在复杂海域场景下如何综合利用舰船监测的多模态数据进行高效特征提取和特征融合, 以此来综合提升舰船识别精度仍存在巨大挑战。针对海域环境中舰船单一数据源识别准确率问题, 提出一种有效的多模态数据特征提取和特征融合的舰船识别算法, 然后基于深度残差网络模型进行特征融合以提升舰船识别准确率。通过实验结果对比, 相比于其他算法基于多模态数据的舰船识别算法平均准确率提升约18%, 有效地提升了舰船识别准确率, 对相关船舶领域的研发工作具有借鉴意义。

针对合成孔径雷达(SAR)目标分类问题, 联合二维变分模态分解(BVMD)和卷积神经网络(CNN), 通过二维变分模态分解获得原始SAR图像的多模态表示, 反映目标的全局和细节信息; 设计适当的卷积神经网络分别对各个模态进行分类并输出后验概率矢量; 基于Bayesian理论融合各个模态的后验概率矢量;并根据融合后的结果判定目标结果。所提方法通过结合二维变分模态分解和卷积神经网络的优势综合提升SAR图像目标分类性能。实验中, 基于MSTAR数据集对所提方法在4种典型场景下进行了测试并与现有方法进行对比, 结果表明所提方法性能更具优势。

针对合成孔径雷达（SAR）图像变化检测中差异图质量不佳、检测精度偏低以及检测时间长等问题，提出了一种基于对数双曲余弦比（LHCR）差异图构造与多区域特征卷积极限学习机的无监督变化检测新方法。该方法主要由差异图生成和差异图分析两个阶段组成。在差异图生成阶段，利用各向异性扩散滤波器对同一地区不同时间的两幅SAR图像分别滤波，使用对数双曲余弦变换对滤波后的图像进行增强，通过对数比处理得到LHCR差异图，在抑制相干斑噪声的同时，增强差异图的对比度。在差异图分析阶段，应用分层模糊C均值聚类得到变化类、不变类和中间不确定类的预分类结果；进而从差异图、双时相SAR图像中获取多区域样本块，构成三通道数据输入卷积层进行特征提取。特征具有强调中心区域、抑制边缘噪声的特点；最后，使用变化类和不变类的特征向量进行极限学习机分类训练，再用训练好的模型对中间不确定类像素自动分类实现变化检测。Radarsat-2和高分三号数据集的实验结果表明了所提方法的有效性。

针对尺度不变特征变换（SIFT）算法配准可见光和合成孔径雷达（SAR）图像时性能较差的问题，提出了一种基于改进光学-SAR图像的SIFT（OS-SIFT）可见光和SAR图像配准算法。首先，利用非线性扩散滤波构建可见光和SAR图像的非线性扩散尺度空间，并采用多尺度Sobel算子和多尺度指数加权均值比算子分别计算可见光和SAR图像的一致性梯度信息。然后，用图像分块策略剔除尺度空间第一层后对尺度空间进行分块，在一致性梯度信息的基础上提取Harris特征点，得到稳定且均匀的点特征。基于梯度位置和方向直方图模板构建描述符并对其进行归一化处理，以克服影像间的非线性辐射差异。最后，利用欧氏距离进行特征匹配，并采用快速抽样一致性算法剔除误匹配。实验结果表明，相比联合位置、尺度和方向的SIFT算法和OS-SIFT算法，本算法的匹配率有明显提高，均方根误差也相对较低。

针对SSD等算法在合成孔径雷达(SAR)图像舰船小目标以及复杂场景下目标的检测效果不佳问题,提出了一种基于多重连接特征金字塔的舰船目标检测方法。首先,针对图像中小目标舰船的特点,构建了全新的特征提取网络I-VGGNet,以解决小尺寸舰船特征信息的丢失问题;其次,增加了多重连接特征金字塔网络模块,加强舰船高层语义特征与低层定位特征的融合,从而提高网络对于中小尺寸舰船的检测性能;最后,为了解决复杂场景对于舰船目标检测的干扰,在广义交并比损失和焦点损失基础上,构造了一个新的损失函数,从而降低网络对于舰船尺度的敏感性,加速模型的收敛。本文方法在中国科学院SAR图像舰船目标数据集上进行了相关实验,实验结果表明,平均精度达到了94.79%,优于现存的主流检测算法,帧率达到了22 frame/s,满足实时检测的需求,所提方法对复杂场景下不同尺寸的舰船目标的检测展现出了良好的适应性。

