基于CNN的SAR图像舰船目标检测算法

被引：3

作者：

曲长文

刘晨

周强

李智

李健伟

机构：

[1] 海军航空大学

来源：

火力与指挥控制 | 2019年 / 44卷 / 01期

关键词：

合成孔径雷达; 卷积神经网络; 目标检测; 图像分割; 候选区域提取;

D O I：

暂无

中图分类号：

TN957.52 [数据、图像处理及录取]; TP183 [人工神经网络与计算];

学科分类号：

080904 ; 0810 ; 081001 ; 081002 ; 081105 ; 0825 ; 081104 ; 0812 ; 0835 ; 1405 ;

摘要：

为了提升合成孔径雷达(Synthetic Aperture Radar,SAR)图像舰船目标检测的精度和速度,对卷积神经网络(Convolutional Neural Network,CNN)在SAR图像舰船目标检测上进行了研究。通过改进OTSU方法对SAR图像进行分割,并且用最小外接矩形将疑似目标标记出来;依据矩形中心在原始图像上提取出固定大小区域作为候选区域;将提取的目标通过训练好的卷积神经网络进行判定,去除虚警目标并将检测结果在原图中标记出来。实测数据的实验结果表明,该算法在降低虚警的同时提升了检测速度。

引用

页码：40 / 44

页数：5

共 7 条

[1] 大场景SAR图像舰船目标快速检测 [J].

甄勇 ;

刘伟 ;

赵拥军 ;

陈建宏 .

信息工程大学学报, 2016, 17 (05) :535-540

[2] 自选择混合分布模型的CFAR用于SAR图像舰船检测 [J].

涂峰 ;

康陈瑶 ;

尹莎 ;

何楚 .

信号处理, 2015, (12) :1665-1673

[3] SAR图像舰船目标双阈值快速CFAR检测算法 [J].

曲长文 ;

邓淇元 ;

江源 .

舰船科学技术, 2015, 37 (11) :136-140

[4] 迁移学习研究进展 [J].

庄福振 ;

罗平 ;

何清 ;

史忠植 .

软件学报, 2015, 26 (01) :26-39

[5]

数字图像处理[M]. 电子工业出版社 , (美) 冈萨雷斯 (Gonzalez, 2010

[6] Automatic classification of pulmonary peri-fissural nodules in computed tomography using an ensemble of 2D views and a convolutional neural network out-of-the-box [J].

Ciompi, Francesco ;

de Hoop, Bartjan ;

van Riel, Sarah J. ;

Chung, Kaman ;

Scholten, Ernst Th. ;

Oudkerk, Matthijs ;

de Jong, Pim A. ;

Prokop, Mathias ;

van Ginneken, Bram .

MEDICAL IMAGE ANALYSIS, 2015, 26 (01) :195-202

[7]

Pedestrian detection with unsupervised multi-stage feature learning .2 SERMANET P,KAVUKCUOGLU K,CHINTALA S,et al. Computer Vision and Pattern Recognition . 2013

← 1 →