基于鲁棒主成分分析的SAR舰船检测

针对单极化SAR舰船目标恒虚警检测无标准杂波模型可选,且多目标情况下易发生目标检测不完整和弱目标丢失的问题,该文提出一种基于鲁棒主成分分析(robust principle component analysis,RPCA)的舰船检测方法,通过利用SAR图像中内在的海面低秩属性和舰船目标的稀疏属性,借助推导的增量Lagrange乘子算法,将SAR图像分解为低秩图像、噪声图像(两者之和对应海面)和稀疏图像(对应舰船)的和,从而一次性实现目标检测和杂波抑制,不依赖任何杂波模型和检测统计量。仿真实验验证了增量Lagrange乘子算法的有效性。实测数据处理实验中与平均单元恒虚警检测法和均方误差恒虚警检测法进行了对比,结果表明该方法可以正确从海杂波中检测出舰船目标,具有良好的鲁棒性。     

基于低复杂度卷积神经网络的星载SAR舰船检测

星载SAR(合成孔径雷达)舰船检测广泛应用于海上救援和国土安全防护等领域.鉴于传统的检测方法仍存在虚警率高等缺点,本文将具有强大表征能力的卷积神经网络(CNN)引入到星载SAR舰船检测中,面向SAR舰船检测的精准快速的需求,提出了基于低复杂度CNN的星载SAR舰船检测算法.算法结合星载SAR图像的特点,利用ROI提取方法实现目标粗提取,得到可疑目标切片及其对应的位置信息;通过构建的低复杂度CNN对所有的可疑目标切片进行精确分类,确定舰船目标,从而实现舰船目标检测.实验测试结果表明:本文提出的算法可以实现精准的星载SAR舰船检测;与传统双参数CFAR目标检测和基于现有深度网络框架(LeNet、GoogLeNet)的检测算法相比,该算法检测性能更好、检测时间更短,可有效降低检测漏检率和虚警率.     

一种改进的SAR图像相干斑抑制方法

传统的抑制合成孔径雷达(SAR)图像斑点噪声的TDRGMAP方法,对大面积呈强反射的典型战略目标检测效果较差、边缘定位精度较低。文章针对TDRGMAP方法提出了一种改进算法,将恒虚警检测(CFAR)和双参数恒虚警检测(B-CFAR)结合起来检测及保持点目标,并引入了自适应窗口的方法进行边缘和线条检测。用真实机载SAR图像进行实验,证明所提出的新方法取得了较好的改进效果。     

基于H-CFAR的SAR图像快速舰船目标检测

SAR舰船目标的快速、准确检测是SAR海洋业务化应用中的重要需求,文章提出了一种基于直方图恒虚警率(H-CFAR)的快速检测方法.该方法直接利用SAR图像的灰度直方图信息,并结合CFAR算法,实现了SAR舰船目标的检测;利用ASAR、TerraSAR和Radarsat-2数据对此方法进行了检验,结果表明,该方法与现有的K CFAR相比,在相同的硬件条件下,能够更快更准确地实现SAR舰船目标检测.     

利用相位特征筛选参考单元的改进CFAR方法

在传统单元平均恒虚警的基础上，提出一种利用相位特征筛选参考单元的改进恒虚警方法：通过判断连续脉冲回波在同一参考单元时的相位线性情况，剔除相位线性度强的参考单元，形成待检测单元适应性更好的检测门限，并通过仿真与实测数据测试，对比该算法与其他均值类恒虚警算法在不同环境背景下的检测性能。结果表明：在均匀单目标背景下，改进的恒虚警算法与单元平均恒虚警检测性能相当，比其他均值类检测器检测性能更好；而在多目标环境与杂波边缘环境下，改进的恒虚警算法相比其他均值类恒虚警算法能更好地避免目标遮蔽现象，检测性能更好。     