针对合成孔径雷达图像易受外界环境干扰导致获取的图像信息准确度降低的问题, 提出一种基于广义奇异值分解的高阶图像低秩近似方法。首先, 在经典奇异值分解的基础上, 利用邻域选取法将经典二维矩阵推广到广义高阶矩阵; 其次, 利用“t-product” 模型将经典矩阵算法推广到广义矩阵的相关算法, 得出广义奇异值分解的具体实现过程; 最后, 在广义奇异值分解和经典奇异值分解的条件下, 通过实例分析并利用结构相似度和峰值信噪比比较其低秩近似性能。仿真实验验证了广义奇异值分解技术相比于经典奇异值分解, 不仅充分考虑图像像素点之间的相互作用与空间结构, 而且随着广义矩阵阶数的扩展, 所获得的图像结构相似度越大, 峰值信噪比越高, 可将其应用于高阶图像的低秩近似、重构。

针对Faster R-CNN算法检测舰船目标存在的不足,提出基于深度特征金字塔和级联检测器的舰船检测算法。先利用小目标数据增强算法对数据进行扩充,使检测模型学习足够的特征;再使用深度特征金字塔网络改进原目标检测算法的特征提取网络,抑制相干斑噪声,有效提取舰船特征;并根据合成孔径雷达(SAR)图像中舰船目标稀疏的特点使用级联结构调整网络。基于上述改进,选取舰船目标检测数据集中部分图像及2月份渤海湾的SAR图像进行实验,实验结果表明:所提算法均取得了良好的检测效果,证明了所提算法的有效性。

为解决SAR图像目标识别中样本缺乏和方位角敏感问题, 提出了一种基于DRGAN和SVM的SAR图像目标识别算法。首先, 采用多尺度分形特征对SAR图像进行增强, 经过分割得到目标二值图像, 基于Hu二阶矩估计目标的方位角。然后对估计得到的目标方位角进行量化编码, 结合原始图像作为输入, 对设计的DRGAN模型参数进行训练与优化。由于DRGAN中的深度生成模型将目标姿态与外观表示进行解耦设计, 故可利用该模型将SAR图像样本变换到同一方位角区间。基于变换后的训练样本分别提取归一化灰度特征, 利用SVM训练分类器。采用MSTAR数据集在多个不同操作条件下对提出的算法进行测试, 实验结果表明, 在带变体的标准操作条件下, 能够达到97.97%的分类精度, 优于部分基于CNN模型的分类精度, 在4种扩展操作条件下的分类精度分别为97.83%, 91.77%, 97.11%和97.04%, 均优于传统方法的分类精度。在SAR图像目标方位角估计存在一定误差的情况下, 训练得到的GAN模型作为SAR图像目标旋转估计器, 能够使得在不进行复杂样本预处理的前提下, 仍然取得较高的SAR图像目标识别精度。关 键 词:

针对传统舰船检测算法难以适应复杂多变的海洋杂波环境,无法实现智能舰船检测的问题,提出了一种改进的基于区域全卷积网络(R-FCN)的检测方法。针对合成孔径雷达(SAR)图像的特点,对R-FCN中的特征提取网络ResNet进行混合尺度卷积核处理,使特征提取网络能够抑制相干斑噪声的影响,有效提取舰船特征。选取高分辨率GF-3与低分辨Sentinel-1卫星SAR图像进行测试,均取得了良好的检测效果,证明了本文算法的有效性。

分析了高分辨率SAR图像中海洋背景和舰船目标的特点，针对高分辨率SAR图像提出了一种两阶段舰船目标快速检测算法：第一阶段采用改进的频谱残差视觉显著计算模型快速获取视觉的感兴趣区域；第二阶段检测阶段，结合贝叶斯理论二元假设检验的思想，设计了一个局部最大后验概率分类器进行像素分类，经参数估计、判决准则完成显著区域内像素二分类以实现目标检测。实验采用典型的高分辨率SAR卫星Terra-SAR-X卫星数据进行仿真实验，结果表明所提算法具有良好的检测性能，也更加符合实际高分辨率图像舰船目标检测的应用需求。通过进一步实验与以往检测算法的对比得出结论，高分辨率SAR图像舰船目标检测方法在能够改善由斑点噪声和不均匀的海杂波背景对检测结果带来虚警的同时，检测速度也提高了25%~50%。