基于SAR图像的舰船目标检测算法的研究

摘要

近年来，合成孔径雷达成像技术与应用得到快速发展，在导航雷达存在探测盲区而且AIS不能提供非合作舰船信息的情况下，合成孔径雷达提供了另一舰船探测的重要途径，但复杂背景下的SAR图像目标检测问题一直未能得到很好的解决。本文以复杂背景下的SAR图像中舰船目标的检测算法为研究重点，给出一种解决方法，引入视觉注意机制，再结合Shearlet变换检测方法，实验结果证明取得了较好的检测效果。所做主要工作如下:
　　对复杂背景下的海杂波的统计分布特性展开研究。介绍了几种海杂波统计分布模型及其参数估计方法，对背景杂波进行分布拟合实验，并进行分析总结。
　　将视觉显著注意模型与CA-CFAR检测相结合，用于舰船目标的预筛选。选取SR视觉注意模型计算显著区域，生成显著图，在显著图上进行CFAR检测，得到初步筛选结果。研究了SR模型，分析SAR图像的平均对数幅度谱曲线，阐明了模型在SAR图像上应用的可行性。结合原图与显著图的灰度直方图，从原理上说明了经过显著区域计算之后，原图的杂波分布发生变化，海杂波强度集中分布到低强度值区域，引入评价杂波强度和不均匀程度即复杂度的指标均值和标准差。结果表明，显著图的杂波复杂度指标均值和标准差均大大降低。针对一次显著图未排除的杂波干扰，本文提出求取二次显著图，在二次显著图上进行CFAR检测，实验结果显示排除了杂波干扰。
　　针对因显著图带来的虚警现象，采用Shearlet变换检测算法来进行虚警判别。Shearlet变换检测方法在强杂波边缘容易出现虚警而且对图像大小有限制，而本文用其来进行虚警鉴别，使检测区域限制在CFAR检测结果的局部小区域内，并针对复杂背景情况给出改进方法。改进方法对系数依据阈值进行相应削弱或增强处理之后，在各方向上进行尺度间的相关操作，再进行方向上系数融合。通过对比度参数评价改进方法与前人方法，结果显示改进方法得到较大的对比度值。

目录

声明

摘要

第1章 绪论

1．1 课题研究背景及意义

1．2 国内外研究现状

1．3 课题主要研究内容

1．4 论文的组织结构

第2章 复杂背景下的杂波特性分析

2．1 引言

2．2 典型海杂波统计模型及参数估计

2．3．1 高斯分布的统计模型及参数估计

2．3．2 瑞利分布的统计模型及参数估计

2．3．3 对数正态分布的统计模型及参数估计

2．3．4 韦布尔分布的统计模型及参数估计

2．3．5 K分布的统计模型及参数估计

2．3 不同分布情况下海杂波的分布特性拟合实验

第3章 基于显著图的目标预筛选

3．1 引言

3．2 视觉注意机制及其计算模型

3．2．1 视觉注意机制

3．2．2 视觉注意计算模型

3．3 视觉注意机制在复杂海况下的可行性分析及显著区域计算

3．3．1 SR模型应用在SAR图像上的可行性分析

3．3．2 显著区域计算的优势分析

3．4 基于显著图的目标预筛选

3．4．1 CFAR算法原理及CFAR检测器

3．4．2 基于显著图的目标预筛选

3．4．3 二次显著图上的CFAR检测算法

3．5 实验结果

3．6 本章小结

第4章 基于shearlet变换的目标鉴别

4．1 引言

4．2．1 Shearlet变换基本原理

4．2．2 Shearlet的离散化

4．2．3 平移不变Shearlet变换

4．3 基于改进的Shearlet变换的虚警剔除

4．3．1 Shearlet分解

4．3．2 改进的Shearlet系数处理法

4．3．4 阈值分割

4．4 实验结果

4．4．1 目标检测性能评估指标

4．4．2 实验结果及分析

4．4．3 本文算法在复杂海况下的检测实验

4．4 本章小结

第5章 总结与展望

参考文献

致谢

作者简介