高分辨率合成孔径雷达图像舰船检测方法

合集下载

合成孔径雷达成像 识别海面船舶目标(转载)

合成孔径雷达成像 识别海面船舶目标(转载)

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.php3.SAR Image Processing Service Site in National Central University,.tw/sar/99SARINTRO/sld007.htm4.Yet-Chung Chang, Alessandro Frigeri, 2002, Implementing the automaticextraction of ridge and valley axes using the PPA algorithm in Grass GIS, Open Source Free Software GIS GRASS users conference 20025.Yet-Chung Chang, Gaurav Sinha, 2006, A Visual Basic program for ridge axispicking on DEM data using the Profile-Recognition and Polygon-BreakingAlgorithm, Computers & Geosciences, Computers & Geosciences, vol.33, no.2, p.229-2376.Choy, S.S.O., Choy, C.S-T., Siu, W-C., 1995. New single-pass algorithm forparallel 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, 1364802: 4294, 0053, 935403: 4403, 0053, 879804: 4294, 0055, 1162605: 4293, 0057, 1003406: 4457, 0155, 1047807: 0747, 0269, 885608: 5036, 0622, 1741409: 3312, 0972, 1447210: 3312, 0975, 1064211: 5502, 1748, 1491212: 2305, 1847, 1920213: 3305, 2626, 1242614: 4682, 3023, 958015: 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。

基于改进YOLOv7的SAR图像舰船目标检测方法

基于改进YOLOv7的SAR图像舰船目标检测方法

基于改进YOLOv7的SAR图像舰船目标检测方法在现代科技的海洋中,人工智能犹如一艘破浪前行的巨轮,其上的雷达——合成孔径雷达(SAR)技术,则是这艘巨轮上不可或缺的导航系统。

SAR图像以其独特的成像机制和全天候、全天时的观测能力,成为了海洋监控与舰船目标检测的重要工具。

然而,传统的SAR图像舰船目标检测方法往往受限于算法效率和准确性的双重挑战,如同航海者在茫茫大海中寻找灯塔,既需要精准的指引,又需避免误入歧途。

在这样的背景下,基于深度学习的YOLOv7算法应运而生,它如同一位经验丰富的船长,凭借其快速、准确的目标检测能力,在SAR图像舰船目标检测的海域中乘风破浪。

然而,即便是这位“船长”,也面临着复杂海况的考验——SAR图像中的噪声干扰、舰船目标的多样性以及不同尺度下的目标检测问题,都如同暗礁和风暴,威胁着航行的安全。

为了应对这些挑战,研究人员提出了一种基于改进YOLOv7的SAR图像舰船目标检测方法。

这种方法不仅保留了YOLOv7原有的速度优势,更在其基础上进行了针对性的优化。

首先,通过引入注意力机制,使得模型能够更加聚焦于舰船目标的特征,就如同为船长配备了一副能够穿透迷雾的望远镜,使其在复杂的海况中也能洞察目标的细节。

其次,针对SAR图像的特点,对YOLOv7的网络结构进行了调整,增强了模型对噪声的鲁棒性,就如同为船只加固了船体,使其在风浪中更加稳健。

最后,通过多尺度训练策略,提升了模型对不同尺度舰船目标的检测能力,就如同为船长提供了一张详尽的海图,使其能够从容应对各种规模的航行任务。

经过这样的改进后,基于改进YOLOv7的SAR图像舰船目标检测方法如同一艘升级后的探险船,不仅速度更快,而且更加坚固耐用。

在实验中,这种方法展现出了令人瞩目的性能提升:检测准确率显著提高,同时保持了较快的检测速度,充分证明了其在实际应用中的潜力。

然而,尽管取得了显著的进步,我们仍需警惕潜在的风险。

深度学习模型的训练需要大量的数据支持,而SAR图像的获取成本较高,数据的稀缺性可能会成为制约模型性能的瓶颈。

高分辨雷达舰船距离像估计和遮蔽小目标检测方法研究

高分辨雷达舰船距离像估计和遮蔽小目标检测方法研究

高分辨雷达舰船距离像估计和遮蔽小目标检测方法研究高分辨雷达舰船距离像估计和遮蔽小目标检测方法研究引言:高分辨雷达(High-Resolution Radar)作为一种重要的舰船探测和目标识别技术,在军事、民用等领域发挥着重要作用。

