论文部分内容阅读
相对于传统的单极化合成孔径雷达(Synthetic Aperture Radar,SAR),极化合成孔径雷达(Polarimetric Synthetic Aperture Radar,PolSAR)能够利用极化多样性获得大量目标的结构与纹理特性,从而提高PolSAR的目标检测精度。舰船目标检测是舰船目标分类与识别课题的重要前提与基础,是目标解译的重要组成部分,且广泛应用在海洋救助、渔船监控、港口监督等领域。因此利用PolSAR对海洋中的舰船目标进行检测具有重要的发展前景与应用价值。本文研究内容包括两方面:通过处理PolSAR图像包含的目标极化散射信息以突出舰船与海面的对比度;应用卷积神经网络(Convolutional Neural Network,CNN)自动化实现目标识别,进行海面舰船目标的检测。具体工作如下:(1)PolSAR基本原理的介绍,包括极化散射信息的主要数据模型,以及海面背景与舰船目标的散射机理的区别。(2)本文通过分析常用的舰船检测算法的局限性,研究了基于相关峭度(Relative Kurtosis,RK)的舰船检测方法。该方法利用海杂波分布的统计特性,结合极化散射协方差矩阵与RK之间的物理关系,将原始的PolSAR图像的目标检测转变为RK图像舰船检测;然后利用Canny检测算法实现目标边缘清晰化,得到平滑鲁棒的舰船边缘。(3)卷积神经网络已经成为一种有效的遥感图像识别与分类处理的方法。本文梳理了以卷积神经网络为分类器,在遥感图像分类实验中的研究成果。并根据卷积神经网络能够自动化提取图像中目标特征信息的性能,提出了一种新的PolSAR图像舰船检测方法—TS-CNN(Two-Step CNN)算法,该算法建立了精确的CNN结构,利用该结构对PolSAR图像进行舰船的颜色特征学习,从而实现海洋与舰船的分类,并将分类结果提取出来,再一次导入网络中进行第二次舰船识别,达到舰船精确检测的效果。(4)最后,利用实测UAVSAR与AIRSAR数据验证了本文所提的两种舰船检测算法的可行性,并对两种算法的检测结果进行了分析。研究结果表明:基于RK的舰船检测算法充分利用了海杂波的统计特性,能精确的实现舰船边缘检测,尤其在对微弱目标的检测中表现出优越性能,但是该算法的计算时间复杂度较大。同时,本文利用卷积神经网络实现了PolSAR图像的目标检测,该算法可以处理任意尺寸的PolSAR图像,且算法检测精度高、时间复杂度小,应用方便。