合成孔径雷达成像 识别海面船舶目标(转载)
合成孔径雷达在舰船目标定位和成像技术的应用研究
合成孔径雷达在舰船目标定位和成像技术的应用研究合成孔径雷达（Synthetic Aperture Radar，简称SAR）是一种使用雷达技术进行远距离探测和成像的现代雷达系统。
与传统的雷达系统相比，合成孔径雷达具有独特的优势，在舰船目标定位和成像方面有着广泛的应用研究。
合成孔径雷达利用雷达波通过目标后的回波信号，进行信号处理，再根据一定的算法和技术手段，重建出目标的反射特征，实现对目标的定位和成像。
相较于其他成像技术，合成孔径雷达的成像质量更高、分辨率更高、和对目标的探测距离更远。
在舰船目标定位方面，合成孔径雷达凭借其高精度的成像能力，能够精确定位舰船目标，包括目标的位置、速度以及航向等信息。
通过对多次回波信号的积累并应用合成孔径成像算法，合成孔径雷达可以构建出具有极高精度的目标三维定位图像。
同时，合成孔径雷达还能够对移动目标进行跟踪，及时获取目标的轨迹和船体运动信息。
在舰船目标成像方面，合成孔径雷达能够实现高质量、高分辨率的目标成像，即使在复杂的雷达环境中也能保持较高的图像质量。
合成孔径雷达通过对连续的雷达回波信号进行处理并利用相干积累技术，以及算法来获取高分辨率的目标图像。
这使得合成孔径雷达在船舶领域中被广泛应用于船舶目标的探测、识别和监控。
此外，合成孔径雷达还可以与其他传感器进行集成和协同作业，如红外相机、光电探测器等，对舰船目标进行多模态的探测和成像。
这样可综合利用各种传感器的优势，提高目标的定位和成像的准确性和可信度。
总体而言，合成孔径雷达在舰船目标定位和成像技术中具有广泛的应用前景。
其高分辨率、高精度的成像能力，以及与其他传感器的协同作业，使其在海上作战、航行安全监控等领域发挥重要作用，为军事、海事等相关部门提供重要的技术支持。
合成孔径雷达图像目标识别技术研究
合成孔径雷达图像目标识别技术研究合成孔径雷达图像目标识别技术研究摘要：合成孔径雷达（Synthetic Aperture Radar，SAR）是一种通过感知目标反射或散射的雷达技术。
在航天、军事、环境监测等领域都有着重要的应用价值。
本文旨在对合成孔径雷达图像目标识别技术进行研究，包括图像预处理、特征提取和分类方法。
通过实验验证了这些方法的有效性和可行性，为进一步的相关研究提供了参考。
1. 引言合成孔径雷达（SAR）是一种能够获取高分辨率地面目标信息的雷达技术。
由于其具有无视天候、全天候工作和穿透隐蔽物等优势，因此在军事侦察、环境监测、资源勘探等领域得到了广泛应用。
目标识别作为SAR图像处理的重要环节之一，对于提取目标特征、辨识目标类别具有重要意义。
2. 合成孔径雷达图像预处理合成孔径雷达图像在获取过程中会受到多种干扰因素的影响，如地物散射、方向模糊等。
因此，为了提高目标识别的准确性，需要对SAR图像进行预处理。
预处理主要包括去噪、图像增强和几何校正等步骤。
2.1 去噪由于SAR图像在采集过程中会受到天气等因素的干扰，导致图像中出现噪声。
噪声对目标识别造成很大的困扰，因此需要进行去噪处理。
常用的去噪方法包括中值滤波、小波去噪等。
2.2 图像增强图像增强的目标是提高图像的对比度和清晰度，使得目标在图像中更加鲜明。
在SAR图像中，由于环境等因素的限制，图像质量较差。
常用的图像增强方法包括直方图均衡化、自适应直方图均衡化等。
2.3 几何校正由于SAR图像在获取过程中会有不同的几何失配问题，如斜视几何失配、散焦几何失配等。
为了进行精确的目标识别，需要对图像进行几何校正。
几何校正方法包括校正变换、几何失配校正等。
3. 合成孔径雷达图像特征提取特征提取是目标识别的关键步骤之一。
通过提取图像的特征信息，可以判断目标的类别以及与其他目标的差异。
常用的特征提取方法包括空间域特征、频率域特征和小波域特征等。
3.1 空间域特征空间域特征是通过对图像的像素进行分析提取的，包括灰度特征、形状特征等。
SAR图像舰船目标识别方法研究
SAR图像舰船目标识别方法研究SAR图像舰船目标识别方法研究摘要：合成孔径雷达（SAR）技术作为一种先进的成像技术，已经在军事、民用等领域得到广泛的应用。
其中，针对海上舰船目标的识别一直是SAR图像处理的重要研究方向。
本文基于SAR图像的特性，总结了目前主流的舰船目标识别方法，包括传统的基于形状、纹理等特征的方法和基于深度学习的方法。
同时，针对目前存在的一些问题，进行了进一步的分析和讨论，并提出了相应的解决方案。
实验结果表明，本文提出的方法在舰船目标的识别效果上有很大的提升，具有一定的实用价值和推广应用前景。
关键词：合成孔径雷达（SAR）；舰船目标；特征提取；目标识别；深度学习1.导言合成孔径雷达（SAR）技术以其高分辨率、全天候、整幅图像几何形状不受航向角、距离角等因素影响等优良特性，成为了近年来人们广泛研究的一种成像技术。
在很多应用领域，如军事、海洋、环境监测等，SAR已经得到了广泛的应用。
其中，针对舰船目标的识别一直是SAR图像处理的重要研究方向。
随着深度学习技术的不断发展，越来越多的研究者开始运用深度学习技术来解决SAR舰船目标识别的相关问题。
本文针对SAR图像舰船目标识别问题进行了研究，并提出了相应的解决方案。
2.基于SAR图像的舰船目标识别方法2.1 基于特征提取的舰船目标识别方法传统的基于特征提取的舰船目标识别方法是将图像中的目标以某种方式表示成特征向量，然后采用分类器进行识别。
在特征提取的过程中，通常采用的特征有形状、纹理等，比如基于小波变换的舰船目标识别方法、基于Gabor滤波器的舰船目标识别方法、基于SIFT算法的舰船目标识别方法等。
这些方法都是通过对图像进行特征提取，然后采用机器学习或人工智能算法进行目标识别。
