全卷积神经网络应用于SAR目标检测

在合成孔径雷达（SAR）图像目标检测中,由于场景杂波的复杂多变,对背景杂波统计模型估计难度增加,从而导致多数检测器容易受到背景杂波的干扰。针对如何避免场景杂波对目标检测干扰的问题,提出了一种基于全卷积神经网络的SAR目标检测模型。该模型将目标检测任务转化为像素分类问题,利用卷积神经网络对数据集中目标像素特征和背景杂波像素的先验信息进行自主学习,有效减少了虚警目标的数量;通过对目标及其阴影区域的联合检测,提高了目标的检测概率。对多个不同场景图像进行测试,实验结果表明提出的检测模型具有良好的检测性能和鲁棒性能,与传统恒虚警检测算法相比,在无需考虑背景杂波统计模型前提下有效降低了虚警概率。     

基于有序数据可变索引的SAR图像目标检测方法

该文提出了一种基于有序数据可变索引(Ordered Data Variability Index, ODVI)的SAR图像目标恒虚警检测算法,该算法首先对待测像素的参考窗进行基于ODVI的自适应筛选处理(Automatic Censoring, AC),以去除窗内的强杂波和干扰像素,并以窗内保留的均匀像素对背景的统计特性进行建模,估计其概率密度函数的参量,同时构建双参数恒虚警检测(CFAR)的检验统计量,计算检测的自适应阈值,实现检测的判决。论文给出了该算法的检测性能曲线,并利用实测的X波段SAR图像进行实验验证,与其它检测方法进行比较,结果显示该文算法具有较好的检测性能和较低的虚警概率。     

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。      

基于TBD技术的高频雷达舰船目标检测

针对强海杂波背景下高频雷达的舰船目标检测问题,提出了基于检测前跟踪(TBD, track before detect)技术的检测方法.该方法先在多普勒域对回波数据进行杂波抑制和低门限CFAR(constant false alarm rate)预处理以降低虚警率和计算复杂度,再采用动态规划TBD算法进行检测和跟踪以提高检测性能.蒙特卡洛仿真结果和回波数据验证表明该方法可提高对一阶海杂波附近舰船目标的检测能力,工程实用性强.     

非高斯杂波下修正的SDD-GLRT距离 扩展目标检测器

 在球不变随机向量非高斯杂波背景下,针对SDD-GLRT方法在统计平均意义下对距离扩展目标进行最优检测所带来的检测损失,通过充分利用目标散射点的先验信息,基于有序统计检测理论,提出了修正的SDD-GLRT距离扩展目标检测方法.理论分析表明,在不存在目标的假设下,虚警概率与纹理分量的混合分布、杂波协方差矩阵以及确知信号的方向向量无关,即修正的SDD-GLRT方法具有恒虚警率(constant false alarm rate,CFAR)特性.仿真结果表明,随着积累脉冲数及目标散射点所占距离单元个数的增加,修正的SDD-GLRT检测性能得到提高.在散射点分布稀疏条件下,修正的SDD-GLRT的检测性能要明显好于SDD-GLRT和NSDD-GLRT,且在估计目标散射点个数存在微弱偏差和不同杂波尖峰情况下,修正的SDD-GLRT具有很好的鲁棒性.     

高分辨SAR图像自动区域筛选目标检测算法

在G0分布背景杂波假设下,基于VI-CFAR算法该文提出一种自动区域筛选的恒虚警目标检测算法,以解决高分辨SAR图像复杂环境背景下的目标检测问题。该算法首先利用变化指数(VI)统计量对局部参考窗内的均匀区域进行筛选,以剔除参考窗内具有目标干扰点的非均匀区域;然后利用均值比(MR)统计量对参考窗内同质的均匀区域进行区域合并,以解决杂波边界处的背景杂波筛选问题;最后利用筛选到的同质均匀区域内的像素集合进行背景杂波参数估计,对待检测区域实现二值检测。通过实测SAR图像车辆目标检测实验表明,在多目标和杂波边界复杂环境背景下,该算法具有较稳定的检测性能和虚警抑制能力。     

