结合形态学理论与Hough变换的SAR图像线目标检测方法

针对典型线状军事目标,提出一种SAR图像的目标检测方法。该方法首先将分块阈值分割的思想应用于未经斑点噪声抑制的原始SAR图像,得到ROI(Region of Interest)图像;然后,利用区域的几何特征有效地剔除大量虚警,并采用形态学梯度算子提取目标的边缘信息,与传统的Canny边缘检测相比,边缘轮廓更加连贯;最后,利用Hough变换对梯度图像进行直线检测,得到机场跑道的边缘。该方法对原始SAR图像采用传统的图像处理技术进行目标检测,因此,比基于SAR图像统计特性的目标检测方法简单易行。对真实SAR图像的实验结果验证了该方法的有效性。     

星载合成孔径雷达图像的飞机目标检测

针对大场景下星载合成孔径雷达(SAR)图像中飞机目标检测问题,提出一种端到端的飞机目标检测算法。先在大场景SAR图像中对机场目标进行粗检测,定位机场区域,再通过精确分割算法获得机场的精细区域。对机场区域中的飞机目标进行检测,采用一种基于Canny算子的边缘检测与卷积神经网络结合的飞机目标检测算法。通过飞机边缘检测、边界框预处理等操作确定潜在飞机目标在机场中的位置范围,采用基于GoogLeNet的卷积神经网络对可疑目标进行鉴别。利用星载合成孔径雷达数据对算法进行验证,证明该方法的有效性与实用性。     

基于Rician分布的SAR图像MRG目标提取算法

针对SAR图像特有的乘性噪声和非恒虚警统计特性很难正确提取目标的问题,本文提出了MRG算法对SAR目标进行检测。首先用MRF-ICM算法对SAR图像进行后向散射系数的复原,再在复原后的幅度上叠加相位信息后引入Rician分布寻找自适应的最佳局域Gabor滤波器参数对SAR图像进行目标提取。和以往的算法相比,MRG算法充分利用了SAR图像幅度和相位中所携带的信息,能更准确地提取目标。实验表明:该方法能取得很好的目标检测效果,后期提取出的目标更符合实际目标形态,具有较强的通用性。     

基于分水岭变换的单幅高分辨率SAR图像建筑物检测方法

提出了一种从单幅高分辨率SAR图像中检测建筑物的算法框架。该框架主要以应用 标记的分水岭变换为基础,针对SAR图像中建筑物所具有的强回波特性与典型的形状特征, 主要采用CFAR检测和文中提出的方向相关分析方法得到标记图像,利用最小强制技术和标记 图像修改原始图像的梯度图,对修改后的梯度图作分水岭变换得到建筑物目标的边界轮廓。 该方法能够引入建筑物目标的特性同时克服分水岭变换固有的过分割缺陷。文中对不同场景 的高分辨率SAR图像进行了实验,实验结果表明,即使在建筑物分布密集的情况下,本文算 法也能正确完整地检测出绝大多数目标,检测率高而虚警率低。     

基于起伏地形的干涉SAR回波数据仿真

地形起伏造成SAR图像几何畸变,从而对回波数据产生重要影响,基于此提出一种基于起伏地形的干涉SAR回波数据仿真方法。建立了地距几何仿真方案,通过插值对地面目标点进行重采样,有效地实现了SAR图像中几何畸变的仿真。提供了一种新的相关性复后向散射系数模型,考虑了散射系数幅度的随机起伏特性和两通道随机相位的相关性,进而建立时域回波信号模型,通过对方位回波信号插值,一定程度上减小了距离门取整带来的误差,最后给出干涉SAR回波数据的仿真流程。计算机仿真结果表明该算法不仅能有效体现干涉SAR图像中的几何畸变,而且验证了相关性后向散射模型和回波信号模型的正确性。     

基于幅度与梯度综合信息的SAR图像非线性扩散去噪方法

探讨SAR图像相干斑抑制的非线性扩散方程方法.以抑制SAR图像噪声,提高图像质量.通过分析SAR图像的幅度分布特性,建立基于SAR图像幅度信息的非线性扩散方程,使方程在幅值较小的背景区域具有较大的光滑作用以抑制噪声,而在幅值较大的目标区域光滑作用较小以保护目标特征.同时为避免噪声对图像中幅度分布的影响,在每一步迭代之前,采用基于梯度信息的非线性扩散方程对图像进行预处理,得到了一种基于图像幅度和梯度综合信息的非线性扩散去噪方法.计算结果表明,本文方法在整体上均具有较好的去噪效果,去噪后的图像较传统方法具有更高的等效视数和边缘保持指数,既能充分抑制背景区域的噪声,又能保护目标点,还很少出现虚假目标.     

