SAR图像目标解译算法研究

针对SAR图像目标解译的困难,首先从SAR图像中的目标信息特点出发,深入分析和探讨了SAR图像中斑点噪声抑制算法,点状目标、线状目标和面状目标的特征表现及其检测算法;然后针对它们的不足进行了相应的改进,获得了更佳的性能;最后在此基础上提出了一个半自动人机协作的SAR图像目标解译框架.实验结果表明,所采用的解译算法和提出的方案是切实可行的.     

基于深度卷积神经网络的SAR舰船目标检测

针对传统合成孔径雷达(synthetic aperture radar,SAR)图像舰船目标检测算法检测精度易受斑点噪声影响,且只能提取底层特征及其泛化性较差的问题,提出了一种基于深度卷积神经网络的SAR图像舰船目标检测算法。首先将目前先进的单次多盒检测器(single shot multibox detector,SSD)检测算法应用到SAR图像舰船目标检测领域,指出了其在该领域存在的局限性,在此基础上提出了基于SSD的新的检测方法,包括融合上下文信息,迁移模型学习,在公开的SSDD数据集上进行了训练和测试,对实验结果进行了对比分析,实验结果表明,相比于原始的SSD检测算法,所提出的方法不仅提高了目标检测精度,同时也保证了算法的检测效率。     

基于方向性粗糙度特征的SAR目标检测算法

针对扩展分形(EF)特征检测SAR目标虚警率高的不足,提出了基于方向性粗糙度特征(Directional Roughness Feature,DRF)对SAR图像目标检测的算法。该算法用指数小波在一个尺度和任意一个方向θ(0 0<θ<900)上对SAR图像滤波,对滤波后图像应用能量关系函数求各像素点的DRF进行目标检测。针对X波段和Ka波段的SAR图像,确定了用该算法检测目标的最优参数。分别用该算法和EF特征方法对不同波段SAR图像进行目标检测,结果表明该算法具有检测虚警率低和目标空间可分辨性高的优点。     

基于全局位置信息和残差特征融合的SAR船舶检测算法

针对合成孔径雷达(synthetic aperture radar, SAR)图像船舶目标尺度不一且易受海面、地面杂波和相干斑噪声的影响,难以提取目标多维特征且特征融合过程中易产生语义歧义,造成船舶目标检测率低,虚警率高的问题,提出一个基于全局位置信息和残差特征融合的SAR船舶目标检测算法。基于Faster区域卷积神经网络(region convolutional neural network, R-CNN)目标检测算法,在特征提取网络和特征融合网络中进行改进：在特征提取网络中使用高宽注意力机制提取目标在图像中的全局位置信息,增强目标的多维特征提取能力;在特征融合网络中使用带有残差连接的双向特征金字塔网络削弱特征融合过程中的语义歧义,降低复杂背景下的船舶目标虚警率,同时进行不同层级的多尺度特征双向融合,增强高低层特征的联系,提升多尺度船舶目标的检测能力。在SAR船舶数据集上达到98.2%的均值平均精度,超过部分算法2.4%以上。实验表明,所提算法有效提取了目标的多维特征,显著缓解了语义歧义问题,具有较好的检测能力和泛化能力。     

自适应边缘检测最大似然分割算法

由于SAR图像中存在较强的乘性斑点噪声 ,给SAR图像分割造成很大困难。研究了分割SAR图像用的最大似然区域增长分割算法 ,并提出在分割前先利用自适应边缘检测方法获得边缘图 ,然后利用边缘图对图像进行初始分割。理论分析和获得的分割结果证明 ,引入自适应边缘检测后 ,不但在图像的均匀区域能更好地抑制斑点而且可以更好地保持图像的结构信息 ,图像分割效果得到明显改善。     

基于卷积神经网络与注意力机制的SAR图像飞机检测

在合成孔径雷达(synthetic aperture radar, SAR)图像应用领域, 对SAR图像中飞机目标的检测备受关注。针对现有检测算法模型运算复杂度高、检测性能较低的问题, 提出一种基于深度可分离卷积神经网络与注意力机制的SAR图像飞机检测算法。首先使用深度可分离卷积神经网络提取图像特征, 同时在网络中引入逆残差块, 以有效防止通道数压缩引起的特征信息丢失问题; 其次在网络中引入多尺度空洞卷积—空间注意力模块和全局上下文通道注意力模块, 通过重新分配显著区域和各特征图更有代表性的权值, 以更好地捕捉空间有效信息和通道间语义相关性, 提高模型特征表达能力; 最后在SAR飞机数据集(SAR aircraft dataset, SAD)上进行对比实验验证。实验结果表明, 所提算法具有更好的检测效果, 平均准确率达到86.3%, 检测速度达到22.4 fps/s。     

