CN105204010A - 低信杂比合成孔径雷达图像的地物目标检测方法 - Google Patents
低信杂比合成孔径雷达图像的地物目标检测方法 Download PDFInfo
- Publication number
- CN105204010A CN105204010A CN201410691244.9A CN201410691244A CN105204010A CN 105204010 A CN105204010 A CN 105204010A CN 201410691244 A CN201410691244 A CN 201410691244A CN 105204010 A CN105204010 A CN 105204010A
- Authority
- CN
- China
- Prior art keywords
- decomposition
- target
- scale
- target detection
- image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明涉及低信杂比的二维雷达图像目标检测方法。其特征在于:通过轮廓变换,选择分解系数特征,抑制SAR图像固有的斑点噪声的影响,提高SAR图像的信噪比;提取不同方向的特征信息,获得目标边缘细节和几何信息;提取不同的分解系数特征进行融合处理,改善目标特征值与背景特征值之间的差距,提高目标检测能力和抗虚警能力。本发明是一种对低信杂比的SAR图像处理非常有效的目标检测方法,各分解尺度上的方向分解数可以任意设计,可以获得低频子特征图和多个高频子特征图的细节信息,使原来用一般方法无法检测到的小目标、掩藏目标和弱散射目标变得容易检测,有强的抗虚警能力,有效提高目标的检查效果。
Description
技术领域
本发明属于信号与信息处理技术领域,涉及多尺度几何分析中的轮廓波(Contourlet)变换技术与合成孔径雷达成像技术相结合的一种低信杂比的二维雷达图像目标检测方法。
背景技术
合成孔径雷达(SyntheticApertureRadar,以下简称SAR)自上个世纪50年代初诞生以来,在民用和军事领域得到了广泛地应用。由于SAR是一种主动的微波相干成像雷达,典型的特点是具有全天候、全天时获取数据的能力,因此,与高光谱遥感合称为当代两大遥感前沿领域,它已成为对地观测***和天基侦察监视***不可缺少的重要探测技术。SAR在军事领域的应用有着非常好前景,它不仅是军事目标情报探测的重要技术手段,还是战场感知的重要来源。但是SAR成像受雷达***参数和地物目标表面几何结构等因素的影响,尤其相干成像机理所固有的斑点噪声和方位的敏感性,它们给SAR图像的解译和应用带来了极大的困难,特别是进一步的精细化应用。侦察与反侦察、探测与反探测、识别和伪装等总是交织发展,始终伴随着战争的演化。现代战争是高技术条件下的信息化战争,如何准确、快速获取情报信息是一个非常关键的环节。近几场局部战争充分显示,不论是战前的军事情报侦察还是战争态势预测及战后的战场效果评估,80%以上的信息来源于军用成像侦察卫星和商业遥感卫星。但是,现代战场环境越来越复杂,传统的光学和红外遥感已无法满足现代战争需求,而SAR成像遥感技术弥补了它们的缺陷,发挥了不可替代的作用,如美国的“长曲棍球”系列。在SAR的应用领域中,SAR目标的检测、分类和识别以及变化信息的获取,始终是目标情报侦察监视和战场动态感知的重要内容。
现代战场和目标情报侦察信息主要来源于各种遥感图像,例如SAR图像、红外图像和光学图像。同时一些重要的、高价值目标经常被伪装或隐蔽,或者涂上一些吸收材料。因此,在遥感图像中这些目标往往呈现的是弱散射或弱反射体,经常被背景杂波信号所干扰和覆盖,很难被探测或检测到。产生这种现象的根本原因是目标与背景之间的反射或散射强度非常接近,即它们的灰度值很接近,导致整个图像的信杂比也非常很低。这非常不利用于目标的检测与识别。而现有的目标检测方法很难获得理想的效果,因此,为了有效检测这些隐蔽的目标、弱反射的目标和较小的目标,本发明从SAR成像机理出发,利用多尺度几何分析理论中轮廓波变换原理,提出了一种新的低信杂比(LowSignalClutterRatio,LSCR)目标检测方法。
发明内容