2.2 基于深度学习的舰船目标识别方法随着深度学习技术的不断发展，越来越多的研究者开始运用深度学习技术来解决SAR舰船目标识别的相关问题。
其中比较典型的有基于卷积神经网络（CNN）的方法、基于循环神经网络（RNN）的方法等。
合成孔径雷达成像技术及应用
合成孔径雷达成像技术及应用合成孔径雷达（Synthetic Aperture Radar，简称SAR）是一种基于雷达技术的成像方法。
它利用了雷达回波信号的相位差异来合成一个大型的接收器孔径，从而提高雷达的分辨率和成像质量。
合成孔径雷达成像技术在军事、航空航天、地质勘探、环境监测等领域有着广泛的应用。
合成孔径雷达技术的基本原理是利用雷达发射信号与目标反射回来的信号之间的相对运动，通过对多个回波信号进行叠加处理，实现高分辨率的成像。
相对于传统雷达，合成孔径雷达不需要像传统雷达一样依赖于电磁波的波束扫描来进行探测，而是通过在距离和方位方面进行序列化的接收，使接收孔径长度远大于发射孔径长度，从而实现较高分辨率的成像。
合成孔径雷达成像的核心技术是信号处理和图像重建。
信号处理主要包括多普勒补偿、距离校正、视角效应校正等步骤。
多普勒补偿用于消除目标回波信号因相对速度引起的频率偏移，距离校正用于纠正由于平台高度变化引起的距离偏差，视角效应校正用于补偿因角度变化所引起的干涉效应。
经过信号处理后，可以得到目标回波信号的相位信息和强度信息。
在图像重建中，采用了一种被称为反向合成孔径雷达（Inverse Synthetic Aperture Radar，简称ISAR）的技术。
ISAR通过将雷达回波信号变换到频域，然后应用逆变换恢复成时域信号，从而实现图像的重建。
ISAR技术主要依赖于高分辨率的目标运动，通过目标在回波信号中的频率调制提供有关目标的细节信息。
通过对多个回波信号进行叠加和相位编码，可以获得高分辨率的目标图像。
合成孔径雷达成像技术具有许多优点。
首先，它可以实现在任意天气条件下对地面目标进行成像，不受光线、云层等地气条件的影响。
其次，合成孔径雷达可以产生高分辨率的成像结果，对于目标进行细节分析和精确定位具有重要意义。
此外，合成孔径雷达还可以实现夜间成像和全天候监测，具有广泛的应用前景。
合成孔径雷达成像技术在军事领域有着重要的应用。
CapellaSpace公司推出合成孔径雷达图像自动分析工具
CapellaSpace公司推出合成孔径雷达图像自动分析工具
【据美国《航空周刊》网站2022年4月14日报道】Capella Space公司推出了新的软件，可以对其合成孔径雷达(SAR) 卫星捕获的图像进行自动分析。
Capella Space 公司发布的Capella Console软件是自动卫星任务web程序，能够自动检测卫星图像中的海上船只和地理区域的变化。
雷达卫星可以根据需要或按计划重复执行任务来拍摄区域图像。
Capella Console软件的船只探测工具使用人工智能(AI) 和机器学习算法，来检测筛选包含船只的海上图像，其变化检测工具允许用户创建一个自动监控任务，对某区域随时间的变化的情况进行对比分析。
本期责编：王妍
中国航空工业发展研究中心。
合成孔径雷达在舰船目标定位和成像技术的应用研究
合成孔径雷达的成像坐标可用下式表示：
{
X0=
1 2
x
c
o
sα
c
o
sθ
−
y
sinω
−
z
s
i
nθ，
Y0=x sinθ − y cosα。
其中，α为合成孔径雷达卫星的方位角，θ为合成孔径
雷达与水平面的夹角。
线性跳频信号是合成孔径雷达使用的数据传输方
式，采用线性跳频信号有助于提高雷达信号的强度，
关键词：合成孔径雷达；目标定位；成像技术；信号处理
中图分类号：U664.3 文献标识码：A
文章编号： 1672 – 7649(2019)1A – 0148 – 03
doi：10.3404/j.issn.1672 – 7649.2019.ቤተ መጻሕፍቲ ባይዱA.050
Application of synthetic aperture radar in ship target location and imaging technology
2）军事领域 由于合成孔径雷达具有全天候、高透射能力，可 以实现对目标船舶的精确识别和定位，因此，可以将 合成孔径雷达应用于维护国家海上领土的安全，对敌 方船只进行监控与预警。合成孔径雷达的遥感观测范 围广、数据时效强，利用高分辨率图像进行舰船的监 视和识别，获取敌方船只的航向及航速等重要军事情 报，有助于确保海上战场主动权。 本文系统介绍合成孔径雷达的原理，并针对舰船 目标的定位和成像技术进行研究。
Key words: synthetic aperture radar；target location；imaging technology；signal processing
合成孔径雷达成像(3篇)
第1篇一、合成孔径雷达成像原理合成孔径雷达成像原理基于雷达波与目标的相互作用。
当雷达发射一个脉冲信号，遇到目标后，目标会反射一部分雷达波，然后返回到雷达接收器。
雷达接收器将这些反射回来的信号进行检测，并根据信号的时间延迟和强度等信息，计算出目标的位置和特性。
1. 距离分辨率雷达系统的距离分辨率取决于雷达波的速度和脉冲宽度。
雷达波的速度在真空中约为光速，即3×10^8 m/s。
设雷达发射的脉冲宽度为T，则雷达系统的距离分辨率为：R = cT/2其中，R为距离分辨率，c为雷达波的速度，T为脉冲宽度。
2. 空间分辨率雷达系统的空间分辨率取决于雷达的等效孔径。
合成孔径雷达通过合成一个较大的等效孔径，从而提高空间分辨率。
等效孔径Ae与雷达系统的空间分辨率ρ的关系为：ρ = λ/(2Ae)其中，ρ为空间分辨率，λ为雷达波的波长，Ae为等效孔径。
3. 成像原理合成孔径雷达成像过程主要包括以下几个步骤：（1）雷达发射脉冲信号，信号传播到目标并反射回来。
