have different locations in bi-temporal SAR images should be studied to repress the speckle in change detection. Therefore, the stereograph model, which extends the graph model to three-dimensional space, is designed to connect the local maximum pixels on bi-temporal SAR images and can be used to capture the multiple-span neighbourhood information from the edges. Furthermore, a specialized change measure function is presented to quantify the neighbourhood information from stereograph model, and thus, a novel nondense difference image (NDI) is generated. Finally, a traditional classification method is used to analyse the NDI into changed class and unchanged class. Experiments on real SAR images show that the proposed NDI can improve separability between changed and unchanged areas, and the final results possess high accuracy and strong noise immunity for change detection tasks with noise-contaminated SAR images.     

Change detection in synthetic aperture radar images based on non-local means with ratio similarity measurement

Image change detection is of widespread interest due to a large number of applications in diverse disciplines. In this study, a novel change detection approach for synthetic aperture radar (SAR) images based on a non-local means algorithm is proposed. A non-local means technique is introduced to generate a difference image by using complete information from a pair of observed images. To take the characteristics of SAR images into account, a new ratio-based relativity measurement between two speckled SAR image patches based on a ratio distance is proposed. Theoretical analysis indicates that the ratio distance is valid for SAR images. The probability density function of the ratio distance is deduced to map the distance into a relativity value. Furthermore, the ratio distance and the probability density function are both parameter-free. The new non-local means technique is successfully applied to extend the classical mean-ratio detector for SAR image detection. Experimental results on real SAR images show that the proposed approach is robust to speckle noise and effective for the detection of change information between multitemporal SAR images.     

Hebbian-based neural networks for bottom-up visual attention and its applications to ship detection in SAR images

This paper proposes a bottom-up attention model based on pulsed Hebbian neural networks. The salience of the visual input can be generated through the networks using a simple normalization process, which can be calculated rapidly. Moreover, visual salience in this model can be represented as binary codes that mimic neuronal pulses in the human brain. Experimental results on psychophysical patterns and eye fixation prediction for natural images prove the effectiveness and efficiency of the model. In an arduous task of detecting ships in synthetic aperture radar (SAR) images, there are large amounts of data to be processed in real time. As a fast and effective technique for saliency detection, the proposed model is applied to ship detection in SAR images and its robustness against speckles is further proved.     

星载SAR影像上船舶方位向模糊去除算法

目的 掌握海上船舶分布状态对于海上交通流分析和通航安全管理具有重要作用。遥感技术,特别是星载合成孔径雷达(SAR)技术的发展,为大范围海上船舶检测提供了有效的手段,但受SAR成像机制影响,海上船舶目标在星载SAR影像上通常存在着不同程度的方位向模糊噪声,这些噪声易被误判为船舶,导致船舶识别中虚警率提高。方法 本文简述了方位向模糊噪声的产生原因,提出了一种新的星载SAR影像上船舶方位向模糊去除算法,该算法的核心是构建目标方位向角度一致性、方位向位置偏移距离和方位向模糊能量衰减3个判别规则,对潜在SAR影像亮斑目标进行逐层筛选,实现船舶真实目标和方位向模糊目标的判别。结果 选取中国渤海海域和黄海海域的30 m分辨率的Radarsat-2数据进行案例分析,并与船舶自动识别系统(AIS)实测数据进行比对校验,结果表明,传统的双参数恒虚警率(CFAR)算法和基于K分布的CFAR等算法对于船舶难以剔除方位向模糊,容易造成虚警,而本文算法对实验影像的船舶方位向模糊去除准确率优于95.8%,能够有效剔除船舶方位向模糊。结论 该算法为星载SAR影像上船舶方位向模糊去除提供了新的手段,有助于提高SAR影像上船舶目标检测的准确性。     

SAR图像舰船目标检测的信息几何方法

目的 舰船目标检测是合成孔径雷达（SAR）图像在海事监测领域中的一项重要应用。由于海面微波散射的复杂性,SAR图像中海杂波分布具有非均匀性、非平稳性等特点,传统的基于恒虚警率（CFAR）的SAR图像舰船检测算法难以适应复杂多变的海杂波环境,无法实现实时有效的智能检测任务。鉴于此,本文提出了基于信息几何的SAR图像船舰目标检测方法,旨在分析统计流形及其在参数空间中的几何结构,探讨信息几何在SAR图像目标检测应用中的切入点,从新的角度提升该应用领域的理论与技术水平。方法 首先,运用威布尔分布族对SAR图像中的海杂波进行统计建模,利用最大似然方法估计SAR图像局部邻域像素的分布参数,并将不同参数下的统计分布作为威布尔流形上的不同点;其次,融合高斯分布的费歇耳度量来构造威布尔流形空间中概率分布之间的测度,实现目标与背景区域的差异性表征;最后,利用最大类间方差法,实现SAR图像舰船目标检测。结果 实验和分析表明,相比于传统的基于恒虚警率的检测算法,信息几何方法可以有效地区分舰船目标和海杂波背景,降低虚警率,实现舰船目标显著性表示与检测。结论 由于舰船目标的复杂后向散射特性,如何有效地表征这一差异,是统计类检测算法的关键所在。本文依据信息几何理论,将概率分布族的参数空间视为微分流形,在参数流形上构造合适的黎曼度量,对SAR图像中各像素局部邻域进行测度表征,可以显著性表示目标与背景杂波之间的统计差异,实现舰船目标检测。     

