本文關鍵詞：復雜場景下的SAR目標檢測

  更多相關文章： SAR圖像 目標檢測 超像素 支持向量數(shù)據(jù)描述

【摘要】：隨著合成孔徑雷達(Synthetic Aperture Radar,SAR)系統(tǒng)的廣泛應用,SAR圖像的數(shù)量也飛速的增加,這使自動目標檢測算法受到了廣泛的關注。同時,隨著SAR系統(tǒng)逐漸被應用于更加復雜的場景,提高復雜場景下目標檢測算法的性能已經成為了一個重要的研究方向。本文首先簡明扼要的介紹了SAR圖像目標檢測算法研究的意義與目的,并介紹了該領域的國內外研究現(xiàn)狀。然后,本文介紹了傳統(tǒng)的SAR圖像目標檢測和聚類算法,并對它們進行了深入的分析。接下來,在國內外的最新研究成果的基礎上,本文主要著眼于復雜場景的目標檢測研究,包括復雜地面場景的目標檢測與港口區(qū)域艦船的檢測。本文的主要研究工作有:1.本文提出了一種基于超像素的雙參數(shù)恒虛警(constant false alarm rate,CFAR)檢測算法。該檢測算法主要包括三個步驟:分割、檢測與聚類。在分割階段,本文提出了一種SAR圖像超像素分割算法,該算法能夠有效地將目標與雜波分離。在檢測階段,本文將超像素分割結果與傳統(tǒng)雙參數(shù)CFAR檢測結合,利用超像素分割結果,自適應的找到每個像素所在的雜波區(qū)域,減少了相鄰目標對估計雜波區(qū)域像素強度分布參數(shù)的影響。這提高了對雜波區(qū)域像素強度分布參數(shù)的估計準確性,于是提高了雙參數(shù)CFAR的檢測性能。在聚類階段,本文提出了一種基于超像素的聚類算法,該算法能夠有效區(qū)分相鄰目標,在多目標場景有著較好的聚類性能。2.本文研究了一種基于超像素的多特征融合檢測算法。該檢測算法主要包括三個步驟:分割、提取特征與檢測。在分割階段,仍然采用上文提到的超像素分割算法,該算法能夠將目標分割為相鄰的幾個超像素。在特征提取階段,本文將三種傳統(tǒng)的像素級別的檢測統(tǒng)計量擴展到超像素級別,并將它們聯(lián)合成為一個新的特征,用于描述超像素。在檢測階段,利用先驗信息,本文將支持向量數(shù)據(jù)描述(Support Vector Data Description,SVDD)用于檢測,得到了檢測性能更好,且更加穩(wěn)定的檢測算法。3.本文研究了港口區(qū)域的艦船目標檢測算法。該算法主要包括三個步驟:海陸分割、檢測、聚類。通過海陸分割,本算法后續(xù)檢測和聚類僅對海面與港口區(qū)域進行,在保證檢測性能的同時,大大降低了總體的計算量。在檢測階段,我們利用快速的CA-CFAR進行檢測。在聚類階段,本文研究了一種基于海岸線角度的港口艦船像素聚類方法,能夠有效對港口區(qū)域艦船進行聚類。同時,部分雜波在聚類后會呈現(xiàn)出與目標不同的形狀信息,利用這些形狀信息,可以在檢測階段初步去除部分虛警。
【學位授予單位】：西安電子科技大學
【學位級別】：碩士
【學位授予年份】：2015
【分類號】：TN957.51

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前1條

1 周擁軍;朱兆達;丁全心;;遙感圖像中港口目標識別技術[J];南京航空航天大學學報;2008年03期

中國碩士學位論文全文數(shù)據(jù)庫 前1條

1 吳建華;遙感圖像中港口識別與毀傷分析研究[D];南京理工大學;2005年

，

本文編號：1215532