基于SAR图像的舰船目标检测方法研究
发布时间：2021-10-17 01:06
海面舰船目标检测是维护沿海各国海洋权益的必要手段,在民用和军事领域都具有重要的意义。由于合成孔径雷达（Synthetic Aperture Radar,SAR）全天时、全天候的观测能力,SAR图像已成为海面舰船目标检测的重要数据源。随着SAR系统性能的提升和信号处理算法的进步,能够获取不同波段、不同极化方式下目标和背景的散射特性,丰富了信息的层次和维度,为目标检测算法性能的提升提供了支持。本文围绕海面舰船目标检测技术,分别针对单极化SAR图像和全极化SAR图像舰船目标检测方法展开研究,旨在提升目标检测率、降低虚警率以及提高目标检测算法的实时性,具体研究内容包括以下几个方面:1.针对大场景下的单极化SAR图像舰船检测问题,提出了一种全局-局部两级超像素恒虚警率（Constant False Alarm Rate,CFAR）检测方法,以提高目标检测效率。在全局CFAR检测中,采用加权信息熵特征描述超像素的统计特性,以提高目标和杂波之间的可分性,通过预筛选得到候选目标超像素;在局部CFAR检测步骤,仅对候选目标超像素进行判决,并且全局CFAR检测结果可用于减小邻近目标对杂波参数估计精度的影响...
【文章来源】：西安电子科技大学陕西省 211工程院校 教育部直属院校
【文章页数】：150 页
【学位级别】：博士
【文章目录】：
摘要
ABSTRACT
符号对照表
缩略语对照表
第一章 绪论
1.1 研究背景及意义
1.2 研究历史与发展现状
1.2.1 SAR系统发展现状及趋势
1.2.2 单极化SAR图像目标检测算法研究现状
1.2.3 极化SAR图像目标检测算法研究现状
1.3 本文工作与内容安排
第二章 基于两级超像素CFAR的单极化SAR图像目标快速检测方法
2.1 引言
2.2 基于Gamma分布的单极化SAR图像超像素分割算法
2.2.1 超像素分割方法
2.2.2 基于Gamma分布的像素相似性测度
2.2.3 改进的SLIC超像素分割方法
2.3 两级超像素CFAR算法
2.3.1 基于加权信息熵的全局CFAR检测器
2.3.2 局部CFAR检测器
2.3.3 检测后处理
2.4 实验结果与性能分析
2.4.1 验证加权信息熵的有效性
2.4.2 局部CFAR目标检测算法性能分析
2.4.3 检测后处理结果
2.5 本章小结
第三章 岸岛背景下单极化SAR图像舰船目标检测方法
3.1 引言
3.2 基于Bhattacharyya距离测度的超像素统计相异性
3.3 基于超像素统计相异性的目标增强算法
3.3.1 全局对比度
3.3.2 局部对比度
3.3.3 目标检测算法
3.4 实验结果与性能分析
3.4.1 目标增强实验
3.4.2 目标检测实验
3.5 本章小结
第四章 基于改进活动轮廓模型的单极化SAR图像目标检测
4.1 引言
4.2 典型的活动轮廓模型
4.3 改进的RSF模型
4.3.1 基于区域统计信息的模型构建
4.3.2 所提模型的演化
4.3.3 所提模型的全局快速求解
4.4 实验结果与性能分析
4.4.1 实验1:仿真SAR图像
4.4.2 实验2:MSTAR数据库地面目标
4.4.3 实验3:TerraSAR-X图像海面目标
4.5 本章小结
第五章 基于G_P~0混合模型的PolSAR舰船目标检测算法
5.1 引言
5.2 极化G_P~0混合模型
5.2.1 极化G_P~0分布
5.2.2 极化G_P~0分布的参数估计方法
5.2.3 G_P~0有限混合模型
5.3 基于极化G_P~0混合模型的目标检测算法
5.3.1 潜在目标像素预筛选
5.3.2 EM聚类
5.3.3 FMM模型定阶
5.3.4 所提算法流程
5.4 实验结果与性能分析
5.4.1 实验1:C波段AIRSAR日本Kojimawan数据集
5.4.2 实验2:L波段AIRSAR日本Kojimawan数据集
5.4.3 实验3:C波段AIRSAR日本东京湾数据集
5.4.4 实验4:C波段RADARSAT-2温哥华湾数据集
5.5 本章小结
第六章 基于超像素特征提取的PolSAR舰船目标检测算法
6.1 引言
6.2 极化SAR图像超像素分割
6.2.1 基于Wishart分布的极化像素相似度
6.2.2 基于改进SLIC的极化超像素分割算法
