SAR图像目标的融合检测方法

该文提出了一种利用扩展分形特征和局部对比度特征进行融合的SAR图像目标检测方法。分析了扩展分形特征的尺度敏感性及其在不同目标杂波模型下的二阶统计特性,分析表明扩展分形特征在目标检测中存在负值效应,即在正确检测出目标的同时把一些与目标具有相似形状而灰度值较低的区域也检测出来。而CFAR检测方法只利用了目标的局部对比度信息,不存在负值效应,但在强杂波环境中的检测结果存在很高的虚警。两种方法的融合可以滤除大量杂波虚警而保持目标。实测数据的融合检测结果证明了该方法的有效性。     

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图像目标检测研究综述

SAR图像目标检测是SAR ATR(自动目标识别)的关键步骤,也是近年来SAR图像解译应用的一大研究热点.在广泛文献调研的基础上,本文从SAR图像目标检测的历史沿革、研究现状开始,综述了SAR图像目标检测的研究进展及存在问题,指出了该技术领域的发展趋势.     

SAR图像舰船目标检测算法的对比研究

SAR图像舰船目标检测有二种经典算法:双参数CFAR算法和K-分布CFAR算法。本文分析了二种算法的特点,使用RADARSAT卫星不同模式SAR图像分别进行实验,给出二种算法的适应性。     

基于级联CFAR的SAR图像目标快速检测方法

针对高对比度场景下合成孔径雷达(SAR)图像的实时目标检测问题,提出一种基于级联恒虚警率(CFAR)的SAR图像目标快速检测算法,将二维图像的检测沿距离向和方位向拆分成两个一维的CFAR检测, 采用距离向-方位向级联检测器并加以分割关联方法对目标进行检测。首先,按距离向叠加后进行距离向检测,并进行分割关联以划分不同目标的区域;然后,对过检单元进行方位向检测得到目标位置;同时,进行分割关联,从而实现目标检测。文中利用仿真的SAR图像、MSTAR数据和实测数据进行实验。仿真结果表明:该算法具有速度快、检测率高的优点,满足实时处理要求。     

利用改进分形特征对SAR图像目标检测方法的研究

改进分形特征是用指数小波在一个尺度上对检测图像滤波,针对特定大小目标用能量关系函数求得各像素点的分形特征。该文研究了利用改进分形特征对SAR图像进行目标检测的方法,分别使用改进特征与扩展分形特征对单一背景和复杂背景条件下的SAR图像进行目标检测,结果表明：改进分形特征能够在这两种背景条件下以更低虚警率检测出全部特定大小的目标,目标空间可分辨性好、位置指示准确;但在复杂背景条件下的检测虚警率比单一背景下的检测虚警率有所上升。     

SAR图像局部窗口K-分布目标检测算法

该文分析了双参数CFAR算法和K-分布CFAR算法的特点,将双参数CFAR算法局部窗口的概念应用到K-分布CFAR检测中,适应了SAR图像海面背景复杂且局域性强的情况,获得了较好的检测效果。     

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。     

基于边缘特征的SAR图像目标检测方法

如何快速而准确地检测出SAR图像中的目标是一个极富挑战性的课题.利用图像边缘特征和模糊集理论设计了一种快速有效的SAR图像目标检测算法.该算法先利用模糊软阈值小波降噪方法去除相干斑噪声,然后用模糊边缘检测器检测出降噪图像的边缘,最后利用形态学操作算子提取出边缘图中的目标区域.与基于亮度特征以及基于纹理特征的检测算法相比,提出的检测算法能够快速、准确地检测出目标,而且产生的虚警数量较少.SAR实测数据的实验结果表明,提出的算法是有效的且具有很好的应用前景.     