针对上述现有技术状况,本发明的目的在于:提供一种低信杂比合成孔径雷达图像的地物目标检测方法,简称LSCR检测方法。该方法一方面能有效抑制SAR图像斑点噪声的影响,另一方面,通过特征的提取,能调整SAR图像中目标区域或感兴趣区域的特征与背景杂波特征之间的灰度动态范围。更重要的是利用轮廓波变换的多尺度多方向性特点,获得的信息更加准确。因此,该方法能明显提高目标的检测率,能有效检测到SAR目标,同时能获得更丰富的目标信息。
现将本发明构思及技术解决方案叙述如下:
由于SAR成像机理非常复杂,不同于光学成像,因此,目标的检测需要预先对SAR图像进行处理,如滤波、锐化处理、直方图处理、各种变换处理,目的是提高SAR图像的信杂比,有利于目标的检测。它们通常很难达到理想的效果。SAR成像是地物目标特征空间到影像空间的映射,电磁波与地物目标的相互作用非常复杂,从地物目标散射回来的信号是非平稳、非线性信号。轮廓波变换优于小波变换,具有许多的自身优点:如多尺度特性、良好的时频局部特性、多方向特性、各向异性特性,同时在每个尺度的方向数目进行了拓展,允许每个尺度上具有不同数目的分解方向。轮廓波变换可以用较少的基函数来稀疏表示曲线,对图像是一种优越的稀疏表示方式,已在图像融合、图像去噪、图像增强、图像分割、图像目标检测、人脸识别、图像水印处理、医学图像处理等方面得到了广泛的应用,小波变换也是一种非常好的非平稳信号处理方法,已得到了广泛的应用。根据SAR成像原理和轮廓波变换的特点,以及小目标、掩藏目标和弱散射目标在SAR图像中的特征,本发明提出了一种低信杂比SAR图像地物目标检测方法,通过轮廓波变换,尤其是选择不同的轮廓波分解系数特征,可以抑制SAR图像固有的斑点噪声的影响,提高SAR图像的信噪比,有利于目标的检查;轮廓波分解过程中,每个分解层的可以设置不同的分解方向,通过提取不同方向的特征信息,可以获得更丰富的目标边缘细节信息和几何信息;通过提取不同的轮廓波分解系数特征,并进行融合处理,改善了目标特征值与背景特征值之间的差距,从而可提高目标检测能力和抗虚警能力。实验表明该方法是一种非常有效的目标检测方法,有着极大的应用潜力。
根据上述发明构思和实际的实验结果,本发明提出一种低信杂比合成孔径雷达图像的地物目标检测方法,主要包括以下步骤:(参见图1):
步骤1:输入SAR图像;
步骤2:输入轮廓波变换的尺度分解和方向分解参数;
步骤2.1:确定轮廓波变换分解尺度数:
步骤2.2:确定轮廓波变换分解的各尺度上方位向数目:
步骤3:对输入的SAR图像进行轮廓波分解变换;;
步骤3.1:根据步骤2.1中所确定的分解尺度,即所要分解的层次数目,然后对SAR进行各尺度分解;
步骤3.2:根据步骤2.2中所确定的各分解尺度上的方位分解数目,对尺度分解后的SAR图像的各层进行方位分解;
步骤4:提取轮廓波分解各尺度分解系数特征图,并选择相应的特征;
步骤5:确定目标检测的方法;
由于SAR成像的机理是相干成像,所以,选择我们课题组提出的相干性恒虚警率(以下简称CCFAR)检测法对目标进行检测。CCFAR检测法通过增大目标与背景杂波反射强度的差距来达到检测目标的目的,不论是弱小目标还是隐藏目标,均能检测出来,而且检测效果好,在同样的恒虚警率下,产生的虚警最少;
步骤6:确定检测阈值T;
步骤7:对特征图进行目标检测,并获得检测结果。
本发明进一步提供一种基于轮廓波变换的合成孔径雷达图像目标检测方法,其特征在于:步骤2中所述的对输入的SAR图像进行轮廓波分解时所确定的尺度分解数和方位向分解数等参数确定的具体步骤为:
步骤2.1:确定轮廓波变换分解尺度数:
轮廓波分解参数的设置对检测结果有较大的影响,这些参数主要包含尺度分解级数和方位向分解方向个数;尺度分解级数和方位向分解方向个数的值设置不能太高,也不能太低;如果尺度分解级数值太高,对于SAR图像来说,意味着高尺度中包含的大量的斑点噪声,它们会把目标区域的几何细节和边缘信息淹没,反而不利于目标的检测,因此,尺度分解级数的值通常为3到5比较合适。
步骤2.2:确定轮廓波变换分解的各尺度上方位向数目:
同分解尺度数目确定一样,方位向分解参数的确定也非常重要,它取值偏大或偏小都会影响方位信息的提取;方位向分解参数不能无限增加,这是因为随着方位向分解参数的增加,计算量会成倍增加,如果方向个数太多,将会目标区域连续信息割裂处理,反而不利目标信息的提取。因此,方位向分解参数的值通常不超过5。
