结合结构信息和统计特征的SAR图像目标检测

摘要

SAR(Synthetic Aperture Radar)图像目标检测作为SAR自动目标识别ATR(AutoTarget Recognition)系统的第一步，对ATR系统后续的目标鉴别、目标识别与目标分类等过程具有十分重要的影响。SAR图像目标检测在智能SAR图像处理与解译领域具有十分广阔的应用前景，其中，在地面军事侦察的应用中，SAR目标检测主要检测如桥梁、港口、车辆、船舶、建筑物等人工目标。Primal Sketch模型是对图像结构信息的一种稀疏表示，它以斑点和素描线段的形式刻画图像中存在的奇异信息，如点目标、线目标和目标的边缘等，NOBUYUKI OTSU提出的OTSU图像阈值化算法是对图像的灰度统计信息的描述，它通过最大化类间方差与类内方差的比值来选择合适的门限值以实现对图像的分割。本文结合Primal Sketch模型和OTSU图像阈值化算法，提出了一种结合结构信息和统计特征的SAR图像目标检测方法。本文的主要创新工作为：
　　论文首先在刘芳和宋建梅提出的基于规整性特征的区域标记提取算法的基础上，提取原SAR图像中对应的人工目标潜在区域，这些区域涵盖了图像中几乎全部的人工目标。但由于仅利用了Primal Sketch模型提取的图像结构信息，且由于对SAR目标灰度特征的利用不够充分，因此原算法还存在虚警率较高和人工目标定位不够准确的缺陷。针对这些缺陷，本文结合OTSU图像阈值化算法对这些人工目标潜在区域进行后处理，以灰度统计等方式对这些区域中的虚警目标予以剔除，并对人工目标进行定位，得到最终的目标检测结果。仿真实验结果表明，本文的目标检测算法可以实现对各种类型的人工目标的有效检测，且检测结果的虚警率较低，对人工目标定位也较为准确；
　　其次，论文对基于规整性特征的区域标记提取算法进行了深入分析与讨论，对导致算法虚警率过高和人工目标定位不够准确的原因进行了分析，在种子线段的选取、非递归生长策略的采用和生长规则的加入等几个方面提出了改进措施，即对种子线段设置规整度和规整比率阈值，区域生长过程采取以原始种子线段为基准的非递归策略，以及在区域生长过程中对加入目标区域的线段增加规整度要求等。仿真实验与原算法的对比结果验证了这些改进措施的有效性。

目录

文摘

英文文摘

第一章 绪论

1.1 合成孔径雷达概述

1.2 SAR 图像目标检测研究现状

1.3 本文主要内容

第二章 基于规整性特征的区域标记提取算法

2.1 Marr的计算机视觉理论

2.1.1 视觉是一种信息处理过程

2.1.2 视觉系统的三个表象层次

2.1.3 分析与讨论

2.2 Primal Sketch图像表示模型

2.2.1 Primal Sketch对图像结构与纹理的建模

2.2.2 视觉基元字典的构造

2.2.3 Primal Sketch模型对SAR图像结构信息的描述

2.3 基于规整性特征的区域标记提取算法

2.3.1 线段基元的特征描述

2.3.2 基于规整性特征的区域标记提取算法

2.3.3 仿真实验结果与分析

第三章 结合结构信息和统计特征的SAR图像目标检测算法

3.1 OTSU 图像阈值化算法

3.1.1 基于门限化技术的图像分割

3.1.2 OTSU 图像阈值化算法描述：两类的情况

3.1.3 OTSU图像阈值化算法描述：三类的情况

3.1.4 关于可分性指数

3.2 结合结构信息和统计特征的SAR图像目标检测算法框架

3.3 基于灰度统计的虚警目标剔除算法

3.3.1 人工目标的结构与灰度特征

3.3.2 基于灰度统计的虚警目标剔除算法

3.3.3 仿真实验结果

3.3.4 基于ROC曲线的算法性能评价

3.4 基于OTSU 图像阈值化算法的人工目标定位

3.4.1 算法描述

3.4.2 仿真实验结果

3.5 本章小结

第四章 对基于规整性特征的区域标记提取算法的分析与改进

4.1 SAR图像中目标特性的分析

4.2 基于规整性特征的区域标记提取算法存在的问题

4.3 对基于规整性特征的区域标记提取算法的分析与改进

4.3.1 种子线段的选取

4.3.2 基于非递归策略的区域标记提取算法

4.3.3 加入生长规则的区域标记提取算法

4.4 对改进后的区域标记提取算法的结果进行人工目标定位

4.5 本章小结

第五章 总结与展望

5.1 总结

5.2 展望

致谢

参考文献

研究成果