自选择混合分布模型的CFAR用于SAR图像舰船检测

为了解决恒虚警率检测算法（CFAR检测）在合成孔径雷达图像舰船检测中,用已有分布建模,不能应对所有的场景,对于一些复杂场景建模拟合效果不理想的问题,本文使用一种自选择混合分布的CFAR检测方法:首先,对图像进行预处理,减少目标像素对海杂波的影响;其次,利用学习出来的混合分布模型对预处理后的每一块图像进行建模,计算全局阈值,并根据阈值把图像像素分为目标和背景杂波;然后,为防止漏检,重新对场景像素进行建模、检测,重复此过程直到背景杂波中检测不到目标为止;最后加入后处理,减少虚警的产生。这一方法不仅能得到更好的海杂波模型,同时还能提取舰船的更多细节,实验结果证明了这一方法的有效性。      

一种改进的VI-CFAR检测器

修正的削减平均MTM（modified trimmed mean）恒虚警（constant false alarm rate, CFAR）算法通过对前后滑窗的削减平均再求和实现杂波功率估计,其在多目标环境下具有很好的抗干扰性能。为了提高VI检测器在多目标背景尤其是前后滑窗都存在干扰目标时的检测性能,将MTM算法应用于VI（variability index）检测器,提出了一种改进的恒虚警检测器（VIMTM）,该检测器的检测阈值由CA、GO和MTM算法产生。同时本文推导了MTM算法标称化因子TMTM的表达式,在SwerllingⅡ假设下,对VIMTM在不同的杂波背景下的性能进行了仿真分析,并与VI和基于OS (order statistic )的OSVI进行了比较。结果表明,在均匀环境和多目标背景下,VIMTM检测性能较好,且具有更强的鲁棒性;在杂波边缘背景下,VIMTM控制虚警的能力与VI、OSVI相当。另外,与OSVI相比,VIMTM缩短了参考样本的排序时间,提高了检测器的工作效率。      

极化SAR图像中PNF与PWF的CFAR检测性能对比

Marino于2012年提出了一种极化凹口滤波器（polarimetric notch filter，PNF）[1]，引起了业界内的广泛关注，但至今尚未查询到公开文献将其与极化合成孔径雷达（polarimetric synthetic aperture radar，PolSAR）图像目标恒虚警率（constant false alarm rate，CFAR）检测领域内著名的极化白化滤波器（polarimetric whitening filter，PWF）进行比较.文章推导了G0-Wishart分布下PWF输出像素强度的概率密度函数（probability density functions，PDF）和虚警概率（probability of false alarm，PFA），进而给出了检测门限的解析表达式.最后利用仿真数据和来自AIRSAR的实测数据对PNF与PWF的性能进行了比较，结果表明一般情况下PWF的整体检测效能优于PNF，而PNF对不同统计模型的适应性优于PWF，在高海况情形下的检测性能比PWF要好.研究结果对极化SAR图像CFAR检测方法的选择具有理论指导意义.     

基于纹理特征和数学形态学的SAR图像目标检测方法

SAR图像目标检测是SAR图像解译的基础。针对含有目标的SAR图像,利用垂直方向的边缘纹理检测方法对预处理后的图像进行垂直边缘检测,再运用数学形态学中的腐蚀运算和膨胀运算对垂直方向边缘图进行虚警滤除处理,从而得到感兴趣的目标检测区域。详细地给出了SAR图像目标检测步骤,并将本方法与其他方法的检测结果进行了比较,实验结果表明,在均匀杂波背景与非均匀杂波背景下,该方法能够快速有效地实现SAR图像目标检测。     

An Adaptive and Fast CFAR Algorithm Based on Automatic Censoring for Target Detection in High-Resolution SAR Images

An adaptive and fast constant false alarm rate (CFAR) algorithm based on automatic censoring (AC) is proposed for target detection in high-resolution synthetic aperture radar (SAR) images. First, an adaptive global threshold is selected to obtain an index matrix which labels whether each pixel of the image is a potential target pixel or not. Second, by using the index matrix, the clutter environment can be determined adaptively to prescreen the clutter pixels in the sliding window used for detecting. The $G^{0}$ distribution, which can model multilook SAR images within an extensive range of degree of homogeneity, is adopted as the statistical model of clutter in this paper. With the introduction of AC, the proposed algorithm gains good CFAR detection performance for homogeneous regions, clutter edge, and multitarget situations. Meanwhile, the corresponding fast algorithm greatly reduces the computational load. Finally, target clustering is implemented to obtain more accurate target regions. According to the theoretical performance analysis and the experiment results of typical real SAR images, the proposed algorithm is shown to be of good performance and strong practicability.      

