SAR图像目标检测.docx
- 文档编号:3884353
- 上传时间:2022-11-26
- 格式:DOCX
- 页数:20
- 大小:448.16KB
SAR图像目标检测.docx
《SAR图像目标检测.docx》由会员分享,可在线阅读,更多相关《SAR图像目标检测.docx(20页珍藏版)》请在冰豆网上搜索。
SAR图像目标检测
班级020651
学号02065008
本科毕业设计(论文)
外文资料翻译
毕业设计题目文档位图的印刷体数字智能检测与识别
外文资料题目AnAdaptiveandFastCFARAlgorithmBasedonAutomaticCensoringforTargetDetectioninHigh-ResolutionSARImages
学院电子工程学院
专业智能科学与技术
学生姓名张若愚
指导教师姓名钟桦
一种基于自动删除的快速自适应恒虚警检测算法用于高分辨SAR图像目标检测
摘要——一种以高分辨率合成孔径雷达探测(SAR)图像为目标的抽象的,快速的,基于自动设限(AC)的自适应恒虚警检测率(CFAR)算法。
首先,选择具有自适应性能的全局阈值以获取检测图像中的每一个像素是否为目标像素的指数矩阵。
其次,通过使用这个指数矩阵,噪声环境的自适应确定可以事先筛选检测中使用的滑动窗口中的噪声像素。
在本文中,可模拟多视角,具有广泛均匀度的SAR图像的G0分布的被当做噪声的统计模型。
随着AC的引入,该算法取得了在线性区域较好的CFAR检测性能,尤其是在噪声边缘和多目标的情况中。
与此同时,相应的快速算法大大降低了计算量,最终,目标聚类得以获得更准确的目标区域。
根据对典型SAR图像的性能分析和实验结果的考察,该算法被证明具有良好的性能和很强的实用性。
关键词:
指数计算——恒虚警检测率(CFAR),合成孔径雷达(SAR),目标检测
Ⅰ、简介
随着收集从大气和卫星上的图像数据量的增加,SAR传感器正变得越来越适宜发展SAR图像判读技术。
在背景噪声[1]-[4]中识别目标或目标群体是一个在SAR图像判读技术中尤为重要的任务。
由于自动检测是自动目标识别(ATR)的系统的第一个重要步骤,所以ATR系统必须有能力满足不断扩大的情报,监视和侦察和快速检测目标的需求,因此此系统可以应用于如坦克,装甲运兵车,卡车和榴弹炮。
在整个SARATR系统的第一步中,目标探测对连续的过程有很大影响[5][6]。
到目前为止,文献提供的SAR的目标检测算法中的算法(CFAR)大部分都有误报率,因为它们的特点是计算简单。
ATR算法对自适应阈值和快速检测的复杂背景下的目标进行了广泛的研究[7][8],甚至在几个SARATR的系统中有应用[9],[10]。
常用的CFAR检测算法包括[6],[7],[11],[21]的单元平均CFAR(CA-CFAR),最大的CFAR(GO-CFAR),最小的CFAR(SO-CFAR),命令统计CFAR(OS-CFAR)等。
尽管CA-CFAR检测器的检测效率降低[6],CA-CFAR(这两个指标实际上是林肯实验室提出的一个基于高斯背景假设的技术的CA–CFAR检测技术[9],[22])是在单目标线性噪声情况下和在存在异构的环境中(包括噪声边缘和多目标的情况)行之有效的技术。
OS-CFAR算法的设计是为了解决CA-CFAR在检测过程中目标的背景区域和噪声统计估计时受到的损失,因此它在检测多目标的情况时有重要的优势及意义。
