基于灰度相关性的SAR图像联合CFAR舰船检测算法

分析了中高分辨率SAR海洋图像的目标和海杂波特点,利用了SAR海洋图像中舰船目标的灰度相关性、形状特性以及舰船目标与背景杂波的信杂比特性,提出了一种基于灰度相关性的联合CFAR舰船检测算法。算法综合利用了舰船目标内部相邻像素间的灰度强相关性和舰船目标和海杂波的信杂比,建立了海杂波区域内相邻像素间灰度值的二维对数正态分布来实现联合CFAR检测。该算法能够改善斑点噪声和背景局部不均匀对检测带来的虚警,检测效果相比于传统检测算法更加优越。     

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。      

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。      

一种基于变化检测技术的SAR图像舰船目标鉴别方法

该文引入变化检测思想,利用SAR图像中海杂波和目标之间的灰度差异,通过对潜在舰船目标切片的目标像素和背景像素进行分离,计算目标像素聚集度(TPAM)特征,实现对高亮像素在图像切片中聚集程度的定量评估,从而鉴别目标切片中是否包含有舰船目标,有效去除杂波虚警。首先,基于感兴趣区域(ROI)切片中心为目标像素及四周为海杂波的合理假设,构建似然比变化检测量获取差异图像;然后,利用KSW熵阈值选择方法实现差异图像中目标像素和海杂波像素的自动分离,生成二值图像;最后,利用切片中心像素为种子点,对二值图像进行区域生长,计算目标像素聚集度特征,并判断目标切片是否包含舰船目标。基于RADARSAT-1 SAR实测数据的实验结果表明,该文方法得到的目标像素聚集度特征计算简单、稳健性好、可区分度高,具有良好的鉴别性能,能够去除大部分海杂波干扰产生的虚警,有效地降低目标检测虚警率。     

一种复杂环境下改进的SAR图像双边CFAR舰船检测算法

双边恒虚警率(BCFAR)检测算法通过高斯核密度估计器计算出合成孔径雷达(SAR)图像的空间信息,并将它与图像的强度信息相结合得到联合图像以进行目标检测。相较于只使用强度信息来进行目标检测的经典CFAR检测算法,双边CFAR有着更好的检测性能和鲁棒性。然而,在复杂环境下出现连片的高强度异质点时(例如防波堤、方位模糊和幻影等),核密度估计器计算出的空间信息会出现较多误差,这会导致检测结果中出现大量虚警。此外,当遇到相邻像素点间相似度较低的弱目标时,双边CFAR会发生漏检。为了有效改善这些问题,该文设计一种复杂环境下改进的SAR图像双边CFAR舰船检测算法(IB-CFAR)。该文所提IB-CFAR主要分为3个阶段来实现,分别为基于非均匀量化法的强度层级划分、强度-空间域信息融合、杂波截断后的参数估计。基于非均匀量化法的强度层级划分可以提升弱目标的相似度和对比度信息,从而提升舰船检测率。强度-空间域信息融合在于将空间相似度、距离向和强度等信息进行融合,在进一步提升检测率的同时对舰船的结构信息进行精细化描述。杂波截断后的参数估计可以去除背景窗口中连片的高强度异质点,最大限度地保留真实海杂波样本,使参数估计更加精确。最后,根据估计出的参数建立精确的海杂波统计模型以进行CFAR检测。该文使用高分3号和TerraSAR-X数据来验证该算法的有效性和鲁棒性。实验结果表明,所提出的算法在包含较多密集分布的弱目标环境下表现良好,在此类环境下能获得97.85%的检测率和3.52%的虚警率,相比于现有的检测算法,检测率提升了5%,并且虚警率降低了10%,但在弱目标个数较少且背景十分复杂的环境下,则会出现少量虚警。      

一种SAR图像舰船目标快速检测方法

基于SAR图像的舰船目标自动检测是海洋监视应用的重要方面,但随着SAR成像能力和图像分辨率的提高,传统的CFAR检测方法已不能满足舰船目标自动检测的要求。针对中高分辨率SAR图像中舰船目标自动检测问题,提出一种基于像素筛选G0分布的SAR图像舰船目标快速检测方法,该方法首先根据像素灰度值出现频率选取阈值对杂波像素进行筛选,然后通过抽样定理对图像进行降分辨率处理,最后再在经过像素筛选的降分辨率图像中实现基于G0分布的自适应CFAR检测。NASA/JPL AIR-SAR实测数据的实验结果表明,该方法不仅能有效减少中高分辨率SAR图像舰船目标自动检测的虚警,而且能显著提高检测效率。     

一种结合空间信息的星载SAR图像舰船目标检测算法

针对常规恒虚警率(CFAR)方法对低信杂比合成孔径雷达(SAR)图像舰船目标检测效果不佳的问题,提出一种结合空间信息的星载SAR图像舰船目标检测方法。该方法通过将像素的空间信息与灰度信息相结合构造联合图像,以提高目标与背景的对比度,然后对联合图像进行CFAR检测。基于不同分辨力实测星载SAR图像舰船目标检测的实验结果表明,与直接基于CFAR的方法相比,该方法对低信杂比SAR图像具有更好的检测性能。     

