极化SAR图像的人工目标检测

针对目前极化合成孔径雷达(SAR)目标检测仅使用单一极化检测器进行一次判决而造成检测率较低的问题,给出一种新方法。该方法将功率最大合成检测器、极化白化滤波检测器和最优极化检测器融合使用,用前一种检测器的输出来优化后一种检测器的输入,且通过迭代不断优化检测结果。为比较不同目标检测方法的性能,提出了一种准则,该准则规定对一幅SAR图像每种检测方法都取出相同点数的检测结果,虚警点少的方法性能好。实验表明:新目标检测方法在性能上优于其他方法;以该准则来比较不同极化SAR图像目标检测方法的性能简单易行,结果合理直观。     

基于Parzen窗函数的SAR图像人造目标检测算法

提出了一种基于Parzen窗函数的SAR图像人造目标检测算法.该方法首先以基于数据驱动的Parzen窗核函数逼近实际SAR图像的直方图,完成SAR图像的精确建模;在此基础上,理论推导了全局CFAR检测算法的阈值,设计了阈值求解的数值算法.典型目标的实际图像的实验结果证明,该方法是一种速度较快、精度较高的人造目标检测算法.     

基于水域跟踪的极化SAR图像桥梁检测

从精确的分割和连通桥梁跨越水域角度出发,该文提出一种基于水域跟踪的极化合成孔径雷达(polarimetric synthetic aperture radar,POL-SAR)图像桥梁检测方法。该方法首先使用极化SAR水平集分割方法实现精确的水陆分割,然后通过分支水域扫描及跟踪实现与桥梁检测相关各分支水域的连接,最后提取水域轮廓特征点确定桥梁端点,进而根据桥梁端点确定桥体区域实现桥梁检测。使用新加坡地区和中国海南陵水地区RADARSAT-2极化SAR数据进行实验,实验结果表明:该算法检测正确率高,且在大场景范围内实现了极短桥梁检测。     

基于RetinaNet的SAR图像舰船目标检测

在合成孔径雷达图像舰船目标检测中,由于背景复杂多变,传统的基于人工特征的目标检测方法效果较差.基于深度学习中的单阶段目标检测算法RetinaNet,结合合成孔径雷达图像本身特征信息较少的特点,采用了多特征层融合的思想,改进了网络特征提取能力,提出了相适应的损失函数的计算方法.采用SAR图像舰船目标检测数据集(SSDD)对网络进行训练,并通过样本增强和迁移学习的方法提升算法的鲁棒性和收敛速度.通过实验与其他基于深度学习的目标检测算法所得结果进行比较,结果表明本算法具有更高的检测精度.     

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.     

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.     

基于滑动窗口的遥感图像人造目标检测算法

提出一种基于滑动窗口的人造目标检测算法.首先,根据图像的平滑性将整个图像划分为平滑与非平滑图像区域;然后,在非平滑区域随机生成一系列滑动窗口,并融合4种目标特征的度量准则构造一个判别滑动窗口目标性的评分函数,检测算法根据评分函数的取值判别窗口中是否包含人造目标;最后,在人造目标图像集上进行的实验表明:该算法能准确地检测出图像中的人造目标,并具有一定的抗噪声干扰能力.     

基于大间距准则的混合核Fisher判别分析

针对KFDA算法中存在的问题,提出了基于大间距准则的混合核Fisher人脸特征提取算法;首先,将原始数据通过非线性映射投影到高维数据空间;然后,引入大间距准则和混合核函数使得同类样本在投影后离得更近,不同类样本在投影后离得更远;在PIE和AR人脸库中的仿真实验验证了算法的有效性和稳定性。     

基于岸线特征点合并的极化SAR图像小型港口检测

为了对极化合成孔径雷达(polSAR)图像中小型港口目标进行自动检测,在分析小型港口特性的基础上,提出了一种基于岸线特征点合并的检测方法。首先,使用极化SAR图像水平集分割算法实现精确的海岸线提取,并通过数字曲线分裂归并算法提取海岸线轮廓特征点;然后针对小型港口轮廓特征点比非港口区域轮廓的密集的特性,提出了一种岸线特征点合并算法实现港口检测。分别用RADARSAT-2系统获取的新加坡和湛江海岸区域极化SAR数据对提出方法进行了试验。实验结果表明,该方法能够正确地检测沿岸小型港口。     

基于高次模糊函数的SAR图像动目标检测

SAR图象中动目标运动形成的相位误差可描述为有限次幂级数,时频分析将时域信号变换为时频联合域,揭示出信号瞬时频率随时间的变化规律,应用高次模糊函数可估计出动目标信号的相位多项式系数,检测含高次相位误差的动目标,结合逐次消去法,可将其用于检测含高次相位误差的多个动目标.     

基于稀疏表示模型的SAR图像目标检测算法

针对合成孔径雷达（synthetic aperture radar,SAR）图像可视性差、目标区域小以及特征不明显等特性对目标检测造成的困难,将稀疏表示模型应用于SAR图像目标检测,提出一种基于稀疏表示模型的SAR图像目标检测算法。首先,利用K—SVD算法训练样本提取对样本最具描述能力的SIFT特征形成字典;其次,通过将进化机制和稀疏表示结合,逐步提取整幅图像中含有目标的图像块;最后,输出稀疏表示误差小于阈值的图像块的位置作为目标检测的结果。实验结果表明,与传统目标检测算法相比,该算法在检测率和运行效率方面均有一定的提高,取得了较好的效果。     

基于Poisson重建的极化SAR图像对比增强

为了能够同时增强多类目标,提出一种基于Poisson重建的极化合成孔径雷达(SAR)图像对比增强方法.该方法对多类目标和对应的背景杂波分别进行广义相对最优极化增强(GOPCE), 并得到相应的最优极化状态和特征系数;以此定义图像中各像素点的最优局部梯度,并在最小二乘准则下,根据局部梯度建立离散Poisson方程;通过快速Fourier变换求解该Poisson方程,得到最终的多目标增强图像.实验结果表明: 利用极化SAR数据,使用该方法增强后的图像的直方图保持应有的峰值,且更加均衡,能够达到增强多类目标的效果,从而有利于目标检测等后续处理.     

