1 航天工程大学, a.研究生院
2 航天工程大学, b.电子与光学工程系, 北京 101000
针对当前SAR图像中飞机检测尺寸较小导致小目标检测率低、虚警率高的问题, 提出一种基于YOLOv5的改进方法。先采用K-means聚类算法针对飞机小目标尺寸优化锚框, 在主干网络融合Swin Transformer模块, 同时引入自适应学习权重的多尺度特征融合机制和全局注意力机制(GAM), 使网络跨越空间通道维度放大全局维度交互, 提高模型捕获不同维度信息的能力;并且增加一个小目标检测层, 提高网络对SAR图像飞机小目标检测能力。实验结果表明, 相较于原YOLOv5 方法, 改进方法在SAR图像尺寸较小飞机目标的检测上具有更强的特征提取能力和更高的检测精度。
SAR图像 小目标检测 SAR image small target detection YOLOv5 YOLOv5 Swin Transformer Swin Transformer GAM GAM
深度学习算法应用于SAR图像分类领域时存在模型训练时间较长且精度不够高等问题。对此, 提出一种基于混合注意力机制的卷积神经网络模型, 该模型基本模块分为主干分支和软分支。主干分支由残差收缩网络和改良之后的通道注意力机制组成, 负责提取主要特征; 软分支将下采样和上采样相结合, 负责提取混合注意力权重, 增强从输入到输出的映射能力。该模型在MSTAR数据集上取得了99.6%的识别率, 且训练时间较短。噪声分析显示:该模型对椒盐噪声具有较强的鲁棒性。
SAR图像 深度学习 卷积神经网络 残差收缩网络 注意力机制 SAR image deep learning convolutional neural network residual shrinkage network attention mechanism
1 河南大学计算机与信息工程学院, 河南 开封 475004
2 河南省智能技术与应用工程技术研究中心, 河南 开封 475004
3 河南省大数据分析与处理重点实验室, 河南 开封 475004
冬小麦是中国主要的粮食作物之一, 准确及时地获取冬小麦物候信息是冬小麦长势监测和产量预估的必要条件。星载合成孔径雷达(SAR)是一种微波遥感设备, 具有全天时、全天候的优势, 可实现对周期性农作物物候期大范围监测。基于时间序列 Sentinel-1A SAR数据, 提出一种星载双极化 SAR冬小麦物候期识别方法。该方法基于特征值分解和极化散射分析技术, 提取不同物候期冬小麦的后向散射系数、极化熵、主导散射角等参数, 实现冬小麦物候期识别。实验结果表明, 物候期识别总体精确度达到 79%。该方法在冬小麦生长监测方面具有实用推广价值。
星载 SAR图像 冬小麦 极化分解 物候期 时间序列 spaceborne SAR images winter wheat polarization decomposition phenological period time series 太赫兹科学与电子信息学报
2023, 21(2): 242
1 空军工程大学航空工程学院, 西安 710000
2 西北工业大学电子信息学院, 西安 710000
3 中国人民解放军93046部队, 沈阳 110000
合成孔径雷达(SAR)图像自动目标识别(ATR)技术是人工图像解译的关键技术之一, 其旨在屏蔽固有噪声影响, 获取感兴趣区域内表征目标的潜在特征信息, 为目标识别提供有力的数据支撑。为了提升高分辨SAR图像目标识别精度, 围绕算法设计中的相干斑抑制和特征提取问题, 结合传统恒虚警率(CFAR)检测算法和深度卷积神经网络(DCNN)的最新研究, 设计了SAR图像自动目标识别框架。实验基于MSTAR标准数据集, 目标识别结果表明所构建模型的有效性。
SAR图像目标识别 相干斑抑制 特征学习 卷积自编码网络 卷积神经网络 target recognition of SAR image speckle suppression feature learning convolution auto-encoder network convolutional neural network
1 火箭军工程大学核工程学院, 西安 710000
2 中国人民解放军96882部队, 江西 赣州 341000
针对SAR图像数据获取困难的问题, 提出一种基于单幅图像训练的多尺度生成式对抗网络, 并应用于SAR飞机图像的增广。由于原始的生成式对抗网络设置单一尺度卷积核, 仅获得图像在固定感受野下的特征分布, 因此, 在对抗网络中融入多尺度分组卷积, 可以从不同尺度挖掘图像的分布特征, 增加生成图像的细节信息, 其结果是通过训练得到400幅新的SAR飞机图像样本, 并使用Faster R-CNN以及图像质量评价指标对增广数据集进行验证。实验结果表明: 生成图像的质量评价指标满足图像检测的需求; 使用Faster R-CNN算法结合生成式对抗网络数据增广使得平均检测精度由73.5%提升至77.6%。
