论文部分内容阅读
利用SAR图像对舰船尾迹进行检测,能够获取船只、船尾迹和多普勒位移等信息,是目前对船舶监视、定位、检测和识别的最有效方法之一。但是SAR图像中存在大量的相干斑噪声,而尾迹信号又相对微弱,因此给识别过程带来一定的困难。本文首先介绍了SAR雷达的成像原理,之后介绍了SAR图像相干斑噪声的产生机理和乘性噪声模型。根据本文的研究重点,分别介绍了SAR图像传统空域滤波算法、SAR图像相干斑抑制评价标准,和SAR图像舰船尾迹特点及传统检测算法。基于以上理论,本文提出一套完整的SAR图像舰船尾迹检测方法,主要研究工作如下:(1)提出一种基于双边滤波与小波多模阈值的SAR图像去噪算法。许多基于小波阈值的去噪算法对低频子带并不作处理,而SAR图像低频子带仍然存在大量相干斑噪声,因此采用具有良好边缘保持能力和去噪效果的双边滤波对小波低频子带进行处理。对SAR图像进行两层小波分解,第一层小波子带的三个高频分量主要包含噪声成分,因此采用GCV阈值进行软阈值去噪,第二层小波子带的三个高频分量包含的噪声成分减少,因此采用经典Bayes阈值进行软阈值去噪。实验结果表明,该算法对SAR图像有很好的去噪效果,也能更有效地保持舰船尾迹信息。(2)利用基于解析字典的SAR图像形态成分分离算法对SAR图像进行成分分离,得到含有舰船尾迹的结构成分图像和含有相干斑噪声与海杂波的纹理成分图像。对于受相干斑噪声污染和海杂波影响比较严重的SAR图像,单纯利用(1)中算法仍然不能得到满意的去噪效果。采用基于稀疏表示的形态成分分析方法,利用轮廓波变换构建舰船尾迹结构字典,利用双正交小波变换构建相干斑噪声与海杂波纹理字典,迭代求解,即可实现舰船尾迹成分与噪声杂波成分的有效分离。实验结果表明,与原图像相比,该方法得到的舰船尾迹结构成分图等效视数有极大的改善,同时又保持了良好的尾迹结构信息,效果显著。(3)提出基于局部Radon变换与峰值聚类决策的舰船尾迹识别算法。该算法首先以(2)得到的舰船尾迹结构成分图作为输入,利用局部Radon变换提取所有局部峰值点,接着对峰值点进行聚类去重。这是因为图像真实舰船尾迹往往具有一定的宽度,因此一条尾迹在Radon域中可能对应若干个局部峰值点,聚类去重可以简化判决过程。接下来,对所有的局部峰值点进行利用判决函数进行判决,若判决结果大于阈值,则说明是真实峰值点,进行Radon反变换得到真实尾迹;否则,为虚假峰值点。对于判决函数的选择,本文选择高斯小波与局部峰值点ρ方向的波形匹配度和局部峰值点在Radon域中的幅值作为输入变量。实验结果表明,该算法对于受较强相干斑噪声干扰的SAR图像依然具有较好的检测效果。以上内容组成了SAR图像舰船检测系统。对整个流程以ERS-2卫星拍摄的图像进行仿真,并与其他算法进行比较。实验表明,本章算法在舰船尾迹检测率和虚警率上都具备更好的实验效果。