SAR图像车辆目标ROI的提取技术

SAR图像感兴趣目标区域(Region Of Interest, ROI)的提取是目标识别的基础。该文针对SAR图像中车辆目标ROI提取问题,系统分析了ROI提取过程的关键环节,提出了采用基于有序数据可变索引(Ordered Data Variability Index, ODVI)的自适应CFAR方法实现目标的恒虚警检测,同时对ROI切片计算鉴别特征,并实现序贯鉴别。最后利用X波段SAR图像数据验证了该文的ROI提取技术,给出了鉴别输出的ROI,处理结果显示该文算法能准确提取车辆目标ROI,有效消除虚警。     

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。      

扩展分形法结合B-CFAR在SAR图像目标检测中的应用

针对文献[1]的扩展分形(Extended Fractal．EF)方法，分析了EF特征的优劣性。结合SAR图像的统计特性，本文将EF检测与双参数恒虚警车(Bi-parameter Constant False Alarm Rate B-CFAR)检测相结合．提出两个改进方案：一、利用两种特征的融合信息在决策层决策的检测方案；二、先用B-CFAR增强感兴趣目标区域(Region of Interest．ROI)．在此处理之后再用EF法检测。我们将这两种方案运用在复杂的二维SAR图像飞机检测中．得到了良好的检测效果。     

SAR 村庄目标ROI 提取和异源图像匹配

针对合成孔径雷达(SAR)图像信噪比低且具有相干斑噪声,与光学图像配准时难度较大的现状,提出了一种异源图像村庄目标感兴趣区域(ROI)提取和匹配新方法。首先,对SAR 图像进行中值滤波和偏微分处理,消除噪声干扰;然后,利用灰度共生矩阵的四个纹理参数对整幅图进行计算,判断是否为村庄目标点,并提出局部灰度一致性算法,消除虚警点,增加目标点,完成村庄目标ROI 的粗提取;接着,利用傅里叶描述子对获得的目标ROI 进行二次描述和填充,获得最终待匹配的村庄ROI;最后,利用Hu 不变矩区域特征,结合最小欧氏距离测度和余弦相似度,实现异源图像匹配。实验结果表明,最终获得的配准图像误差较小,配准图像视觉判断比较理想,因而具有较高的可靠性和稳定性以及较高的理论研究价值和广泛的应用前景。     

基于多尺度特征的SAR区域型目标检测方法

通过对SAR图像的目标特性分析，提出了一种SAR区域型目标的检测方法。与通常的一些目标检测算法相比，该算法在ROI的提取和目标建模两个方面作了改进，提出了一个新的特征提取算子并引入多尺度的梯度特征作为分类依据。算法应用于真实的SAR图像进行居民区的检测，获得了预期的结果。实验表明，基于多尺度梯度特征的目标检测算法具有良好的性能。     

基于扩展分形和CFAR特征融合的SAR图像目标识别

研究了多信息融合技术在SAR图像目标识别中的应用。将扩展分形特征(Extended Fractal)与双参数恒虚警特征(Double Parameter CFAR)形成的多信息进行融合处理。运用Dempster-Shafer证据理论，在决策层对SAR图像中的像素进行识别分类。实验结果表明通过融合对像素分类的准确性明显好于单特征的检测结果，减少了虚警概率，提高了系统的识别能力。     

SAR 和光学图像精配准技术的研究

光学图像和SAR 图像的配准是实现多源图像融合和复合分析的基础,该文介绍了一种光学图像和SAR图像精配准的方法。首先采用人工的方式选择3～4 个同名控制点,在此基础上实现图像的粗略配准,保证SAR与光学图像尺度和旋转的归一化;然后在粗配准的光学图像上提取特征点,并分别采用不同的梯度算子提取SAR和光学图像的梯度强度,基于梯度强度进行归一化互相关,从而得到不同图像上的同名特征点;最后根据提取的同名特征点构建不规则三角网,并对每个三角网构成的小面元进行图像的精确配准,最终实现SAR 和光学图像的精配准。通过采用星载图像的精配准处理和检验,证明了该方法的可行性,能获得较好的配准效果。      

