Yamaguchi分解Notch滤波的全极化SAR图像舰船目标检测

极化合成孔径雷达数据蕴含了丰富的地物极化散射信息,已广泛应用于海上舰船目标检测研究。针对极化相干矩阵无法直接用于分析特定散射体物理特性的缺陷,利用Yamaguchi极化分解改进了极化Notch滤波器。将基于模型的极化分解方法引入Notch滤波器,利用表面散射、二次散射、体散射和螺旋体散射等散射机制的能量构造散射矢量代替极化相干散射矢量,并加入功率能量因子,构造新的极化SAR图像Notch滤波器。Radarsat-2全极化SAR图像实验结果表明,改进算法有效增强了舰船目标与海杂波背景间的对比度,检测性能优越。     

利用全极化SAR数据去方位向模糊的舰船目标检测方法

在SAR成像过程中,利用目标相对于雷达运动的多普勒频率进行方位向压缩来提高方位向分辨率。对于海面舰船目标,往往由于SAR发射的脉冲重复频率过低,回波信号的多普勒频率欠采样,引起高亮度的方位向模糊噪声,产生虚假目标。若直接利用传统CFAR、子孔径相干等目标检测算法,会把方位向模糊引起的虚假目标误判为舰船目标,降低了舰船目标的检测精度。针对SAR影像方位向模糊现象,提出一种利用全极化SAR数据的舰船目标检测算法,其利用H-A-Alpha分解得到的第三散射机制,结合方位向全极化子孔径相干,消除了方位向模糊噪声对舰船目标检测的影响,提高了舰船目标的目标杂波比。通过采用日本玉野Kojimawan港口附近的C波段AIRSAR全极化数据进行试验,验证了该算法能消除SAR方位向模糊,降低虚警率,提高舰船目标的检测精度。     

SAR图像点目标检测新方法

分析了2L-IHP目标检测算法,提出了一种基于幅度和相位信息的SAR图像目标检测方法,实现了SAR图像中人工目标的有效检测.     

基于压缩感知的SAR图像CFAR目标检测算法

提出了一种基于压缩感知(compressed sensing,CS)和恒虚警率(constant false alarm rate,CFAR)目标检测算法,用于合成孔径雷达(synthetic aperture radar,SAR)图像的目标检测。针对传统的均值类和有序统计量类CFAR目标检测算法,首先对每个局部滑窗的背景杂波像素利用压缩感知进行重建,以此来降低SAR图像相干斑现象的影响,然后利用重建后的数据进行杂波分布参数的估计,并利用CFAR检测器进行目标检测。在真实的SAR图像中证明了上述目标检测算法的有效性。     

一种优化的极化SAR图像海面目标检测方法

提出一种优化的极化SAR图像海面目标检测方法,结合改进的极化SAR四分量分解中的螺旋散射分量与Wishart分类器,充分利用极化散射特性、结构特征、统计特性来进行目标的自动检测。同时通过纹理特征相似性克服了Wishart分类器在无目标海域检测时容易将强度值较高的海杂波误认为目标的缺陷。采用美国无人机UAVSAR在Mexico海域和巴拿马Barro Colorado Island海域获取的两组L波段全极化数据进行实验验证。实验结果表明:文中的优化方法能够较准确检测海面目标,很好地降低虚警率;同时解决了Wishart分类器在无目标海域发生错检的问题。     

一种改进的杂波图检测方法

雷达目标恒虚警检测技术是雷达信号处理系统中的关键技术,雷达目标恒虚警检测技术按杂波强度估计方式的不同可分为滑窗式检测和杂波图检测。杂波图检测方法常用于空域变化较剧烈的非均匀杂波背景,但经典的Nitzberg杂波图检测方法在拖尾较重的非高斯杂波背景中性能会恶化。本文基于非相干积累提出了一种杂波图检测新方法,并给出了其数学模型和数值分析结果。分析结果表明,该方法在"尖锐"杂波环境中的检测性能较好,且便于工程实现。     

可适应阵列误差和非均匀杂波环境的多通道SAR图像域STAP方法

多通道SAR图像域STAP方法是一种利用了长相干积累时间的STAP方法,其杂波抑制和运动目标检测能力强.但是,目前的多通道SAR图像域STAP方法均是在理想条件下给出的,没有考虑阵列误差和非均匀杂波环境对其性能的影响.文中分析了阵列误差和非均匀杂波环境的影响,提出了一种可适应阵列误差和非均匀杂波环境的多通道SAR图像域STAP方法.基于实测杂波数据的实验验证了所提方法的正确性.     