然而在线性的情况下,OS-CFAR的算法性能比CA-CFAR差[6]。
此外,算法获得的最佳统计结果是靠经验,而不是通过理论。
新增的操作将不可避免地增加计算量,虽然CA–CFAR算法在噪声边缘提供了良好的检测性能,但是相比于CFAR检测算法,它的均匀噪声检测性能会下降,因为与各像素相关信息有可能丢失。
在噪声边缘检测的情况中,CFAR算法就可以得到更好的多目标性能情况。
但是,CFAR检测算法相应的检测门槛较低。
单元平均CFAR(CA-CFAR),最大的CFAR(GO-CFAR),最小的CFAR(SO-CFAR),命令统计CFAR(OS-CFAR)等是基本CFAR检测算法[6],[11],[12],[21]。
每个都有其优点,缺点和潜在的应用。
没有任何情况都表现良好的单一检测算法。
如果我们引入这些方法选择前面提到的基本CFAR检测器,自适应的根据测试像素位置进行检测,这在测试系统中应该会是一个很有意义的进步。
经过考虑,目前研究工作的重点是发展自适应CFAR算法[12]。
许多研究人员试图设计自适应CFAR算法。
Smith和Varshney提出的CFAR(VI-CFAR)变异指数算发是有代表性的一个。
VI-CFAR处理器提供的CFAR性能在含有齐次和非齐次目标的情况下,基于VI-CFAR,Huangetal提出的区域分类CFAR(RC-CFAR)[14]。
跟据[15]中,RC-CFAR可以细分为四个部分,使得每个部分的目标像元变得很少;因此,它是不可靠的判断环境非齐次。
汲取了灵感的VI-CFAR检测,Farrouki和bakaer目前有序数据变异指数自动截(交流)CFAR检测器来实现适应性目标检测的复杂背景[16]。
假设威布尔噪声背景下,提出了比谢列固体模板CFAR检测器(即所谓的比谢列算法[7],[17]),包括一套完备的程序,如排序,截取,等类似的想法是Rickard和Dillard提出的[18]。
据报道[7],[17]即比谢列算法适合的地点杂乱,规模型(LStype)。
LS型噪声可以被视为正规化有两个参数噪声分布。
实验结果[7],[17]表明在齐次和非齐次环境该算法均表现良好。
Bisceglie算法是一个很好的CFAR检测算法,这种说法是很合理的。
进一步的研究可以进行对噪声模型,深入的截自动选择,选择的滑动窗口类型等,创新CFAR算法称为区域平均统计Hofele(CASH),CFAR介绍,在[21]的CFAR算法的优势是,它避免了覆盖和候补聚集对象。
CASHCFAR算法所需的处理能力也显着低于OS和平均有序统计区域CFAR算法[21]。
此外,一个显著的CFAR算法[8](简单提及作为本文Salazar算法)已经被Salazar提出了,它选择的β(β-素数)的分布[19]作为背景噪声统计模型的单视SAR图像。
该算法的主要原则是描述如下:
β分布模型是正确的混乱与丰富多姿的线性性程度[19][包括线性噪声,异构噪声边缘和多目标情况下(多目标的情况等同于极异构噪声)]。
因此,在CACFAR技术对β分配的基础上有能力保持CFAR[8]。
该算法确实有CFAR检测的特点目标均匀噪声,噪声边缘和多目标情况。
此外,由于目标对比像素大于周围的混乱是,该算法还提供了均匀噪声探测概率高和噪声边缘[8]。
但是,多目标的情况下,该算法的不足之处是,CFAR门槛变得大的,当时估计噪声统计数据已损坏通过干扰目标,这导致了一个显着减少检出率。
本文提出了一种自适应恒虚警率和快速算法,提出了SAR图像目标检测在交流的建议,争取在SAR图像检测。