（2）雷达接收器接收反射信号，并根据信号的时间延迟和强度等信息，计算出目标的位置。
（3）雷达根据目标的位置信息，生成一个空间分布图，即SAR图像。
二、合成孔径雷达系统组成合成孔径雷达系统主要由以下几个部分组成：1. 雷达发射机：产生雷达信号，并将其发射到目标。
2. 雷达天线：接收目标反射的雷达信号，并将信号传输到雷达接收器。
3. 雷达接收器：接收雷达天线传输的信号，并进行信号处理。
4. 数据处理单元：对雷达接收器接收到的信号进行处理，包括距离压缩、相位解缠、成像等。
5. 图像处理单元：对成像结果进行进一步处理，如增强、滤波、分类等。
三、合成孔径雷达成像算法合成孔径雷达成像算法主要包括以下几个步骤：1. 距离压缩：根据雷达信号的时间延迟，对信号进行压缩，提高距离分辨率。
2. 相位解缠：由于相位累积误差，雷达信号相位存在相位缠绕现象。
相位解缠可以消除相位缠绕，提高图像质量。
SAR图像海面舰船目标检测算法研究及应用
SAR图像海面舰船目标检测算法研究及应用摘要：针对合成孔径雷达（SAR）图像海面舰船目标检测的问题，本文基于分割和特征提取的方法，提出了一种新的算法，并对其在实际应用中的效果进行了测试和分析。
具体来说，本文利用了SAR图像的两种特点：高分辨率和多波束成像技术，通过分割算法将图像分为海面区域和舰船区域，并提取了不同区域的特征，以此进行目标检测。
实验结果表明，本文提出的算法可以有效地检测出SAR图像中的海面舰船目标，具有较高的准确率和召回率，在实际应用中具有广泛的应用前景。
关键词：SAR图像，海面舰船目标，目标检测，分割，特征提取正文：一、绪论合成孔径雷达（SAR）作为一种高分辨率、高精度的观测技术，已经广泛应用于海洋、地球物理、环境等领域。
在海洋领域中，SAR图像可以用于海面舰船目标的检测和识别，具有很高的实际应用价值。
然而，由于SAR图像具有一定的特殊性质，如图像混淆、噪声干扰等，对于海面舰船目标的检测仍然存在一定的挑战。
针对SAR图像海面舰船目标检测这一问题，目前已经有很多相关的研究。
其中一些研究主要基于图像的特征提取和分类方法，如纹理特征、形状特征、颜色特征等。
这些方法通常利用支持向量机、人工神经网络等分类器进行目标检测。
但是，这些方法在实际应用中存在一定的局限性，如分类器的训练数据难以获取等问题。
针对上述问题，本文基于分割和特征提取的方法，提出了一种新的SAR图像海面舰船目标检测算法。
本算法首先利用SAR图像的多波束成像技术将图像分为海面区域和舰船区域，然后利用不同区域的特征进行目标检测。
本文通过实验分析，验证了本算法的有效性和实用性。
二、SAR图像海面舰船目标检测算法2.1 SAR图像分割SAR图像分割是本文算法的关键步骤。
在SAR图像中，由于不同区域的反射率不同，会导致图像的强度变化，因此可以通过强度的不同来进行分割。
本文算法首先利用SAR图像的多波束成像技术，将图像分为两个不同的子图像：海面子图像和舰船子图像。
合成孔径雷达对舰船目标成像算法研...
南京航空航天大学硕士学位论文摘要合成孔径雷达（SAR）是现代雷达领域的一项重要技术，能够全天候、全天时、远距离地对目标进行高分辨成像，具有重要的民用和军用价值。
成像算法是SAR信号处理的核心，常用的合成孔径雷达成像算法主要适用于地面静止目标成像，而对舰船等运动目标成像时，由于目标的非合作性，会出现散焦、模糊和移位等问题。
本文以常用的SAR成像算法为基础，通过对现有算法做进一步完善和拓展，研究了SAR对舰船目标成像时遇到的问题。
论文第一章绪论，对几种经典的SAR成像模式进行了概述；介绍了本文的研究背景和主要工作，并分析了国内外各种SAR系统的发展和现状。
第二章针对大斜视成像模式下，存在严重的距离徙动和分辨率下降的问题，分析了线性距离－多普勒(LRD)算法，这是一种基于转台成像的算法，不仅计算量小、简单有效、实时性好、适合工程应用，而且能够在大斜视角条件下稳定聚焦，当成像区半径限制在一定范围内时可以满足图像分辨率的要求。
论文第三章提出一种能有效抑制运动目标图像散焦的办法——数字聚束技术。
它是通过数字信号处理的手段，以特定的目标参考点对雷达回波数据进行二次运动补偿处理，从而等效地将雷达波束中心“瞄准”目标所在区域，实现对任意感兴趣目标的“聚束”照射。
该技术不仅显著提高了运动目标成像质量，而且利用搜索最佳成像时对应的速度值能够间接地对目标径向运动速度进行估计，具有一定的实用价值。
仿真结果证明了该算法的有效性。
对目标进行定位是合成孔径雷达的一项重要功能。
在SAR对目标成像的过程中，由于惯性导航系统(INS)引入的未知误差，会对机载SAR定位精度产生一定影响。
论文第四章首先建立了载机与目标区域的相对位置坐标系及SAR目标定位几何模型，然后分析了惯导系统引入的误差对定位精度的影响，推导了定位误差的数学表达式，及绝对位置与相对位置的参数传递关系，为SAR系统定位精度指标设计提供了理论基础。
论文第五章结束语对全文的工作进行了总结，并指出了下一步需要继续研究的问题。
基于微波智能合成孔径雷达的目标识别
基于微波智能合成孔径雷达的目标识别随着科技的不断发展，雷达技术也在不断更新变革。
其中一个重要的领域就是基于微波智能合成孔径雷达的目标识别。
这种雷达技术通过在不同的角度上扫描目标，然后将数据进行合成，从而得到目标的高清图像。
这种技术被广泛应用于军事、民用等领域，取得了很大的成功。
一、微波智能合成孔径雷达的基本原理微波智能合成孔径雷达是一种能够在不同的角度上扫描目标，然后将数据进行合成得到高清图像的雷达技术。
这种技术主要是基于合成孔径雷达（SAR）技术的改进。
SAR技术通常是通过从不同的角度获得雷达反射信号，然后将这些信号合成成一个高清图像。
