实测SAR图像的舰船检测方法研究

发布时间：2021-08-09 19:41

　　研究合成孔径雷达（Synthetic Aperture Radar,SAR）图像上的舰船目标检测技术对我国的海洋管理和安全具有重要的意义。论文对SAR图像上的舰船目标检测算法进行了深入研究,针对当前传统的恒虚警（Constant False Alarm Rate,CFAR）算法不能够较好地适应大数据量的SAR图像数据,引入了更加适应这种情况的深度学习卷积神经网络Faster RCNN算法。论文主要的工作和创新为:1、基于SAR图像进行了背景海杂波建模的研究,讨论了常见的海杂波分布参量模型,并且介绍了相应的参数估计方法,然后给出了海杂波建模的方法,针对8幅不同类型的实测SAR图像海面切片进行了海杂波统计建模实验,采用正态分布、瑞利分布、对数正态分布和韦伯分布进行了直方图拟合,并且使用K-S检验和卡方检验对各分布的拟合程度进行了评价和对比。2、深入探讨了CFAR检测算法,首先对CFAR算法的本质进行了阐释,介绍了常见的五种检测器,并且对它们各自的结构和应用背景进行了介绍,然后进行SAR图像舰船目标的实际检测实验,采用了基于瑞利分布、对数正态分布和韦伯分布的CA-CFAR法与局部双参数法,还... 

【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】：93 页

【学位级别】：硕士

【部分图文】：

舰船目标SAR图像

SAR图像海面切片样本

图 3. 3 空心滑窗示意图推导出许多海杂波分布对应的检测阈值型，可以由该公式直接求解得到阈值，而 Alpha 稳态分布等不能利用该公式直接来进行求解。理位置和舰船目标自身等因素的影响，起伏状况。在使用 CFAR 检测时，其滑动，在很多的情形下往往是异质的[36]。一杂波分为三种情况，一种是均匀的杂波背边缘情况。针对三种情况，各种各样的 C高背景杂波分布参数估计的准确性。常见

【参考文献】：
期刊论文
[1]基于多尺度熵和遗传算法改进的语音识别技术[J]. 樊海花,穆春阳,马行.  现代电子技术. 2019(06)
[2]基于似物性判断的SAR图像舰船目标检测[J]. 曲岳晗,黄杰军.  计算机与数字工程. 2019(01)
[3]基于多特征融合的SAR图像舰船自学习检测算法[J]. 楚博策,文义红,陈金勇.  无线电工程. 2018(02)
[4]深度学习的研究现状与发展[J]. 何晓萍,沈雅云.  现代情报. 2017(02)
[5]深度学习研究综述[J]. 尹宝才,王文通,王立春.  北京工业大学学报. 2015(01)
[6]极大似然估计方法介绍[J]. 赵军圣,庄光明,王增桂.  长春理工大学学报. 2010(06)
[7]改进的SAR图像双参数CFAR舰船检测算法[J]. 艾加秋,齐向阳,禹卫东.  电子与信息学报. 2009(12)
[8]SAR图像统计建模研究综述[J]. 高贵.  信号处理. 2009(08)
[9]三种重拖尾分布海杂波的比较与分析[J]. 扈罗全,林乐科,朱洪波.  电波科学学报. 2007(06)

硕士论文
[1]SAR图像海面舰船目标检测算法研究[D]. 韩东娟.中国航天科技集团公司第五研究院西安分院 2018
[2]基于似然比检验的对数正态分布控制图[D]. 范倩.辽宁大学 2018
[3]基于深度学习的SAR图像舰船目标检测[D]. 姜东民.沈阳航空航天大学 2018
[4]海杂波幅度分布参数矩估计和恒虚警检测[D]. 宋希珍.西安电子科技大学 2014
[5]SAR图像舰船目标检测方法研究[D]. 李俊敏.西安电子科技大学 2014
[6]SAR图像舰船目标检测算法研究[D]. 刘佳媛.哈尔滨工程大学 2013
[7]SAR图像舰船目标检测方法研究[D]. 邢相薇.国防科学技术大学 2009



本文编号：3332682