该算法的提出是为了对Salazar算法改进。
同时,相应的快速算法已经被设计出来了。
本文组织如下。
在第二节,导言的原则和算法的详细流程是给出。
在第三节,该算法进行了详细介绍。
在第四节,相应的快速算法设计。
第五节从理论上分析了所提出的性能算法。
在第六部分,我们提供了实验结果和建议的检测性能比较采用典型的算法和其他算法真正特区数据。
最后一节总结本文。
Ⅱ原则和详细的算法流程
A算法原理
以下建议可来自算法提及。
1)索引值利用CFAR[12]—[14]自动判断周围杂乱型测试的像素,选择适当的探测器,但索引值应适应性,而不是由经验决定。
2)新方法与比谢列算法[7],[17]相比,排序附加程序可以帮助避免干扰目标的影响在多目标情况下的检测性能。
3)β分布在噪声模型采用萨拉萨尔算法[8]噪声边缘和多目标的情况下可以正确地描述同类噪声,,这使得人们有可能获得一个综合性的设计为目标检测算法在均匀噪声和噪声边缘,在多目标目标检测的情况下应该分开考虑。
4)通过计算适当的索引值,决定在滑动窗口的噪声像素是否属干扰目标,我们可以检查所有的干扰像素。
至于其余的像素,我们执行的CACFAR算法。
5)所提出的检测算法,基于前面提到的各点设计。
如图1所示,全检测过程的概述如下:
首先,我们选择模具滑动窗口,它是适合高分辨率SAR目标检测[6]。
在此过程中滑动扫描的整体形象的窗口,我们认为噪声区域围绕在测试单元的滑动窗口在Nc像素区。
然后,混乱像素可能属于干扰目标(我们认为是有d像素,即深度为D)是由该指数值删失标签中的滑动窗口噪声像素是否潜在的像素干扰目标而决定的。
因此,可能的像素不属于干扰目标仍然是(有Nc-d像素)。
在CA-CFAR检测技术中,其他Nc-d像素产生的参数估计为噪声模型(G0步进分布)。
图1目标检测算法本文
此外,我们计算了通过设置CFAR概率检测本地检测阈值。
最后,我们成功检测了测试单元格的值指标。
同时,因为通常主导目标有少数散射在SAR图像中,经过检测,这些明亮的高峰可能未连接到目标区域。
最后,就能获得潜在的目标区域。
有些方面还需要加以解释。
1)虽然很多SAR图像的数据统计模型已经被提出,(见[23]-[27]),SAR的很多典型理论系统和实践结果在文章中的[19]已经证明G0分配法适合于有多个同性质不同程度组件的建模。
G0的评价参数的分配很简单,计算复杂度较低。
但是,在这篇文章中我们选择G0分配法去模拟那些滑动窗口的组件。
G10指示的G0算法的色饱和度列表,在[19]中有给出。
2)
(1)
Ⅰ是色饱和度的可变因素,n是等价的观测数据,α是形状参数,γ是尺度参数。
3)一般而言,相比于自然组件而言反向散射具有更强的目标探测能力.但是,这些目标象元具有更高的灰色数值(异常点)。
然而目标像元的数量比SAR组件的像元数量要少得多。
在准备滑动窗口和目标算法之前,一个合适的整体起点可能会被选择于搜索整个图像来决定目标像元。
色饱和度比整体起点大的像元被当做目标像元,那些指针数值也被归为一体;否则,那些指针数值就被归为0.因此,可以获得一个矩阵去自动选择目标探测的最终检测的深度信息等内容。
B.演示规则细节
总结,就像在Fig.2中显示的一样,演示包括以下步骤:
步骤1)输入SAR图像的整体起点的计算。
步骤2)指示矩阵被创造出来,给图像中的每个像元,当这个像元的色饱和度大于整体起点时他的标志值是1,否则是0.