本发明进一步提供一种基于轮廓波变换的合成孔径雷达图像目标检测方法,其特征在于:步骤3中所述的对SAR图像进行轮廓波变换分解的具体步骤为;
步骤3.1:根据步骤2.1中所确定的分解尺度,即所要分解的层次数目,然后对SAR进行各尺度分解,分解尺度应在5以内。
步骤3.2:根据步骤2.2中所确定的各分解尺度上的方位分解数目,对尺度分解后的SAR图像的各层进行方位分解,各分解尺度所设的方向依次为24、23、22、21,即16、8、4和2,分解尺度由粗尺度到细尺度。
本发明进一步提供一种基于轮廓波变换的合成孔径雷达图像目标检测方法,其特征在于:步骤4中所述的提取轮廓波分解系数特征并进行特征选择的具体步骤为:
步骤4.1:获得各分解尺度上各方向的特征,根据步骤3中各方位向的分解情况,提取各方位向特征子图像;
步骤4.2:对所获得的各尺度上不同方向的信息进行融合,就可以获得本尺度分解系数特征子图像。
步骤4.3:选择不同的分解尺度特征。分解后的尺度系数特征包括低频系数特征图和各高频系数特征图,但是每个特征子图像包含的信息是不一样的,因此,在实际应用中,需要具体选择哪些特征子图像,例如选全部高频特征子图像,还是选部分高频特征子图像,本发明中选低频特征子图像和两个高频特征子图像。
步骤4.4:特征子图像进行融合。根据步骤4.3所选择的特征子图像进行融合,获得最终的用于目标检测特征图像。
本发明与现有技术相比的优点在于:
本发明是一种新的、非常有效的目标检测算法,特别是低信杂比的SAR图像,其优势非常明显,具体体现在以下三个方面:
(1)方法设计的优点
选用轮廓波变换理论对SAR图像进行分解,各分解尺度上的方向分解数可以任意设计,这样可以从不同的多个方向获取信息,使获得的信息更准确,更逼近目标的实际情况。同时,利用轮廓波变换进行分解后,可以获得低频子特征图和多个高频子特征图,而且随着分解尺度的增加,获得的信息主要是高频部分的细节信息,但同时噪声也主要存在高频部分,因此含噪声的成分的比例也越来越高。在实际应用中可根据具体应用选择或加强某部分系数,达到增强特征的目的,如果高尺度不影响处理目的,而且包含的噪声较多,可以考虑直接去掉高尺度部分,这样可以达到去除或抑制SAR图像斑点噪声的效果。
(2)数据处理的优点
选择低频特征和部分高频特征融合,既考虑到了SAR成像对方位的敏感性,又考虑到对SAR图像斑点噪声的抑制,这样使获得信息更准确,并提高特征图像的信杂比,从而有效提高目标的检查效果。
(3)目标检测的优点
用本方法处理后的特征图检测目标,不仅能提高目标的检测率,而且使原来用一般方法无法检测到的小目标、掩藏目标和弱散射目标变得容易检测,同时目标的虚警概率很低,有强的抗虚警能力。
附图说明
图1:低信杂比合成孔径雷达图像的地物目标检测方法示意图
图2:CCFAR检测方法流程图
图3:LSCR用于坦克T72检测结果图
其中:a原始图像,b全部细特征系数图,c低频和部分细特征图
图4:LSCR用于船目标检测结果图
其中:a原始图像,b全部细特征系数图,c低频和部分细特征图
具体实施方式
现将本发明结合实施例作进一步说明,以实测SAR图像为例,对本发明作进一步阐述:
步骤1:输入原始的SAR图像
步骤2:对SAR图像进行多尺度的轮廓波分解。选用轮廓波变换理论对SAR图像进行分解的关键技术分解尺度的确定以及各尺度上方位分解数的确定,由于尺度太高是,里面包含大量的斑点噪声,根据实际情况,采样分解尺度为4,同样,各尺度的分解方向也不能太多,不超过25,否则会对方向信息进行割裂处理,计算量也会成倍增加,每分解层的方位分解数可以任意设置,根据信息获取的精度和计算量的大小,选择每个分解尺度上的方向数不相同,即从粗尺度到精细尺度分别设为24、23、22、21,,因为随着尺度的增加,信息含量越来越小,所以没有必要在高精度的尺度上设置更多的方位分解数。
步骤3:获取各尺度分解系数特征图,并选择系数进行融合,对SAR图像进行轮廓波分解后,根据前面分解参数的设置,获得一个低频子图像特征图和4个高频子图像特征图,这些特征子图像获得后的另一个关键技术是如何选择特征,在本实验中,选择低频子图像和两个细节尺度高频子图像进行融合,以获得最终的目标检测特征图。
步骤4:选择CCFAR检测算法对目标进行检测;
