基于改进的切比雪夫多项式轨道的 SAR影像正射纠正

在利用SAR(合成孔径雷达)严格几何模型(距离-多普勒)进行影像正射纠正时,为消除卫星轨道误差对影像正射纠正精度的影响,提出了一种新的卫星轨道模型——切比雪夫多项式。首先利用切比雪夫多项式对SAR影像元数据中提供的若干卫星轨道状态矢量进行拟合,以获得影像成像期间内卫星轨道状态矢量关于时间的函数关系式;然后利用少量地面控制点修正切比雪夫多项式拟合的参数;最后将修正之后的卫星轨道模型用于SAR严格几何模型的正射纠正,从而提高正射纠正影像的定位精度。结合SAR的几何成像参数、数字高程模型,选择广西桂林某地区的Radarsat-2卫星拍摄的SAR影像进行试验,利用所提出的方法与传统正射纠正方法进行对比,试验结果得出正射纠正精度在40m以内,定位精度优于传统方法。     

基于YOLOv5的近岸SAR舰船目标检测方法

由于类似舰船的陆地目标的干扰和舰船的紧密排列,基于合成孔径雷达(SAR)图像的近岸舰船检测会出现较多漏检和误检,提出了一种基于YOLOv5网络的近岸舰船的检测方法。为提高近岸背景下的检测精度,使用了注意力机制模型和CSL的技术用于改进网络;分析了YOLOv5网络、注意力模型和CSL算法,基于YOLOv5进行了检测实验,引入注意力模型来改进网络;结合CSL算法,重构了YOLOv5旋转检测网络。通过调整训练参数和改进注意力,近岸目标检测网络的测试结果达到mAP 80%以上,证实了CSL+YOLOv5算法实现旋转检测的可行性。     

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%。     

考虑小波数相关性的SAR图像去斑算法

SAR(合成孔径雷达)发射的相干信号之间会使图像产生相干斑点噪声,严重影响SAR图像的应用,需加以抑制。通过研究分析,一副图像小波分解之后的小波系数在幅度、符号之间具有强烈的相关性,由此提出了一种小波去斑算法,该算法考虑了小波系数幅度、小波系数符号之间的相关性。利用合成斑点噪声图像和实际SAR图像验证了该算法的有效性。结果表明:该算法在抑制SAR图像斑点噪声的同时,具有更好的边缘细节保持能力,提升了SAR图像后续应用效能。     

多域特征引导的无监督SAR图像舰船检测方法

如何在合成孔径雷达(SAR)图像标注样本有限的条件下,提升舰船检测性能一直是SAR图像处理中的热点问题。本文提出一种多域特征引导的无监督域适应方法,将知识从有标注的源域(光学图像)转移到未标注的目标域(SAR图像),降低对标记SAR图像数据依赖。同时,设计了频域转换模块、注意力区域增强模块和自适应权重模块来缩小光学、SAR图像域之间的域差距,提高源域与目标域特征对齐效率,增强网络在挑战性样本下的特征迁移能力。在公开发布的数据集上进行了大量实验。结果表明:所提的模块较基础模型AP50提升10%,总体性能优于其他先进的方法。     

基于Sentinel-1卫星的北冰洋海冰信息提取

为研究北极海冰分布、形态特征的变化规律,基于Sentinel-1卫星的SAR数据,对弗雷姆海峡区域的海冰进行长时间序列的提取及变化分析。对试验影像预处理,利用K-均值聚类算法提取海冰。基于浮冰面积大小,将浮冰进行分类,研究各参数与海冰破碎物理过程的关系,海冰分布以密集度体现,海冰的形态特征以面积、周长、圆度等参数描述。结果表明:利用高分辨率SAR数据,能获取精细的海冰分布信息,将其与传统的海冰密集度产品结合,可构造信息更丰富的多尺度冰情图,为极地海冰监测提供支持,对维护北极航道安全、分析北冰洋海冰气候效应等有重要意义。     

基于改进YOLOv3网络的遥感目标快速检测方法

针对将来卫星在轨实时目标检测需求,且在其内存和算力都受限的条件下,提出一种改进的YOLOv3,利用轻量化网络代替YOLOv3的特征提取网络,实现遥感目标的高效检测。在目标检测精度相近的情况下,改进模型参数相比原先降低了1.5倍,计算量降低了3.3倍。同时提出了一种基于交并比的迭代聚类算法,分别在YOLOv3和改进YOLOv3上实现了7.0%和2.3%的平均精度均值(mAP)提升。实验表明:改进模型的检测速度最快能达到101 frame/s,当其mAP比YOLOv3高6%时,检测速度仍是YOLOv3的1.6倍。本文提出的改进YOLOv3是一种高效遥感目标检测方法,为未来星上应用打下基础。