基于目标分解和SVM的极化SAR图像分类方法

极化SAR图像分类是新体制雷达应用研究中的一类基础前沿问题。文章提出了一种基于目标分解及支持矢量机(Support Vector Machine,SVM)的极化SAR图像分类方法。首先根据Cloude分解和Freeman分解两种方法提取极化SAR图像的多类散射特征,从而构造出图像各像素的特征向量。接着利用样本区域像素的特征向量对SVM进行训练,获得经训练的SVM。最后,以各待分类像素的特征向量为输入,利用经训练的SVM即可完成极化SAR图像的分类。对两幅AIRSAR实测极化SAR图像数据分类的结果表明,文章方法能够有效地利用多类散射特征的互补信息,具有较高的分类精度。     

基于集成活动轮廓模型的SAR图像分割方法

图像分割是合成孔径雷达(Synthetic Aperture Radar, SAR)图像自动解译技术中的一个重要问题。基于活动轮廓的思想,给出了一种适应于SAR图像分割的集成活动轮廓模型。该模型综合利用SAR图像的边缘和区域特性,通过检测算子提取SAR图像的边缘信息,利用似然函数的最大化提取图像中不同统计信息的区域;通过边缘和区域的共同曲线运动实现对SAR图像的分割。利用加性算子分裂算法,给出了该模型的快速实现方法。通过MSTAR和实测星载SAR数据进行试验验证,并与其他算法比较,结果表明：所提方法适应性强,可适应复杂背景的SAR图像分割,并且分割定位准确、收敛速度较快;所提实现算法稳健,能适应不同参数设置,且对初始条件不敏感。〖JP〗     

基于改进YOLOv3的SAR舰船图像目标识别技术

合成孔径雷达(SAR)图像自动目标识别(ATR)技术是人工图像解译的关键技术之一。针对传统的SAR舰船目标检测算法大多受限于场景且泛化能力较差的问题,设计了一种基于改进YOLOv3网络的检测模型。将YOLOv3与DenseNet网络融合,使用稠密网络模块代替用于提取中小尺度特征的残差网络模块,通过训练得到模型的最优权重,实现端到端的目标检测。使用综合交并比(GIoU)损失代替交并比(IoU)边界框回归损失,提供更加准确的边界框位置信息,提高检测精度,采用中国科学院空天信息研究院制作的SAR图像船舶检测数据集进行测试。测试结果表明:与原YOLOv3算法相比,改进后的YOLOv3检测准确率提高了1.4%。     

基于信息可视化技术的SAR图像目视解译方法研究

为解决传统合成孔径雷达(SAR)图像目视解译的困难,对一种基于信息可视化技术的SAR图像目视解译方法进行了研究。基于非线性流形学习理论的维数约减技术,对原始单极化和多极化SAR图像进行特征提取和数据挖掘,通过基于极化数据变换的特征和基于极化目标分解获取SAR图像本征特征,选择利于用户应用的特征在彩色空间编码重构出SAR信息图像提供给判读员进行解译。给出了基于信息可视化技术的SAR图像目视解译框架。多种应用结果表明:该法能挖掘并显示出大量图像中隐含的信息,产生的特征图像较原始SAR图像更符合人眼视觉,可有效解译SAR图像。     

一种SAR图像特征增强新方法

军事目标的SAR图像特征在合成孔径雷达目标识别(SAR ATR)中扮演着重要的角色。提出了一种在多小波域中用维纳滤波重构进行SAR目标图像特征增强的新方法,并在此基础上进行了目标图像分割。实验结果表明,该方法能够有效增强SAR图像中的目标区域特征,增大目标和背景杂波之间的统计可分离度,有利于目标图像的精确分割和特征提取。     

