海面艦船目標檢測是維護沿海各國海洋權(quán)益的必要手段,在民用和軍事領(lǐng)域都具有重要的意義。由于合成孔徑雷達（Synthetic Aperture Radar,SAR）全天時、全天候的觀測能力,SAR圖像已成為海面艦船目標檢測的重要數(shù)據(jù)源。隨著SAR系統(tǒng)性能的提升和信號處理算法的進步,能夠獲取不同波段、不同極化方式下目標和背景的散射特性,豐富了信息的層次和維度,為目標檢測算法性能的提升提供了支持。本文圍繞海面艦船目標檢測技術(shù),分別針對單極化SAR圖像和全極化SAR圖像艦船目標檢測方法展開研究,旨在提升目標檢測率、降低虛警率以及提高目標檢測算法的實時性,具體研究內(nèi)容包括以下幾個方面:1.針對大場景下的單極化SAR圖像艦船檢測問題,提出了一種全局-局部兩級超像素恒虛警率（Constant False Alarm Rate,CFAR）檢測方法,以提高目標檢測效率。在全局CFAR檢測中,采用加權(quán)信息熵特征描述超像素的統(tǒng)計特性,以提高目標和雜波之間的可分性,通過預篩選得到候選目標超像素;在局部CFAR檢測步驟,僅對候選目標超像素進行判決,并且全局CFAR檢測結(jié)果可用于減小鄰近目標對雜波參數(shù)估計精度的影響... 

【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)】：150 頁

【學位級別】：博士

【文章目錄】：
摘要
ABSTRACT
符號對照表
縮略語對照表
第一章 緒論
    1.1 研究背景及意義
    1.2 研究歷史與發(fā)展現(xiàn)狀
        1.2.1 SAR系統(tǒng)發(fā)展現(xiàn)狀及趨勢
        1.2.2 單極化SAR圖像目標檢測算法研究現(xiàn)狀
        1.2.3 極化SAR圖像目標檢測算法研究現(xiàn)狀
    1.3 本文工作與內(nèi)容安排
第二章 基于兩級超像素CFAR的單極化SAR圖像目標快速檢測方法
    2.1 引言
    2.2 基于Gamma分布的單極化SAR圖像超像素分割算法
        2.2.1 超像素分割方法
        2.2.2 基于Gamma分布的像素相似性測度
        2.2.3 改進的SLIC超像素分割方法
    2.3 兩級超像素CFAR算法
        2.3.1 基于加權(quán)信息熵的全局CFAR檢測器
        2.3.2 局部CFAR檢測器
        2.3.3 檢測后處理
    2.4 實驗結(jié)果與性能分析
        2.4.1 驗證加權(quán)信息熵的有效性
        2.4.2 局部CFAR目標檢測算法性能分析
        2.4.3 檢測后處理結(jié)果
    2.5 本章小結(jié)
第三章 岸島背景下單極化SAR圖像艦船目標檢測方法
    3.1 引言
    3.2 基于Bhattacharyya距離測度的超像素統(tǒng)計相異性
    3.3 基于超像素統(tǒng)計相異性的目標增強算法
        3.3.1 全局對比度
        3.3.2 局部對比度
        3.3.3 目標檢測算法
    3.4 實驗結(jié)果與性能分析
        3.4.1 目標增強實驗
        3.4.2 目標檢測實驗
    3.5 本章小結(jié)
第四章 基于改進活動輪廓模型的單極化SAR圖像目標檢測
    4.1 引言
    4.2 典型的活動輪廓模型
    4.3 改進的RSF模型
        4.3.1 基于區(qū)域統(tǒng)計信息的模型構(gòu)建
        4.3.2 所提模型的演化
        4.3.3 所提模型的全局快速求解
    4.4 實驗結(jié)果與性能分析
        4.4.1 實驗1:仿真SAR圖像
        4.4.2 實驗2:MSTAR數(shù)據(jù)庫地面目標
        4.4.3 實驗3:TerraSAR-X圖像海面目標
    4.5 本章小結(jié)
第五章 基于G_P~0混合模型的PolSAR艦船目標檢測算法
    5.1 引言
    5.2 極化G_P~0混合模型
        5.2.1 極化G_P~0分布
        5.2.2 極化G_P~0分布的參數(shù)估計方法
        5.2.3 G_P~0有限混合模型
    5.3 基于極化G_P~0混合模型的目標檢測算法
        5.3.1 潛在目標像素預篩選
        5.3.2 EM聚類
        5.3.3 FMM模型定階
        5.3.4 所提算法流程
    5.4 實驗結(jié)果與性能分析
        5.4.1 實驗1:C波段AIRSAR日本Kojimawan數(shù)據(jù)集
        5.4.2 實驗2:L波段AIRSAR日本Kojimawan數(shù)據(jù)集
        5.4.3 實驗3:C波段AIRSAR日本東京灣數(shù)據(jù)集
        5.4.4 實驗4:C波段RADARSAT-2溫哥華灣數(shù)據(jù)集
    5.5 本章小結(jié)
第六章 基于超像素特征提取的PolSAR艦船目標檢測算法
    6.1 引言
    6.2 極化SAR圖像超像素分割
        6.2.1 基于Wishart分布的極化像素相似度
        6.2.2 基于改進SLIC的極化超像素分割算法
    6.3 基于超像素的極化特征提取
        6.3.1 基于極化協(xié)方差矩陣的距離度量
        6.3.2 基于超像素相似性度量的特征
        6.3.3 超像素λ_3特征值
        6.3.4 目標檢測算法
    6.4 實驗結(jié)果與性能分析
        6.4.1 實驗1:AIRSAR日本Kojimawan區(qū)域A數(shù)據(jù)集
        6.4.2 實驗2:AIRSAR日本Kojimawan區(qū)域B數(shù)據(jù)集
        6.4.3 實驗3:C波段AIRSAR日本東京灣數(shù)據(jù)集
        6.4.4 實驗4:C波段AIRSAR Hiroshima灣數(shù)據(jù)集
    6.5 本章小結(jié)
第七章 總結(jié)與展望
    7.1 全文總結(jié)
    7.2 工作展望
        7.2.1 艦船目標和雜波特性統(tǒng)計建模研究
        7.2.2 基于多維成像新體制SAR系統(tǒng)的目標檢測技術(shù)
        7.2.3 基于深度學習的目標檢測技術(shù)
參考文獻
致謝
作者簡介