随着SAR图像分辨率的不断提高,如何从SAR图像中迅速提取有用的信息,是目前研究的热点和难点,尤其是强反射杂波背景中目标检测和识别;在SAR目标识别中,首先需要从场景中确定潜在的目标区域,称为感兴趣区域(ROI);在通常情况下,人们使用恒虚警率(CFAR)算子完成目标的检测任务,恒虚警率检测经常应用于雷达和通信领域,其算法研究已有30多年的历史,在这方面,美国林肯实验室取得了大量的研究成果,具有代表性的是Novak提出的基于高斯分布的双参数恒虚警率算法。目前,广泛使用的目标检测方法仍然以CFAR检测算法为主,其发展至今已有许多个分支,如单元平均CA-CFAR(Cell-AverageCFAR),最小选择SO-CFAR(SmallestofCFAR),有序统计OS-CFAR(OrderStatisticCFAR)和最大选择GO-CFAR(GreatestofCFAR)等,它们的主要区别在于不同的杂波均值估计算法。用CFAR检测目标的缺点是要求目标和背景杂波分布有明显的反射强度差,也就是说,直接用CFAR算法很难检测到微弱的、小的和隐藏的目标。于是,本发明组等从SAR成像机理出发提出了相干性CFAR(CCFAR)SAR目标检测算法,克服了CFAR算法的弱点。CCFAR不仅可以提高SAR图像的信杂比,而且还可扩大目标与背景杂波的反射强度差,非常有利于SAR图像目标的检测。图2为CCFAR检测算法的流程图。
在目标检测中,阈值T的确定是CFAR目标检测算法的关键问题,而它与背景杂波分布模型有着紧密的关系;假设p(x)为雷达杂波分布模型的概率密度函数(PDF),则
可见F(x)在[0,+∞)上是递增函数,通过求解方程
可以得到阈值T,其中,Pfa为虚警概率,不同的Pfa可以得到不同的阈值T;背景杂波分布主要有:对数正态(Log-normal)分布、瑞利(Rayleigh)分布、韦布尔(Weibull)分布、K分布、Gamma分布、皮尔逊(Pearson)分布等,其中瑞利分布是韦布尔分布的特例。陆地杂波一般为韦布尔分布,海杂波一般为K分布,有时为了简化计算,采用高斯(Gaussian)分布,如典型的双参数CFAR检测算法。
步骤5:获得目标检测结果
用CCFAR检测方法对最终系数融合后的特征图像进行检测,就可获得目标的检测结果图;如果IF(x,y)表示特征图,T表示获得的阈值,DF(x,y)表示检测的结果,那么可用式(3)对像素进行检测,判断是否属于感兴趣的像素点。
如果像素点(x,y)的值大于或等于阈值T,那么就是需检测的目标像素点;如果像素点(x,y)的值小于阈值T,那么就认为不是目标像素点。
现根据本发明实验结果对附图做作进一步详细说明:
为了验证本发明所提出的低信杂比合成孔径雷达图像的地物目标检测方法(即LSCR目标检测算法)的有效性和可靠性,我们用不同的SAR图像和不同的方法进行了比较实验,实验结果如图3和图4所示。
图3显示的实验数据来源于MSTAR(MovingandStationaryTargetAcquisitionandRecognition)数据库,所包含的目标为T72坦克,成像背景草丛和灌木丛。其中,图3(a)是原始图像,图3(b)是轮廓波分解后所有细尺度系数特征的重构图像,图3(c)是轮廓波分解后部分尺度系数特征的重构图像,图3(A)、图4(B)和图3(C)分别是图3(a)、图3(b)和图3(c)的检测结果图。在整个检测过程中,运用的检测算法相同,检测条件也相同,这里选择的检测算法CCFAR算法。从图3(a)中可知,原始SAR图像的信杂比较低,即目标区域的灰度值与背景灰度值差不多,因此,用一般的方法很难检测到准确的目标区域信息。轮廓波变换是一种具有多分辨率特性、时频局部特性、多方向特性和各向异性的多尺度分析几何理论,适合SAR图像的处理与分析。图3(C)的检测效果明显优于图3(A)和图3(B),而且在同样的条件下,图3(A)中的虚警率明显高于图3(C)。所以,图3的结果表明LSCR一种非常有效的目标检测算法。
图4显示的SAR图像数据来源于欧空局的ERS-2,其中图4(a)是原始图像,图像中包含的目标是船,背景是海洋。由于当时的SAR成像时,海浪比较大,形成了强的干扰背景杂波,所以船的散射成了弱散射目标,通常很难检测到,但是用LSCR方法能有效检测到目标。图4中的图标说明与图3相同。从图4中可以看到,在同样的条件下,图4(C)的效果优于其它两种情况,而且图4(C)中的虚警率最低,这进一步表明LSCR算法一种非常有效的SAR目标检测方法。图3和图4充分说明LSCR算法不仅能够有效地检测到小的、微弱的、隐藏的目标,而且漏警率和虚警率均非常低。在同样的恒虚警率(ConstantFalseAlarmRatio,CFAR)条件下,优于其它目标检测算法,如小波变换、CFAR检测算法、双参数检测法等等。另外一个显著的优点是LSCR算法能有效抑制SAR图像的斑点噪声,有利于促进了SAR图像解译技术和应用前景的发展。