而在微波智能合成孔径雷达技术中，会使用一些智能算法对数据进行分析和处理，从而改善合成孔径雷达技术的性能。
二、微波智能合成孔径雷达的优势微波智能合成孔径雷达被广泛应用于军事和民用等领域。
它的主要优势在于：1.高度的精度和分辨率：微波智能合成孔径雷达可以在不同的天气条件下获得高分辨率和高精度的目标图像。
2.目标跟踪：通过微波智能合成孔径雷达技术，可以跟踪移动目标并确定它们的位置，从而提高目标定位的准确性。
3.多波束雷达：微波智能合成孔径雷达技术还可以使用多波束雷达，从而可以同时获得多个方向的目标图像，进一步提高目标定位的准确性。
4.无损测试：微波智能合成孔径雷达技术可以通过非接触式测试来检测目标中潜在的缺陷，进一步提高了目标检测和定位的准确性。
三、微波智能合成孔径雷达的应用微波智能合成孔径雷达技术已被广泛应用于军事、民用、航空、航天等多个领域。
以下是一些应用领域的示例：1.军事应用：微波智能合成孔径雷达技术在军事领域被用于侦查、监视和导航等。
2.地质勘探：微波智能合成孔径雷达技术可以用于探测地下矿藏和油气田等，可以提高勘探的准确性。
3.天文学：微波智能合成孔径雷达技术也可以用于天文领域，用于观察宇宙中的星系和黑洞等。
4.飞行安全：微波智能合成孔径雷达技术可以用于飞行安全，可以为飞机提供导航和避免碰撞功能。
光学遥感图像海面船舶目标检测技术进展
为快速准确地搜索提取光学遥感图像船舶 目 标 ，当 前 研 究 方 法 通 常 采 用 由 粗 到 精 的 目 标 检 测 策 略 。 如 图 1 所 示 ，常 见 的 船 舶 检 测 流 程 主 要 包括以下步骤：（1）输入图像 ；（2）海陆分割，从图 像 中 去 除 陆 地 区 域 ，保 留 海 域 部 分 ；（3）干 扰 移 除 ，消 除 或 减 轻 环 境 影 响 ；（4）船 舶 候 选 区 域 提 取 ，获 得 潜 在 船 舶 目 标 区 域 ，是 整 个 检 测 流 程 中 最重要的部分 ；（5）目标鉴别，根据候选目标的特
收 稿 日 期 ：2 02 0 -08-2 5；修 订 日 期 ：2 0 2 0 -1 0-1 7. 基金项目：国家自然科学基金资助项目（No. 61905240）
第4期
徐 芳，等：光学遥感图像海面船舶目标检测技术进展
917
for good performance and robustness of the algorithm in practical applications，some crucial problems that need to be solved are proposed. The development trend of future research on vessel detection using optical remote sensing images is discussed. Key words：remote sensing image；image processing；vessel detection；candidate region extraction；im ⁃
Research progress on vessel detection using
基于速度合成孔径雷达的海面舰船动目标成像方法
０ 引 言
海洋舰船目标成像在对海监视和安全防御方面具有重 要的意义，尤其是对海面上运动的舰船进 行 快 速 精 细 成 像， 在军事防御和民 用 应 用 领 域 越 来 越 占 据 主 要 的 部 分。目 前，海面舰船目标成像广 泛 地 采 用 合 成 孔 径 雷 达 （ｓｙｎｔｈｅｔｉｃ
ＺＨＡＮＧ ＬБайду номын сангаасｎ，ＪＩＡＮＧ Ｙｉｃｈｅｎｇ
（犛犮犺狅狅犾狅犳 犈犾犲犮狋狉狅狀犻犮狊犪狀犱犐狀犳狅狉犿犪狋犻狅狀犈狀犵犻狀犲犲狉犻狀犵，犎犪狉犫犻狀犐狀狊狋犻狋狌狋犲狅犳 犜犲犮犺狀狅犾狅犵狔，犎犪狉犫犻狀１５０００１，犆犺犻狀犪）
犃犫狊狋狉犪犮狋：Ｓｕｒｆａｃｅｓｈｉｐｉｍａｇｉｎｇｔｅｃｈｎｏｌｏｇｙｉｓｗｉｄｅｌｙｕｓｅｄｉｎ ｍｉｌｉｔａｒｙａｎｄｃｉｖｉｌｉａｎａｐｐｌｉｃａｔｉｏｎｓ．Ｔｏｒｅｓｏｌｖｅ ｔｈｅｐｒｏｂｌｅｍｏｆｉｍａｇｉｎｇｔａｒｇｅｔｐｏｓｉｔｉｏｎｉｎｇｂｌｕｒｏｎｓｅａｓｕｒｆａｃｅ，ｔｈｉｓｐａｐｅｒｐｒｏｐｏｓｅｓａｍｅｔｈｏｄｆｏｒｅｓｔｉｍａｔｉｎｇｔｈｅ ｖｅｌｏｃｉｔｙｏｆｔｈｅｍｏｖｉｎｇｔａｒｇｅｔｕｓｉｎｇｖｅｌｏｃｉｔｙｓｙｎｔｈｅｔｉｃａｐｅｒｔｕｒｅｒａｄａｒ （ＶＳＡＲ）．Ｆｉｒｓｔｌｙ，ｔｈｉｓｐａｐｅｒａｎａｌｙｚｅｓｔｈｅ ｉｍａｇｉｎｇｍｅｃｈａｎｉｓｍａｎｄｃｏｎｓｔｒａｉｎｔｓｏｆｔｈｅＶＳＡＲ ｍｅｔｈｏｄ，ａｎｄｅｓｔａｂｌｉｓｈｅｓａｎｉｍａｇｉｎｇ ｍｏｄｅｌｂａｓｅｄｏｎｐｈａｓｅｄ ａｒｒａｙｒａｄａｒｆｏｒｓｕｒｆａｃｅｓｈｉｐｓ．Ｔｈｅｎ，ｔｈｅｒａｔｅｆｒｅｑｕｅｎｃｙｅｓｔｉｍａｔｉｏｎｍｅｔｈｏｄｏｆｔｈｅｍｕｌｔｉａｎｔｅｎｎａｉｍａｇｅｄｏｍａｉｎｉｓ ｕｓｅｄｔｏｃｏｒｒｅｃｔｔｈｅａｚｉｍｕｔｈｏｆｆｓｅｔ，ａｎｄｔｈｅｉｍａｇｅｍｏｉｓｔｕｒｅａｌｇｏｒｉｔｈｍｉｓｕｓｅｄｔｏｃｏｍｐｌｅｔｅｔｈｅａｄａｐｔｉｖｅｆｏｃｕｓｉｎｇｏｆ ｔｈｅｔａｒｇｅｔｉｍａｇｅ．Ｆｉｎａｌｌｙ，ｔｈｉｓ ｍｅｔｈｏｄｉｓｕｓｅｄｔｏｓｉｍｕｌａｔｅｔｈｅ ｍｏｖｉｎｇｓｈｉｐｏｎｔｈｅｓｅａ．Ｔｈｅｓｉｍｕｌａｔｉｏｎｒｅｓｕｌｔｓ ｓｈｏｗｔｈａｔＶＳＡＲｃａｎｉｄｅｎｔｉｆｙｔｈｅｔｙｐｅｏｆｔａｒｇｅｔａｎｄｊｕｄｇｅｔｈｅｍｏｖｉｎｇｔｒｅｎｄａｎｄｔｒａｊｅｃｔｏｒｙｏｆｔｈｅｍｏｖｉｎｇｔａｒｇｅｔ ｗｈｅｎｄｅａｌｉｎｇｗｉｔｈｔｈｅｓｉｍｕｌｔａｎｅｏｕｓｅｘｉｓｔｅｎｃｅｏｆｓｔａｔｉｃａｎｄｄｙｎａｍｉｃｔａｒｇｅｔｓｏｎｔｈｅｓｅａｓｕｒｆａｃｅｉｎｌａｒｇｅｓｅａａｒｅａｓ． ＣｏｍｐａｒｅｄｗｉｔｈｔｈｅｔｒａｄｉｔｉｏｎａｌｓｉｎｇｌｅｃｈａｎｎｅｌＳＡＲ ａｎｄｔｈｅａｌｏｎｇｔｒａｃｋｉｎｔｅｒｆｅｒｏｍｅｔｅｒａｌｇｏｒｉｔｈｍ，ｔｈｅｒａｔｅ ｆｒｅｑｕｅｎｃｙｅｓｔｉｍａｔｉｏｎａｌｇｏｒｉｔｈｍｓｏｌｖｅｓｔｈｅｓｈｏｒｔｃｏｍｉｎｇｓｏｆｔｈｅａｚｉｍｕｔｈｐｏｓｉｔｉｏｎｉｎｇａｃｃｕｒａｃｙ，ａｎｄｉｍｐｒｏｖｅｓｔｈｅ ｐｏｓｉｔｉｏｎｉｎｇｐｅｒｆｏｒｍａｎｃｅｏｆｔｈｅｍｏｖｉｎｇｓｈｉｐｕｎｄｅｒｌａｒｇｅａｒｅａｓｅａｃｏｎｄｉｔｉｏｎｓ，ａｎｄｈａｓｇｏｏｄａｐｐｌｉｃａｔｉｏｎｐｒｏｓｐｅｃｔｓ．