基于CFAR的RADARSAT-1南极裸岩目标信息提取

裸岩分布信息是获取南极冰厚0等值线的重要方法和手段,同时也是极地遥感地面验证的重要数据,因而自动提取南极裸岩信息具有重要的研究意义。采用对岩石和冰川具有较好对比度的RADARSAT-1南极区域合成孔径雷达数据,基于恒虚警率(CFAR)的方法,实现了南极裸岩目标信息的自动化提取。该方法的研究以四种杂波分布模型为前提,从而分析不同分布模型的抗噪性能,并通过卡方检验准则验证了四种方法的有效性;在典型的实验样区上比较不同CFAR方法的裸岩检测性能,最终选定最优参数用于南极洲裸岩信息的自动检测。两组实验结果表明,采用CFAR结合Weibull分布的方法,南极山脉的裸岩提取精度可达80%以上并将错检率控制在8%以下,能够较为精确地提取裸岩信息。     

高分辨率SAR图像杂波模型对比研究

本文针对高分辨率SAR图像的陆地场景,开展Normal分布、Rayleigh分布、LN分布、Weibull分布和Gamma分布模型的对比拟合实验。通过K-S法检验每种模型对不同SAR场景杂波数据的拟合精度,并通过Gamma Map滤波简单说明杂波模型在斑点噪声抑制方面的应用。结果表明,Gamma Map滤波效率高于其他的传统方法。     

Dense RFB和LSTM遥感图像舰船目标检测

针对当前遥感图像舰船目标检测精度不佳问题,本文构建舰船目标数据集STAR,提出基于Dense RFB和LSTM多尺度舰船目标检测算法。该算法首先在SSD网络基础上设计了浅层特征增强模块,基于人眼视点图采用Dense RFB特征复用和膨胀卷积增大感受野的尺度和种类,增强浅层网络对细节特征的提取能力;其次设计了深层多尺度特征金字塔融合模块,采用FPN和LSTM思想,基于反卷积和残差网络对深层不同尺度特征进行融合,增强网络结构非线性和特征层的表征能力;最后加入聚焦分类损失函数进行联合训练,有效避免了正负样本失衡问题。在遥感图像舰船数据集上实验,本文所提舰船目标检测算法精度均值达到81.98%,检测速度达到29.6帧/s。此外,遥感图像中成像模糊、被遮挡、部分被裁剪等舰船目标的检测效果也优于原有经典算法,实验结果表明该算法对遥感图像舰船目标检测的泛化能力较强,有效地提高了遥感图像舰船目标检测的精度。     

Using SAR Images to Detect Ships From Sea Clutter

An innovative constant false alarm rate (CFAR) algorithm was studied for ship detection using synthetic aperture radar (SAR) images of the sea. Two advances were achieved. An alpha-stable distribution rather than a traditional Weibull or -distribution was used to model the distribution of sea clutter. The distribution of sea clutter in a SAR image was typically heterogeneous, caused mainly by variable wind and current conditions. Image segmentation was carried out to improve the homogeneity of the distribution in each subimage or region. In comparison with ship detection using the CFAR algorithms based on the Weibull or K -distribution, our algorithm detected the most number of ships with the smallest number of false alarms.     

一种新的SAR图像船只检测方法

提出一种新的基于恒虚警率(CFARConstantFalseAlarmRate)技术,确定SAR图像中检测船只整体阈值的方法。该方法采用高斯分布(正态分布)作为SAR图像灰度的概率密度函数,由CFAR技术直接导出用于检测船只整体阈值的计算公式,用记数滤波器滤波去除虚警。该算法避免了复杂公式迭代和求解形状参数计算过程,也避免了用二分法寻找阈值的循环解算过程,提高了检测速度。使用XSAR和ERSSAR图像对该算法进行检验,并与其它算法进行比较,结果显示所提出的算法在检测精度和检测速度上都有明显的改进。     

SAR图像多尺度积增强的目标检测算法

合成孔径雷达（SAR）成像系统的热噪声和海杂波严重影响SAR图像自动目标检测的性能,去噪和均匀背景杂波是提高SAR图像目标检测性能的重要课题。根据SAR图像噪声功率一般存在于信号小尺度,没有跨尺度特征,而目标信号的边缘具有跨尺度的特点,本文提出了一种多尺度积信号增强和去噪的SAR图像船舰目标检测算法。本算法对SAR图像进行小波变换,应用多尺度积在小波域增强SAR图像船舰信号和均匀背景杂波,再对SAR图像进行目标检测。ERS SAR图像用于验证本文算法。仿真实验结果表明,新算法同传统的双参数CFAR检测算法、基于K-分布背景杂波的检测算法以及基于小波软阈值增强的检测算法相比,在虚警数和品质因数性能指标上均优于后几种检测算法。     

基于引力场增强的SAR图像舰船检测方法研究

船只检测是实现船只航行安全的重要措施之一,利用SAR图像可实现船只检测。然而,传统的一些方法一般容易受到SAR图像斑噪的影响,在检测结果中产生大量的虚警。为解决这一问题,本文提出了一种基于引力场增强的舰船检测方法。该方法利用像素与其邻域内像素的相互作用可对目标像素增强的效应,有效地抑制了斑噪像素和背景像素的强度,凸显了目标。由于增强后的像素已经不满足对海面区域的均质性假设,因此直接使用恒虚警检测算法对图像进行全局检测并不能够得到很好的效果,据此本文引入了一个基于均质区域自适应分割的改进的K-CFAR检测算法,将图像分割为不同大小的一系列均质区域,并分别对各个均质区域使用一个改进的K-CFAR检测器对船只目标进行检测。最后,使用Radarsat-1数据和Envisat ASAR数据对本文算法进行了验证。实验表明,本文提出的方法能够有效地凸显弱目标,增加检测准确性,降低检测的虚警概率。     

