基于旋转损失函数RCIoU的SAR图像舰船目标检测方法

提出一种合成孔径雷达(synthetic aperture radar,SAR)图像旋转舰船检测方法,以提高SAR图像中旋转舰船的检测精度.从先验框设计和边界框回归公式对YOLOv4-CSP目标检测网络进行改进,加入旋转角度使其适用于基于旋转框的检测场景;提出一种基于旋转边界框外接圆和交并比的损失函数,该函数不仅考虑预...     

多极化SAR图像目标的智能识别应用研究

针对小样本集的多极化合成孔径雷达(SAR)图像目标,提出利用迁移学习、多极化SAR图像增广以及网络架构适应性改进,实现了多极化SAR图像目标端到端的智能分类识别;利用实测机载全极化SAR目标图像进行了实验.实验结果表明,与传统机器学习SVM方法相比,基于多极化SAR深度学习方法所包含的多个神经网络隐含层能自适应地提取目标高层语义特征,其目标分类识别精度更高,从而验证了本文深度学习方法用于多极化SAR图像目标识别分类的有效性.     

大场景 SAR图像舰船目标快速检测

基于SAR图像的舰船目标检测是海洋监视应用的重要方面,随着SAR图像资源的不断丰富,计算速度成为衡量舰船目标检测算法的重要指标。针对大场景SAR图像,提出一种基于分块CFAR的舰船目标快速检测算法。首先通过图像增强提高舰船目标与海洋杂波之间的对比度,然后利用差异性参数进行分块筛选,剔除不包含目标的区域,最后对待检测区域实现基于积分图的快速CFAR检测。TerraSAR_X实测数据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小特征的准确分割方法

星载合成孔径雷达(SAR)图像信息丰富且复杂,无法通过某种信息对其所有目标进行准确表述,相同种类图像有很大不同,而不同种类图像有很大的相似性,传统方法无法解决上述问题,导致分割精度低。为此,本文提出一种新的星载SAR图像小特征准确分割方法。首先,对星载SAR图像灰度特征进行提取,通过灰度共生矩阵对纹理特征进行提取,利用谱嵌入式聚类方法塑造星载SAR图像可识别特征轮廓模型,实现轮廓特征的提取。然后,通过支持向量机实现星载SAR图像小特征初分割,利用不同小特征信息对各过分割部分的空间关系进行研究,在全局范围对类似过分割部分进行迭代增长处理,对星载SAR图像进行小特征准确分割。最后通过试验证明了本文方法有很高的准确性。     

基于蚁群优化算法的SAR图像舰船检测研究

边缘检测作为提取图像边缘的重要方法在舰船检测中占有重要位置。采用蚁群优化算法通过调整动态阈值进行边缘检测。与传统边缘检测算子和小波变换算法对比采用蚁群优化算法进行舰船检测大大的减少了计算时间和代价,同时有效地提取了SAR图像的舰船目标和结构信息,保证了检测结果的准确性。蚁群优化算法在处理图像边缘检测等离散优化问题上具有很大的优越性,在图像处理中具有广阔的应用前景。     

基于非局部均值的最优极化舰船检测算法

极化合成孔径雷达数据蕴含了丰富的极化信息,目前已经被应用到海上舰船检测研究。针对现有算法检测过程中存在虚警、漏警和目标分裂等问题,采用非局部均值结合最优极化检测,提出了一种新的极化SAR舰船检测方法。该方法首先采用非局部均值对极化SAR图像进行相干斑抑制;然后提取最优极化特征图,进而分析其统计分布并应用双参数恒虚警检测算法完成极化SAR舰船检测;最后通过Radarsat 2全极化数据对提出算法进行验证。实验结果表明,文章算法能有效抑制相干斑后检测出海上舰船。     

利用模块化残差网络的图像隐写分析

为了提高图像隐写分析方法对小嵌入率隐写术检测的准确性,针对小嵌入率隐写术提出一种基于高度模块化网络结构的图像隐写分析方法。首先,通过重复残差网络单元来构建基础网络模型,以提取数字图像中的复杂统计特性;其次,增加分组卷积以提取残差图像通道信息,加强来自隐写信息的信号特征;最后,利用大量数据集对网络进行训练,得到了基于模块化残差网络的图像隐写分析方法。实验结果表明,所提方法相较于现有算法可以提取更有效的图像特征,从而得到更好的检测效果。同时,利用残差网络块作为模板,可以很容易地搭建网络模型,便于网络的调整和训练。     

基于指数小波分形特征的SAR图像特定目标检测

提出一种SAR图像特定尺寸、方向目标检测方法．根据指数小波对SAR目标边缘的选择性强化特性,对SAR图像进行方向指数小波滤波．基于滤波后的目标特性,定义指数小波分形特征(EWF)．该特征依据SAR成像过程中目标尺寸、方向等先验性信息,实现对SAR图像特定目标检测．指数小波分形特征与传统的目标检测特征不同,它对目标尺寸、方向、背景对比度同时具有敏感性．基于MSTAR数据库的检测实验结果说明了EWF特征对尺寸、方向性SAR目标检测的有效性．     

一种有效的SAR图像目标识别方法

根据不变矩特征提取和支撑矢量机分类的优势,提出了一种有效的SAR图像目标识别方法.首先对样本SAR图像进行预处理。然后提取目标区域的不变矩特征并计算灰度均值,将其组成特征向量训练SVM分类器,最后用训练好的SVM分类器对要识别的SAR图像进行目标识别.采用该方法对一些含有桥梁和坦克的SAR图像进行目标识别实验,取得了较好的识别结果.     