6.3 基于超像素的极化特征提取
6.3.1 基于极化协方差矩阵的距离度量
6.3.2 基于超像素相似性度量的特征
6.3.3 超像素λ_3特征值
6.3.4 目标检测算法
6.4 实验结果与性能分析
6.4.1 实验1:AIRSAR日本Kojimawan区域A数据集
6.4.2 实验2:AIRSAR日本Kojimawan区域B数据集
6.4.3 实验3:C波段AIRSAR日本东京湾数据集
6.4.4 实验4:C波段AIRSAR Hiroshima湾数据集
6.5 本章小结
第七章 总结与展望
7.1 全文总结
7.2 工作展望
7.2.1 舰船目标和杂波特性统计建模研究
7.2.2 基于多维成像新体制SAR系统的目标检测技术
7.2.3 基于深度学习的目标检测技术
参考文献
致谢
作者简介
【参考文献】：
期刊论文
[1]基于单极化SAR图像的舰船目标检测与分类方法[J]. 王兆成,李璐,杜兰,徐丰. 科技导报. 2017(20)
[2]影响星载SAR舰船检测的关键因素[J]. 冷祥光,计科峰,宋海波,邹焕新. 遥感信息. 2016(01)
[3]基于主动轮廓模型的SAR图像分割方法综述[J]. 涂松,李禹,粟毅. 系统工程与电子技术. 2015(08)
[4]HRWS SAR图像舰船目标监视技术研究综述[J]. 邢相薇,计科峰,康利鸿,詹明. 雷达学报. 2015(01)
[5]SAR图像舰船目标识别综述[J]. 陈文婷,邢相薇,计科峰. 现代雷达. 2012(11)
[6]反舰导弹近岸打击关键技术分析[J]. 赵峰民,刘皞,陈望达. 飞航导弹. 2012(03)
博士论文
[1]弹载前侧视SAR成像及运动补偿技术研究[D]. 冉磊.西安电子科技大学 2018
[2]复杂背景下SAR图像目标检测与识别方法研究[D]. 文伟.西安电子科技大学 2017
[3]合成孔径雷达图像局部特征提取与应用研究[D]. 唐涛.国防科学技术大学 2016
[4]高分辨率SAR图像目标快速提取算法研究[D]. 涂松.国防科学技术大学 2016
[5]基于广义Gamma分布的SAR图像统计建模及应用研究[D]. 秦先祥.国防科学技术大学 2015
[6]极化SAR图像边缘与区域信息提取方法研究[D]. 柳彬.上海交通大学 2015
[7]弹载合成孔径雷达干扰技术研究[D]. 和小冬.电子科技大学 2015
[8]HRWS SAR图像舰船目标监视关键技术研究[D]. 邢相薇.国防科学技术大学 2014
[9]SAR图像港口目标提取方法研究[D]. 陈琪.国防科学技术大学 2011
[10]基于SAR图像的目标检测研究[D]. 崔一.清华大学 2011
本文编号：3440826
【文章来源】：西安电子科技大学陕西省 211工程院校 教育部直属院校
【文章页数】：150 页
【学位级别】：博士
【文章目录】：
摘要
ABSTRACT
符号对照表
缩略语对照表
第一章 绪论
1.1 研究背景及意义
1.2 研究历史与发展现状
1.2.1 SAR系统发展现状及趋势
1.2.2 单极化SAR图像目标检测算法研究现状
1.2.3 极化SAR图像目标检测算法研究现状
1.3 本文工作与内容安排
第二章 基于两级超像素CFAR的单极化SAR图像目标快速检测方法
2.1 引言
2.2 基于Gamma分布的单极化SAR图像超像素分割算法
2.2.1 超像素分割方法
2.2.2 基于Gamma分布的像素相似性测度
2.2.3 改进的SLIC超像素分割方法
2.3 两级超像素CFAR算法
2.3.1 基于加权信息熵的全局CFAR检测器
2.3.2 局部CFAR检测器
2.3.3 检测后处理
2.4 实验结果与性能分析
2.4.1 验证加权信息熵的有效性
2.4.2 局部CFAR目标检测算法性能分析
2.4.3 检测后处理结果
2.5 本章小结
第三章 岸岛背景下单极化SAR图像舰船目标检测方法
3.1 引言
3.2 基于Bhattacharyya距离测度的超像素统计相异性
3.3 基于超像素统计相异性的目标增强算法
3.3.1 全局对比度
3.3.2 局部对比度
3.3.3 目标检测算法
3.4 实验结果与性能分析
3.4.1 目标增强实验
3.4.2 目标检测实验
3.5 本章小结
第四章 基于改进活动轮廓模型的单极化SAR图像目标检测
4.1 引言