其中,舰船距离像估计和遮蔽小目标检测是高分辨雷达的关键问题之一。

本文将针对这一问题进行研究分析,并提出一种有效方法。

一、舰船距离像估计方法研究舰船距离估计是雷达目标检测和跟踪的基础。

传统方法通常采用脉冲信号处理技术,通过测量雷达回波的时间延迟来估计舰船距离。

然而,在高分辨雷达中,存在着脉冲重复频率对距离像估计的影响。

为了解决这一问题,可以采用频率调制连续波(Frequency Modulated Continuous Wave, FMCW)信号,通过测量回波的频率变化来估计舰船距离。

FMCW信号具有高距离分辨率、低功率要求等优点,因此被广泛应用于高分辨雷达系统。

二、遮蔽小目标检测方法研究由于复杂环境和目标自身特性,高分辨雷达中的小目标通常容易被大目标遮蔽,导致检测误差。

为了提高遮蔽小目标的检测效果,可以采用多雷达系统和信号处理技术相结合的方法。

多雷达系统可以增加目标的观测角度,减少遮蔽现象,提高检测的准确性。

同时,信号处理技术可以通过对回波数据进行滤波、去除杂散等处理,提高小目标的信噪比,减少误检。

三、方法研究与实验验证本文提出了一种基于多雷达系统和信号处理技术的舰船距离像估计和遮蔽小目标检测方法。

首先,多雷达系统根据不同的观测角度获取舰船目标的回波数据。

然后,通过数据融合和信号处理技术对回波数据进行滤波、去除杂散等处理,提高小目标的信噪比。

最后,利用估计的舰船距离、目标特性和海洋背景信息进行目标检测和识别。

为了验证上述方法的有效性,我们建立了一个仿真实验平台。

通过合成不同环境下的高分辨雷达回波数据,模拟舰船目标的距离和小目标的遮蔽情况。

实验结果表明,所提出的方法能够准确估计舰船距离,有效地检测和识别遮蔽小目标。

SAR图像舰船检测算法研究

SAR图像舰船检测算法研究

SAR图像舰船检测算法研究摘要合成孔径雷达(SAR)成像技术具有全天候、全天时、全方位、高分辨率等特点,被广泛应用于航天、军事、海事等领域。

在SAR图像中,船舶是一种重要的目标,其检测和识别对于海上交通管理、军事情报采集等具有重要意义。

本文基于SAR图像的特点,研究并提出一种有效的舰船检测算法。

首先,本文介绍了SAR成像原理和船舶检测的背景和意义。

然后,详细阐述了影响船舶检测的因素,包括海况、天气等环境因素,以及雷达的参数设置。

接着,介绍了常见的船舶检测算法,分析了它们的优缺点。

其中,本文重点阐述了基于极化特征的舰船检测算法和基于形态学分析的舰船检测算法。

最后,本文提出了一种新的舰船检测算法,即基于特征图的舰船检测算法。

该算法基于卷积神经网络(CNN),将SAR图像提取的高层特征图作为输入,通过特征图上的轮廓信息实现舰船的检测。

通过实验验证,该算法具有较高的检测精度和较快的运行速度,具有较好的实用性和应用前景。

关键词:SAR图像;舰船检测;极化特征;形态学分析;特征图;卷积神经网络。

AbstractSynthetic aperture radar (SAR) imaging technology has the characteristics of all-weather, all-time, all-round, and high resolution, and is widely used in aerospace, military, maritime and other fields. In SAR images, ships are important targets, and their detection and identification are significant for maritime traffic management, military intelligence collection, etc. Based on the characteristics of SAR images, this paper studies and proposes an effective ship detection algorithm.Firstly, this paper introduces the SAR imaging principle and the background and significance of ship detection. Then, the factors affecting ship detection are elaborated in detail, including environmental factors such as sea state and weather, and radar parameter settings. Next, common ship detection algorithms are introduced, and their advantages and disadvantages are analyzed. Among them, this paper focuses on the ship detection algorithms based on polarimetric features and morphological analysis.Finally, this paper proposes a new ship detection algorithm based on feature maps, namely the ship detection algorithm based on feature maps. The algorithm is based on convolutional neural networks (CNNs), and uses the high-level feature maps extractedfrom SAR images as input to achieve ship detection through the contour information on the feature maps. Experimental results show that the algorithm has high detection accuracy and fast running speed, and has good practicability and application prospects.Keywords: SAR image; ship detection; polarimetric feature; morphological analysis; feature map; convolutional neural networkShip detection in SAR images is an important research area in remote sensing. In recent years, several methods including polarimetric features, morphological analysis, and convolutional neural networks (CNNs) have been developed for ship detection in SAR images. Among these methods, CNNs have shown promising results due to their ability to automatically learn features from input data.The proposed ship detection algorithm in this study is based on CNNs and uses high-level feature maps extracted from SAR images as input. The algorithm aims to achieve ship detection through the contour information on the feature maps. The proposed algorithm consists of four main steps: preprocessing, feature extraction, ship detection, and post-processing.In the preprocessing step, the SAR image is preprocessed to remove speckle noise and enhance the contrast. In the feature extraction step, the polarimetric features are extracted from the preprocessed SAR image. In the ship detection step,the feature maps are generated using a CNN, and the ships are detected through the contour information on the feature maps. In the post-processing step, thefalse positives are removed using morphological analysis.Experimental results show that the proposed algorithm has high detection accuracy and fast running speed. The algorithm also has good practicability and application prospects due to the availability of SAR images and the increasing demand for maritime security. Therefore, the proposed