基于CFAR级联的SAR图像舰船目标检测算法

SAR图像舰船目标检测在军事监视和海洋环境监管等方面有着重要的意义。针对SAR图像的特点,提出了一种基于全局CFAR检测与局部CFAR检测级联的舰船目标检测算法。在全局CFAR检测中,通过海杂波特性拟合优选海杂波统计模型,以较高的虚警率筛选潜在的目标点;在局部CFAR检测中,以潜在目标点的连通区域为单位,通过检测窗口的选取、背景像素的确定和海杂波拟合等步骤以后,以较低的虚警率确定目标。最后,通过条件扩张算法和目标像素聚类完善船只细节。实验结果表明,文中算法在保证良好的检测性能的同时,具有检测效率高、舰船细节完整等优点,为舰船目标鉴别和信息提取提供了良好的保障,更加符合实际应用需求。     

基于Beta-Prime统计模型和QGD分类器的SAR图像地物分类方法

本文融合了Beta-prime(BP)统计模型和Quadratic Gamma discrimination(QGD)分类器各自的优点,给出了一个完整的合成孔径雷达(SAR)图像地物分类算法.通过利用BP模型区分背景杂波和目标,利用QGD分类器区分自然目标和人造目标,可以精确地把SAR图像分成阴影、背景杂波、自然目标和人造目标,在为目标识别过程提供潜在目标切片的同时,也能够提供背景杂波和自然目标的信息.     

雷达海上目标双通道卷积神经网络特征融合智能检测方法

受复杂海洋环境影响,基于统计理论的海面目标检测方法由于假设条件不成立,在实际应用中难以实现高性能检测,本文从特征提取分类角度,通过深度学习分类方法对目标和杂波的雷达回波信号进行二元分类,提出了一种基于双通道卷积神经网络(DCCNN)的雷达海上目标智能检测方法。首先,对实测海杂波和目标雷达信号进行预处理,得到信号的时间-多普勒谱和幅度信息;然后,构建DCCNN对预处理得到的数据进行智能特征提取,得到信号的特征向量,并对不同特征提取模型性能进行测试;最后,通过阈值可设的Softmax分类器作为检测器对特征向量进行分类,实现虚警率的控制。测试结果表明:与传统的单通道CNN以及无虚警控制Hog-SVM分类算法相比,基于二维卷积核VGG16和一维卷积核LeNet的DCCNN特征提取模型和softmax分类器可实现更高的检测性能,并可以实现虚警率控制,为复杂海杂波背景下目标智能检测提供了新的技术途径。     

基于邻域统计分布变化分析的UWB SAR隐蔽目标变化检测

该文针对载机不同航迹条件下所得多时相UWB SAR图像灰度值存在较大起伏,严重影响了基于像素灰度值差异的变化检测算法性能,提出了一种基于邻域统计分布变化分析的UWB SAR隐蔽目标变化检测方法。该方法将Gram-Charlier展开理论同秩序滤波器相结合对多时相图像中每个像素邻域的统计分布进行估计,进而借助K-L散度理论对多时相图像邻域统计分布变化进行定量分析以检测目标对应的变化区域。实验结果表明,该文方法能够更好地适应不同航迹UWB SAR图像间灰度起伏的影响,取得更好的检测结果。     

基于三阶累积量的红外弱小运动目标检测新方法

为检测强杂波背景中的红外弱小运动目标,提出了一种基于三阶累积量的检测新方法.该方法利用图像中目标经过时像素点灰度值有起伏变化这一特点,将其看作是一种非高斯弱瞬态信号,通过构造三阶累积量对其进行检测.此三阶累积量估计中的去均值处理同时实现了背景杂波的抑制,较好地改善了信杂比(SCR),提高了单帧检测性能.实验表明,该方法能够有效地抑制强杂波背景,在SCR>1时,能可靠检测目标.