基于反射对称性的极化SAR舰船目标CFAR检测

反射对称性是极化散射中十分重要的一种性质。反射对称性检测量刻画了共极化通道和交叉极化通道间的相关性,在极化合成孔径雷达(Pol SAR)目标检测中有重要应用。在复Wishart分布的基础上,结合乘积模型,推导出反射对称性检测量统计模型服从K分布,利用实测数据证实该模型对杂波数据具有很好的拟合效果。最后基于K分布模型,用恒虚警率(CFAR)方法进行了舰船目标的检测,实验结果验证了该方法的有效性。     

改进的极化SAR点散射目标扰动滤波检测方法

为完成极化合成孔径雷达(PolSAR)图像中点散射像素目标的检测,从几何扰动滤波检测点散射像素的基本原理出发,分析了经典方法存在的相干度参数阈值无法自适应获取和不同散射机制共享同一阈值两个问题,提出利用Cloude-Pottier分解结果中熵参数的分布情况计算得到阈值,利用平均阿尔法角参数完成不同散射机制的初分类,对初分类的结果排序得到的某种散射机制对应的相干度参数的比例因子,根据比例因子计算得到该类散射机制的阈值,从而完成点散射目标的检测。对机载合成孔径雷达（AIRSAR）数据集中的San Francisco Bay图像进行了实验,结果表明,改进方法在检测性能上优于经典方法。     

基于小波域Fisher分类器的SAR图像变化检测

给出了一种无监督SAR图像变化检测算法,它不需要分布假设,而是通过联合灰度直方图的分布特性进行判别.算法利用自适应边缘检测提取训练数据,通过Fisher分类器对联合直方图进行判别分析,得到不同小波层待检测点隶属度,并根据邻域关系以及上下文进行融合,得到最终检测结果.对真实SAR图像进行检测,得到了较好的检测结果.     

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。     

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。     

基于中心点回归的大场景SAR图像舰船检测方法

合成孔径雷达(synthetic aperture radar,SAR)图像舰船目标检测在军事和民用领域有着重要的应用.然而随着SAR图像成像能力的提升,SAR成像场景越来越大,舰船目标检测存在两个难点:一是舰船目标在整幅图像中所占比例极小,很难与周围背景分开;二是靠岸舰船目标通常密集排列,目标之间难以区分.目前常用基...     

基于时空搜索的红外微弱点状动目标检测技术

在背景杂波被抑制后的图像序列中,残留样本为相互独立、服从高斯分布的条件下,首先论述了理想三维时空搜索检测算法,并对其性能进行分析。结果表明,虽然它具有最佳的检测性能,但是由于需要事先知道关于噪声及目标先验知识的缘故,无法进行实际应用。对此．研究了直接利用观测样本来估计噪声及目标的一、二阶矩,从而无须事先知道噪声统计特性的三维时空搜索检测算法及其详细步骤,推导了二元判决统计量所服从的概率分布函数（结果为t分布）,对比分析了算法的检测性能,并给出了理想算法和本算法中共存的问题及其相应的改进方案。此种算法在连续多帧做任意运动的流星、人造卫星以及其他运动目标的光学检测与跟踪中应用广泛。     

基于极化SAR图像分类的海上舰船检测

本文针对极化熵类检测方法的不足,在极化特征分解以及Touzi等人工作的基础上,提出了能够更全面的表征舰船和杂波差别的特征矢量,并提出了一种基于特征矢量的非监督分类方法。使用该方法进行海上舰船的检测,不仅取得了很好的舰船和海面的分离效果,而且也得到了较好的舰船与其他人造目标的区分效果。实测数据的检测结果证明该分类方法具有很好的收敛性,是一种有效的舰船检测方法。     

SAR图像上舰船目标检测的一种新算法

提出了一种改进的KSW算法检测SAR图像上的舰船目标.在该算法中,检测门限被选择以最大化背景与目标灰度熵加权和.由于加权系数的引入,该算法能针对SAR图像上舰船目标检测的实际情况,调整背景与目标灰度熵在准则函数中所占比例.当海杂波较弱时,该算法与传统的KSW算法等价.当海杂波较强时,其较传统的KSW算法有更好的表现.