4.2 典型的活动轮廓模型
4.3 改进的RSF模型
4.3.1 基于区域统计信息的模型构建
4.3.2 所提模型的演化
4.3.3 所提模型的全局快速求解
4.4 实验结果与性能分析
4.4.1 实验1:仿真SAR图像
4.4.2 实验2:MSTAR数据库地面目标
4.4.3 实验3:TerraSAR-X图像海面目标
4.5 本章小结
第五章 基于G_P~0混合模型的PolSAR舰船目标检测算法
5.1 引言
5.2 极化G_P~0混合模型
5.2.1 极化G_P~0分布
5.2.2 极化G_P~0分布的参数估计方法
5.2.3 G_P~0有限混合模型
5.3 基于极化G_P~0混合模型的目标检测算法
5.3.1 潜在目标像素预筛选
5.3.2 EM聚类
5.3.3 FMM模型定阶
5.3.4 所提算法流程
5.4 实验结果与性能分析
5.4.1 实验1:C波段AIRSAR日本Kojimawan数据集
5.4.2 实验2:L波段AIRSAR日本Kojimawan数据集
5.4.3 实验3:C波段AIRSAR日本东京湾数据集
5.4.4 实验4:C波段RADARSAT-2温哥华湾数据集
5.5 本章小结
第六章 基于超像素特征提取的PolSAR舰船目标检测算法
6.1 引言
6.2 极化SAR图像超像素分割
6.2.1 基于Wishart分布的极化像素相似度
6.2.2 基于改进SLIC的极化超像素分割算法
6.3 基于超像素的极化特征提取
6.3.1 基于极化协方差矩阵的距离度量
6.3.2 基于超像素相似性度量的特征
6.3.3 超像素λ_3特征值
6.3.4 目标检测算法
6.4 实验结果与性能分析
6.4.1 实验1:AIRSAR日本Kojimawan区域A数据集
6.4.2 实验2:AIRSAR日本Kojimawan区域B数据集
6.4.3 实验3:C波段AIRSAR日本东京湾数据集
6.4.4 实验4:C波段AIRSAR Hiroshima湾数据集
6.5 本章小结
第七章 总结与展望
7.1 全文总结
7.2 工作展望
7.2.1 舰船目标和杂波特性统计建模研究
7.2.2 基于多维成像新体制SAR系统的目标检测技术
7.2.3 基于深度学习的目标检测技术
参考文献
致谢
作者简介
【参考文献】：
期刊论文
[1]基于单极化SAR图像的舰船目标检测与分类方法[J]. 王兆成,李璐,杜兰,徐丰. 科技导报. 2017(20)
[2]影响星载SAR舰船检测的关键因素[J]. 冷祥光,计科峰,宋海波,邹焕新. 遥感信息. 2016(01)
[3]基于主动轮廓模型的SAR图像分割方法综述[J]. 涂松,李禹,粟毅. 系统工程与电子技术. 2015(08)
[4]HRWS SAR图像舰船目标监视技术研究综述[J]. 邢相薇,计科峰,康利鸿,詹明. 雷达学报. 2015(01)
[5]SAR图像舰船目标识别综述[J]. 陈文婷,邢相薇,计科峰. 现代雷达. 2012(11)
[6]反舰导弹近岸打击关键技术分析[J]. 赵峰民,刘皞,陈望达. 飞航导弹. 2012(03)
博士论文
[1]弹载前侧视SAR成像及运动补偿技术研究[D]. 冉磊.西安电子科技大学 2018
[2]复杂背景下SAR图像目标检测与识别方法研究[D]. 文伟.西安电子科技大学 2017
[3]合成孔径雷达图像局部特征提取与应用研究[D]. 唐涛.国防科学技术大学 2016
[4]高分辨率SAR图像目标快速提取算法研究[D]. 涂松.国防科学技术大学 2016
[5]基于广义Gamma分布的SAR图像统计建模及应用研究[D]. 秦先祥.国防科学技术大学 2015
[6]极化SAR图像边缘与区域信息提取方法研究[D]. 柳彬.上海交通大学 2015
[7]弹载合成孔径雷达干扰技术研究[D]. 和小冬.电子科技大学 2015
[8]HRWS SAR图像舰船目标监视关键技术研究[D]. 邢相薇.国防科学技术大学 2014
[9]SAR图像港口目标提取方法研究[D]. 陈琪.国防科学技术大学 2011
[10]基于SAR图像的目标检测研究[D]. 崔一.清华大学 2011
本文编号：3440826
本文链接：https://www.wllwen.com/kejilunwen/ruanjiangongchenglunwen/3440826.html