高分辨率合成孔径雷达图像舰船检测方法
2003年第17卷第1期测试技术学报V ol.17 N o.1 2003(总第43期)JOURNAL OF TEST AND MEASUREMENT TECHNOLOGY (Sum N o .43)文章编号:1671-7449(2003)01-0015-04高分辨率合成孔径雷达图像舰船检测方法种劲松,朱敏慧(中国科学院电子学研究所微波成像技术国家重点实验室,北京100080)摘 要: 寻找针对高分辨率SA R 图像的舰船目标检测算法.利用K SW 双阈值分割技术,其效果比传统检测方法好,有利于进一步的目标分类和识别.且必须根据SAR 图像分辨率来选择舰船检测算法.关键词: 目标检测;图像分割;合成孔径雷达中图分类号: T N 957.51 文献标识码:A利用合成孔径雷达(SAR )图像进行舰船检测在海洋遥感科学家中得到高度重视,已经成为SAR 数据重要的海洋应用之一.在SAR 图像舰船检测方面的研究很多,大多数是使用恒虚警(CFAR)算法[1～4]针对中低分辨率(25m 以上)的SAR 图像进行的.CFAR 算法是对于给定的虚警概率,根据背景杂波的分布来给出分割阈值.这种方法属于单阈值图像分割,对于中低分辨率图像较适用.由于SAR 图像逐渐发展到高分辨率,对于舰船目标的研究除了目标检测外,还必须考虑到检测方法是否有利于目标参数提取,从而有利于后续的目标分类和识别.在实际应用中发现,如果将CFAR 算法运用到RADARSAT 精细模式高分辨率图像(分辨率约为8m ),舰船目标的参数提取将很难进行.本文的研究目的是寻找针对高分辨率SAR 图像的舰船目标检测算法,为此需要先分析高分辨率SAR 图像上舰船目标的特点.1 舰船目标在高分辨率SA R 图像上的特点在中低分辨率的SAR 图像中,舰船目标是一个、几个或几十个象素组成的强目标,此时对舰船目标的检测问题是典型的点目标检测问题.而在高分辨率的SAR 图像中,舰船目标是具有一定尺寸和一定细节的硬目标,其象素数可达到几百个左右.真实舰船的首部、中部和尾部的结构是不同的,因此同一舰船的不同部位在高分辨率SA R 图像上必然呈现出不同的灰度,即整个舰船目标的亮度分布是不均匀的.图像中舰船目标由两类点组成.亮度图1 RADARSAT 精细模式舰船图像及其三维细节Fig .1 S hip image of RADARSAT fine m od e and the details比较高的点是角反射或点反射(由舰船的上层建筑、舰桥、桅杆等引起)的结果,亮度稍低的点是漫反射的结果(由甲板等引起).亮度高的点组成强峰,亮度较低的点组成弱峰.强峰和弱峰的分布可以作为目标特征用于目标分类识别.图1示出Radarsat精细模式图像中的舰船目 收稿日期:2002-07-01 作者简介:种劲松(1969-),女,副研究员,博士,主要从事合成孔径雷达图像处理与解译的研究.标及其三维细节显示,中央的图像为SA R 图像,它的左右两张图对应其中两只舰船的三维细节显示,可以看出舰船目标强峰和弱峰的分布十分明显.由于SAR 成像机制,在实际目标的两边容易形成小的“拖影”,也称为光点旁瓣或条纹,通常只有在特强目标两边才会出现[5].如果“拖影”在距离向和方位向上都存在,则形成图像上的“十字叉”.图2中的4个舰船目标分别选自两景不同地区RADARSAT 精细模式图像.仔细观察这些舰船目标图像,可以发现,某些舰船产生的旁瓣形成强的“十字叉”,如图2(a);某些舰船上强反射点致使“拖影”从船身伸出,如图2(b),2(c);某些货船伸出的起重架在SAR 图像上也是清晰可见的,如图2(d).图2 高分辨率舰船SAR 图像Fig .2 SAR images of high resolution s hip综上,舰船目标在高分辨率SAR 图像上具有这些特点: 亮度分布不均匀,具有强峰和弱峰分布; 具有SAR 图像强目标的特点,即存在“拖影”或“十字叉”; 目标细节清楚,如可见货船的起重架.正是由于这些特点的存在,使得传统的CFAR 算法对于高分辨率图像不适用,需要寻找其它方法.2 K SW 双阈值方法1985年Kapur ,Sahoo 和Wong 提出一种最佳熵自动门限法[6],在此简称KSW 方法.它将信息论中Shannon 熵概念用于图像分割,测量图像灰度直方图的熵,由此找出最佳阈值,其出发点是使图像中目标与背景分布的信息量最大.根据Shannon 熵的概念,对于灰度范围{1,2,…,n }的图像直方图,其熵测量为H T =- n i =1p i ln p i ,式中:p i 为第i 个灰度出现的概率.设阈值t 将图像划分为目标与背景两类,则令P t = t i =1p i ,H t =- t i =1p i ln p i .