面向极化SAR图像配准的极化特征

不同波段的极化合成孔径雷达(SAR)图像间的配准,是多波段极化SAR数据融合中的一个重要问题。该文从地物的极化散射机理出发,提出了一种适用于尺度不变特征变换(SIFT)配准算法的极化特征。该特征包含了地物目标主要散射成分的信息,并反映了其他弱散射成分的强度分布,可在不同波段极化SAR图像中保持稳定。实验结果表明:与使用散射总功率(Span)实现多波段极化SAR图像配准的方法相比,该特征在不同波段下的差异较小;使用SIFT算法配准后,该特征图像可得到更多的关键点和正确配准点,且配准点的分布较分散,从而有效地提高了多波段极化SAR图像的配准性能。     

基于极化SAR分解模型的油膜检测

为了更好地利用极化合成孔径雷达(SAR)检测海面溢油,该文提出了基于极化分解模型的特征——Bragg散射能量占比。在油膜区域,Bragg散射能量占比会比较小;而在海面和常见油膜类似物如油醇(OLA)区域,该特征的值会比较大。因此,该特征能够有效地从海杂波里检测出油膜区域,并且能够有效地排除OLA虚警。并且该特征可以被推广应用于HHVV双极化数据和紧缩极化(CP)模式,从而可以进行大面积的溢油监测。利用C波段的极化SAR数据的实验表明:在各种极化模式下该特征能够检测出油膜,并有效鉴别油膜和油膜类似物。     

基于单极化SAR图像的舰船目标检测与分类方法

 SAR是一种主动式微波成像传感器,具有全天时全天候高分辨率对地观测能力,被广泛应用于海洋舰船目标检测与分类。随着SAR成像技术的发展,SAR图像的分辨率越来越高,数据量也越来越大,研究鲁棒高效的海洋舰船目标检测与分类方法对于军事及民用领域具有重大意义。总结了现有的针对单极化SAR图像的舰船目标检测及分类方法,分析了各类方法的特点以及存在的问题,展望了未来SAR图像舰船目标检测及分类方法的发展趋势。     

基于散射成分一致性参数的极化SAR图像分类

散射熵能较好地反映目标散射的随机性,但忽略了相干矩阵特征分解后3个相干散射成分之间的关系。为了更充分地利用极化信息提取更有效的特征,该文提出一种描述目标散射成分一致性的新参数,并利用该参数进行图像分类。新参数融合了相干矩阵的特征值分布信息与各正交散射成分之间的相似性信息,反映了目标的整体散射机制接近于某种单一相干散射的程度。利用该新特征替代散射熵,先对AIRSAR的旧金山L波段数据进行初始分割,然后进行基于Wishart分类器的迭代调整。实验结果表明:利用该特征能够更准确地实现图像分类,展现地物细节,从而证实了该特征的有效性。     

基于加权投票集成的极化SAR图像分类方法

提出了一种新的基于加权投票准则集成的极化合成孔径雷达系统(PolSAR)图像分类方法.该方法采用加权投票集成的方法根据不同个体的学习结果进行合,并从而提高极化SAR图像的分类精度.首先,输入极化图像数据并获得所需要的特征作为特征集.再从图像的每一类中选取多组像素点组成多个训练样本子集;然后,基于不同的样本子集训练学习得到不同的分类器,并对像素点进行分类得到预测标记,再由这些预测标记计算得出相应的加权系数;最后,通过加权系数将预测标记合并起来得到最终的极化SAR分类结果.实验结果证明,所提出的算法在AIRSAR和Radarsat-2数据上取得了很好的分类结果.     

一种基于加权核Fisher准则的朴素贝叶斯分类器

利用加权核Fisher准则,给出一种朴素贝叶斯分类器的改进算法。该算法通过寻找使类与类最大分离的最优投影矩阵,将样本数据进行投影变换,再利用朴素贝叶斯分类器对新样本进行分类。将该方法应用于双酚A生产过程在线监测数据集的分类中,仿真结果表明,相比于单纯朴素贝叶斯分类器,该分类算法具有更好的分类性能。     

基于改进广义相对最优极化的极化SAR舰船检测方法

为了提高极化合成孔径雷达(SAR)图像的舰船检测性能,提出了一种基于改进广义相对最优极化模型的极化SAR图像融合方法.改进的模型包含两个因子的乘积.第一个因子是最优极化状态下的雷达接收功率;第二个因子对应最优检测准则下的3个极化参数(极化熵、平面相似性参数、二面角相似性参数)的融合结果.使用该方法融合图像能够使得目标和...     

深度学习下的快速SAR图像目标检测

针对合成孔径雷达图像目标检测困难以及深度学习中锚框机制所引起的计算冗余和应用场景受限问题,提出了一种基于无锚框机制的中心点、尺度和旋转角度预测网络,将目标检测转化为中心点估计问题,并直接预测相应边框的宽度、高度以及旋转角度等要素,实现多场景、多类型目标定向检测.该算法利用ResNet 101的U型结构和注意力模块提取图...