基于APES的超分辨广域成像算法

多普勒波束锐化(Doppler beam sharpening, DBS)技术可以快速地对广阔地面场景进行成像,但存在成像分辨率不高的问题。简单介绍了DBS的成像原理,建立了方位向超分辨的信号模型,并在此基础上提出一种新的超分辨广域成像算法。该算法将脉压后的回波信号建模为一系列不同多普勒频率散射点的叠加,利用幅度相位估计(amplitude and phase estimation, APES)方法对脉压后的数据进行多普勒分析,进行方位向的成像。仿真结果与实测数据表明,所提算法可以获得清晰的广域超分辨图像。     

基于Wishart距离和超像素的极化SAR图像车辆检测

针对极化合成孔径雷达(synthetic aperture radar, SAR)在城市区域复杂地物条件下的密集车辆目标检测问题, 提出了一种结合超像素分割和Wishart分类器的非监督目标检测方法。首先,根据不同地物的极化散射特征检测出建筑物。然后,利用不包含建筑物的Wishart分类器和超像素分割获得目标的形态信息。接着,利用包含建筑物的Wishart分类器获得目标中心点。最后,通过区域生长对二者进行信息融合并完成目标检测任务。基于X波段的机载极化SAR数据表明, 所提算法不仅可以对密集目标进行区分和定位, 并且目标形态保持完整; 相比于传统方法, 目标检测与虚警鉴别性能得到较大提升。     

极化SAR图像中的弱小舰船目标检测

结合最新的子空间数据分析方法--非负矩阵分解(nonnegative matrix factorization, NMF),对极化合成孔径雷达(synthetic aperture radar, SAR)图像中的弱小舰船目标提出一种全新的有效检测方法。该方法利用极化协方差矩阵分解,得到包含极化图像能量的特征值组,组成满足NMF要求的非负矩阵;然后采用稀疏限制的NMF来提取其中的主要特征,以此将舰船目标检测出来。采用国内全极化和双极化实测海洋数据进行实验,验证了本文方法的有效性。     

基于极化合成孔径雷达的舰船检测方法

特征提取是极化合成孔径雷达图像处理的一个重要问题,也是海上目标检测的关键。相似性参数和极化熵可以表征目标的电磁散射特性。为了增强目标与背景的对比,提出了一种基于特征融合的新参数。这种参数可表达区域的差异性,处理后目标与背景的对比更加明显。研究了该参量在海杂波区域的分布模型,进而提出了一种新的海上船只检测方法,该方法可用于多视情况下的舰船检测。最后用机载合成孔径雷达(airborne synthetic aperture radar, AirSAR) 数据验证了该方法的有效性。     

基于多源遥感图像多级协同融合的舰船识别算法

针对极化合成孔径雷达(polarimetric synthetic aperture radar, PolSAR)图像存在斑点噪声严重、可视性差、直接影响目标识别精度的问题,提出一种基于多源遥感图像多级协同融合的舰船识别算法。通过采用多级协同融合方式,丰富图像的特征量,提高舰船识别精度。所提方法首先进行多源遥感数据的像素级融合,然后在上一步基础上进行特征级融合,最终得到新的目标特征。所提方法充分发挥了不同频段的PolSAR与多光谱图像的信息互补优势,不仅保留了多频段PolSAR对目标的极化散射特征,也保留了多光谱数据的空-谱信息。所提方法在可视性与检测精度上表现都较为出色,与传统的单一遥感数据相比,识别精度至少提高了5.12%。     

基于语义分割实现的SAR图像舰船目标检测

基于深度学习实现的目标检测方法在自然图像中取得非常大的成功,而将诸多方法运用于合成孔径雷达(synthetic aperture radar, SAR)图像舰船目标检测逐步成为新的趋势。如何将已有方法改进并与SAR图像的特点相结合完成特定的检测任务,已经成为当前主要的研究方向。不同于当前已有方法,本文对存在的深度学习SAR图像舰船目标检测方法进行了再思考,提出了基于语义分割实现的检测、分割一体化方法。通过语义分割实现的检测方式能够有效地避免当前诸多检测网络的复杂解码过程,具有生成的预测框更加贴合目标、精度以及召回率更高等特点。该方法虽属于无锚框检测,但实验结果表明,达到了双阶段检测效果,且具有更加精细化的分割结果,适用于复杂背景检测与分割问题。     

基于改进型YOLOv3的SAR图像舰船目标检测

传统合成孔径雷达(synthetic aperture radar, SAR)图像目标检测的方法依赖于人工设计特征且易受复杂背景干扰, 泛化能力较差。深度学习的方法可以自动提取特征且具有良好的抗干扰特性, 对于未来雷达智能感知具有重要意义。不同于其他只能对固定区域进行检测的常规卷积神经网络, 本文提出一种改进型YOLOv3的SAR图像舰船目标检测方法, 该方法基于舰船尺寸与形状自适应采样的可变形卷积、ResNet50变体特征提取器和ShuffleNetv2轻量化思想等设计YOLOv3模型。通过SSDD数据集验证, 在检测效果方面, 相较于原YOLOv3模型, 平均精度从93.21%提高至96.94%, 检测概率从95.51%提高至97.75%;在模型大小方面, 轻量化设计模型仅为原YOLOv3模型的八分之一, 可实现嵌入式的使用。     