由阈值t 分为A ,B 两类后,两类的概率分布分别为p 1P t ,p 2P t ,…,p t P t ;p t +11-P t ,p t +21-P t ,…,p n 1-P t ,与每个分布有关的熵分别为H A (t )和H B (t )H A (t )=- t i =0p i P t ln p i P t =ln P t +H t P t,H B (t )=- n i =t +1p i 1-P t ln p i 1-P t =ln(1-P t )+H T -H t 1-P t ,图像的总熵H (t )为H A (t )和H B (t )之和,即H (t )=ln P t (1-P t )+H t P t +H T -H t 1-P t ,最佳阈值t *为使总熵取最大值,即t *=Arg max 0 t l -1H (t ). KSW 方法可以用于双阈值分割,即将图像分为三类,对于两个分割阈值S 1和S 2(S 1<S 2)有H (S 1,S 2)=ln( S 1i =1p i )+ln( S 2i =S 1+1p i )+ln( n i =S 2+1p i )- S1i =1p i ln p i S 1i =1p i - S2i =S 1+1p i ln p i S 2i =S 1+1p i - n i =S 2+1p i ln p i ni =S 2+1p i ,16测试技术学报2003年第1期则最佳阈值S *1,S *2为使总熵取最大值,即S *1,S *2=Arg M ax 0 S 1<S 2 l -1H (S 1,S 2).KSW 方法用于双阈值分割时,本文称为KSW 双阈值方法.3 实验结果及分析实验对象为图2中的舰船目标,分别采用CFAR 算法及经过预处理后采用KSW 双阈值算法.3.1 预处理从中低分辨率SAR 图像中提取舰船目标时,一般预先不对SAR 图像做相干斑滤波.这主要是考虑到在低分辨率下,舰船目标一般为单点目标或者少数几个点,进行相干斑滤波可能会使得某些舰船目标被当作噪声点过滤掉或抑制某些舰船的回波强度.对于高分辨率图像,舰船目标面积较大,可以进行相干斑滤波处理,一方面可以滤除相干斑噪声,另一方面也对图像进行平滑,平滑后的图像再进行分割,可以使目标分割后具有连通性.因此,我们考虑对高分辨率SAR 图像先进行滤波平滑,然后运用KSW 熵法进行分割.候选的相干斑滤波器有Lee 滤波[7]、Kuan 滤波[8]、增强Lee 滤波[9]、Gamma Map 滤波[10],滤波器窗口大小从3×3～9×9.选用滤波器有二个规则: 对滤波后的舰船图像进行图像分割时,舰船保持连通; 滤波后舰船图像的强峰和弱峰分布不改变.基于这两个方面的考虑,经过实验确定,选用5×5窗口的Lee 滤波器最佳.3.2 实验结果对比采用CFAR 算法结果如图3所示.使用Lee 滤波后舰船目标再进行KSW 双阈值分割的结果如图4所示.其中背景为黑色,舰船被分割为两个区域,“十字叉”、“旁瓣”、起重臂以及弱峰点均为灰色,强峰点为白色.图3 CFAR 检测结果Fig .3 Detection results ofCFAR图4 KSW 双阈值分割检测结果Fig .4 Detection resu lts of KSW doub le thresholds segmen tation3.3 结果分析由于舰船目标亮度在高分辨率SAR 图像上的不均匀性,如果简单地对图像进行单阈值CFAR 分割,则同一舰船上反射较弱的部位可能会被当作背景成为黑色,即可能出现目标被分割成不连通的情况,如图3(b ),3(d ).另一方面,舰船上强反射点产生的“旁瓣”、“十字叉”以及货船伸出的起重架均被划分为舰船目标的一部分,这将影响到对于舰船进行形状分析(如提取船长和长宽比).17(总第43期)高分辨率合成孔径雷达图像舰船检测方法(种劲松等)18测试技术学报2003年第1期可以总结出单阈值分割算法对高分辨率舰船图像存在的缺陷为: 舰船不连通; 无法体现舰船的强峰与弱峰的分布;不能区分舰船的“旁瓣”和“十字叉”;!货船伸出的起重架,将使舰船形状分析遇到困难.而使用KSW双阈值分割算法后,可以克服以上缺陷,“十字叉”、“旁瓣”、起重臂以及弱峰点被分为一类(即图中灰色部分),高峰点被分为一类(即图中白色部分),两类之间是连通的.这样,使得后续的形状分析和特征提取算法可以进行.4 结 论在合成孔径雷达图像上,必须根据SAR图像分辨率来选择舰船检测算法.SAR图像上的舰船目标,对于中低分辨率SAR图像而言,是目标检测问题;对于高分辨率SAR图像而言,是目标分割问题.本文对于RADARSAT精细模式图像选定KSW双阈值方法,为进一步的目标参数提取和目标分类识别奠定了基础.参考文献:[1] Eldhuset K nut.A n Auto matic Ship and Ship W ake D et ect ion System fo r Spa cebo rne SAR I mages in Co astal R egio ns[J].IEEE trans.o n Geo science and r emo te sensing,1996,34(4):1010-1019.[2] K outi N,Shepher d I,Schwar tz G,et al.Inter gr ating spacebo rne SA R Imag ery int o Oper atio nal Systems fo rF isheries M onito r ing[J].Canadian Jo urnal of Rem ote Sensing,2001,27(5):291-305.[3] W ackerman C C,F riedman K S,Pichel W G,et al.A utom atic Ship Detectio n o f Ships in RA DA RSA T SA R Imager y[J].Canadian Journal of R emote Sensing,2001,27(5):371-378.