一种光学遥感图像海面舰船检测算法

为了在通用硬件平台上实现光学遥感图像海面舰船检测,提出一套适合实际系统应用的算法。首先,在海陆分割阶段设计能快速粗分图像内容的自适应双门限阈值分割方法;其次,根据海面舰船分布稀疏的特点对分块后的图像进行目标存在性初判;接着,只对初判为有目标的分块提取目标候选区域,提高了检测效率,其中引入杂波率系数自适应地控制Top-Hat算子中结构元素的尺寸,使其更好地抑制背景;最后,采用基于特征的模式识别方法剔除虚警。测试结果验证了算法的性能,并在硬件平台上进行了实现。     

低分辨率SAR图像舰船目标检测

针对低分辨率合成孔径雷达(synthetic aperture radar, SAR)图像舰船目标受背景及杂波影响难以检测的问题,通过构建一种基于生物视觉侧抑制理论的背景抑制网络模型,有效地抑制了背景杂波.采用基于RENYI熵的分割方法提取舰船目标兴趣区域,以低分辨率SAR图像中舰船目标的成像特点为先验知识,结合同质性检验,滤除了兴趣区域中的虚假目标,降低了虚警率.实验结果表明:所提出的算法能够有效地抑制强海杂波背景,突出目标,既能用于检测SAR图像中带尾迹特征的舰船等运动目标,也可用于检测无尾迹特征的舰船目标.     

基于威布尔分布杂波模型的加权有序统计模糊CFAR检测算法

为了解决有序统计恒虚警(order statistic constant false alarm rate,OS-CFAR)、有序统计最大选择恒虚警(order statistic greatest of-constant false alarm rate,OSGO-CFAR)和有序统计最小选择恒虚警(order statistic smallest of-constant false alarm rate, OSSO-CFAR)检测算法在非均匀噪声环境下检测性能严重下降的问题,基于威布尔分布模型和模糊量化的软决策方法,提出了一种加权有序统计量的模糊恒虚警(weighted order statistic and fuzzy rules constant false alarm rate, WOSF-CFAR)检测算法。通过计算 Leading和Lagging子窗口对应的模糊隶属函数值,采用代数积、代数和、最大选择和最小选择4种融合规则对2个子窗口的模糊输出量进行融合,并与比较门限进行比较判别目标有无。仿真表明,提出的检测方法与OSGO-CFAR, OSSO-CFAR算法相比,在均匀噪声、杂波边缘干扰和多目标干扰环境下均具有较好的检测性能,尤其是采用代数积融合规则时,检测性能最优,且提出的检测算法在均匀噪声环境下也具有最佳的检测性能。     

相关K分布杂波中扩展目标积累检测性能分析

针对时空相关K分布(C-KD)杂波背景中扩展目标的滑窗积累检测(SWAD)与顺序统计-滑窗积累检测(OS-SWAD)的性能分析问题,采用广义K分布拟合、矩匹配、相关数据中的有效样本尺寸估计以及分数阶顺序统计等方法,获得了零假设条件下检验统计量的概率分布函数的拟合表达式,建立了虚警概率、恒虚警检测门限以及杂波参数之间的关系方程,并通过蒙特卡罗仿真实验对各种概率分布函数的拟合精度以及给定检测门限下的虚警控制精度进行了评估.理论分析与仿真实验表明本文提出的方法是合理和有效的.     

基于OS和UMVE的最大选择恒虚警检测算法

为了提高恒虚警检测器在多目标环境下的检测性能及有效控制杂波边缘环境中虚警率的上升,基于结合高效的无偏最小方差估计(UMVE)算法提出了一种新的最大选择恒虚警检测算法(OSUMGO-CFAR),它的前、后沿滑窗分别采用OS和UMVE方法得到两个局部估计,将其中的最大值作为背景杂波功率水平估计,去设置自适应检测门限。在SwerlingⅡ型目标假设下,推导了该算法在均匀背景下的矩产生函数MGF、平均判决阈值ADT、多目标环境下检测概率Pd和杂波边缘环境中虚警尖峰的数学解析表达式。采用数值计算的方法,将恒虚警损失及虚警尖峰分别作为衡量算法在多目标和杂波边缘环境下性能优劣的标准。分析结果表明,该算法在多目标和杂波边缘引起的非均匀背景中的性能,均比OSTMGO和GOSGO算法得到了改善。