基于ATI技术和象素匹配的星载SAR/GMTI实现方法

与机载合成孔径雷达相比,星载合成孔径雷达由于其复杂的空间几何关系、地球自转及地球曲率等因素的影响,使得星载SAR／GMTI的实现更为复杂。提出了当不满足相位偏置中心天线(DPCA)中脉冲重复频率和天线水平基线间的严格约束条件时,通过象素匹配法和星载SAR沿航迹向干涉(ATI)技术实现星载合成孔径雷达(SAR)动目标检测、测速及定位的一种方法。该方法采用沿航迹向线性排列的双孔径天线星载SAR结构,首先建立了星载SAR双孔径天线空间几何模型并详细分析了星载SAR双孔径天线机理及信号特性,然后利用常规方法成像的双天线SAR图像,分析并推导了基于ATI技术和象素匹配实现对地面背景杂波淹没的运动目标检测、径向速度分量估计以及目标定位的方法。最后,通过计算机仿真验证了其有效性。     

基于RCS曲线的SAR图像点目标变化检测

地物目标的物理结构、表面粗糙度或地物目标类型发生了变化,则其后向散射能量一 般会发生相应的变化,对应的雷达散射截面(Radar Cross Section,RCS)也会发生变化,这 将导致合成孔径雷达(Synthetic Aperture Radar, SAR)图像的亮度和色泽发生变化。提出 了一种新的基于RCS曲线特性的SAR图像目标变化检测算法。该算法不同于以往的基 于图像域的变化检测算法,从目标的散射特性提取目标的变化信息,避免了不同时相的SAR 图像对误配准所带来的错误。并进行了仿真实验,实验结果表明可行。
     

基于CS的SAR图像自动目标分割算法

图像目标分割是SAR图像目标超分辨处理和自动目标识别的重要步骤。针对图像固有的稀疏结构,提出了一种SAR图像自动目标分割算法。通过构造变换字典将SAR图像数据投影到高维空间,实现了图像局部特征的稀疏表示,然后利用随机矩阵获得稀疏域局部特征的压缩采样,并对多组采样数据运用Mean-shift 算法并行处理,最后通过符号检验法,实现了对目标像素与背景像素的分类。试验表明,该算法对硬目标具有较好的目标分割性能。     

合成孔径雷达图像解译技术探讨

首先对合成孔径雷达图像解译的研究背景及发展历程作了简单介绍，然后分别从斑点噪声抑制、边缘检测、区域分割、目标检测与识别等方面进行了分类探讨。指出新的解译技术应综合利用新特征、新信息和新的研究理论，开展多信息合作与融合机制的研究以及人工智能的应用。     

基于G2DPCA的SAR目标特征提取与识别

给出了基于广义二维主分量分析（G2DPCA)的合成孔径雷达（SAR）图像目标特征提取 方法。与主分量分析（PCA）相比,在寻求最优投影方向时,它直接基于二维图像矩阵而不 是一维向量,在特征提取前不必将2维图像矩阵转换成1维向量。与二维主分量分析（2DPCA ）相比,它可以同时去除图像行和列像素间的相关性。基于美国运动和静止目标获取与识别 （MSTAR）计划录取的数据的实验结果表明,结合预处理,G2DPCA在大大降低了特征 维数的同时,又改善了识别性能,并且正确识别率在97％以上,且对目标方位变化具有较 好的鲁棒性。     

基于改进扩展分形特征的SAR图像目标检测方法

提出了一种新的纹理特征-改进扩展分形特征用于SAR图像目标检测.改进扩展分形特征通过度量SAR图像中物体表面四个方向的结构函数在双尺度上的增量水平,确定目标与杂波在特征空间的不同响应特性,实现目标的检测.采用模拟目标脉冲模型分析了改进扩展分形特征在不同信噪比条件下对不同尺寸目标的响应特性,分析结果表明改进扩展分形特征具有目标尺寸敏感性.利用SAR实测数据验证了改进扩展分形特征在强杂波和多目标环境下的优良检测性能与空间分辨率特性.