基于机载合成孔径雷达图像的对地目标检测方法研究

摘要

作为主动寻的探测设备，合成孔径雷达(SAR)可以全天候、全天时提供高清晰度图像，从而在军事侦察和民用上得到了广泛的应用。但是由于其相干成像的特殊性，因而在SAR图像中包含有大量的相干斑噪声，使得对SAR图像的处理、分析和解译非常困难。而且面对广阔而复杂多变的地形环境，SAR图像背景环境极为复杂，并且SAR图像中含有大量的冗余数据，因此如何综合运用各种知识，对算法的实用性、快速性、有效性和检测精度等性能进行折中是目标检测算法的难点和关键点。本文主要对高分辨率机载SAR图像的目标检测和识别进行研究。主要研究以下几个方面内容： 1、详细分析和研究SAR图像相干斑杂波的统计分布模型和各种统计分布模型的适用性。对几种广泛使用的典型非高斯数据分布模型(Gamma分布、Weibull分布、K分布、有限混合高斯和混合Gamma分布)的数学特点进行了详细讨论和分析，并给出了不同分布模型下参数向量的估计公式。在此基础上，在MSE准则下，对T72坦克的几种不同成像条件下的高分辨率SAR图像数据的统计分布模型(Gamma分布、Weibull分布及有限混合高斯分布)以及对基于Ku波段的机载序列SAR图像数据的统计分布模型(有限混和高斯分布)进行分析和估计。 2、在SAR图像数据统计分布模型研究的基础上，对SAR图像的目标信息自动提取方法进行研究。主要提出了基于局部窗口的恒虚警(CFAR)方法、MAP方法和基于上下文关系的方法。在对单/多T72坦克SAR图像的目标检测方面，这些方法从不同的角度表现出了对SAR图像信息自动提取的能力。并且运用MAP方法对在不同方位角下对太阳能塔所成的机载SAR条带图像序列进行目标检测和分割，仿真结果表明MAP方法对序列SAR图像的目标检测是有效和稳健的。相对于恒虚警方法和贝叶斯方法，基于上下文的SAR图像信息提取方法具有较大的时间消耗外，三种方法均具有较强的鲁棒性和SAR图像的信息提取性能。在SAR图像的目标信息自动检测方面具有明显的优势和应用潜力。 3、提出了一种新的SAR图像的目标区域特征提取和目标识别方法。在基于Hu矩不变特征的基础上，引入了描述目标区域灰度信息的灰度均值和方差系数，将这九个目标区域特征量作为对目标进行识别和分类的依据。对不同分辨率SAR图像的目标识别结果表明：结合矩不变量和灰度均值及方差系数的特征向量可以作为目标识别和分类的依据。

目录

文摘

英文文摘

西北工业大学学位论文知识产权声明书及学位论文原创性声明

第一章 概论

1.1研究背景

1.2 SAR技术的应用研究

1.3 SAR图像处理、分析的研究

1.3.1 SAR图像杂波的模型研究

1.3.2 SAR图像目标检测算法的研究

1.4论文的主要工作和内容安排

第二章 SAR图像的特性分析

2.1引言

2.2机载SAR成像方式及其分辨率[3][4]

2.2.1 SAR成像的几何关系

2.2.2 SAR图像的方位分辨率

2.2.3 SAR图像的距离(地距)分辨率

2.3 SAR下的多散射点目标模型

2.3.1 SAR的工作参数

2.3.2目标模型的假设

2.4 SAR图像的数据特点[48]

2.4.1原始数据

2.4.2单视复数据SLC(Single Look Complex)

2.4.3多视数据

2.4.4极化数据

2.5 SAR图像的几何特点—透视收缩、错位、阴影

2.6 SAR图像数据的斑点特性

2.6.1斑点噪声概述

2.6.2斑点噪声的产生机理[47][49][50][57]

2.6.3斑点噪声的特性

2.7 SAR图像的目标信息特征

2.7.1点目标

2.7.2线目标

2.7.3面目标

2.7.4硬目标

2.7.5几种背景目标在SAR图像上的表现

2.8小结

第三章 SAR图像相干斑的分布特点

3.1引言

3.2 SAR图像相干斑分类

3.3高斯分布的相干斑模型

3.4非高斯分布的相干斑模型

3.4.1 Gamma分布

3.4.2 Wishart分布

3.4.3 Weibull分布

3.4.4 K—分布

3.4.5有限混合分布模型

3.5几种杂波模型的比较

3.6 SAR图像杂波分布特点分析

3.6.1多/单T72坦克SAR图像的数据模型分析

3.6.2 SAR图像序列的数据模型

3.7小结

第四章 SAR图像目标信息提取方法研究

4.1引言

4.2图像处理的相关理论[103][104]

4.2.1图像的分割策略

4.2.2图像的形态学处理

4.2.3检测后图像目标的标记

4.3目标检测的评价准则

4.3.1准则分类[107]

4.3.2准则的选择

4.4恒虚警(CFAR)目标信息提取方法研究

4.4.1 CFAR算法典型滑动窗的选择

4.4.2虚警概率pfa及检测阈值T的关系

4.4.3多/单目标检测仿真

4.4.4结果分析

4.5基于MAP的目标提取方法

4.5.1多模态SAR图像数据的分布模型

4.5.2 MAP准则[27]

4.5.3单幅SAR图像的仿真结果

4.5.4序列SAR图像的仿真结果及分析

4.6基于上下文关系的SAR图像分割方法研究

4.6.1数据结构

4.6.2 SAR图像象素的分类策略

4.6.3仿真结果

4.6.4结果分析

4.7小结

第五章 基于特征量的目标识别

5.1引言

5.2特征向量

5.2.1矩特征量

5.2.2特征向量

5.3分类准则[122]

5.3.1相似性度量

5.3.2最近邻决策准则

5.4仿真实验

5.4.1模板特征向量的计算

5.4.2多目标T72坦克识别

5.4.3识别结果分析

5.5 小结

第六章 总结与展望

参考文献

致谢

攻读博士学位期间发表论文

攻读博士学位期间参与的科研项目