论文部分内容阅读
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,还有基于正态分布和瑞利分布的OS-CFAR法,同时采用品质因数对各个算法的检测结果进行评价,也统计了各个算法所耗时长,并且对结果进行了对比分析。3、深入研究了Faster RCNN检测算法,研究之前首先介绍了一些深度学习相关基础理论,然后对Faster RCNN算法的演化过程和相应原理进行了阐述,最后进行了实际检测实验。实验之前首先创建了一个包含大量来源于Sentinel-1A卫星的舰船目标SAR图像样本数据集,并给出了相应的创建过程。然后基于所创建的数据集进行了Faster RCNN检测实验,讨论了不同训练批次及dropout下的Faster RCNN检测效果,采用了平均正确率进行检测效果的评价。接着基于MSTAR SAR数据集中的三类车辆目标研究了Faster RCNN分类检测的效果。最后又基于不同尺寸的实测SAR图像进行了Faster RCNN与CFAR的检测对比实验,采用了品质因数进行评价,同时统计了各个算法的运行时长,最终Faster RCNN和CFAR都成功检测出了舰船目标,但在时间消耗上Faster RCNN算法比CFAR算法快了很多倍,其具有很好的实时性。实验结果验证了Faster RCNN算法的有效性,其在SAR图像舰船目标检测领域具有不错的应用前景。