极化SAR图像海上船舶检测方法研究

发布时间：2020-06-14 22:55

【摘要】：随着全球海洋运输贸易规模的迅速发展,以及各国日益加大对海洋资源的开发和环境的保护力度,对海上交通运输进行有效监测十分重要。极化合成孔径雷达(Polarimetric Synthetic Aperture Radar,PolSAR)因其能够获得地物的极化散射特征,包含有与目标相关更加丰富的信息,在海上船舶检测相关研究中被广泛应用。本文采用了RADARSAT-2、高分三号以及TanDEM-X全极化图像作为实验数据进行船舶检测研究。首先分析了极化SAR图像上船舶对象和海面背景的成像和散射特征差异,并根据利用极化特征提高二者对比度的思想,提出了基于差值矩阵改进的香农熵的极化SAR图像船舶检测算法。同时,采用深度学习方法对极化SAR图像船舶检测进行了探索和研究。文章主要完成了如下工作:(一)介绍了极化SAR图像海上船舶检测的国内外研究现状和相关理论基础。分析了海面背景和船舶对象的成像特点与极化散射特征差异,以及在利用极化SAR图像进行船舶检测时常遇到的干扰信息。(二)从提高极化SAR图像局部对比度的角度出发,提出了基于极化协方差差值矩阵而改进的香农熵参数。采用改进的香农熵特征,可以增强船舶对象的强度,并对海面背景和干扰信息进行抑制。分析了该特征图像上海面背景的分布模型,并采取CFAR方法实现船舶对象的检测。采用实验数据对该方法进行验证,并与其他方法进行对比。本方法能够实现虚警率和漏检率的同时降低,提高检测结果准确度。(三)从探索深度学习在极化SAR图像船舶检测领域应用前景的角度出发,利用卷积神经网络Faster R-CNN模型对其进行研究。对由实验数据的Pauli图像所构成的测试集上,采用Faster R-CNN模型对船舶对象实现检测,检测准确率达到了90%以上,同时应用到开阔海域和包含有陆地与海岸的整景影像的检测。
【学位授予单位】：中国科学院大学(中国科学院遥感与数字地球研究所)
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TN957.52
【图文】：

影像,矩形框,光学图像,蓝色

1.1 RADARSAT-2 实验数据地理位置（黄色矩形框，蓝色矩形框和红色矩形框所光学图像的区域分别对应表 1.2 中的数据 1, 2, 3）Figure 1.1 The location of the three RADARSAT-2 experimental images2 高分三号数据高分三号卫星（GF-3）为我国 “高分专项”工程组成项目之一，由中术研究院负责总体设计和研制，于 2016 年 8 月 10 日发射并在轨运行，颗分辨率达到米级水平的全极化 SAR 成像卫星，总重量约为 2, 800kg台 C 波段合成孔径雷达载荷（张庆君，2017）。高分三号卫星成像模 12 种，可以实现从低分辨率到高分辨率，窄到宽覆盖范围以及不同极各类数据的获取。各成像模式的主要参数如表 1.3 中所示。表 1.3 高分三号卫星全极化模式影像成像参数Table 1.3 The imaging parameters of the Gaofen-3 satellite

矩形框,绿色,蓝色,地理位置

（b）.2 高分三号实验数据地理位置（其中红色矩形框，绿色矩形框和蓝色矩形框的区域分别对应表 1.4 中的数据 4, 5, 6）Figure 1.2 The location of the three Gaofen-3 QPS-I mode image in Google Earth

【参考文献】