复杂场景下SAR图像目标检测及鉴别方法研究

发布时间：2020-10-28 15:48

　　 合成孔径雷达(Synthetic Aperture Radar,SAR)自动目标识别(Automatic Target Recognition,ATR)技术是实现SAR图像解译的重要手段。典型的SAR ATR系统主要包括检测、鉴别、分类/识别三个阶段。其中,检测与鉴别阶段是整个SAR ATR系统的基础,目前仍存在许多问题需要解决,因此研究SAR图像目标检测与鉴别具有重要意义。本文针对复杂场景下SAR图像目标检测与鉴别问题,分别提出了两种SAR图像目标检测方法和两种SAR图像目标鉴别方法。主要研究内容可以概括为以下四个方面:1.针对在大幅场景下SAR图像目标检测精度低、速度慢的问题,研究了SAR图像目标快速检测算法。具体的,本文提出了一种基于多尺度显著性(Multi-Scale Saliency,MSS)的SAR目标快速检测方法。提出的MSS检测方法通过利用待检测目标的尺寸先验信息,从原始SAR图像的强度高斯金字塔中选取任务相关的尺度用于构建显著图,从而凸显目标并在一定程度上压制背景,有效的提高了目标检测的精度。此外,相比于基于滑窗处理机制的CFAR检测算法,提出的MSS检测方法采用了计算代价较小的中心-周边差机制来构建显著图,可以大大减少对大幅场景的SAR图像进行目标检测所需要的时间代价。基于实测数据的实验证明,提出的MSS检测方法在检测精度、检测速度方面明显优于传统检测方法,但是该方法在异质背景下强杂波虚警去除的效果不够理想。2.针对异质背景下SAR图像目标检测中强杂波虚警去除的问题,研究了异质背景下SAR图像目标检测方法。具体的,本文提出了一种基于贝叶斯-形态学显著性(Bayesian-Morphological Saliency,BMS)的SAR目标检测方法。该方法主要包括两个阶段:贝叶斯显著图构建阶段和形态学显著图构建阶段。其中,贝叶斯显著图可以获得感兴趣的目标以及一些强杂波的完整结构,有利于后续目标先验信息的充分利用;形态学显著图通过结合目标尺寸和形状先验信息凸显感兴趣目标的同时压制自然杂波和人造强杂波。基于实测数据的实验结果表明,在异质背景下提出的BMS目标检测方法检测性能要优于传统SAR图像目标检测方法。3.针对部分传统鉴别特征依赖于目标分割预处理及特征提取速度较慢的问题,研究了不依赖于目标分割预处理、特征提取速度较快的鉴别特征提取方法。具体的,本文提出了一种基于改进的显著性和全局性(Modified Saliency and Gist,MSG)特征的切片级SAR目标鉴别方法。由于在复杂场景下很难通过分割预处理算法对疑似目标切片进行分割得到精确的目标区域,进而一些需要目标分割预处理的传统鉴别特征可能会失效。为了解决上述问题,本文基于光学图像领域的显著性和全局性(Saliency and Gist,SG)特征提出了用于SAR鉴别的MSG特征。MSG特征具有互补性且可以在不需要分割切片的前提下提供更加完整的描述,同时可以减少计算代价。基于实测数据的实验结果表明,提出的MSG鉴别特征的鉴别精度要好于传统鉴别特征;此外,MSG特征的特征提取速度也比多数传统鉴别特征要快。4.针对多目标环境下切片级鉴别性能较差的问题,研究了多目标环境的SAR目标鉴别方法。具体的,本文提出了一种基于多级多域(Multi-Level and Multi-Domain,MLMD)特征的超像级SAR目标鉴别方法。提出的目标鉴别方法主要包含三个阶段。第一个阶段,基于超像素级的目标检测结果,提出了对每个超像素进行描述的MLMD特征描述符,此特征描述符可以较为精细和全面地反映目标和杂波之间的差异。相比于切片,超像素具有灵活的尺寸和形状,可以很好地贴合物体的边界,并且每个超像素只属于一个目标或者部分的背景,不会横跨二者。因此,提出的目标鉴别方法把超像素作为基本鉴别单元,在多目标区域可以有效避免多目标/部分目标切片情形的发生。第二个阶段,采用支持矢量机(Support Vector Machine,SVM)作为鉴别器来得到鉴别后的超像素。第三个阶段,将鉴别后的超像素进行聚类并根据聚类的结果从原始的大场景SAR图像中提取目标切片。基于实测数据的实验结果表明提出的超像素级鉴别方法的性能明显好于传统鉴别方法。
【学位单位】：西安电子科技大学
【学位级别】：博士