algorithm can be used as an effective tool for ship detection in SAR imagesOne potential application of the proposed algorithm is in the field of maritime surveillance, which is becoming increasingly important due to the rise of piracy, smuggling, and illegal fishing activities in marine environments. SAR images have been widely used for ship detection due to their ability to penetrate through clouds, darkness, and other natural barriers.However, the automatic detection of ships in SAR images remains a challenging task due to various factors, such as low contrast, speckle noise, and complex background clutter.Currently, manual interpretation and analysis of SAR images are time-consuming and labor-intensive, which limits its effectiveness in real-time monitoring and decision-making. Therefore, developing an efficient and reliable ship detection algorithm for SAR images can greatly improve the efficiency and effectiveness of maritime security and surveillance.The proposed algorithm has several advantages compared to existing methods. First, it utilizes the advantages of both CFAR and CNN methods to achieve high detection accuracy and low false positive rates. Second, the use of transfer learning enables the algorithm to adapt to different SAR data sources and reduce training time and resources. Third, the post-processing step using morphological analysis effectively removes false detections and improves the overall detection performance.In addition, the proposed algorithm can also be extended to other applications, such as the detection of other marine structures, such as oil rigs, buoys,and lighthouses. It can also be used in other remote sensing domains, such as satellite images for land use mapping, wildfire monitoring, and disaster management.In conclusion, the proposed ship detection algorithm for SAR images shows great potential for improving maritime security and surveillance. Its high detection accuracy, fast running speed, and good practicability make it a valuable tool for automatic ship detectionin SAR images. Further research and development can focus on improving its robustness and generalizability to various SAR platforms and environmental factorsAdditionally, there are several challenges that need to be addressed in the future before the proposed algorithm can be widely applicable. One challenge is the development of a robust algorithm that can detect not only ships but also other objects such as buoys and oil rigs that may appear similar to ships in SAR images. Another challenge is the need to improve the algorithm's performance under different environmental conditions such as fog, rain, and sea clutter, which can significantly affect the quality of SAR images.Furthermore, the proposed algorithm can be extended to other applications such as environmental monitoring, land use mapping, wildfire monitoring, and disastermanagement. Specifically, the algorithm can be used to detect oil spills, track iceberg movements, and monitor coastal erosion. It can also be used to identify burnt areas in wildfire images and to detect buildings and infrastructure damage caused by natural disasters such as earthquakes and floods. These applications can benefit from the proposed algorithm's high detection accuracy and fast running speed, which can enable timely decision-making and response.Overall, the proposed ship detection algorithm for SAR images has shown great potential for improving maritime security and surveillance. Its applicability to other domains such as environmental monitoring, land use mapping, wildfire monitoring, and disaster management further highlights its value as a versatile and practical tool. With continued research and development, the algorithm can be further improved and adapted to various real-world applications, contributing to a safer and more sustainable worldIn conclusion, the ship detection algorithm for SAR images has proven to be an effective tool for enhancing maritime security and surveillance. However, its potential extends beyond this domain, with applications in environmental monitoring, land use mapping, wildfire monitoring, and disaster management.With ongoing research and development efforts, this algorithm can be further improved and customized to meet the needs of various real-world scenarios, ultimately contributing to a safer and more sustainable world。

