基于深度学习的SAR目标检测方法

高分辨率合成孔径雷达（Synthetic Aperture Radar,SAR）图像中不同目标的尺寸区别较大,这使得小目标的特征不明显,为目标检测带来了极大的挑战。针对这一问题,提出了SAR YOLO 960算法。该算法首先改进了图像输入大小的限制,将输入图像提升到960×960像素;进而改善了YOLOv3(You Only Look Once v3)网络的整体结构,修改并添加了卷积层和残差层,整体采用64倍降采样,使其速度大大提升;最后,根据SAR图像目标的特点,改进了损失函数,从而得到了SAR YOLO 960算法。在手工制作的高分辨率SAR图像数据集中的目标检测结果表明,相对于当前主流的检测算法,该算法性能显著提高;检测速度达32.8帧/秒,准确率达95.7%,召回率达94.5%。     

融合DEM去除山体阴影的水体提取方法

在高分辨率SAR图像的水体提取中,山体阴影等目标对水体提取的精确度造成较大影响。对此,根据SAR图像中山体阴影的特性,文中提出一种能快速、准确、自动去除山体阴影的水体提取方法。该方法采用一种改进的Otsu法分割DEM数据,将高程值大的数据与水体粗提取的数据进行匹配,从而判定和去除山体阴影部分。提取结果表明,该方法能提高水体提取的精度,有效降低水体提取的虚警率。     

机载双天线干涉SAR非线性近似自配准成像算法

为了提高机载双天线干涉SAR系统的干涉处理速度而又不损失配准精度,该文提出了非线性距离向ECS自配准成像算法。该算法通过对两天线视角不同引起的路径差的非线性近似,在成像处理阶段实现了干涉图像对在距离向的高精度自配准。该算法在产生干涉相位时较传统算法在保持较高配准精度的情况下显著提高了运算速度。本文通过对仿真数据、实际数据的处理以及系统参数对算法配准精度影响的仿真分析,证明了该算法的有效性。     

基于MATLAB图像配准方法的相关研究

图像配准是图像融合等其他图像处理应用的前提,是目前图像处理中的热点。在信息高度化的今天,该技术已经渗透到各个方面,被广泛地应用在遥感图像、医学图像、三维重构等诸多领域中,在图像分析和处理中占有举足轻重的作用。本文主要介绍了利用MATLAB提供的图像处理工具箱（IPT）,来方便快捷地完成图像之间的配准。文中首先对图像配准及基于点特征的图像配准的概念作了比较详细的介绍,然后对两幅图像在MATLAB平台进行了配准操作,最后对图像处理的结果进行了相关的分析,阐述了该方法的可取之处和有待改进之处。     

基于CNN的SAR图像目标和场景分类算法

随着合成孔径雷达（Synthetic Aperture Radar, SAR）成像技术的发展和SAR图像数据的急剧增加,SAR图像解译技术成为了当前的研究热点。针对SAR图像的目标和场景分类问题,提出了一种改进的基于卷积神经网络的图像分类算法。为克服卷积神经网络训练过程中因数据量不足而出现的过拟合问题,采用数据增强人工增加训练样本的大小;针对高层卷积层参数过多的问题,采用一种多尺度卷积模块替代高层的卷积层;在输出层采用卷积和全局均值池化的组合替代传统的全连接层,大幅度减少了网络参数。网络训练阶段,通过误差反向传播来更新网络参数。针对MSTAR数据集和高分辨率的机载SAR图像分别进行目标及场景分类,实验结果表明该算法实现了较好的分类性能。     

基于多普勒域多通道的机载合成孔径雷达自聚焦算法

在多通道自聚焦(MCA)和傅里叶域多通道自聚焦(FMCA)的基础上,该文提出一种基于多普勒域多通道的机载合成孔径雷达自聚焦算法。该算法同样是直接在线性代数的理论框架下推导得到,能够在不迭代的情况下进行相位误差的估计和补偿以实现SAR图像的聚焦。该算法不像MCA和FMCA那样在图像域估计相位误差,而是在距离压缩方位多普勒域(方位未压缩)里进行相位误差估计。同时该算法不需要SAR成像场景中含有低散射区的假设,从而使其能够应用于条带模式SAR。不同情况下条带SAR数据的处理结果验证了该算法的有效性和可行性。