一种基于小波SAR图像斑噪声抑制的改进算法

基于小波变换的合成孔径雷达(SAR)图像斑噪声抑制算法,能很好的减小相干斑噪声对SAR图像的影响.但该算法在平滑噪声的同时,往往也会使图像的边缘变得模糊,降低了SAR图像的分辨率.比例边缘检测算法能较完整和准确的检测出SAR图像的边缘.我们试图提出一种改进算法,结合小波方法和比例边缘检测两种算法的优点.利用比例边缘检测提取出SAR图像的边缘图,用小波的方法对去边缘的图像进行去斑噪声处理,再把边缘图叠加到去噪后的图像上.试验证明这种算法能够在去除SAR斑噪声的同时,较好的保持SAR图像边缘.     

基于纹理特征和SVM的SAR图像溢油检测方法

SAR 图像中含有严重的相干斑噪声,传统的基于灰度的算法不能很好地对SAR 图像中的目标实现分类.将SAR图像的纹理特征和SVM(支撑向量机)结合,提出了一种新的SAR 图像目标识别算法.对含有油污的SAR图像进行识别,实验结果显示,该算法可以快速有效的检测出SAR图像中的油污,并且具有较高的识别率和抗噪能力.     

基于变分的SAR图像目标特征增强方法

研究了SAR图像目标特征增强的变分方法.通过分析P-M扩散方程中的扩散系数,得出梯度(Canny)边缘检测算子对SAR图像的非恒虚警性使得滤波后图像的边缘变得模糊.而ROA算子能有效地检测出图像中的边缘,但较难检测出图像中的强散射点目标.基于SAR幅度图像中相干斑噪声的Rayle igh分布,从最大后验概率估计出发,结合ROA边缘检测图像以及SAR幅度信息来构造扩散系数,建立SAR图像目标特征增强的变分模型.实测SAR图像处理结果显示该方法在充分抑制均匀区域的相干斑噪声的同时能较好地保护并增强图像的边缘和强散射区域.     

基于改进Wedgelet变换的SAR图像边缘检测

针对SAR图像边缘检测中,传统算法很难同时兼顾噪声抑制和对边缘完整准确定位的缺点,利用多尺度Wedgelet变换能够有效检测线目标的特点,提出了一种新的Wedgelet变换的代价函数,增强了其抑噪能力,同时选择了适当的分解尺度,在没有降低逼近图像质量的情况下提高了变换速度.基于此变换,对SAR图像进行自适应的边缘检测.实验结果表明该方法有效克服了斑点噪声的影响,对SAR图像的边缘检测是可行、有效的.     

一种面向机载SAR图像的目标检测算法

无人机合成孔径雷达(Synthetic Aperture Radar,SAR)图像在目标检测过程中存在噪点丰富、成像相对模糊等特点,容易造成目标初检测虚警较多。特征提取和虚警去除是实现SAR图像目标准确检测的重要途径。针对目标特征提取及虚警去除,提出了一种面向机载SAR图像的目标检测算法。该算法首先进行目标初检测,再基于特征,使用球面构造神经网络模型去除虚警,实现目标的精确检测。最后,基于实拍遥感SAR影像验证了算法的有效性。     

复杂场景下的自动红外舰船目标检测

为实现多种复杂海天背景下红外舰船目标的有效检测,提出了一种基于局部边缘梯度特征分析的舰船目标检测方法。利用红外舰船目标图像的特征,改进自适应Butterworth高通滤波对图像进行预处理。通过计算局部边缘梯度特征和聚类分析确定初始目标区域,比较梯度特征参数并进行多尺度搜索准确检测出舰船目标。对多种复杂海天场景红外图像进行仿真实验,结果表明,该算法能够有效准确地检测出多种复杂海天场景下的红外舰船目标,且算法简单,易于实现,适应面广。     

基于稀疏表示和道路辅助的单幅SAR图像运动目标检测方法

本文提出一种利用单幅SAR(Synthetic Aperture Radar)图像实现运动目标检测的方法.首先提出一种基于压缩感知的SAR图像道路检测算法:根据SAR图像中道路的特点,使用模糊C均值方法将图像进行模糊分类,获得大致的道路区域,然后利用Hough变换域的稀疏性,用压缩感知精确定位图像中的道路信息.其次利用图像稀疏表示的方法对运动目标进行检测:不同速度运动目标的散焦量和距离单元跨越不同,由此生成样本图像,继而构造超完备字典.将待测图像分块,并计算子图像在字典下的稀疏系数,检测并匹配出运动目标的速度参数.最后,结合已检测出的道路辅助信息,消除多普勒模糊影响,剔除虚假的运动目标,并对运动目标速度参数进行校正.实验结果证明了所提方法的有效性.     