Modification of fractal algorithm for oil spill detection from RADARSAT-1 SAR data

This paper introduces a modified formula for the fractal box counting dimension. The method is based on utilization of the probability distribution formula in the fractal box count. The purpose of this method is to use it for the discrimination of oil spill areas from the surrounding features, e.g., sea surface and look-alikes in RADARSAT-1 SAR Wide beam mode (W1) and Standard beam mode (S2) data have been collected under different wind speeds. The results show that the new formula of the fractal box counting dimension is able to discriminate between oil spills, look-alike areas and pixels of the size of a single ship. The W1 mode data illustrate an error standard deviation of 0.05, thus performing a better discrimination of oil spills as compared to S2 mode data. We conclude that automatic detection and discrimination of oil spill and other sea surface features can be opertionalized by using the new formula for fractal box counting.     

复杂背景下的仿蝇视觉遥感异常检测

本文针对遥感影像复杂背景下,背景地物光谱特征与目标光谱特征之间存在较强相关性的问题,提出一种基于仿蝇视觉的复杂背景下遥感异常检测算法。首先构建并行多孔径背景模型,实现对复杂背景特征的自适应描述;然后基于异常目标的光谱特征相对异常性,采用相对马氏距离区分异常区域、不确定区域与无目标区域,消除背景与目标光谱相关性对检测结果干扰的同时,弥补了传统假设检验无法区分无目标和不确定问题的不足;最后融合多个背景模型的检测结果,实现异常目标检测。仿真实验将围绕多种背景地物并存复杂区域的异常检测验证本文算法的有效性。     

任务分配均衡的双参数CFAR舰船检测并行算法

双参数恒虚警率CFAR(Constant False Alarm Rate)是舰船目标检测中的常用算法。近年来,合成孔径雷达(SAR)分辨率不断提高,SAR图像幅宽增大,并且在检测时希望尽量保持舰船轮廓以便后续的舰船目标识别。双参数CFAR算法虽然能满足目标检测需求,但算法运行时间过长,不利于信息的及时处理。传统的MPI(Message Passing Interface)并行化解决方案在分配检测任务给各进程时,没有考虑因陆地掩膜,几何校正等预处理所导致的图像中待检测点分布不均。针对这一问题,本文提出改进的MPI并行化解决方案。与传统的MPI并行化解决方案相比,该方案能较为均衡地为各个进程分配检测任务。在集群计算机上的实验结果表明,改进后并行标准效率提高约43%。为应对机载SAR实时舰船目标检测的需求,在多核PC机上进行实验,结果表明,本文算法在多核PC机上也能有效地缩短检测时间,对实现机载SAR实时舰船目标检测有积极意义。     

G0分布下基于白化滤波的极化SAR图像CFAR检测

在已有的极化合成孔径雷达(PolSAR)图像恒虚警(CFAR)检测方法中,存在着高分辨下杂波模型适用性差的难题。为解决此问题,提出了一种G_0分布下虚警概率具有闭合解析表达形式的CFAR检测方法,并定义虚警损失率(CFAR Loss, C_L)参数用以量化评估CFAR检测方法的恒虚警保持效果。首先,在乘积模型框架下,引入了逆Gamma纹理变量假设,推导出了多视极化白化滤波(MPWF)检测量的概率密度函数(PDF)。然后,对MPWF检测量的概率密度函数积分得到了虚警概率关于CFAR检测阈值的解析表达式,并设计了相应的CFAR检测流程。最后,采用仿真数据和AIRSAR实测数据对已有方法和新方法进行了算法运行时间、检测量拟合性能及目标检测性能对比。实验结果表明,方法运行时间比已有方法缩短3至30倍,具有良好的实时性;日本玉野地区的AIRSAR实测数据结果表明G_0分布对高分辨不均匀海区具有良好的拟合性能,且新方法在G_0分布和非G_0分布海区均能有效检测出目标,鲁棒性较强,相比其他检测方法品质因数(FoM)平均高出15.78%;C_L分析结果表明新方法具有良好的恒虚警保持性能,同时指出杂波对数累积量散点距离G_0分布曲线越近,新方法的恒虚警保持效果越好。     

一种高分辨率SAR图像快速目标检测算法

目标检测是自动目标识别(ATR)的第一个阶段。研究合成孔径雷达(SAR)图像目标检测问题,提出了一种基于Rayleigh分布的CFAR快速检测算法,将CFAR检测分成水平和垂直CFAR检测两步进行。利用相邻点参考窗口的重合及图像的分布特性,提高了参数估计的效率。算法同时利用目标方差特性以减少虚警率。对MSTAR数据进行实验,结果表明该算法具有较好的性能。