基于深度卷积网络的SAR图像目标检测识别

在SAR图像解译应用领域,目标的自动检测与识别一直是该领域的研究重点和热点,也是该领域的研究难点。针对SAR图像的目标检测与识别方法一般由滤波、分割、特征提取和目标识别等多个相互独立的步骤组成。复杂的流程不仅限制了SAR图像目标检测识别的效率,多步骤处理也使模型的整体优化难以进行,进而制约了目标检测识别的精度。采用近几年在计算机视觉领域表现突出的深度学习方法来处理SAR图像的目标检测识别问题,通过使用CNN、Fast RCNN以及Faster RCNN等模型对MSTAR SAR公开数据集进行目标识别及目标检测实验,验证了卷积神经网络在SAR图像目标识别领域的有效性及高效性,为后续该领域的进一步研究应用奠定了基础。     

一种轻量化SAR图像舰船目标斜框检测方法

针对目前基于深度学习的合成孔径雷达（SAR）图像舰船目标斜框检测方法难以满足实时化检测需求的问题,提出了一种轻量化SAR舰船目标斜框检测方法。该方法基于无锚框框架,设计了轻量化的网络结构,对模型参数量和运行速度进行了优化,可直接从头训练。同时,为解决基于角度回归的斜框参数表示方法存在的角度敏感性问题,提出了基于旋转向量的斜框参数表示方法。在公开的SAR图像舰船目标检测数据集上的实验结果表明,所提方法在无需预训练的情况下取得了与迁移学习方法相近的检测精度,模型参数量和运行速度取得了最优结果,充分验证了所提方法的有效性。     

基于星载视频SAR的海上运动目标监视方法

传统SAR处理方法已无法满足日益复杂的战场环境,在监测、跟踪感兴趣区域内的机动目标和场景变化方面存在不足。针对此情况,提出了一种基于星载视频SAR(Video SAR)的海上运动目标监视方法,通过对目标区域持续观测获得全面的目标态势信息。首先,分析了视频SAR工作原理,采用数据重叠复用的方式来保证SAR视频产品的流畅度;结合图像配准,再利用不同帧图像之间动目标主体位置偏差和阴影变化反演动目标速度,同时改进传统后向投影(Back Projection,BP)算法,使其适用于视频SAR的高效性要求;最后,通过计算机仿真验证了该方法的精确性和有效性。     

三维模型在SAR图像自动目标识别中的应用

提高高分辨率SAR图像在复杂战场环境中的目标识别能力,对防御未来战争中来自地面目标的威胁具有重要意义。针对地面特定目标的大小、方位、旋转等变化以及强杂波背景给目标识别带来的严重影响,提出将目标的三维模型投影到二维平面,采用余弦傅里叶矩和瑞利分布的CFAR检测方法分别对其矩特征和峰值特征进行提取,利用级联组合分类器对目标识别进行建模分析,并通过试验验证该方法的有效性。结果表明:该方法实现了在特征维数高和姿态变化下的目标识别,而且无需额外增加对制导控制系统的开销。     

基于控制线方法的机载SAR和可见光图像匹配应用研究

根据无人机(UAV)景象匹配导航的现实需求,对具有典型人造场景的机载合成孔径雷达(SAR)图像与可见光图像,提出一种基于直线特征的SAR图像与可见光图像配准方法.首先,利用改进的直线段检测(LSD)方法提取图像直线特征;其次,构造控制线并设计了一种基于控制线的图像配准方法;最后,依据仿射变换模型实现了待配准图像的精确自动配准.实验表明,在SAR和可见光图像存在较大灰度差异、旋转和平移的情况下,该算法仍能精确配准图像,且运算时间大幅减少,能够满足一些实时性较强的应用.     

基于2－D熵的机载SAR图像分割迭代算法研究

机载合成孔径雷达(SAR)图像可用于检测识别机场跑道.由于SAR图像包含大量噪声,算法抗噪性能对于SAR图像处理很重要.2-D阈值方法的分割效果比传统的一维方法要好,特别是对受噪声影响的图像.然而,2-D阈值方法耗时长,难以实用.因此,本文在现有的2-D熵迭代分割算法的基础上提出了一种基于二维直方图统计特点的最大熵阈值分割算法.通过大量试验证明,本文提出的方法不仅获得了理想的分割效果,而且进一步提高了二维阈值选取速度.     

SAR图像识别提取与选择特征

阐述了SAR图像在模式识别中特征提取与选择的概念、任务和基本原则,结合国内外图像特征提取与选择的最新研究动态,介绍了在SAR图像目标识别中普遍采用的一些特征提取与选择方法,并对提取纹理特征采用的灰值共生矩阵及其统计量进行了研究。     

AIS和光学遥感图像引导的星载SAR舰船目标识别网络

星载SAR作为全天时、全天候的感知手段广泛应用于海洋目标识别任务中,由于SAR图像分辨率低、难解译、样本不均衡导致现有单一模态目标识别算法识别精度低。提出了一种AIS和光学遥感图像引导的星载SAR舰船目标识别网络,针对不同模态数据特征维度不同导致难度量问题,利用特征迁移模块在保留各自模态独有特征属性前提下将异构特征映射到共同的空间中度量;针对不同模态不同类别数据存在样本不均衡问题,利用异构特征对齐模块充分挖掘不同模态的互补信息,以细粒度的方式进一步对齐不同模态的异构特征,同时将各个模态的判别性特征作为先验信息迁移至SAR图像模态中。实验部分利用AIS历史数据和光学遥感数据集作为辅助信息,在2个公开的SAR图像舰船目标数据集中进行测试,实验结果表明所提算法通过迁移不同模态信息,有效提升了SAR图像舰船目标的识别准确率。     

基于PCNN的遥感SAR图像桥梁目标检测与识别

该文针对低对比度和低信噪比、背景或目标灰度呈均匀缓慢变化的遥感水域图像分割提出了双级并行点火脉冲耦合神经网络(Double-Level Parallelized Firing PCNN,DLPFPCNN)新模型,对其原理和工作过程做了详细介绍.在此基础上,将DLPFPCNN新模型应用于含水上桥梁目标的遥感SAR图像分割,并结合水上桥梁目标自身具有的直线性特征等先验知识进行一系列后续处理,最终识别出水上桥梁目标.仿真实验结果表明,该文提出的方法具有较好的应用效果.     

SAR图像舰船目标边缘检测

提出了一种在正则化基础上,利用小波变化实现合成孔径雷达(SAR)图像舰船目标边缘检测的新方法。传统的利用小波变换实现图像边缘检测时,阈值需要人为设定。针对这一问题,文章引入正则化超分辨技术,从贝叶斯框架下的估计问题出发,采用非二次正则化,平滑图像,保护强散射点目标,实现对 SAR图像进行去噪。利用小波变换的局部化特性和多尺度分析能力,检测突变信号,实现对舰船目标的边缘检测。该方法去噪效果好,边缘 定位准确,仿真结果表明了算法的有效性。