复杂环境大场景SAR图像飞机目标快速检测

随着人工智能与合成孔径雷达（synthetic aperture radar,SAR）技术的发展,基于卷积神经网络（convolutional neural network,CNN）的SAR图像自动目标识别技术取得了一定的突破.然而,由于飞机自身结构以及SAR成像机制的复杂性,在复杂环境大场景SAR图像中对飞机目标进行快速准确的检测依然存在挑战.为提升算法的检测能力,本文对现有检测算法的处理流程进行了分析与总结,并提出了一种复杂环境大场景SAR图像飞机目标快速检测算法.算法优化了整体检测流程,设计了基于灰度特征的机场区域精细化提取和基于CNN的飞机目标粗检测两大子模块,并采用了YOLOv3网络对机场区域以及飞机目标分别进行初步的提取与检测.实验结果表明,本文算法对复杂环境大场景SAR图像中的飞机目标具有高效的检测能力.     

结合多尺度边缘检测的SAR结构邻域滤波方法

噪声抑制是合成孔径雷达(SAR)图像处理的一个重要环节,通常的方法在抑制噪声的同时也使得图像的边缘模糊。该文提出一种结合宏观边缘信息的SAR图像结构邻域滤波方法。首先利用多尺度边缘检测算法获得SAR图像主要的边缘信息,在此基础上对结构邻域滤波法进行改进。结构邻域滤波法用一系列反映图像局部方向信息的邻域模板描述图像的细节特性,滤波过程中引入图像的宏观边缘信息,对邻域模板的选择范围进行约束。最后运用模拟退火算法选取合适邻域模板对目标点的强度进行MAP估计。实验表明该方法能够较好地保持图像的边缘特征,同时有效抑制了斑点噪声。     

基于多特征和模糊推理的边缘检测

图像边缘检测的传统方法一般仅基于边缘邻域的一阶或二阶导数这一单一特征,并且对模糊边缘图像不敏感,针对此问题,本文提出基于多特征和模糊推理的边缘检测算法.根据不同类别的边缘点附近灰度分布的特点定义多种边缘特征;利用不同的边缘特征确定模糊规则,用min-max重心法模糊推理该点的边缘隶属度,实现边缘检测.最后,文中给出应用本算法进行边缘检测的实例,与传统算法相比较,本算法检测边缘效果更好,并能较好地抑制噪声.     

SAR图像人造目标检测研究

在合成孔径雷达(SAR)自动目标识别中,人造目标的检测至关重要。该文根据SAR图像的特点,对图像中的人造目标进行了检测。首先采用自适应小波滤波方法对图像进行滤波,在保留图像细节的前提下有效地去除了图像中的乘性噪声,使后续的检测变得相对容易。然后采用基于自适应遗传算法的C-划分二维模糊熵算法对图像进行分割。实验结果表明,该文方法能够有效地检测出图像中的人造目标。     

基于弹跳射线法的海上目标快速成像与识别算法

合成孔径雷达(Synthetic Aperture Radar,SAR)以全天候、全天时的观测能力,在军事和民用领域有着广泛的应用背景。考虑到SAR研究的成本和效率以及SAR图像在目标检测领域的应用,SAR图像的仿真技术发挥了重要优势。针对传统成像方法耗时较长的问题,本文利用基于弹跳射线法（SBR）的快速成像技术以达到快速获取大批量SAR图像的目的。为了更加精准地识别SAR图像中的目标,在Faster RCNN目标检测网络的基础上,根据真实舰船目标改变候选框的初始尺寸以及利用特征融合的方式对原算法框架加以改进。最后,在Faster RCNN框架中加入特征金字塔结构（Feature pyramid networks,FPN）,进一步提高目标识别算法对SAR图像中的舰船目标检测和识别的能力。      

一种利用SAR和可见光图像融合检测目标的方法

本文利用军事目标在SAR图像中具有较大的雷达散射截面,后向散射强以及在可见光图像中几何外形清晰的特点,提出一种利用SAR图像和可见光图像多维特征检测目标的方法。该方法分为图像预处理,目标检测和融合检测三部分。首先,利用基于特征匹配的方法对多传感器图像进行配准。其次,利用全局双参数恒虚警(CFAR)方法检测SAR图像中的目标,经过滤波处理后,确定感兴趣区域(Region Of Interesting,ROI)并提取目标的SAR图像特征;将ROI映射到可见光图像中,对该区域进行边缘检测、滤波、连通性分析、提取目标的可见光图像特征。最后,在特征层利用特征向量距离准则融合检测目标。实验结果表明该方法性能优于单传感器检测方法,且能有效的改进目标检测性能。      

基于视觉注意机制的UWB SAR叶簇隐蔽目标变化检测

在超宽带合成孔径雷达叶簇隐蔽目标检测中,传统的UWB SAR图像变化检测方法易受图像灰度值起伏和成像条件变化的影响,致使现有的变化检测算法的性能下降.本文根据人类视觉系统的生理结构和认知特点,提出了一种基于视觉注意机制的叶簇隐蔽目标变化检测算法.该方法使用视觉注意模型,将图像的多尺度特征信息融合为单幅视觉显著图像,并利用图像局部邻域信息和目标的空间相关特性对视觉显著图中视觉注意焦点进行分层筛选和变化检测.实验结果表明:本文中基于视觉注意机制的变化检测方法可以有效检测多时相UWB SAR图像中的叶簇隐蔽目标,较之传统的基于统计原理的变化检测方法,其检测速度更快,且对场景复杂的UWB SAR图像亦具有鲁棒性.     