【学位年份】：2018
【中图分类】：TN957.52
【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 研究背景和意义
    1.2 SAR图像目标检测与鉴别的研究现状
        1.2.1 SAR图像目标检测研究现状
        1.2.2 SAR图像目标鉴别研究现状
    1.3 复杂场景下SAR图像目标检测与鉴别的关键问题
        1.3.1 复杂场景下SAR图像目标检测的关键问题
        1.3.2 复杂场景下SAR图像目标鉴别的关键问题
    1.4 论文的内容安排
第二章 传统SAR图像目标检测方法及鉴别特征介绍
    2.1 引言
    2.2 SAR图像CFAR目标检测
        2.2.1 CFAR的杂波统计建模
        2.2.2 CFAR检测器
    2.3 SAR图像传统鉴别特征
        2.3.1 切片目标背景分割预处理
        2.3.2 老Lincoln特征
        2.3.3 新Lincoln特征
        2.3.4 Gao特征
        2.3.5 Bhanu特征
    2.4 本章小结
第三章 基于多尺度显著性的SAR目标快速检测方法
    3.1 引言
    3.2 显著性检测算法介绍
        3.2.1 显著性检测的基本概念
        3.2.2 经典光学显著性检测算法概述
        3.2.3 光学显著性检测和SAR目标检测对比
        3.2.4 用于SAR图像的显著性检测算法
    3.3 基于多尺度显著性的SAR目标快速检测方法
        3.3.1 提出方法的框架
        3.3.2 尺度选择
        3.3.3 二值图生成
        3.3.4 聚类
        3.3.5 虚警去除
        3.3.6 与传统Itti模型的对比
    3.4 实验结果与分析
        3.4.1 仿真数据结果
        3.4.2 实测数据结果
    3.5 本章小结
第四章 基于贝叶斯-形态学显著性的SAR目标检测方法
    4.1 引言
    4.2 提出的目标检测方法的框架
    4.3 SAR图像贝叶斯显著图的构建
        4.3.1 先验图
        4.3.2 似然图
        4.3.3 贝叶斯显著图
    4.4 SAR图像形态学显著图的构建
        4.4.1 形态学像
        4.4.2 差分形态学像
        4.4.3 形态学显著图
    4.5 二值图的生成
    4.6 实验结果与分析
        4.6.1 显著图的结果
        4.6.2 检测结果
    4.7 本章小结
第五章 基于改进的显著性和全局性特征的切片级SAR目标鉴别方法
    5.1 引言
    5.2 传统的SG特征简介
    5.3 MSG特征的特征提取框架
    5.4 改进的显著性特征
    5.5 改进的全局性特征
    5.6 实验结果与分析
        5.6.1 不同鉴别特征的线性可分性分析
        5.6.2 鉴别结果的分析
        5.6.3 特征提取时间代价分析
    5.7 本章小结
第六章 基于多级多域特征的超像素级SAR目标鉴别方法
    6.1 引言
    6.2 提出超像素级鉴别方法的动机
    6.3 提出的超像素级鉴别方法的框架
    6.4 MLMD特征描述
        6.4.1 像素级多域特征描述
        6.4.2 超像素级特征描述
        6.4.3 目标级特征描述
    6.5 实验结果与分析
        6.5.1 实验数据描述
        6.5.2 比较方法
        6.5.3 评价准则
        6.5.4 参数设置
        6.5.5 提出的方法在各个步骤中的性能
        6.5.6 不同方法的比较
    6.6 本章小结
第七章 总结与展望
    7.1 论文工作总结
    7.2 工作展望
参考文献
致谢
作者简介