步骤3)目标源的大小,被保护的区域,和在滑动窗口中的背景区域背景区域的选择遵照目标大小优先的原则。
错误的警报器有可能已经被初始化。
步骤4)在过程探测中的滑动窗口Nc组件像元自动被参数矩阵禁止,可能是干涉目标的组件像元被移除(可能会有D目标像元被禁止)这样,Nc-D的像元被留下.这时,我们用剩下的NC-D像元估计组件模型的参数(G0分配)然后计算检测T1的临界值。
步骤5)把测试像元的色饱和度和初始像元相比,我们就能得到像元的二进制数值。
步骤6)如果已经到了整个输入图像的末尾,转向步骤7),否则继续下一个像元从步骤4)开始重复步骤7。
步骤7)把二进制图像中已经被检测的目标像元聚集在一起。
Ⅲ算法描述
A整体起点Tg的计算
因为SAR图像的柱状图的尾部代表了目标像元,Tg可以被合适的定义基于柱状图,让Ⅰ的色饱和度对应随机值,在目标像元的置信度是1-φ的条件下,Tg可以从下面式子中获得
(2)
当P代表概率,φ∈[0,1]整个图像中目标像元的比例的经验值,也就是,此相遇时目标像元的置信度φ,在SAR图像中φ值较大,接近1.把F定义为从检测图像中获得的柱状图中得到的累积分布函数,
(2)式可写为
(3)
然后,T可以从(3)中方便地获得整个图像的直方图
B指数矩阵
考虑SAR图像的大小N×M和让Ⅰij在第i行本地化的像素强度和第j列,我们定义为Vij的指数值
(4)
因此,图像的指数矩阵给出
(5)C计算的局部阈值的CFAR检测Ťl图1所示,为了避免影响目标的强散射部分的参数估计在高能激光器厄贾尔推拉窗噪声分布,我们选择的方空心模具中心的滑动窗口试验区域[9],[10]。
存在保护区域,以确保噪声像素收集一些测试距离区域,保证组件像元和测试像元之间有一定距离阻止目标像元泄漏和损坏的背景噪声统计估计。
此外,像元用于计算噪声统计的空区域围绕试验区域。
有了这个目标,内边长区域的大小应大于预期的目标区域,并在区域外侧选择长度,使足够的噪声像素列入估计噪声准确统计。
检测后的Nc-Ḏ噪声像元强度分布由
(1)决定。
D噪声像元用来计算的时刻剩下的Nc-D参数估计,导致了以下内容:
(6)
(7)
有关的CFAR概率给定值,由P记,对应的CFAR检测器局部阈值Ťl是从
(8)
至于集合分布,前面提到的积分没有一个解析表达式。
局部阈值T可以通过两分法(详细内容,取得参见[20])。
分布degrades对于单视图像,G分布降低到β分布[19]
(9)
(6)和(7)指向参数估计
(10)
(11)
同样,一个相应的p局部阈值ŤlCFAR概率给定值
为CFAR检测器是从(8)获得的
(12)
因此,在滑动窗口Ⅰ测试单元,目标被按照以下方式检测
决策规则:
其中H1是假设,即测试单元是一个像素的目标,H1是假设,即测试单元是一个像素组件。
局部阈值TL是从像素获得的合适的像素。
D目标像素聚类
在高分辨率合成孔径雷达图像中,一个目标,也可能会以扩展对象的方式提到,包括很多决议区域。
由于一个目标表面反射可能显示为波动,从CFAR检测器获得的二进制图像相应的目标像素,一般没有能力形成一个连接的地区,可分为几个部分。
因此,有必要集群目标像素的二进制图像。
我们假设,真正的长度和宽度的利益目标,分别是L和W。
无论是范围和跨范围的图像分辨率均为A。
事实上,指针对代表的像素面积和真正的目标相比规模较小,因此,对目标像素或由一检测到目标区域的大小多少CFAR检测器具有更高的价值S,即:
(14)
此外,在同一目标区域的像素之间的距离i和j,记为d(i,j),满足如下:
(15)
因此,我们使用下面的图3所示:
在检测后得到的二进制图像的像素集群目标