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。

高分辨率合成孔径雷达图像舰船检测方法

高分辨率合成孔径雷达图像舰船检测方法

高分辨率合成孔径雷达图像舰船检测方法
种劲松;朱敏慧
【期刊名称】《测试技术学报》
【年(卷),期】2003(017)001
【摘要】寻找针对高分辨率 SAR 图像的舰船目标检测算法. 利用 KSW 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.
【总页数】4页(P15-18)
【作者】种劲松;朱敏慧
【作者单位】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;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【正文语种】中文
【中图分类】TN957.51
【相关文献】
1.一种新颖的高分辨率SAR舰船检测方法∗ [J], 龚小冬;李飞;张志敏;李宁;刘亚波;陈嘉琪;许致火
2.高分辨率遥感图像港内舰船的自动检测方法 [J], 隆刚;陈学俭
3.基于模糊C均值聚类的高分辨率合成孔径雷达图像舰船目标检测 [J], 张临杰;张晰;郎海涛
4.高分辨率合成孔径雷达图像解译系统 [J],
5.高分辨率合成孔径雷达图像舰船目标几何特征提取方法 [J], 熊伟;徐永力;崔亚奇;李岳峰
因版权原因,仅展示原文概要,查看原文内容请购买。

SAR图像舰船目标检测与分类方法研究

SAR图像舰船目标检测与分类方法研究

SAR图像舰船目标检测与分类方法研究SAR图像舰船目标检测与分类方法研究摘要:合成孔径雷达(Synthetic Aperture Radar, SAR)技术在海洋监测、军事侦察等领域具有重要的应用价值。

其中,SAR图像中的舰船目标检测与分类一直是研究的热点和难点。

本文针对这一问题展开研究,提出了一种基于深度学习的SAR图像舰船目标检测与分类方法,并进行实验验证。

关键词:SAR图像;舰船目标;目标检测与分类;深度学习1.引言合成孔径雷达技术利用雷达装置对航空器等运动物体发送射频波,通过接收回波并经过信号处理,可以形成高分辨率的雷达图像。

与光学图像和红外图像相比,SAR图像不受天气和光照条件的限制,适用于复杂环境下的目标检测和识别。

因此,SAR图像在军事、海洋监测等领域具有广阔的应用前景。

2.舰船目标的特征分析舰船目标在SAR图像中具有一些特定的特征。

首先,船体通常具有大而连续的背景散射,同时还存在尖峰回波和缺陷散射等现象。

其次,舰船目标具有各种各样的形状和大小,从大型军舰到小型渔船都可能出现在SAR图像中。

因此,基于这些特征进行舰船目标的检测与分类是一项具有挑战性的任务。

3.传统方法的不足传统的SAR图像舰船目标检测与分类方法通常基于阈值分割、纹理特征提取等手段。

然而,这些方法往往无法很好地处理舰船目标的各种特征,且对于目标的尺寸、形状变化较为敏感。

因此,需要采用更加灵活和有效的方法来解决这一问题。

4.基于深度学习的SAR图像舰船目标检测与分类方法深度学习是一种多层次、非线性的机器学习方法,具有较强的图像处理和模式识别能力。

本文提出了一种基于深度学习的SAR图像舰船目标检测与分类方法。

具体步骤如下:(1) 数据准备:收集一系列具有舰船目标的SAR图像,并进行人工标注得到目标的位置信息。

(2) 数据预处理:对SAR图像进行去噪、增强等预处理操作,以提升目标的可辨识性。

(3) 深度学习模型的构建:选择合适的深度学习模型,如卷积神经网络(Convolutional Neural Network, CNN),并根据标注的目标位置信息进行训练。

基于SAR图像的舰船目标检测方法研究

基于SAR图像的舰船目标检测方法研究

基于SAR图像的舰船目标检测方法研究基于SAR图像的舰船目标检测方法研究摘要:合成孔径雷达(Synthetic Aperture Radar, SAR)由于其在各种天气和光照条件下都能获取高分辨率的图像,被广泛应用于舰船目标检测领域。