复杂背景下SAR图像近岸舰船目标检测

针对合成孔径雷达(synthetic aperture radar, SAR)图像近岸舰船目标易受背景杂波的影响, 造成SAR图像近岸舰船目标检测检测率低、虚警率和漏检率高的问题，提出一种适用于复杂背景下SAR图像近岸舰船目标检测的DFF-Yolov5(deformable feature fusion you only look once 5)算法。构建了一个专门用于SAR图像复杂背景近岸舰船目标检测的数据集, 基于Yolov5目标检测算法, 在特征提取网络中进行特征细化和多特征融合两个方面的改进。在特征提取网络中利用可变形卷积神经网络改变卷积对目标采样点的位置, 增强目标的特征提取能力, 提高复杂背景下SAR图像舰船目标的检测率。在多特征融合网络结构中采用级联和并列金字塔, 进行不同层级的特征融合。同时，使用空洞卷积扩大特征提取的视觉感受野, 增强网络对复杂背景近岸多尺度舰船目标的适应性, 降低复杂背景下SAR图像舰船目标检测的虚警率。通过在构建的复杂背景近岸舰船检测数据集上的测试实验, 结果表明: DFF-Yolov5的平均准确率为85.99%, 相比于原始的Yolov5, 所提方法平均准确率提高了5.09%, 精度提高了1.4%。     

单天线SAR动目标的检测和聚焦

单天线SAR运动目标检测系统具有结构简单、算法容易实现等特点,它的运动目标检测性能的完善很有应用意义.首先建立了运动目标SAR回波模型,结合单天线SAR运动目标检测系统,提出了一种基于频域对称扰动的能够对具有方位向速度的运动目标检测的新方法,在详细分析运动目标散焦程度和方位向速度关系的基础上,给出了检测原理以及实现检测的方法.对检测到运动目标的距离门单元,提出了用基于图像域的偏移自聚焦算法估计动目标的调频率,进而完成运动目标在SAR图像上的聚焦成像.并用计算机仿真结果和实测数据验证了算法的有效性.     

基于结构的SAR图像配准

由于SAR图像中相干斑的存在，使得已有用于光学遥感图像自动配准的算法往往无法直接应用。基于人工通过地物结构推毫匹配关系进行配准的想法。提出了一种基于结构的SAR图像自动配准算法，该算法首先通过检测出的点目标构造“虚拟结构”，然后再综合新提出的“虚拟结构”不变量及结构区域不变矩作为相似测度完成匹配检测，最后用LMS算法估计出变换参数从而实现SAR图像的自动配准。实验结果表明，该算法不仅能够有效实现SAR图像的自动配准，而且能有效避免SAR图像中相干斑对配准过程中特征检测和匹配造成的影响。     

用于SAR图像小目标舰船检测的改进SSD算法

针对合成孔径雷达(synthetic aperture radar, SAR)图像小目标舰船检测中存在的检测率较低、虚警较高等缺点,提出了用于SAR图像小目标舰船检测的改进单步多框检测(single shot multibox detector,SSD)算法。首先,制作了一个专门用于SAR图像小目标舰船检测的数据集,在SSD目标检测算法的基础上,提出了迁移学习、浅层特征增强和数据增广3个方面的改进;利用性能更好的ResNet50作为特征提取结构,在浅层特征增强网络结构中采用了inception模块的分支结构,同时使用了空洞卷积扩大特征图的视觉感受野,增强了网络对小尺寸舰船目标的适应性;最后在数据集上进行了多组对比分析实验,实验结果表明所提方法相比于原始的SSD,平均准确率提高了5.4%,并且对SAR小目标舰船的漏检和误报明显减少。     

在强杂波背景SAR图像中检测动目标

针对强杂波环境提出了一种新的从SAR图像中检测动目标的方法。在搜索动目标的二次相位时,对称减去和加上同一二次相位误差修正值,在时域得到两幅图像。这两幅图像中,静止杂波的锐度处处相等。计算这两幅图像各区域的锐度比对数,可在强背景杂波环境下敏锐地检测到动目标。这种方法不但可检测有切向速度或径向加速度的动目标,而且还可检测到强反射径向慢速动目标。实测数据表明本算法有效。     

UWB SAR叶簇遮蔽目标检测中的ROI提取方法

针对SAR(synthetic aperture radar)ATR(auto target recognition)算法中的ROI(region of interest)提取通常由一个CFAR(constant false alarm rate)检测器和聚类算法来完成,该方法在高波段SAR目标检测中具有优良的性能,而在UWB SAR(ultra-wide band synthetic aperture radar)叶簇遮蔽目标检测中效果不佳。提出了一种适于叶簇遮蔽目标检测的ROI提取方法,该方法由小滑窗中值滤波、低门限CFAR检测、形态学操作和聚类算法四部分组成,能够在叶簇遮蔽目标检测中很好地完成ROI提取,基于实际UWB SAR图像的ROI提取结果验证了该方法的有效性。     