Claims (4)
1.低信杂比合成孔径雷达图像的地物目标检测方法,其特征在于:通过轮廓波变换,选择不同的轮廓波分解系数特征,抑制合成孔径雷达图像(以下简称SAR)固有的斑点噪声的影响,提高SAR图像的信噪比;通过提取不同方向的特征信息,获得丰富的目标边缘细节信息和几何信息;通过提取不同的轮廓波分解系数特征进行融合处理,改善目标特征值与背景特征值之间的差距,提高目标检测能力和抗虚警能力,具体包括以下步骤:
步骤1:输入SAR图像;
步骤2:输入轮廓波变换的尺度分解和方向分解参数;
步骤2.1:确定轮廓波变换分解尺度数;
步骤2.2:确定轮廓波变换分解的各尺度上方位向数目;
步骤3:对输入的SAR图像进行轮廓波分解变换;
步骤3.1:根据步骤2.1中所确定的分解尺度,即所要分解的层次数目,然后对SAR进行各尺度分解;
步骤3.2:根据步骤2.2中所确定的各分解尺度上的方位分解数目,对尺度分解后的SAR图像的各层进行方位分解;
步骤4:提取轮廓波分解各尺度分解系数特征图,并选择相应的特征;
步骤5:确定目标检测的方法:选择相干性恒虚警率检测法对目标进行检测;
步骤6:确定检测阈值T:选用数学期望最大的似然估计方法,包括一个求期望值和求最大值两个步骤,这两个步骤重复进行,直到收敛为止。
步骤7:对特征图进行目标检测,并获得检测结果。
2.根据权利要求1所述的低信杂比合成孔径雷达图像的地物目标检测方法,其特征在于:步骤3.1中所述的对SAR进行各尺度分解应在5以内;步骤3.2中所述的对SAR图像的各层进行方位分解尺度所设的方向依次为24、23、22、21,即16、8、4和2,分解尺度由粗尺度到细尺度。
3.根据权利要求1所述的低信杂比合成孔径雷达图像的地物目标检测方法,其特征在于:步骤4中所述的提取轮廓波分解系数特征并进行特征选择的具体步骤为:
步骤4.1:获得各分解尺度上各方向的特征,根据步骤3中各方位向的分解情况,提取各方位向特征子图像;
步骤4.2:对所获得的各尺度上不同方向的信息进行融合,获得本尺度分解系数特征子图像;
步骤4.3:选择不同的分解尺度特征:具体选低频特征子图像和两个高频特征子图像;
步骤4.4:特征子图像进行融合:根据步骤4.3所选择的特征子图像进行融合,获得最终的用于目标检测特征图像。
4.根据权利要求1所述的低信杂比合成孔径雷达图像的地物目标检测方法,其特征在于:步骤6中所述的确定检测阈值T的方法选用数学期望最大的似然估计方法,具体为:
假设p(x)为雷达杂波分布模型的概率密度函数(PDF),则
F(x)在[0,+∞)上是递增函数,通过求解方程
可以得到阈值T,其中,Pfa为虚警概率,不同的Pfa可以得到不同的阈值T;背景杂波分布有:对数正态(Log-normal)分布、瑞利(Rayleigh)分布、韦布尔(Weibull)分布、K分布、Gamma分布、皮尔逊(Pearson)分布。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410691244.9A CN105204010A (zh) | 2014-11-26 | 2014-11-26 | 低信杂比合成孔径雷达图像的地物目标检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410691244.9A CN105204010A (zh) | 2014-11-26 | 2014-11-26 | 低信杂比合成孔径雷达图像的地物目标检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105204010A true CN105204010A (zh) | 2015-12-30 |
Family
ID=54951790