全等级上下文压缩激励的SAR舰船实例分割

现有深度学习SAR舰船实例分割方法未考虑特征全等级信息和目标上下文信息，导致了较低实例分割精度。针对上述问题，提出了一种基于全等级上下文压缩激励感兴趣区域ROI提取器的SAR舰船实例分割方法 FL-CI-SE-ROIE。FL-CI-SE-ROIE实现了全等级ROI提取，可保留全等级信息，增强了网络多尺度描述能力。FL-CI-SE-ROIE实现了上下文ROI扩充，可获取目标上下文信息，增强了网络背景鉴别能力。FL-CI-SE-ROIE引入了压缩激励SE模块来平衡不同范围的上下文ROI，可抑制背景干扰，进一步提高了实例分割精度。在公开像素级多边形分割SAR舰船检测数据集PSeg-SSDD上的实验结果表明，所提方法的SAR舰船实例分割精度高于现有其他9种对比模型。     

基于SAR图像的水下运动目标探测方法

为了探测合成孔径雷达(Synthetic Aperture Radar, SAR)图像中的水下运动目标,提出一种基于目标的海表面尾迹特征波纹的检测方法。先运用鲁棒性主成分分析(Robust Principal Component Analysis, RPCA)稀疏分解法对SAR图像尾迹波纹进行增强,再将恒虚警率(Constant False Alarm Rate, CFAR)思想应用于灰度归一化Hough变换检测方法以检测线性波纹特征。针对水下目标检测数据匮乏的现状,首先利用舰船尾迹的实测SAR图像对所提的基于运动目标尾迹波纹增强的局部CFAR检测方法进行验证,然后仿真不同海情、航速及潜深条件下的水下运动目标尾迹和海面的混合波纹的SAR图像,并对仿真SAR图像中目标的线性波纹特征进行检测,达到目标探测的目的。检测实验结果表明,提出的方法可有效探测水下运动目标。     

注意力机制的SAR图像车辆目标检测网络

在SAR图像车辆目标检测过程中,车辆轮廓定位不仅能够提供车辆位置信息,而且还能够为车辆状态分析提供依据,是SAR图像理解的关键步骤。但SAR图像中乘性斑点噪声会对轮廓定位造成干扰,增加车辆目标检测的难度。针对这一问题,提出了一种注意力机制的SAR图像像素级车辆目标检测网络。该网络由目标筛选、目标定位和轮廓细化三个模块构成。目标筛选在一个轻量级的特征提取网络中采用通道注意力和自注意力机制,在抑制噪声影响的同时对包含目标图像进行快速筛选,并提供稳定的定位热力图;目标定位利用掩码交叉注意力机制根据定位热力图优化粗尺度特征细化目标定位,并融入细尺度信息改善目标轮廓细节;轮廓细化通过轮廓点筛选消除上采样及噪声带来的轮廓不确定点获取准确的轮廓像素点置信度。对MSTAR数据集进行车辆像素级标注,建立SAR图像车辆数据集及大场景图像数据集用于网络测试。实验结果表明,该网络具有良好的像素级检测性能,可实现大场景SAR图像中车辆目标的快速精确检测。     

融合SRADPRO和SCM模型的SAR图像分割

将改进后各向异性扩散相干斑抑制算法(SRADPRO)用于合成孔径雷达(SAR)图像相干斑抑制,并和脉冲发放皮层模型(SCM)结合,提出一种自适应SAR图像分割算法.该算法首先计算SAR图像均匀采样区的标准差,并以此评价SAR图像中相干斑的影响程度,进而自适应地决定是否采用SRADPRO进行降斑处理,然后再利用SCM进行图像分割.由于SCM的自动波扩散机理,使得该算法在获得分割后的SAR目标的同时,也得到了目标边缘检测结果.与多种常规算法的比较结果证明了SAR图像分割算法的有效性.     

基于Wavelet snake的SAR图像中水岸边缘检测算法

利用àtrous小波变换、图像块生长和wavelet snake算法相结合,提出了一种检测SAR图像中河岸边缘的新算法.为了检测河流的边缘,首先利用小波变换对SAR图像进行小波分解,得到较低分辨率的图像,降低闪烁和噪声的影响;然后用图像块生长提取河流的初始边缘;最后把初始边缘作为Snake算法的起始点,利用wavelet Snake算法提取河流的精确边缘.在实验中,利用该算法提取了淮河SAR图像中的一段水岸边缘.     