一种基于小波变换的SAR图像船舰检测的新算法

根据小波变换和Teager能量算子(TEO)的局部特性,该文提出一种基于SAR图像的船舰检测算法.该算法对SAR图像进行小波变换,计算小波系数的Teager能量.根据小波域的Teager能量对船舰信号的增强特性,使用双参数CFAR检测SAR图像船舰.仿真结果表明,新算法与传统的双参数CFAR检测算法和基于K-分布的单元平均检测算法相比,在船舰检测数和虚警数性能指标上均优于传统检测算法.     

Study on the technique to detect texture features in SAR images

This letter studies on the detection of texture features in Synthetic Aperture Radar (SAR) images. Through analyzing the feature detection method proposed by Lopes, an improved texture detection method is proposed, which can not only detect the edge and lines but also avoid stretching edge and suppressing lines of the former algorithm. Experimental results with both simulated and real SAR images verify the advantage and practicability of the improved method.     

基于特征矢量匹配的SAR海洋图像舰船目标检测

根据SAR图像的基本特点 ,阐述了用DFBR场模型表达SAR图像的基本原理。在此基础上 ,通过提取SAR海洋图像中每个像素的分形值、分形模型拟合误差和方差统计量特征参数 ,结合图像像素的灰度值 ,形成一个对应于每个像素的特征矢量 ,并利用模糊数学的模糊子集概念 ,提出了一种基于特征矢量匹配的舰船目标检测方法。实际数据处理的结果表明 ,该方法具有较高的可靠性和准确性。     

基于图像分割的VHFSAR叶簇隐蔽目标差值变化检测

本文针对甚高频合成孔径雷达(VHF SAR)图像中树林区域后向散射呈现快速起伏的特点,提出了一种基于图像分割的叶簇隐蔽目标差值变化检测方法,该方法首先采用自动多阈值分割算法对参考图像进行分割以降低后向散射起伏对检测性能的影响,而后采用一种新的概率模型对分割后各图像区域的杂波分布分别进行准确估计以进一步提高算法的性能.实验结果表明本文方法较之其它算法具有更优的检测性能.     

一种改进的高分辨率SAR图像超像素CFAR舰船检测算法

合成孔径雷达(SAR)图像舰船目标检测一直受到学者广泛关注,恒虚警率(CFAR)检测算法作为雷达图像经典目标检测算法被广泛应用于SAR图像舰船目标检测中。然而经典CFAR检测性能容易受到相干斑噪声影响,基于滑窗的检测结果对滑窗的尺寸选择非常敏感,难以保证杂波背景中不存在目标像素,并且计算效率较低。针对上述问题,该文提出了一种新的基于超像素无窗快速CFAR的SAR图像舰船目标检测算法。首先,利用基于密度的快速噪声空间聚类(DBSCAN)超像素生成方法生成SAR图像的超像素。在SAR数据服从混合瑞利分布的假设下,定义了超像素相异度。然后利用超像素精确估计每个像素的杂波参数,即使在多目标情况下,也可以克服传统CFAR滑动窗口的缺点。此外,基于SAR图像变异系数,提出了一种基于变异系数的局部超像素对比度来优化CFAR检测,以此消除大量杂波虚警,如陆地区域人造目标。对5幅SAR图像的实验结果表明,与其他方法相比,该文方法对不同场景SAR图像海面舰船目标检测都十分稳健。      

融合节点分析与边分析的复杂网络社区识别算法

针对边社区识别与节点型社区识别两类算法在识别社区过程中均存在相应缺陷,影响复杂网络社区识别质量的问题,提出融合节点分析与边分析的复杂网络社区识别（CDHNE）算法。该算法首先运用边在网络中较为稳定的特点,在算法执行初期通过边社区识别构建较为准确的社区结构;然后利用节点较为灵活的特点,在边社区形成后,对边社区的边缘进行精确识别,更准确地识别出复杂网络中的社区结构。在计算机生成网络实验中,当网络的社区结构逐渐变得模糊、重叠节点数量与重叠节点归属社区数量不断增加时,CDHNE算法的社区识别精度较传统算法平均提高10%,在重叠节点识别精度上较传统算法平均提高15%;在真实网络实验中,算法识别的社区结构紧密度较好,特别是面对拥有十几万个节点的大规模网络时,CDHNE算法高质量地完成了识别任务,EQ值达到0.412 1。实验结果表明,CDHNE算法在运行稳定性和处理大规模网络方面具有优势。