【參考文獻】：
期刊論文
[1]基于單極化SAR圖像的艦船目標檢測與分類方法[J]. 王兆成,李璐,杜蘭,徐豐.  科技導報. 2017(20)
[2]影響星載SAR艦船檢測的關(guān)鍵因素[J]. 冷祥光,計科峰,宋海波,鄒煥新.  遙感信息. 2016(01)
[3]基于主動輪廓模型的SAR圖像分割方法綜述[J]. 涂松,李禹,粟毅.  系統(tǒng)工程與電子技術(shù). 2015(08)
[4]HRWS SAR圖像艦船目標監(jiān)視技術(shù)研究綜述[J]. 邢相薇,計科峰,康利鴻,詹明.  雷達學報. 2015(01)
[5]SAR圖像艦船目標識別綜述[J]. 陳文婷,邢相薇,計科峰.  現(xiàn)代雷達. 2012(11)
[6]反艦導彈近岸打擊關(guān)鍵技術(shù)分析[J]. 趙峰民,劉皞,陳望達.  飛航導彈. 2012(03)

博士論文
[1]彈載前側(cè)視SAR成像及運動補償技術(shù)研究[D]. 冉磊.西安電子科技大學 2018
[2]復雜背景下SAR圖像目標檢測與識別方法研究[D]. 文偉.西安電子科技大學 2017
[3]合成孔徑雷達圖像局部特征提取與應用研究[D]. 唐濤.國防科學技術(shù)大學 2016
[4]高分辨率SAR圖像目標快速提取算法研究[D]. 涂松.國防科學技術(shù)大學 2016
[5]基于廣義Gamma分布的SAR圖像統(tǒng)計建模及應用研究[D]. 秦先祥.國防科學技術(shù)大學 2015
[6]極化SAR圖像邊緣與區(qū)域信息提取方法研究[D]. 柳彬.上海交通大學 2015
[7]彈載合成孔徑雷達干擾技術(shù)研究[D]. 和小冬.電子科技大學 2015
[8]HRWS SAR圖像艦船目標監(jiān)視關(guān)鍵技術(shù)研究[D]. 邢相薇.國防科學技術(shù)大學 2014
[9]SAR圖像港口目標提取方法研究[D]. 陳琪.國防科學技術(shù)大學 2011
[10]基于SAR圖像的目標檢測研究[D]. 崔一.清華大學 2011



本文編號：3440826