正如我们可以看到,从流图中的最后一步后,以前的过程中,仍然存在着较小的区域或图像,这是明显是目标区域的大小不合适的更大的地区。
这些不受欢迎的地区,一定会导致误报。
为了简化连续的过程中,这些地区被淘汰。
详细的步骤如下:
首先,扫描整个图像,每个标记区域集群后,我们在该地区数明亮的像素。
然后,我们会删除该区域的地区不匹配目标的区域范围
其中Smax是从(14)和Smin中凭经验获得的
Ⅳ快速算法
和目标的所有其他CFAR检测使用滑动窗口的算法相同,目标检测算法1所示也有一个大的区域滑动窗口,当窗口大小较大时,这限制了算法[6],[22]的实用性。
进一步对所提出的算法的调查,我们可以发现,整体阈值计算的指数矩阵是远低于连续CFAR检测过程耗时。
因此,我们应该首先考虑设计的快速CFAR算法。
大多数运行的CFAR算法的时间用于每个滑动窗口[6],[22]的参数估计。
事实上,在扫描的整体形象,滑动窗口向右或向下移动一个像素,以及相应的两个滑动在两个相邻的单元测试中心的主要窗口重叠。
例如滑动窗口右侧的情况。
正如图4所示,考虑两个测试区域
和
。
这是彼此相邻水平方向。
当由T滑动窗口移动中心至R,左边的h的
移出,右h像素的
滑动窗口像素的滑动窗口,此外Nc-h像元仍然不可变。
这些不变像素统计值已被用于在滑动窗口的
参数估计,此外NC−h像素仍然不可变,这些统计值的变化像素被用于在滑参数估计窗口Ileft,因此,在滑动窗口的再次使用必然会增加计算负担。
在图4中,r的大小选择是为了确保统计估计的噪声有足够的噪声像素。
由于有(h–2r)/2宽的被保护区域存在,保证从噪声统计估计中收集的一些远离测试区域和目标像素的噪声像素。
让真正的有兴趣的长度和宽度为L的目标和W(假设L>W),然后(h–2r)/2>L/ΔA,图像中的交叉范围的变化为ΔA。
为了分析方便的计算复杂性该算法设计的快速算法,我们作如下简化。
考虑到极端的例子。
假设建议CFAR检测器是设限程序,自由的也就是说,所有在滑动窗口噪声像素有助于参数估计。
接着,便有更大的计算复杂度比截尾的进程,只有部分的噪声在滑动窗口的像素用于参数估计。
这是该算法的最坏情况。
我们采取单看图片实例分析计算复杂性。
由于参数为多视估计和单视图像只在不同的外观数,计算分析复杂性和快速算法设计单看图片也多视图像合适。
为滑动移动窗口案例分析从上到下仅仅是作为同一案件滑动窗口由左向右移动。
A设计快速算法
我们可以看到从(10)和(11)的两个变量是需要为统计分布参数估计,即噪声强度
和平均值的均值广场的噪声强度
。
让μleft和λleft是强度均值和强度的平方平均在滑动窗口的Ileft噪声像素。
相应地,让μright和λright是强度均值和了对噪声强度平方像素意味着滑动窗口的Iright。
然后,这些变量之间的关系如下:
(16)
(17)
其中
是所有的噪声像素滑数窗口,h是高度或宽度的滑动窗口。
表示了在
的滑动窗口的左侧列中的噪声像素强度的总和。
代表了噪声像素强度的总和在
的滑动窗口的右侧列。
是对在噪声像素强度平方左栏
的滑动窗口。
是该在正确的噪声像素强度平方列
的滑动窗口因此,除了在第一次测试区域的图像,所有的其他相邻横向测试像素,μright和λright可由μleft和λleft依法取得(16)和(17)。
因此,期间滑动扫描图像窗口的过程,后估计可以得到以前的估计。
这一结果是显着减少计算量。
B.分析为计算复杂性快速算法
至于在第一次测试区域的图像,结合图4(10)和(11),Nc-1乘法和一次加法需要计算μ,与NC+1乘法和Nc–1加法需要计算