基于阴影的SAR图像车辆目标三维特征提取

目标长、宽、高三维几何特征,对SAR图像解译与目标识别等具有重要意义。从SAR成像几何出发,根据SAR观测俯仰角、目标及阴影之间的几何关系,研究提出了基于两维高分辨SAR图像阴影信息的车辆目标三维几何特征提取方法。该方法既可由某一方位角的单幅SAR图像提取目标三维几何特征,也可通过任意有限(3～5)个方位角SAR图像的融合提取目标三维几何特征,而且融合还可有效提高目标三维几何特征的提取精度。通过大量MSTAR实测SAR图像数据的实验结果,验证了其有效性。     

基于ROI自动提取的SAR图像压缩

在机载SAR应用中,基于感兴趣区域(ROI)保护的有损压缩是解决传输实时性的有效方法,而ROI的自动提取则是制约系统整体性能的关键环节.本文提出了一种基于ROI自动提取与保护的SAR图像压缩策略,首先将图像进行分解,然后在结构分量内对包含潜在目标的区域进行检测,生成敏感目标区域掩码,然后对图像的结构和纹理分量分别使用基于小波和多尺度几何分析的方法来进行压缩编码,在压缩时对ROI区域进行保护性的低损压缩,对背景杂波区域进行有损压缩.本文方法针对航拍SAR图像中易于在压缩中产生模糊的小型人造目标区域进行保护性压缩.在同样的码率条件下,恢复后的图像与标准的JPEG2000算法相比具有更好的视觉效果,适用于依赖于人眼判读与反应能力的人在回路应用.     

基于方位不变性的SAR图像旋转体检测

针对复杂环境中微弱旋转体目标(如地雷等)检测的难题,提出了一种基于方位散射特征和局部对比度特征融合的检测算法。首先,对旋转体目标特性进行了分析,进而利用子孔径SAR图像提取方位散射熵作为待检测特征。对全孔径SAR图像分别进行方位不变性检测和CFAR检测,并将检测结果相融合,得到最终检测结果。算法体现了利用目标先验知识辅助检测的思路,实测数据结果表明,该方法能够有效剔除原先在全孔径图像中无法剔除的杂波,有效降低检测的虚警率。     

基于DBSCAN技术的SAR图像感兴趣区域鉴别

使用一种新奇的聚类方法从粗略检测后的SAR图像中提取感兴趣区域(ROI),再通过多特征提取和综合鉴别,去除虚警保留目标,为进一步的目标识别做准备。自动目标聚类是基于SAR图像的自动目标识别系统的难点之一,带有噪声的基于密度的聚类方法 (DBSCAN)可以发现任意形状的聚类目标,只依赖于两个不敏感的系统参数,通过区域判断缩减计算时间减少计算内存,很好地适应了自动目标识别的系统需要。多特征目标鉴别方案基于聚类结果,研究聚类得到的感兴趣区域,通过提取多种特征综合判断,有效去除了虚警。所述方法已应用于某SAR-ATR系统,得到了很好的应用体验。     

上下文信息融合与分支交互的SAR图像舰船无锚框检测

SAR图像中舰船目标稀疏分布、锚框的设计,对现有基于锚框的SAR图像目标检测方法的精度和泛化性有较大影响,因此该文提出一种上下文信息融合与分支交互的SAR图像舰船目标无锚框检测方法,命名为CI-Net.考虑到SAR图中舰船尺度的多样性,在特征提取阶段设计上下文融合模块,以自底向上的方式融合高低层信息,结合目标上下文信息...     

融合CNN和SRC决策的SAR图像目标识别方法

提出基于卷积神经网络（Convolutional Neural Network,CNN）与稀疏表示分类（Sparse Representation-based Classification,SRC）联合决策的合成孔径雷达（Synthetic Aperture Radar,SAR）目标识别方法。CNN通过深度网络学习SAR图像的多层次特征,进而对其所属的目标类别进行判决。研究表明,CNN在训练样本充足的条件下可以取得很好的识别性能。然而,对于训练样本未能包含的条件,CNN的分类性能通常会出现明显下降。因此,先采用CNN对待识别的测试样本进行分类,再根据输出的决策值（即,各个训练类别对应的后验概率）计算当前分类结果的可靠性。当分类结果判定可靠时,则直接采信CNN的决策,输出测试样本的目标类别。反之,则根据CNN输出的决策值筛选若干候选类别,然后基于它们的训练样本构建全局字典用于SRC分类。对于SRC的分类结果,进一步采用Bayesian融合算法将其与CNN的分类结果进行融合。最终,根据融合后的结果判定测试样本的目标类别。提出方法通过层次化的思路融合CNN和SRC的优势,有利于发挥两者对不同测试条件的优势,达到提高识别稳健性的目的。实验中,基于MSTAR数据集开展测试分析,结果验证了提出方法的有效性。     