本文通过对SAR图像的处理分析,研究SAR图像中舰船目标的检测方法。

1. 引言舰船目标检测在海上监视和安全领域具有重要意义。

传统的舰船目标检测方法受限于光学图像的天气和光照条件要求高,因此引入SAR图像成为一种有效的手段。

SAR图像通过合成孔径雷达技术获得,可以在白天、夜晚和恶劣天气下获取舰船目标的高分辨率图像,具有广阔的应用前景。

2. SAR图像的预处理在舰船目标检测之前,首先需要对SAR图像进行预处理。

预处理主要包括图像去噪、辐射校正和几何配准等步骤。

图像去噪可以提高图像的质量,辐射校正可消除SAR图像中的辐射畸变,几何配准可以纠正图像的几何畸变。

3. 目标检测方法3.1 基于阈值的检测方法基于阈值的舰船目标检测是最简单的方法之一。

它首先对SAR图像进行灰度变换,然后根据像素灰度值与设定的阈值进行比较,将超过阈值的像素判定为目标。

但由于阈值的选择需要根据具体情况进行调整,容易受到图像噪声的干扰,因此可靠性较低。

3.2 基于纹理的检测方法基于纹理的舰船目标检测可以通过分析图像的纹理特征来识别目标。

常见的纹理特征包括共生矩阵、方差和灰度共生矩阵等。

通过提取图像的纹理特征,并结合适当的分类器进行目标识别,可以提高检测的准确性。

3.3 基于形态学的检测方法基于形态学的舰船目标检测方法使用了数学形态学的理论和算法。

通过开闭运算、腐蚀膨胀等形态学操作,可以凸显目标的形状和边界信息,并将目标从背景中分离出来。

4. 目标检测结果评估为了评估舰船目标检测方法的准确性和性能,可以使用一些指标进行评估。

常见的指标包括精确率、召回率和F1得分等。

精确率表示检测出的目标中正确目标的比例,召回率表示正确目标被检测出的比例,F1得分是精确率和召回率的加权平均。

高分辨率合成孔径雷达图像舰船检测方法

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。

高分辨率遥感图像港内舰船的自动检测方法

高分辨率遥感图像港内舰船的自动检测方法

差别 比较明显 , 因此许 多基于 自适应 阈值 、 几何模 型等 的算 法均取得 了较好 的分割效 果。但是对 于停 靠于港 口码头 的 舰船 , 由于背景区域 不只是 自然背景 , 还有大量人 造 目标 , 尤 其是码头与停靠舰船灰度特征差别 不大 , 又都与港 口区域 的 海 面灰度特征对 比度明显 , 一般的 自动 阈值分 割将使码头与 舰船将被标记为同类 区域 。因此 , 口停靠舰船 的 自动提取 港
维普资讯
第2卷 第5 4 期
文章编号 :0 6— 38 20 ) 5— 18—0 10 9 4 (0 7 0 0 9 4



仿
真 自动检 测 方 法
隆刚 , 陈学俭
( 中国科学技术大学电子工程与信息科学系 , 安徽 合肥 2 02 ) 30 7 摘要 : 在高分辨率的光学遥感 图像 中, 口内停靠舰船的灰度 、 特征 与陆地接近 , 同行驶于海上的舰船相 比, 港 纹理 因此 是较难 实现 自动检测 的目标。考虑到港 口几何布局稳定的特点 , 提出了一套基于地理信息的舰船 目 标检测算法。该算法结合矢量 数据和栅格数据的优点 , 采用模板形式存储地理信息 , 并以 自动阈值法进行 目标的粗分割 , 充分利用先验信息和相关知识完 成并联 目 标的切割和断裂 目标的连接。通过仿真实验 , 明该算法 能准确 、 证 快速的实现港 内舰船的 自动检测 。 关键词 : 高分辨率遥感; 地理信息 ; 舰船检测
KE WOR S Hg —r o t nrm t sni ; egahci o a o ;h eet n Y D :i h e li o es g G o p i n r t n Si dt i s uo e e n r m i f p co

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

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。

  1. 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. 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. 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)。

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。

相关文档
最新文档