SAR图像 飞机检测 数据增广 改进SinGAN SAR image aircraft detection data augmentation improved SinGAN Faster R-CNN Faster R-CNN
1 航天工程大学,a.研究生院
2 航天工程大学,b.电子与光学系, 北京 101000
随着合成孔径雷达技术的不断发展, 雷达图像目标识别成为重要的研究方向。近年来, 深度学习技术在雷达图像目标检测与识别方面得到了广泛应用, 然而, 数据样本量少和数据样本类别不均衡成为制约深度学习在合成孔径雷达目标识别中的重要因素。对基于深度学习的SAR图像目标识别算法进行了分析, 首先, 介绍了SAR图像目标识别常用数据集和多角度SAR图像目标识别方法; 然后, 针对SAR图像目标识别中数据样本量少与样本类别不均衡问题分别进行了总结; 最后, 讨论了目前SAR图像目标识别仍然存在的问题和下一步的工作计划。
合成孔径雷达 SAR图像目标识别 数据样本量少 类别不均衡 Synthetic Aperture Radar (SAR) SAR image target recognition small data sample size unbalanced categories
郑州工程技术学院 信息工程学院，河南 郑州 450044
针对舰船合成孔径雷达(SAR)图像识别中的图像分割问题，运用数理统计领域的方法，以舰船合成孔径雷达图像为研究对象，在深入分析经典K–Means聚类算法以及高斯混合模型之后，提出一个改进的高斯混合模型，用来对舰船合成孔径雷达图像进行分割。该方法采用马氏距离对经典K–Means方法进行改进，同时，将传统高斯混合模型的每一个概率分布，进一步再细分成单个的概率成分，在辅助变量计算过程中，采用梯度上升算法。仿真实验结果显示，研究得到了比使用经典K–Means算法和普通高斯混合模型的分割方法精确度更高、稳定性更好的分割结果。
舰船SAR图像 马氏距离 高斯混合模型 梯度上升算法 ship SAR image Mahalanobis distance Gaussian Mixture Model gradient ascent algorithm 太赫兹科学与电子信息学报
2021, 19(5): 905
1 中国科学院 长春光学精密机械与物理研究所，吉林长春30033
2 驻长春地区第一军事代表室，吉林长春1300
针对可见光和SAR遥感图像存在非线性辐射差异和几何差异，加之SAR的斑点噪声，使得可见光和SAR图像配准十分困难的问题。本文提出了一种基于改进相位一致性的可见光和SAR图像配准方法。首先，分别计算相位一致性的最大矩和最小矩，将二者叠加，利用Harris算子在叠加图上提取特征点，得到稳定的角点和边缘点作为待匹配的特征点；接着，分别构建相位一致性的方向图和基于多尺度融合的最大幅值索引图，借助于（Histogram of Oriented Gradients， HOG）模板，利用相位一致性方向对基于多尺度融合的最大幅值索引图进行投票，建立一种新颖的局部特征描述符；最后，利用欧式距离作为特征向量的度量，计算最近邻比率实现特征匹配，采用快速采样一致性算法剔除误匹配点。在四组图像数据上的实验结果表明，本算法相比于基于梯度的OS-SIFT算法具有更多的正确匹配点对和更高的匹配精度，正确匹配点数分别提高了11，8，15和11对，均方根误分别提升了57.5%，57.9%，23.5%和58%。
可见光和SAR图像 辐射差异 图像配准 相位一致性 optical and SAR images radiation difference image registration phase congruency
宁波大学信息科学与工程学院, 浙江 宁波 315211
针对现有基于深度学习的SAR辅助下光学图像去云方法对光学图像纹理、光谱信息考虑不足,导致去云后影像往往存在模糊、光谱损失等现象,根据杭州市余杭区哨兵一号(Sentinel-1)和哨兵二号(Sentinel-2)卫星影像,构建了SAR辅助下光学图像去云数据库,并充分考虑光学遥感图像的细节、纹理以及色彩信息,建立了基于条件生成对抗网络(conditional generative adversarial network, cGAN)的SAR辅助下的光学遥感图像去云模型,实现了SAR辅助下光学图像薄云、雾、厚云等覆盖下地物信息的有效复原与重建。实验结果表明,所提方法可有效实现SAR辅助下的光学图像去云,相比于其他方法具有更优性能。
遥感 云去除 条件生成对抗网络(cGAN) 合成孔径雷达(SAR)图像 光学图像 影像融合 光学学报
2021, 41(12): 1228002