基于YOLO框架的无锚框SAR图像舰船目标检测

面向合成孔径雷达(synthetic aperture radar, SAR)多目标检测应用, 提出了一种基于YOLO (you only look once) 框架的无锚框SAR图像舰船目标检测方法。该方法针对YOLOv3锚框需要预先设定且无法完美契合的弊端, 通过采用无锚框方法更好适应所检测目标的大小, 便于多尺度目标使用。在此基础上, 给CSPDarknet53网络增加了注意力机制作为特征提取网络, 然后经过能够增大感受野的改进特征金字塔网络(feature pyramid network, FPN)后, 把特征图传给无锚框检测头, 有效提升了目标类别和位置的预测精度。实验证明, 所提算法在公开SAR舰船数据集上平均精度比YOLOv3提高3.8%,达到了94.8%, 虚警率降低4.8%。     

基于超密集特征金字塔网络的SAR图像舰船检测

针对星载合成孔径雷达(synthetic aperture radar, SAR)图像舰船目标检测困难的问题,提出了一种基于超密集特征金字塔网络的检测算法。首先,利用残差神经网络提取原始图像特征,构建特征图。其次,跨尺度连接多个特征层获取超密集特征金字塔,建立多尺度的高层语义特征映射,增强特征传播和重用。然后,再利用区域建议网络提取每层金字塔的候选区域输入检测网络。最后,通过融合候选区域及其周边上下文信息,将检测网络注意力集中至海域以抑制虚警,并为分类器计算置信度和边框回归提供补充信息。多组仿真实验证明,所提网络框架设定合理且检测性能优越。     

基于超密集特征金字塔网络的SAR图像舰船检测

针对星载合成孔径雷达(synthetic aperture radar, SAR)图像舰船目标检测困难的问题,提出了一种基于超密集特征金字塔网络的检测算法。首先,利用残差神经网络提取原始图像特征,构建特征图。其次,跨尺度连接多个特征层获取超密集特征金字塔,建立多尺度的高层语义特征映射,增强特征传播和重用。然后,再利用区域建议网络提取每层金字塔的候选区域输入检测网络。最后,通过融合候选区域及其周边上下文信息,将检测网络注意力集中至海域以抑制虚警,并为分类器计算置信度和边框回归提供补充信息。多组仿真实验证明,所提网络框架设定合理且检测性能优越。     

一种基于二维Gamma分布的SAR图像变化检测方法

对于隐藏在强杂波环境中的人造目标,传统的恒虚警率（constant false alarm rate, CFAR）目标检测算法受到较大程度的制约。为了改善检测性能,提出了一种基于二维Gamma分布的变化检测算法,并给出了参数估计、变化分析、CFAR归一化、目标聚类等关键步骤的实现方法。该算法在拟合精度较高的二维Gamma分布的基础上,充分利用图像间的相关性抑制强杂波。对实际数据的处理表明,该算法具有较好的检测性能,能在低虚警率的基础上实现较高的检测率。     

基于混合Wishart分布MRF分割的极化SAR图像海岸线检测

针对基于Wishart分布马尔可夫场(Markov random field, MRF)海陆分割存在海面和陆地整体区域无法使用单一Wishart分布描述的问题,提出了一种基于混合Wishart分布的极化合成孔径雷达(synthetic aperture radar, SAR)图像海岸线检测方法。该方法首先对极化SAR总功率边缘能量采用两区域Ostu阈值分割得到初始海陆分割结果,然后采用混合Wishart分布描述陆地和海面区域,通过基于混合Wishart分布MRF两区域分割迭代计算实现海陆精确分割。最后对经过水域合并处理的海陆分割结果进行边界跟踪实现海岸线检测。分别使用了RADARSAT2中国海南陵水地区和新加坡部分地区极化SAR数据进行实验,实验结果证明提出方法比基于Wishart分布MRF分割方法更加精确和鲁棒。     

全极化沿航向干涉SAR系统参数优化设计

为最大化全极化沿航向干涉合成孔径雷达(synthetic aperture radar, SAR)系统相对于单极化沿航向干涉SAR系统的运动目标检测优势,建立了一种以可测速区间长度之比为目标函数的优化模型,提出了相应的最优解求解方法。仿真实验结果表明,与模型最优解对应的参数设置充分利用了雷达系统的极化信息,最大化了全极化干涉系统在运动目标检测方面的优势。