本文關(guān)鍵詞：復(fù)雜場景下的SAR目標(biāo)檢測

  更多相關(guān)文章： SAR圖像 目標(biāo)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(dá)(Synthetic Aperture Radar,SAR)系統(tǒng)的廣泛應(yīng)用,SAR圖像的數(shù)量也飛速的增加,這使自動目標(biāo)檢測算法受到了廣泛的關(guān)注。同時,隨著SAR系統(tǒng)逐漸被應(yīng)用于更加復(fù)雜的場景,提高復(fù)雜場景下目標(biāo)檢測算法的性能已經(jīng)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(biāo)檢測算法研究的意義與目的,并介紹了該領(lǐng)域的國內(nèi)外研究現(xiàn)狀。然后,本文介紹了傳統(tǒng)的SAR圖像目標(biāo)檢測和聚類算法,并對它們進(jìn)行了深入的分析。接下來,在國內(nèi)外的最新研究成果的基礎(chǔ)上,本文主要著眼于復(fù)雜場景的目標(biāo)檢測研究,包括復(fù)雜地面場景的目標(biāo)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(biāo)與雜波分離。在檢測階段,本文將超像素分割結(jié)果與傳統(tǒng)雙參數(shù)CFAR檢測結(jié)合,利用超像素分割結(jié)果,自適應(yīng)的找到每個像素所在的雜波區(qū)域,減少了相鄰目標(biāo)對估計雜波區(qū)域像素強(qiáng)度分布參數(shù)的影響。這提高了對雜波區(qū)域像素強(qiáng)度分布參數(shù)的估計準(zhǔn)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(biāo),在多目標(biāo)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?qū)⒛繕?biāo)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(kuò)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(yàn)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(biāo)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(jìn)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(jìn)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(jìn)行聚類。同時,部分雜波在聚類后會呈現(xiàn)出與目標(biāo)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(xué)位授予單位】：西安電子科技大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2015
【分類號】：TN957.51

【參考文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前1條

1 周擁軍;朱兆達(dá);丁全心;;遙感圖像中港口目標(biāo)識別技術(shù)[J];南京航空航天大學(xué)學(xué)報;2008年03期

中國碩士學(xué)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(xué);2005年

，

本文編號：1215532