基于空间与光谱注意力的光学图像和SAR图像特征融合分类方法

针对多源遥感图像的差异性和互补性问题,该文提出一种基于空间与光谱注意力的光学图像和SAR图像特征融合分类方法。首先利用卷积神经网络分别进行光学图像和SAR图像的特征提取,设计空间注意力和光谱注意力组成的注意力模块分析特征重要程度,生成不同特征的权重进行特征融合增强,同时减弱对无效信息的关注,从而提高光学和SAR图像融合分类精度。通过在两组光学和SAR图像数据集上进行对比实验,结果表明所提方法取得更高的融合分类精度。     

多尺度特征融合与特征通道关系校准的SAR图像船舶检测

目前深度学习技术在SAR图像的船舶检测中已取得显著的成果,但针对SAR船舶图像中复杂多变的背景环境,如何准确高效地提取目标特征,提升检测精度与检测速度仍存在着巨大的挑战。针对上述问题,该文提出了一种多尺度特征融合与特征通道关系校准的 SAR 图像船舶检测算法。在Faster R-CNN的基础上,首先通过引入通道注意力机制对特征提取网络进行特征间通道关系校准,提高网络对复杂场景下船舶目标特征提取的表达能力;其次,不同于原始的基于单一尺度特征生成候选区域的方法,该文基于神经架构搜索算法引入改进的特征金字塔结构,高效地将多尺度特征进行充分融合,改善了船舶目标中对小目标、近岸密集目标的漏检问题。最后,在SSDD数据集上进行对比验证。实验结果表明,相较原始的Faster R-CNN,检测精度从85.4%提高到89.4%,检测速率也从2.8 FPS提高到10.7 FPS。该方法能够有效实现高速与高精度的SAR图像船舶检测,具有一定的现实意义。      

基于红外与可见光图像的目标检测算法

针对现有基于可见光的目标检测算法存在的不足,提出了一种红外和可见光图像融合的目标检测方法。该方法将深度可分离卷积与残差结构相结合,构建并列的高效率特征提取网络,分别提取红外和可见光图像目标信息;同时,引入自适应特征融合模块以自主学习的方式融合两支路对应尺度的特征,使两类图像信息互补;最后,利用特征金字塔结构将深层特征逐层与浅层融合,提升网络对不同尺度目标的检测精度。实验结果表明,所提网络能够充分融合红外和可见光图像中的有效信息,并在保障精度与效率的前提下实现目标识别与定位;同时,在实际变电站设备检测场景中,该网络也体现出较好的鲁棒性和泛化能力,可以高效完成检测任务。     

决策可靠性分析及在SAR图像目标识别中的应用

决策融合是提高合成孔径雷达（Synthetic Aperture Radar,SAR）目标识别性能的重要手段,然而,可靠性较弱的决策往往会导致最终决策融合的效果变差。将可靠性分析引入基于决策融合的SAR目标识别方法中,分别计算各个决策的可靠性系数并选取可靠性的决策参与最终的决策融合。为了验证方法的有效性,分别将提出的可靠性分析应用于多特征决策融合以及多分类器决策融合并基于MSTAR（Moving and Stationary Target Acquisition and Recognition）数据集进行了目标识别实验。在基于主成分分析、线性鉴别分析和非负矩阵分解三种特征进行多特征决策融合的条件下,所提方法和直接进行决策融合的方法的识别率分别为97.47%和96.50%。在基于K近邻、支持向量机和稀疏表示分类器的多分类器决策融合中,所提方法和直接进行决策融合的方法的识别率分别为97.10%和96.28%。实验结果充分证明了所提方法的有效性。