基于机载SAR图像的对地目标检测方法研究

论文摘要

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狄度均值和方差系数，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

论文目录

• 摘要
• Abstract
• 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
• 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
• 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
• 2.4.4.1 SIR-C/X-SAR极化数据
• 2.4.4.2 AirSAR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
• 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
• 3.4.5.1 有效组分数的确定
• 3.4.5.3 分布函数参数的最大似然（ML）估计
• 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
• 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
• 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
• fa及检测阈值T的关系'>4.4.2 虚警概率p_fa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
• 4.5.3 单幅SAR图像的仿真结果
• 4.5.3.1 先验概率未知条件下，对SAR图像的目标检测
• 4.5.3.2 先验概率估计条件下，对SAR图像的目标检测
• 4.5.3.3 结果分析
• 4.5.4 序列SAR图像的仿真结果及分析
• 4.5.4.1 序列SAR图像的仿真
• 4.5.4.2 序列SAR图像的仿真结果分析
• 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
• 5.2.1.1 规则矩的定义
• 5.2.1.2 Hu不变矩的定义
• 5.2.2 特征向量
• 5.3 分类准则
• 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
• 5.4 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