基于SAR影像数据的多分辨率CFAR目标检测算法及精度分析

本文的研究目标是利用极化合成孔径雷达图像统计特性提高目标检测精度。从合成孔径雷达(SAR)成像机理出发,通过研究目标杂波的统计特性以及不同分辨率情况下人造目标的检测效果,探讨一种基于小波变换和恒虚警率(CFAR)的多分辨率算法进行目标检测的方法。实验分析比较传统CFAR目标检测算法与基于小波变换的多分辨率CFAR目标检测算法,实验结果表明,本文算法检测效果明显优于传统CFAR目标检测算法。     

基于全极化SAR影像的舰船目标检测算法研究

介绍了基于星载极化SAR影像的舰船目标检测的处理流程,针对基于不同杂波模型的CFAR检测法和基于相干信息的2L-IHP检测法,分析实现了瑞利分布、Gauss分布、韦布尔分布、对数正态分布,四种常用杂波分布模型的CA-CFAR检测法,通过实验检测海面舰船目标,发现这四种杂波模型针对不同海况有着不同的适应性,其检测效果也大不相同。而2L-IHP检测法不依赖于海杂波模型,通过子孔径相干提高目标和背景之间的对比度,实验结果表明,该方法能大幅提高海面舰船目标的检测概率。     

基于压缩感知的SAR图像CFAR目标检测算法

在球不变随机向量的非高斯背景下,针对估计协方差矩阵可能奇异的情况,研究了距离扩展目标的自适应检测方法。首先,推导了非高斯背景下未知协方差矩阵和目标散射点幅度的修正最大似然(maximum likelihood,ML)估计;然后,基于纹理分量的近似ML估计,建立了自适应检测器(adaptively modified generalized likelihood ratio test,AMGLRT)。仿真结果表明,AMGLRT在目标散射点能量均匀分布时检测性能最佳,随着杂波尖峰的减小或阵元数的增加,AMGLRT的检测性能有所改善;且其对不同杂波相关性表现出很好的鲁棒性。另外,AMGLRT的检测性能优于已有的M/K检测器,且这种性能优势随着散射点个数的增加而增大。     

一种快速的SAR图像目标检测方法

针对SAR图像检测方法效率低等问题,提出了一种联合灰度和纹理特征的快速检测算法,通过利用全局检测算法与垂直方向纹理边缘的并行检测来提高检测速度,并给出了一个实例,验证了所提方法的有效性。     

基于压缩感知的无人机航拍遥感图像动态重构方法

针对当前无人机航拍遥感图像动态重构效果不佳,图像清晰度较低的问题,提出基于压缩感知的无人机航拍遥感图像动态重构方法.构建无人机航拍遥感影像降质模型,获取图像特征信息,进一步对无人机航拍遥感图像进行降噪预处理,更好地提高无人机航拍遥感图像的分辨率、光谱和多时相趋势,有效解决采样数据量大、采样时间长、数据传输存储量大等资源浪费问题.最大程度上提高无人机航拍遥感图像的采样率、降低无人机航拍遥感图像动态重构复杂度,有效获得高质量的图像重建的研究要求.实验结果表明,提出的基于压缩感知的无人机航拍遥感图像动态重构方法正确有效,优于目前的主流方法.     

基于FFT稀疏压缩感知域内遥感图像融合

压缩感知理论因其远低于乃奎斯特采样率的特性,减少了大量的采样数据。基于这一特性,提出一种在压缩感知域内进行遥感图像融合的方法。该方法首先对图像作快速傅里叶变换(FFT);然后进行测量采样获取压缩感知域数据;再采用权重法对数据进行融合;最后通过重构算法得到融合图像。通过实验得出压缩感知域内遥感图像融合具有数据量少,融合效果好等特点。     

利用压缩感知方法的高分辨率三维层析SAR研究

利用压缩感知方法解决SAR三维层析成像中的频谱估计问题,弥补了传统谱估计方法的一些缺陷,准确重建了来自不同散射目标的回波信号。实验结果表明,该方法不仅能够有效地区分影像中同一像元中的多个散射体,而且可以较为准确地获取目标散射体相对强度分布及高程信息,为目标的分类和识别提供更多依据,显现出对数据量要求较少及抗噪声性能强等优势。     

压缩感知窄带自旋目标雷达成像

对于高速自旋目标而言,为了获得聚焦效果良好的图像,通常要求雷达系统具有较高的脉冲重复频率(PRF)。当PRF不满足采样要求时,雷达接收到的通常是方位欠采样的回波数据,从而影响目标识别。本文根据压缩感知理论,结合自旋目标回波信号稀疏性的特点,建立方位欠采样的成像模型,并提出了基于压缩采样匹配追踪的窄带雷达高速自旋目标成像算法。该算法在对信号进行重构迭代中,采用回退策略,并结合回波信号稀疏性的具体参数,选取最优的支撑集,提高了算法的重构质量。仿真实验表明新算法在回波欠采样的情况下能很好地重构图像,尤其是在低信噪比的情况下。采用"误选数"和"均方误差"两个指标对CoSaMP算法重建信号的性能进行评价,结果表明该算法受雷达PRF和信噪比SNR的影响较小,算法稳定性好。     

