论文部分内容阅读
海面舰船目标检测是维护沿海各国海洋权益的必要手段,在民用和军事领域都具有重要的意义。由于合成孔径雷达（Synthetic Aperture Radar,SAR）全天时、全天候的观测能力,SAR图像已成为海面舰船目标检测的重要数据源。随着SAR系统性能的提升和信号处理算法的进步,能够获取不同波段、不同极化方式下目标和背景的散射特性,丰富了信息的层次和维度,为目标检测算法性能的提升提供了支持。本文围绕海面舰船目标检测技术,分别针对单极化SAR图像和全极化SAR图像舰船目标检测方法展开研究,旨在提升目标检测率、降低虚警率以及提高目标检测算法的实时性,具体研究内容包括以下几个方面:1.针对大场景下的单极化SAR图像舰船检测问题,提出了一种全局-局部两级超像素恒虚警率（Constant False Alarm Rate,CFAR）检测方法,以提高目标检测效率。在全局CFAR检测中,采用加权信息熵特征描述超像素的统计特性,以提高目标和杂波之间的可分性,通过预筛选得到候选目标超像素;在局部CFAR检测步骤,仅对候选目标超像素进行判决,并且全局CFAR检测结果可用于减小邻近目标对杂波参数估计精度的影响,在多目标情况下能够获得更为准确的检测结果。检测效率的提升得益于两个方面,其一是将超像素作为目标检测的基本单元,其二是采用了由粗到细的目标检测方案,这样目标检测过程中需要处理的检测单元个数显著减少,从而提高了检测效率。基于实测TerraSAR-X图像的实验结果表明所提方法在不同场景和目标分布情况下,均具有良好的目标检测性能和检测效率。2.针对岸岛背景下的单极化SAR图像舰船目标检测问题,提出了一种基于超像素统计相异性的目标增强和杂波抑制方法,以提高目标-杂波对比度,从而提升目标检测性能。假设超像素内的像素强度服从Gamma分布,利用Bhattacharyya距离推导了超像素之间相异性度量的参数化表达式,在此基础上,计算了超像素级的全局对比度和局部对比度,联合两者得到目标-杂波对比度增强图,采用基于Gamma分布的CFAR检测器得到目标检测结果。实验部分采用了三幅港口区域和近岸海面区域的实测SAR图像,实验结果表明所提方法能够同时实现低虚警率和高目标检测率。3.针对高分辨单极化SAR图像目标检测问题,提出了一种基于局部区域统计信息的活动轮廓模型,以获得精确的目标轮廓分割结果。基于多视强度Gamma分布假设,推导了基于区域统计信息的能量泛函,利用全局最小化框架,实现能量泛函的全局能量最小化,以获得精确定位的目标轮廓。相比于基于超像素分割预处理的检测方法,所提方法不需要采用边界连接或区域合并等后处理方法即可得到最终的目标检测结果。尽管所提算法是针对舰船目标检测提出的,但也适用于地面军事目标检测,基于仿真SAR图像和实测地面、海面SAR图像的实验结果验证了所提算法的有效性。4.针对全极化SAR图像舰船目标检测问题,提出了一种基于Gp0混合模型和无监督聚类的检测方法。所提算法的核心思想在于假设所有的目标像素点属于同一类,则可将SAR数据分类为目标、杂波、干扰等若干类,通过无监督聚类得到像素点分类结果,然后提取每类的特征判别目标所属的类别。使用具有不同参数极化Gp0分布的线性加权组合来描述PolSAR数据,能够有效地区分目标、方位模糊及杂波,减少了检测结果中的虚警目标数量。考虑到目标在SAR图像中分布的稀疏性,通过预筛选选择潜在的目标像素进行聚类,因此极大地缩短了类参数估计耗时和聚类收敛时间,从而提高了算法效率。实验部分采用不同波段的实测AIRSAR机载和RADARSAT-2星载全极化数据,对所提算法的有效性和高效性进行了验证。5.针对全极化SAR图像舰船目标检测问题,为解决像素级目标检测方法对相干斑噪声敏感的问题,同时减少由方位模糊和旁瓣模糊导致的虚警,提出了一种基于超像素特征提取和分类器的目标检测方法。首先,提出了一种适用于极化SAR图像的快速超像素分割算法;为提高目标与杂波背景之间的可分性,利用Bartlett距离和黎曼距离分别衡量超像素之间的相异性,并提取了超像素级的局部相异性特征;考虑到目标和方位模糊之间的散射特性差异,对每个超像素的极化相干矩阵进行特征分解,提取特征值λ3用于区分目标和方位模糊;最后,基于构造的超像素三维特征矢量,利用分类器实现目标检测。基于实测AIRSAR机载全极化数据的实验结果表明,所提方法能够在提高目标检测率的同时,并有效降低由方位模糊和背景杂波导致的虚警。