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410691244.9A Pending CN105204010A (zh) | 2014-11-26 | 2014-11-26 | 低信杂比合成孔径雷达图像的地物目标检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105204010A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109359595A (zh) * | 2018-10-17 | 2019-02-19 | 四川航天***工程研究所 | 一种新型sar图像统计模型及其参数估计方法 |
CN111948653A (zh) * | 2020-07-31 | 2020-11-17 | 上海卫星工程研究所 | 基于p波段合成孔径雷达的林下目标检测方法及*** |
CN112200121A (zh) * | 2020-10-24 | 2021-01-08 | 中国人民解放军国防科技大学 | 基于evm和深度学习的高光谱未知目标检测方法 |
CN113344956A (zh) * | 2021-06-21 | 2021-09-03 | 深圳市武测空间信息有限公司 | 基于无人机航摄三维建模的地物轮廓提取分类方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101251595A (zh) * | 2008-04-03 | 2008-08-27 | 南京航空航天大学 | 基于非抽样Contourlet变换的SAR图像目标方位角估计方法 |
US20090179790A1 (en) * | 2006-03-31 | 2009-07-16 | Qinetiq Limited | System and method for processing imagery from synthetic aperture systems |
-
2014
- 2014-11-26 CN CN201410691244.9A patent/CN105204010A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090179790A1 (en) * | 2006-03-31 | 2009-07-16 | Qinetiq Limited | System and method for processing imagery from synthetic aperture systems |
CN101251595A (zh) * | 2008-04-03 | 2008-08-27 | 南京航空航天大学 | 基于非抽样Contourlet变换的SAR图像目标方位角估计方法 |
Non-Patent Citations (4)
Title |
---|
刘代志 等: "一种新的SAR图像目标检测方法", 《宇航学报》 * |
张绘: "Contourlet变换的实现及其在SAR图像处理中的应用研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
李俊山: "《红外图像处理、分析与融合》", 30 November 2009, 北京:科学出版社 * |
盛柳青: "SAR图像目标检测中若干关键技术的研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109359595A (zh) * | 2018-10-17 | 2019-02-19 | 四川航天***工程研究所 | 一种新型sar图像统计模型及其参数估计方法 |
CN111948653A (zh) * | 2020-07-31 | 2020-11-17 | 上海卫星工程研究所 | 基于p波段合成孔径雷达的林下目标检测方法及*** |
CN111948653B (zh) * | 2020-07-31 | 2022-03-18 | 上海卫星工程研究所 | 基于p波段合成孔径雷达的林下目标检测方法及*** |
CN112200121A (zh) * | 2020-10-24 | 2021-01-08 | 中国人民解放军国防科技大学 | 基于evm和深度学习的高光谱未知目标检测方法 |
CN113344956A (zh) * | 2021-06-21 | 2021-09-03 | 深圳市武测空间信息有限公司 | 基于无人机航摄三维建模的地物轮廓提取分类方法 |