基于边缘分析的海面溢油检测

提出一种基于边缘检测的快速溢油信息提取方法, 首先对溢油图像进行ROA(radio of average)边缘检测, 根据检测结果进行AOI(area of interest)提取, 然后使用改进的Weibull-CFAR检测算法对AOI进行溢油检测, 并与全局CFAR检测结果进行对比。实验结果证明, 所提出的方法对于非均匀灰度SAR图像溢油检测准确性较好、效率较高, 特别适用于大图像的快速溢油检测。     

高光谱图像目标检测算法分析

本文将国内外的高光谱图像目标检测算法分为光谱异常检测、光谱匹配检测和高光谱与高空间分辨率结合目标检测三种检测算法,分析了三种检测算法的原理、应用特点和局限性,并探讨了目标检测算法的发展的可能性。     

一种改进人类视觉的SAR图像舰船检测方法

针对以离散余弦变换为核心的人类视觉模型舰船检测算法受数据类型限制的问题(即对复数类型的数据检测效果不好),该文提出了一种改进的人类视觉模型SAR图像舰船检测算法。该算法是以快速傅里叶变换代替离散余弦变换,将SAR图像从空间域变换到频率域;快速傅里叶变换对数据类型要求较低,只要求数据是离散的,并且运行效率更高。然后,采用3种星载SAR数据——ENVISAT ASAR(25m)、Sentinel-1(10m)和Cosmo-Skymed(2.5m)进行对比实验。结果表明,以快速傅里叶变换为核心的人类视觉模型舰船检测算法的检测性能和效率优于以离散余弦变换为核心的算法、双参数恒虚警率(CFAR)算法和K分布恒虚警率算法。     

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。     

雷达CFAR检测的仿真研究

杂波背景中区分出有用目标回波的恒虚警(CFAR)检测技术,是直接影响雷达性能的关键技术之一。主要研究了CFAR检测的基本理论,重点研究了ML类CFAR算法中的邻近单元平均恒虚警(CA-CFAR)的检测算法,推导了其检测概率和虚警概率表达式,通过计算机仿真比较了在不同窗长情况下的检测门限。     

一种多孔径SAR图像目标检测方法

提出了一种多孔径SAR图像目标检测方法,充分利用SAR图像幅度和相位信息来区分人造目标和杂波。由于人造目标的回波能量往往集中在部分方位角范围内,当该部分方位角范围所对应的多个子孔径图像中存在目标时,其局部相关性较强,因此,该方法利用多个子孔径图像之间的相干系数检测目标。实验结果表明,该方法有效地提高了目标检测概率,同时降低了虚警概率。     

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。     

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。     

基于Hough森林算法的遥感影像目标检测

在遥感影像飞机目标检测中,由于目标训练样本的局限性及遥感影像尺寸较大带来的复杂性,直接使用级联式Adaboost算法会产生较多的虚警,因此需要采取一定手段去除虚假目标。近来,Hough森林算法因其简单而有效的表现在目标检测中有较多的应用。然而,直接使用Hough投票机制应用于遥感影像全图,时间耗费比较大。因此,本文将两种算法结合起来,首先由级联Adaboost算法检测出候选目标区域,然后通过改进的Hough森林算法对这些候选目标区进行二次筛选。在二次筛选中,由于初检已经确定目标的可能位置,因此不需要对全图的图像块进行位置投票,只需用对该区域作目标存在可能性评价,降低了时间消耗。试验表明,本文方法不仅能很好地去除虚假目标,同时也保证了检测时间的有效性。     

高光谱图像异常目标检测算法研究与进展

高光谱图像是一种新型的具有"图谱合一"特性的遥感图像,其连续的光谱曲线可更好地表达地表物质间的细微差异,在地表物质的分类、解混和目标探测等方面得到了广泛应用。随着高光谱遥感技术的深入发展,对不需要先验信息的异常目标检测的研究成为最活跃的方向之一,许多研究者提出了具有较好效果的异常检测算法。基于对国内外已有算法的综合归纳和分析,系统地论述了高光谱异常检测的研究现状和最新进展。阐述了高光谱异常目标检测的实质和基本理论;从算法思想、关键技术和优缺点等方面重点分析总结了较有代表性的异常目标检测算法,并对其进行了概括和阐述;最后对异常检测算法的未来研究方向进行了展望,力图为高光谱异常目标检测算法研究找到新的突破点。     

雷达图像的目标检测──成像雷达微波遥感知识介绍之五

从雷达图像上发现、识别和解译地面目标或目标的某一物理参数的过程称为雷达图像的目标检测或目标特性检测。它包括定性和定量两个方面。通常所说的雷达图像解译是指雷达图像的定性分析过程,包括获得某些无需定标就能测得的定量数据过程。而定量分析必须使用定标侧视雷达图像,因而被称为定量雷达遥感技术。显然,不论是定性分析,还是定量测试,首先应能在图像上发现目标,然后根据目标在图像上的标记(特有的灰度特性和形状、大小、纹理特征等)及其与相邻目标的依存关系,或借助必要的仪器(放大镜组、立体镜、投影仪等)和计算机图像处理方法来确定目标的数量和质量。目前在大部分雷达图像应用中国视解译仍占主导地位。     

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.