【相似文献】

相关期刊论文 前10条

1 ;图像目标检测技术及应用[J];大数据;2016年05期

2 李晓冰;;具有先验信息的经纬仪测量图像目标检测技术[J];光电技术应用;2008年01期

3 贺霖;潘泉;邸韡;李远清;;高光谱图像目标检测研究进展[J];电子学报;2009年09期

4 张裕;杨海涛;刘翔宇;;基于多尺度特征稠密连接的遥感图像目标检测方法[J];中国电子科学研究院学报;2019年05期

5 范金华;陈锻生;;高光谱图像目标检测研究进展[J];微型机与应用;2015年16期

6 王艳,鲍建跃,林晓春,过润秋;基于FPGA的红外图像目标检测[J];西安电子科技大学学报;2005年03期

7 强赞霞,彭嘉雄;基于融合及数学形态学的遥感图像目标检测[J];计算机工程;2005年10期

8 聂永刚;但志平;;足球赛场运动视频图像目标检测仿真[J];计算机仿真;2017年07期

9 张铁栋;万磊;秦再白;马悦;;基于离散分数布朗随机场的水下图像目标检测[J];光电工程;2008年08期

10 石志广;周剑雄;张焱;;图像目标检测前跟踪的广义多伯努利滤波算法[J];红外与毫米波学报;2018年03期

相关博士学位论文 前10条

1 王兆成;复杂场景下SAR图像目标检测及鉴别方法研究[D];西安电子科技大学;2018年

2 王振华;基于深度学习的野外巡线系统图像目标检测研究[D];中国地质大学(北京);2018年

3 黄勇;基于语义信息的高分辨SAR图像目标检测[D];西安电子科技大学;2018年

4 张国敏;复杂场景遥感图像目标检测方法研究[D];国防科学技术大学;2010年

5 刘说;低检测率SAR图像目标检测与识别理论研究[D];电子科技大学;2017年

6 李轩;基于局部特征的遥感图像目标检测方法研究[D];长春理工大学;2016年

7 李晓慧;高光谱图像目标检测及压缩方法研究[D];哈尔滨工程大学;2014年

8 郭鹏宇;光测图像目标检测跟踪与判读方法研究[D];国防科学技术大学;2015年

9 郭军;引入上下文信息的可见光遥感图像目标检测与识别方法研究[D];国防科学技术大学;2014年

10 傅志中;红外扫描成像动目标检测跟踪技术与DSP实时实现[D];电子科技大学;2002年

相关硕士学位论文 前10条

1 黄国权;基于深度学习的卫星图像目标检测与识别研究[D];浙江大学;2019年

2 周明非;基于深度神经网络的遥感图像目标检测研究[D];陕西师范大学;2018年

3 徐晖;基于哈希学习的遥感图像目标检测及应用[D];南京理工大学;2018年

4 白猛猛;深度位敏信息网络的图像目标检测研究[D];西安工业大学;2018年

5 黎敏讷;分布式数据分层抽样技术及其在目标检测领域的应用研究[D];国防科学技术大学;2017年

6 侯瑶淇;基于多尺度深度网络和视觉注意机制的高分辨SAR图像目标检测与分类[D];西安电子科技大学;2018年

7 邓洋洋;高分辨率SAR图像目标检测与特征提取[D];成都信息工程大学;2018年

8 孙大鹏;空间约束联合表示高光谱图像目标检测[D];中国科学院大学(中国科学院上海技术物理研究所);2018年

9 刘培;基于深度学习的图像目标检测与分割算法的研究与应用[D];燕山大学;2018年

10 吕建君;基于深度学习的空域图像目标检测研究与实现[D];北京邮电大学;2018年

本文编号：2860290