[4] Cassent David,Su W ei,T ur aga D eepak.SA R Ship Detection U sing N ew Co nditional Co ntrast Box Filter[A].SPI ECo nfer ence o n Alg or ithms for Synthetic Aper ture Radar Imag ery VI[C].Flo rida:SP IE,1999.274-284.[5] 舒士畏,赵立平.雷达图像及其应用[M].北京:中国铁道出版社,1988.117-118.[6] Kapur J N,Sa ho o P K,Wo ng A K C.A N ew M etho d of Gr ay-lev el Pict ur e T hresholding U sing the Ent ro py o f t heHist og ram[J].Co mputer V isio n,Gr aphics,and I mage P ro cessing,1985,29(2):273-285.[7] Lee J S.Speckle Suppr ession and A na ly sis fo r Synthetic A pertur e R ada r[J].Optica l Engineer ing,1986,25(5):636-643.[8] K uan D T.Adaptiv e noise smoo thing filter fo r imag es w ith signal-dependent noise[J].IEEE T r ans.P atter nA naly sis a nd M achine Intelligence,1985,7(2):165-177.[9] L opes A,T ouzi R,N ezr y R.Adaptiv e speckle filters and scene heter og eneity[J].I EEE T rans.Geo science andRemo te Sensing,1990,28(6):1010-1019.[10] Lo pes A,T ouzi R,N ezr y E,et al.M ax imum a po sterior i filtering and fir st o rder tex ture models in SA R imag es[A].Ronnie M ills.IG AR SS1990.T he Instit ut e of Electr ical and Electro nics Eng ineers IN C[C].N ew Y o rk:1990.2409-2412.Ship Detection Method of High-resolution SAR ImageryCHONG Jin-so ng,ZHU Min-hui(1.N ational Key L abo r ator y o f M icr ow ave I maging T echnolog y,Beijing100080,China;2.I nstitute of Electro nics,Chinese A cademy o f Sciences,Beijing100080,China)Abstract: In or der to find ship targ et detection algorithm for hig h-resolutio n SAR im ag ery,KSW double threshold segm entatio n method is applied to high r esolutio n SAR imag er y todetect ship.T he ex perimental results show that this method is better than the traditio nalmethod.T he selection of ship detection alg orithm must be based o n the r esolutio n of SARimag ery.Key words:targ et detection;im age seg mentation;synthetic aper ture r adar。
合成孔径雷达舰船目标成像若干问题研究的开题报告
合成孔径雷达舰船目标成像若干问题研究的开题报告一、选题的背景和意义合成孔径雷达（SAR）是一种利用雷达技术进行舰船目标成像的高解析度成像技术，具有分辨率高、信息量大、天气、夜间、昼夜无间的优点。
随着合成孔径雷达在舰船目标成像领域的越来越广泛的应用，同时也暴露出许多问题，如：1.目标形态的差异，复杂形状目标的成像效果不佳2.目标后向散射的差异，强后向散射和弱后向散射目标的成像效果不同3.目标的长时间跟踪问题，尤其针对持续运动的目标4.目标纹理的变化问题，例如船体表面油漆的老化或者变化导致的成像质量问题5.相位误差、电子啁啾等问题，导致图像失真或者噪声过大因此，对于这些问题的研究和解决，对于提高舰船目标成像的质量和应用具有非常重要的意义。
二、研究的内容和方法本文基于以上的目标，重点研究以下几个问题：1.针对复杂形状目标的成像问题，采用改进的SAR成像算法，提高舰船目标的成像精度。
2.针对不同后向散射的目标成像问题，采用多极化SAR技术和改进的后向散射模型，解决后向散射问题，提高目标的成像质量。
3.针对长时间跟踪问题，采用基于SAR影像的目标跟踪方法，提高舰船目标的跟踪精度和实时性。
4.针对目标纹理的变化问题，采用非局部去噪方法，预测舰船表面的纹理变化，提高舰船目标的成像质量。