马尔可夫模型与Shearlet变换结合的SAR图像超分辨率复原方法

为了不改变成像硬件条件,通过软件方法提高SAR图像分辨率,提出一种马尔可夫随机场(MRF)模型和Shearlet变换相结合的超分辨率复原方法。该方法分为两个过程,训练过程和学习过程。在训练过程中,首先对训练库中的高、低分辨率图像进行Shearlet变换,提取不同方向、不同分辨率的中、高频信息,然后对不同方向的中、高频信息进行分块。在学习过程中,使用Shearlet变换提取待复原图像的中频信息并对其分块,然后在训练库的辅助下,使用MRF建立图像特征模型,最后通过最大后验概率(MAP)估计出各个方向的高频信息,将估计出的高频信息和待复原的低分辨率图像叠加到一起进行Shearlet反变换,最终获得高分辨率图像。通过对真实SAR图像的处理结果表明,无论是主观的视觉效果还是客观的指标上,本文提出的方法都取得较好的结果,优于传统插值方法以及目前最新的基于稀疏表示的超分辨率方法。     

基于Faster R-CNN的缝隙检测与提取算法

为了使快速区域卷积神经网络(faster region-based convolutional neural network,Faster R-CNN)适用于小尺寸结构缝隙目标检测的应用,提出了一种基于Faster R-CNN的缝隙检测与提取算法,保留了小尺寸结构目标的细节信息,并提升了检测准确率.该算法分为缝隙检测和缝隙提取2个阶段.首先,在faster R-CNN的目标检测框架下,选取ImageNet数据集上的视觉几何组(visual geometry group,VGG)网络预训练模型作为特征提取网络,调整网络模型使其适应具有小尺寸结构的缝隙目标,并通过缝隙检测网络的训练确定最优的网络超参数,获得缝隙目标边框.然后,根据对目标区域的分析,提出基于数学形态学算法的缝隙提取算法,将缝隙目标从背景中分割出来.最终通过去噪、断裂连接和细化操作提取单像素宽缝隙目标,通过统计单像素宽缝隙目标的像素点个数得到缝隙目标长度值.实验结果表明,该算法可准确且完整地提取缝隙目标,在铁轨裂缝数据集上平均准确率达到63.87％,在道路裂缝数据集上的F1-score指标达到65.6％.     

基于目标形状卷积神经网络在舰船分类中的应用

针对传统卷积神经网络采用通用卷积核提取目标特征造成更高的时间和空间开销的问题,提出一种适应目标几何形状的卷积核结构以替代通用卷积核,可使单个卷积核充分提取目标特征,简化目标提取过程,减少冗余计算。实验以网上收集的舰船可见光图像数据集为研究对象,实验结果表明:本方法在舰船目标识别任务中达到了99.7%的分类准确率,与目前通用的分类模型进行对比要高出约1%,训练速度是通用模型中收敛速度最快的模型的3倍。     

Dirichlet过程混合模型SAR图像分割算法

传统的合成孔径雷达(SAR)图像参数化有限模型都有其特定的物理背景或者数学假设,很难准确估计SAR图像中各地物的密度分布,为了解决这一问题,提出一种基于非参数化无限混合模型的SAR图像分割方法,该方法利用Dirichlet过程对SAR图像进行建模,进一步采用非参数化Bayes模型分割包含复杂地物目标的SAR图像。Dirichlet分布作为一种基于分布的分布可以确定不同类别的先验概率,由样本估计出密度函数来描述图像,从而可以更精确地分割各类地物。该算法在模拟图像与真实SAR图像上进行了比对测试,实验结果验证了Dirichlet过程混合模型SAR图像分割算法的有效性和稳健性。     

基于小波变换的SAR图像边缘提取新方法研究

由于SAR图像含有相干斑噪声，使得常规方法应用于SAR图像边缘检测时遇到了较大的困难，提出了一种新的SAR图像边缘提取方法，该方法首先用基于结构信息的统计滤波方法对SAR图像进行滤波，然后利用小波变换具有多分辨分析的特性，并结合模糊中值滤波、阈值化处理及微分梯度算子对SAR图像进行边缘提取。实验结果表明了该方法是一种有效的对SAR图像进行边缘提取的方法。     

面向无人机航拍图像小目标检测方法

针对航拍图像目标检测中小目标特征模糊问题,提出一种改进YOLO＿v5x的目标检测算法。通过在YOLO＿v5x的主干和颈部网络中添加空间到深度(space-to-depth,SPD)模块来减少细粒度信息丢失;在检测输出端添加1个小目标预测头,提高算法学习低分辨率特征的效率;引入协调注意力(coordinate attention,CA)机制,将横向和纵向的位置信息编码到通道注意中,增强网络对不同维度特征的提取能力;在完整交并比(complete-intersection over union,CIOU)损失函数的基础上引入Alpha交并比(α-IOU)损失函数,获得更准确的边界框回归,实现图像中目标更精确的定位。通过在Visdrone数据集上对改进YOLO＿v5x算法进行训练和对比实验,结果表明：相比于原YOLO＿v5x,改进目标检测算法的平均检测精度提升了7.8%,小目标检测的平均精度达23.9%,能够有效识别无人机航拍图中的小目标;相比于RetinaNet、YOLOX-S、Grid-RCNN等目标检测算法,改进目标检测算法的小目标检测平均精度最高,在当前主流检测小目标算法中达到先进水...