论文部分内容阅读
随着合成孔径雷达(Synthetic Aperture Radar,SAR)系统的广泛应用,SAR图像的数量也飞速的增加,这使自动目标检测算法受到了广泛的关注。同时,随着SAR系统逐渐被应用于更加复杂的场景,提高复杂场景下目标检测算法的性能已经成为了一个重要的研究方向。本文首先简明扼要的介绍了SAR图像目标检测算法研究的意义与目的,并介绍了该领域的国内外研究现状。然后,本文介绍了传统的SAR图像目标检测和聚类算法,并对它们进行了深入的分析。接下来,在国内外的最新研究成果的基础上,本文主要着眼于复杂场景的目标检测研究,包括复杂地面场景的目标检测与港口区域舰船的检测。本文的主要研究工作有:1.本文提出了一种基于超像素的双参数恒虚警(constant false alarm rate,CFAR)检测算法。该检测算法主要包括三个步骤:分割、检测与聚类。在分割阶段,本文提出了一种SAR图像超像素分割算法,该算法能够有效地将目标与杂波分离。在检测阶段,本文将超像素分割结果与传统双参数CFAR检测结合,利用超像素分割结果,自适应的找到每个像素所在的杂波区域,减少了相邻目标对估计杂波区域像素强度分布参数的影响。这提高了对杂波区域像素强度分布参数的估计准确性,于是提高了双参数CFAR的检测性能。在聚类阶段,本文提出了一种基于超像素的聚类算法,该算法能够有效区分相邻目标,在多目标场景有着较好的聚类性能。2.本文研究了一种基于超像素的多特征融合检测算法。该检测算法主要包括三个步骤:分割、提取特征与检测。在分割阶段,仍然采用上文提到的超像素分割算法,该算法能够将目标分割为相邻的几个超像素。在特征提取阶段,本文将三种传统的像素级别的检测统计量扩展到超像素级别,并将它们联合成为一个新的特征,用于描述超像素。在检测阶段,利用先验信息,本文将支持向量数据描述(Support Vector Data Description,SVDD)用于检测,得到了检测性能更好,且更加稳定的检测算法。3.本文研究了港口区域的舰船目标检测算法。该算法主要包括三个步骤:海陆分割、检测、聚类。通过海陆分割,本算法后续检测和聚类仅对海面与港口区域进行,在保证检测性能的同时,大大降低了总体的计算量。在检测阶段,我们利用快速的CA-CFAR进行检测。在聚类阶段,本文研究了一种基于海岸线角度的港口舰船像素聚类方法,能够有效对港口区域舰船进行聚类。同时,部分杂波在聚类后会呈现出与目标不同的形状信息,利用这些形状信息,可以在检测阶段初步去除部分虚警。