5.针对相位误差、电子啁啾等问题，采用合成孔径雷达扫描模式设计和信号处理技术，提高图像的清晰度和稳定性。
三、预期的研究成果1.基于SAR的成像算法改进，提高舰船目标的成像精度。
2.基于多极化SAR技术采用改进后向散射模型，提高目标的成像质量。
3.设计基于SAR影像的目标跟踪方法，提高舰船目标的跟踪精度和实时性。
4.采用非局部去噪方法解决目标纹理变化问题，提高舰船目标的成像质量。
5.采用合成孔径雷达扫描模式设计和信号处理技术，提高图像的清晰度和稳定性。
预计可以提高合成孔径雷达成像技术在舰船目标上的应用，进一步提高成像质量和实时性，为国防建设和海上安全保卫作出贡献。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
合成孔徑雷達影像之海面船舶目標辨識
張逸中
致遠管理學院網路通訊學系
摘 要
在海域的合成孔徑雷達(Synthetic Aperture Radar, 簡稱SAR)影像中，各式船舶因為凸出海面可以產生正像的反射訊號，通常呈現為明顯的亮點不難辨識；但以影像的解析度與船舶大小而言，數十公尺的船舶只佔有數個像素，要在百公里尺度，數千像素點長寬之衛星影像中一一檢視紀錄並不容易。
本文以影像辨識之技術自行製作船舶目標辨識程式，可讀入ENVISAT衛星原始影像資料，根據其亮度與幾何分佈特徵，辨識可能的船舶目標。
除了可在數秒內快速分析與記錄所有目標的位置與亮度資訊，並有全圖目標檢視畫面，與目標點局部放大顯示等功能，對於SAR影像之應用提供了一個新的方式與有效的工具。
參考書目
1.ENVISAT網站, http://envisat.esa.int/
2.國立中央大學太空及遙測中心
.tw/chin.ver/c5query/c_ers.php
3.SAR Image Processing Service Site in National Central University,
.tw/sar/99SARINTRO/sld007.htm
4.Yet-Chung Chang, Alessandro Frigeri, 2002, Implementing the automatic
extraction of ridge and valley axes using the PPA algorithm in Grass GIS, Open Source Free Software GIS GRASS users conference 2002
5.Yet-Chung Chang, Gaurav Sinha, 2006, A Visual Basic program for ridge axis
picking on DEM data using the Profile-Recognition and Polygon-Breaking
Algorithm, Computers & Geosciences, Computers & Geosciences, vol.33, no.2, p.229-237
6.Choy, S.S.O., Choy, C.S-T., Siu, W-C., 1995. New single-pass algorithm for
parallel thinning. Computer Vision and Image Understanding 62 (1), 69–77.
圖一、包含船舶目標之ENVISAT ASAR影像
圖二、船舶目標辨識結果
圖三、圖二中標示紅色圓圈之船舶目標週遭的最佳化影像
圖二目標辨識之數值資訊輸出：
Targets: (X, Y, Brightness)
01: 1125, 0008, 13648
02: 4294, 0053, 9354
03: 4403, 0053, 8798
04: 4294, 0055, 11626
05: 4293, 0057, 10034
06: 4457, 0155, 10478
07: 0747, 0269, 8856
08: 5036, 0622, 17414
09: 3312, 0972, 14472
10: 3312, 0975, 10642
11: 5502, 1748, 14912
12: 2305, 1847, 19202
13: 3305, 2626, 12426
14: 4682, 3023, 9580
15: 5438, 3286, 9768 16: 4279, 4263, 8812 17: 2265, 4499, 15394 18: 5477, 4991, 9142 19: 5505, 5020, 10420 20: 5514, 5040, 9114 21: 5337, 5047, 10554 22: 5529, 5065, 9378 23: 5439, 5075, 9546 24: 5475, 5078, 8966 25: 5523, 5085, 8988 26: 5525, 5087, 9202 27: 5495, 5160, 9600 28: 5550, 5170, 9508 29: 5535, 5189, 9464 30: 5532, 5194, 10434 31: 5529, 5199, 9144 32: 5528, 5201, 10306 33: 5482, 5207, 11278 34: 5403, 5243, 10138 35: 5473, 5250, 9220 36: 5402, 5294, 10448 37: 5471, 5294, 8884 38: 5237, 5329, 9144 39: 5238, 5333, 12786 40: 5497, 5358, 9014 41: 5511, 5381, 9654。