基于频谱残差视觉显著计算的高分辨SAR图像舰船检测算法

分析了高分辨率SAR图像中海洋背景和舰船目标的特点,针对高分辨率SAR图像提出了一种两阶段舰船目标快速检测算法:第一阶段采用改进的频谱残差视觉显著计算模型快速获取视觉的感兴趣区域;第二阶段检测阶段,结合贝叶斯理论二元假设检验的思想,设计了一个局部最大后验概率分类器进行像素分类,经参数估计、判决准则完成显著区域内像素二分类以实现目标检测。实验采用典型的高分辨率SAR卫星Terra-SAR-X卫星数据进行仿真实验,结果表明所提算法具有良好的检测性能,也更加符合实际高分辨率图像舰船目标检测的应用需求。通过进一步实验与以往检测算法的对比得出结论,高分辨率SAR图像舰船目标检测方法在能够改善由斑点噪声和不均匀的海杂波背景对检测结果带来虚警的同时,检测速度也提高了25%~50%。     

SAR图像局部自适应ACCA-CFAR检测算法

该文在ACCA-CFAR(Automatic Censored Cell Averaging-CFAR)的基础上提出了一种以K分布对SAR图像杂波建模的局部自适应ACCA-CFAR目标检测算法。该算法首先估计局部窗口的K分布参数,然后根据参数确定局部ODV(Ordered Data Variability)门限,进而完成背景像素筛选,最后做出检测判决。文中证明了ODV门限与局部统计模型的参数有关,给出了采用局部自适应门限的理论依据。该文以海面舰船SAR图像为例,证明该算法在海面杂波背景中具有较少的虚警,可以完整地检测出舰船目标,保留更精细的结构特征。     

基于多特征联合的高分辨率SAR图像机动目标快速获取

提出了一种高分辨率SAR图像机动目标快速获取方法.该方法首先利用SAR图像中的对比度信息采用CFAR检测以确定图像中潜在目标区域的位置,然后提取每一个潜在目标区域的尺寸特征、形状特征以及对比度特征进行基于投票机制的目标鉴别,从而滤除自然杂波虚警以及部分人造杂波虚警.实测数据的结果证明了该方法的有效性.     

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Toeplitz矩阵特征值分解的SAR图像舰船目标检测方法

合成孔径雷达（SAR）图像舰船目标检测一直是海洋监测领域的重要手段。经典的恒虚警率（CFAR）检测依赖于分布模型及多参数的准确估计,难以适应复杂多变的海面背景。新兴的信息几何舰船检测方法挖掘了目标与杂波的统计差异,实现舰船的显著性表示,但依然受限于背景杂波的精确建模。考虑到现有方法的局限性,本文提出了一种基于Toeplitz矩阵特征值分解的SAR图像舰船目标检测算法。在无需寻求背景杂波分布模型的前提下,通过构建Toeplitz矩阵,以其特征值均值为检验统计量,充分获取目标与背景杂波的差异。在高分三号卫星和TerraSAR-X卫星实测SAR图像上的实验结果证明,相比于现有的多种典型方法,本文方法取得了更优的检测性能与更快的计算速度。      

改进的SAR图像双参数CFAR舰船检测算法

双参数CFAR检测中设置了目标窗口、保护窗口和背景窗口3个窗口,并且窗口的大小,滑动步长都要进行经验训练得到,效率低,对距离很近的舰船SAR图像会产生漏检。针对这些不足, 该文提出了一种改进的双参数CFAR检测算法,该算法只取目标窗口和背景窗口,通过把泄露到背景窗口中的舰船部分去除并对背景窗口中的剩余部分进行均值和方差估计来检测舰船,并且将窗口滑动步长取为目标窗口尺寸。相对双参数CFAR算法,结构得到了简化,检测结果的虚警率减小, 对距离很近的舰船不会产生漏检, 计算效率得到了改善。仿真结果表明了方法的有效性。     

SAR图像点目标的检测

分析了在均匀杂波回波功率服从 Gamma分布条件下 SAR点目标检测 ,推导了点目标虚警概率和检测概率与阈值系数关系 ,提出了检测点目标阈值系数选择根据和方法。在杂波均值估计方面 ,提出了以全局均值代替局部动态均值。实际测试结果表明所提出的检测方法在检测效果和计算量方面都优于双参数恒虚警检测算法     

降低船用连续波雷达虚警概率的海杂波抑制方法

为了解决海杂波引起的船用连续波雷达虚警概率增大,以及海杂波抑制算法工程应用难度大的问题,提出了一种工程实用的海杂波抑制方法。首先,通过双参数删除型CFAR检测算法和统计检测算法进行二次检测;然后,依据邻近帧之间目标回波相关性较强和片状海杂波相关性较弱的特点进行帧间处理。仿真和海上实验均表明,应用该方法的船用连续波雷达可以降低不同强度的海杂波背景下的虚警概率。     

复杂杂波背景下海洋SAR图像中舰船目标的检测

针对卫星SAR图像海洋背景和舰船目标特点,文献[1]提出了基于小波多分辨率分析的卫星SAR海洋图像舰船目标检测的新方法。在此基础上,本文针对不同海情杂波服从不同概率密度分布的特点,讨论了复杂杂波背景下基于小波变换检测海洋SAR图像中舰船目标的性能,给出了不同海情下的检测性能,并与传统门限检测方法比较,给出了不同信杂比下虚警概率曲线。仿真结果表明,该方法实用、有效。     

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。