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。
     

利用高斯混合模型的SAR图像目标CFAR检测新方法

SAR（合成孔径雷达）图像杂波分布模型种类繁多且对实际地物的建模能力有限。在使用基于杂波统计模型的CFAR(恒虚警率)算法对SAR图像进行目标检测时,杂波统计模型的失配会导致检测结果产生较大的CFAR损失,算法精度不高。提出了一种基于高斯混合模型的CFAR检测新方法。该方法以理论上可以拟合任意形状概率密度分布的高斯混合模型对实际SAR图像的背景杂波进行拟合,利用拟合后得到的分布模型,根据CFAR检测的原理推导出目标检测阈值的计算公式完成目标的检测。新方法对服从不同分布模型的背景杂波,使用形式上统一的模型进行描述,克服了CFAR检测高度依赖背景杂波分布的缺点,提高了CFAR的通用性。实验结果表明,即使在背景杂波类型未知的情况下,新方法依然得到了良好的目标检测效果。     

双向特征融合的数据自适应SAR图像舰船目标检测模型

目的 利用合成孔径雷达（synthetic aperture radar,SAR）图像进行舰船目标检测是实施海洋监视的重要手段。基于深度学习的目标检测模型在自然图像目标检测任务中取得了巨大成功,但由于自然图像与SAR图像的差异,不能将其直接迁移到SAR图像目标检测中。针对SAR图像目标检测实际应用中对速度和精度的需求,借鉴经典的单阶段目标检测模型（single shot detector,SSD）框架,提出一种基于特征优化的轻量化SAR图像舰船目标检测网络。方法 改进模型并精简网络结构,提出一种数据驱动的目标分布聚类算法,学习SAR数据集的目标尺度、长宽比分布特性,用于网络参数设定;对卷积神经网络（convolutional neural network,CNN）提取的特征进行优化,提出一种双向高低层特征融合机制,将高层特征的语义信息通过语义聚合模块加成到低层特征中,在低层特征中提取特征平均图,处理后作为高层特征的注意力权重图对高层特征进行逐像素加权,将低层特征丰富的空间信息融入到高层特征中。结果 利用公开的SAR舰船目标检测数据集（SAR ship detection dataset,SSDD）进行实验,与原始的SSD模型相比,轻量化结构设计在不损失检测精度的前提下,样本测试时间仅为SSD的65%;双向特征融合机制将平均精确度（average precision,AP）值由77.93%提升至80.13%,训练和测试时间分别为SSD的64.1%和72.6%;与公开的基于深度学习的SAR舰船目标检测方法相比,本文方法在速度和精度上都取得了最佳性能,AP值较精度次优模型提升了1.23%,训练和测试时间较精度次优模型分别提升了559.34 ms和175.35 ms。结论 实验充分验证了本文所提模型的有效性,本文模型兼具检测速度与精度优势,具有很强的实用性。     

SAR图像CFAR检测的快速算法综述

针对合成孔径雷达(Synthetic aperture radar, SAR)图像目标检测中恒虚警率(Constant false alarm rate, CFAR)算法的广泛应用, 进行CFAR检测的快速算法分析具有重要研究价值. 首先概述了当前国内外对SAR图像CFAR检测快速算法的研究现状; 然后分别从快速预筛选和迭代计算方法两个方面对各类快速算法的实时性及性能进行了分析总结, 给出了四种基本CFAR检测器的迭代计算公式, 并提出了一种研究CFAR检测快速算法的基本框架, 现有的快速算法均可纳入该理论框架予以分析; 最后, 以经典双参数CFAR检测算法为例, 对该基本框架进行仿真实现和性能分析, 验证了其可行性与检测性能．结果表明: 新的CFAR检测快速算法基本框架充分融合了快速预筛选思想和迭代计算方法的优势, 有效提高了CFAR算法在SAR图像检测应用中的执行效率.