高分辨率SAR与光学图像中目标融合检测方法

提出了一种基于特征融合的军事目标检测方法,充分考虑了SAR与光学图像中目标的互补性特征。目标在高分辨率SAR图像中会产生强后向散射回波(radar cross sections,RCS),因此可以快速检测出感兴趣目标。但受相干斑和人造杂波影响,检测结果存在大量虚警。相比而言,从光学图像中提取出的目标形状信息更有利于鉴别虚假。因此,本方法在串行融合结构中结合SAR和光学图像中提取出的目标特征进行融合鉴别,有效去除虚警。实验用机载测试图像对本文方法的性能进行了验证和分析。     

SAR层析成像技术的发展和展望

合成孔径雷达（synthetic aperture radar, SAR）图像是雷达目标在二维成像平面上的投影,由投影引起的各种失真使得SAR图像解译极其困难。干涉SAR能获取连续地形的高程测绘,但不具备高度分辨能力。利用多部天线或多次航过形成高程上的合成孔径,SAR层析成像技术实现了对雷达目标的三维分辨能力,这对实现城区测绘、人造目标识别等均具有重要价值。总结了SAR层析成像系统及其信号处理技术的发展历程和研究进展,并对各种信号处理算法的性能优劣进行了研究与讨论。最后,指出了SAR层析成像技术的研究热点并对其发展趋势进行了展望。     

基于SNIC的双时相SAR图像超像素协同分割算法

针对面向区域的合成孔径雷达(synthetic aperture radar, SAR)图像变化检测方法中存在的双时相图像边缘和空间对应关系不一致的问题, 提出了一种基于简单非迭代聚类(simple non-iterative clustering, SNIC)的双时相SAR图像超像素协同分割算法。首先, 构造一幅包含双时相SAR图像特征的融合图像, 计算待处理像素点到聚类中心的像素强度相似度和空间距离相似度。其次, 采用一种高效的多尺度弱边缘检测算法, 对双时相SAR图像分别进行边缘检测并融合边缘检测结果。最后, 将像素强度相似度、空间距离相似度和边缘信息进行加权以替代原始SNIC算法中的距离测度, 实现对SAR融合图像的超像素分割, 得到与双时相SAR图像中真实地物边缘均贴合的协同分割结果。基于一组仿真和一组实测双时相SAR图像的超像素协同分割实验结果表明, 该算法的边缘贴合率、欠分割误差和可达分割准确率均优于其他7种经典方法。     

识别SAR图像中车辆和车辆群目标的综合方法

提出了一种对SAR(syntheticapertureradar)图像中的车辆和车辆群目标进行识别的综合方法。它利用SAR图像所具有的统计特性、CFAR检测和数学形态学方法相结合对SAR图像进行预处理和目标分割。找到了一组能够正确表示SAR图像中车辆和车辆群目标的单体不变特征和组合不变特征,给出了相应的目标分类和识别算法、参数选择方法及优化参数。实验证明该方法具有良好的识别效果。     

一种单通道条带SAR动目标检测方法

针对单通道条带SAR动目标检测的问题,利用条带模式SAR和聚束模式SAR的等效关系,把条带数据转换成聚束数据。再按照时间先后分成两组,利用系统参数得到同一地域存在时间先后的两幅图像,对于固定目标,在每幅图像上的成像情况是相同的,而运动目标的像素位置发生了变化。根据此特性,提出了利用前后两幅图像间的差别来检测动目标的方法,并给出了原理推导和具体的检测过程,仿真结果证明了方法的有效性。     

基于区域Bhattacharyya相似度的SAR图像地物分类方法

传统的基于像素的合成孔径雷达(synthetic aperture radar, SAR)图像地物分类方法难以有效区分起伏变化大的地物。针对该问题,提出了一种基于区域Bhattacharyya相似度的SAR图像地物分类方法。方法首先利用适当的图像分割技术获取均匀的SAR图像区域。接着定义Bhattacharyya相似度来描述区域之间的统计相似程度,并推导了其对应Gamma分布的解析表达式。最后,以图像区域为分类单元,基于最大区域Bhattacharyya相似度准则实现SAR图像地物分类。利用实测SAR图像的地物分类结果表明,该方法性能优于经典的基于像素的最大似然分类方法和支持矢量机方法,且优于基于区域的最小距离法。