研究合成孔徑雷達（Synthetic Aperture Radar,SAR）圖像上的艦船目標檢測技術對我國的海洋管理和安全具有重要的意義。論文對SAR圖像上的艦船目標檢測算法進行了深入研究,針對當前傳統(tǒng)的恒虛警（Constant False Alarm Rate,CFAR）算法不能夠較好地適應大數(shù)據(jù)量的SAR圖像數(shù)據(jù),引入了更加適應這種情況的深度學習卷積神經(jīng)網(wǎng)絡Faster RCNN算法。論文主要的工作和創(chuàng)新為:1、基于SAR圖像進行了背景海雜波建模的研究,討論了常見的海雜波分布參量模型,并且介紹了相應的參數(shù)估計方法,然后給出了海雜波建模的方法,針對8幅不同類型的實測SAR圖像海面切片進行了海雜波統(tǒng)計建模實驗,采用正態(tài)分布、瑞利分布、對數(shù)正態(tài)分布和韋伯分布進行了直方圖擬合,并且使用K-S檢驗和卡方檢驗對各分布的擬合程度進行了評價和對比。2、深入探討了CFAR檢測算法,首先對CFAR算法的本質(zhì)進行了闡釋,介紹了常見的五種檢測器,并且對它們各自的結(jié)構(gòu)和應用背景進行了介紹,然后進行SAR圖像艦船目標的實際檢測實驗,采用了基于瑞利分布、對數(shù)正態(tài)分布和韋伯分布的CA-CFAR法與局部雙參數(shù)法,還... 

【文章來源】：西安電子科技大學陜西省 211工程院校 教育部直屬院校

【文章頁數(shù)】：93 頁

【學位級別】：碩士

【部分圖文】：

艦船目標SAR圖像

SAR圖像海面切片樣本

圖 3. 3 空心滑窗示意圖推導出許多海雜波分布對應的檢測閾值型，可以由該公式直接求解得到閾值，而 Alpha 穩(wěn)態(tài)分布等不能利用該公式直接來進行求解。理位置和艦船目標自身等因素的影響，起伏狀況。在使用 CFAR 檢測時，其滑動，在很多的情形下往往是異質(zhì)的[36]。一雜波分為三種情況，一種是均勻的雜波背邊緣情況。針對三種情況，各種各樣的 C高背景雜波分布參數(shù)估計的準確性。常見

【參考文獻】：
期刊論文
[1]基于多尺度熵和遺傳算法改進的語音識別技術[J]. 樊�；�,穆春陽,馬行.  現(xiàn)代電子技術. 2019(06)
[2]基于似物性判斷的SAR圖像艦船目標檢測[J]. 曲岳晗,黃杰軍.  計算機與數(shù)字工程. 2019(01)
[3]基于多特征融合的SAR圖像艦船自學習檢測算法[J]. 楚博策,文義紅,陳金勇.  無線電工程. 2018(02)
[4]深度學習的研究現(xiàn)狀與發(fā)展[J]. 何曉萍,沈雅云.  現(xiàn)代情報. 2017(02)
[5]深度學習研究綜述[J]. 尹寶才,王文通,王立春.  北京工業(yè)大學學報. 2015(01)
[6]極大似然估計方法介紹[J]. 趙軍圣,莊光明,王增桂.  長春理工大學學報. 2010(06)
[7]改進的SAR圖像雙參數(shù)CFAR艦船檢測算法[J]. 艾加秋,齊向陽,禹衛(wèi)東.  電子與信息學報. 2009(12)
[8]SAR圖像統(tǒng)計建模研究綜述[J]. 高貴.  信號處理. 2009(08)
[9]三種重拖尾分布海雜波的比較與分析[J]. 扈羅全,林樂科,朱洪波.  電波科學學報. 2007(06)

碩士論文
[1]SAR圖像海面艦船目標檢測算法研究[D]. 韓東娟.中國航天科技集團公司第五研究院西安分院 2018
[2]基于似然比檢驗的對數(shù)正態(tài)分布控制圖[D]. 范倩.遼寧大學 2018
[3]基于深度學習的SAR圖像艦船目標檢測[D]. 姜東民.沈陽航空航天大學 2018
[4]海雜波幅度分布參數(shù)矩估計和恒虛警檢測[D]. 宋希珍.西安電子科技大學 2014
[5]SAR圖像艦船目標檢測方法研究[D]. 李俊敏.西安電子科技大學 2014
[6]SAR圖像艦船目標檢測算法研究[D]. 劉佳媛.哈爾濱工程大學 2013
[7]SAR圖像艦船目標檢測方法研究[D]. 邢相薇.國防科學技術大學 2009



本文編號：3332682