CN113344956B (zh) * | 2021-06-21 | 2022-02-01 | 深圳市武测空间信息有限公司 | 基于无人机航摄三维建模的地物轮廓提取分类方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111077523B (zh) | 一种基于生成对抗网络的逆合成孔径雷达成像方法 | |
CN101727662B (zh) | Sar图像非局部均值去斑方法 | |
CN106599808B (zh) | 一种基于全波形激光雷达数据的隐蔽目标提取方法 | |
Alonso et al. | Edge enhancement algorithm based on the wavelet transform for automatic edge detection in SAR images | |
CN105205484B (zh) | 基于曲波变换与维纳滤波的合成孔径雷达目标检测方法 | |
CN110988818B (zh) | 基于条件生成式对抗网络的欺骗干扰模板生成方法 | |
CN103236063B (zh) | 基于多尺度谱聚类及决策级融合的sar图像溢油检测方法 | |
CN102609701B (zh) | 基于最佳尺度的高分辨率合成孔径雷达遥感检测方法 | |
CN103065307B (zh) | 非精确配准下sar/spot图像的区域融合检测方法 | |
CN105160648B (zh) | 基于小波和恒虚警率的雷达目标及阴影分割方法 | |
CN104166838B (zh) | 基于多层cfar的分层高分辨sar图像舰船检测方法 | |
CN106646469B (zh) | 基于变异系数法的sar船只检测优化方法 | |
CN104200471A (zh) | 基于自适应权值图像融合的sar图像变化检测方法 | |
Nair et al. | Fuzzy logic-based automatic contrast enhancement of satellite images of ocean | |
CN105204010A (zh) | 低信杂比合成孔径雷达图像的地物目标检测方法 | |
Lyu | Oil spill detection based on features and extreme learning machine method in SAR images | |
CN107729903A (zh) | 基于区域概率统计和显著性分析的sar图像目标检测方法 | |
CN106910178A (zh) | 一种基于色调统计特性分类的多角度sar图像融合方法 | |
Voccola et al. | On the relationship between the generalized likelihood ratio test and backprojection for synthetic aperture radar imaging | |
CN108805186A (zh) | 一种基于多维显著特征聚类的sar图像圆形油库检测方法 | |
CN106897985A (zh) | 一种基于可见度分类的多角度sar图像融合方法 | |
CN116051426B (zh) | 一种合成孔径雷达图像处理方法 | |
Wang et al. | Modification of CFAR algorithm for oil spill detection from SAR data | |
Thoreau et al. | SaRNet: A dataset for deep learning assisted search and rescue with satellite imagery | |
Sun et al. | Infrared Small-Target Detection Based on Multi-level Local Contrast Measure |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20151230 |
|
RJ01 | Rejection of invention patent application after publication |