。
因此,两个乘法和2需要增加α,而一乘,一除了需要γ。
因此,对于第一个测试单元,一共有5Nc+乘法和2NC+1补充是必要的。
如果运行一乘法和加法是一样的,有许多3NC+6次的操作。
对于所有的除了第一次测试区域,区域的其他测试参数估计在滑动窗口中的噪声像素一个测试单元可以得到它的左邻的统计数字像素。
假设图像的大小为N×N的,根据(16)和(17),复杂的参数计算估计其他试验区域表一所示。
获得了
和
,当计算μleft和λleft时)。
假设一个乘法的执行时间与执行一次加法时间平等,参数估计
-1试验区域需要(
-1)(3h+12)次。
因此,当第一个像素的操作补充说,整个需要完全(
-1)(3h+12)+3Nc+6次操作。
C比照其他算法的计算复杂性
为了评估该算法的性能定量,我们采取中性能比较前面提到的快速算法,在最坏的情况没有快速算法计算策略,并广泛使用的双参数CFAR检测器建议林肯实验室。
该算法的最坏情况如果没有高速运算策略和算法的萨拉萨尔具有同等的计算复杂性。
计算复杂性分析算法和萨拉萨尔两指标CFAR算法分别载于表二和表三。
(3NC+6)操作所需的参数整体形象由萨拉萨尔估计算法和
(3NC+2)操作的双参数CFAR算法。
根据上述比较,也没有显着性差异的计算复杂度之间在萨拉萨尔和双参数CFAR算法。
基于在第四节中提到的简化,表一给出了最坏表现,提出的快速算法。
因此,比该萨拉萨尔算法的计算复杂性该算法是至少
(18)
该两指标的CFAR算法的计算复杂度比对所提出的算法是至少
(19)
其中r是参考滑动窗口中显示的宽度图4。
方程(18)和(19)的计算表明,萨拉萨尔和复杂性的双参数CFAR算法分别是,至少4r倍,建议算法不管有多大的图像的大小。
当在滑动窗口的宽度是最小的,即r=1,研究τ1和τ2下有四个值,即计算在萨拉萨尔和双参数CFAR率的复杂性算法分别是,至少4倍,提出的算法。
一般而言,以评估对噪声的统计性能准确的宽度参考滑动窗口通常是大得多,因此,同时τ1和τ2大大增加。
因此,建议快速算法并显着提高计算效率理论。
五,算法的性能分析
在本节中,给出了理论分析,以显示该算法的性能。
为了简单起见,我们认为,单看噪声环境(为单看案件的结论可以推广到多视的情况下)和理想的情况下,这个目标强度波动遵循一个负指数分布[5]。
根据(8)及(9),该CFAR概率探测器获得
(20)
该检测概率
(21)
其中σT是负指数分布的均值,并表示该目标功率。
使用(11)及(12),让信号对杂比(SCR)是将SCR=σT/σB(σB是噪声强度平均值),那么我们重写(21)为
(22)
方程(22)表明,该检测概率算法是密切相关的噪声环境(相关由线性性的α度)附近的目标和条件下的CFAR概率是SCR给出。
这正合我们的直观认识。
特定
=10-3,图5显示了性能指标曲线检测不同噪声情况和SCR值。
在图5(a)和(b),可以看出,有固定α,目标检测概率增加,因为SCR减小,而且的小α检测性能明显优于一个大型α。
α指的噪声环境的价值该目标的检测是在面对。
至于齐噪声和噪声边缘,α值相对较小,而对多目标的情况下,α值是相对较大。
因此,不建议设限程序,这是能够消除干扰的影响目标,在多目标的情况下检测性能决心降低与该对比显着均匀噪声和噪声边缘的情况。
上述分析表明,对于单视情况下,提出的算法和算法的萨拉萨尔展出均匀噪声相同的检测性能和噪声边缘的情况。
至于多目标的情况下,考虑(22),直观,由于
中的CFAR概率前进,由于设限程序的引入,相对明亮的噪声干扰目标,很多地区都丢弃。
这直接导致了两个参数的变化。
之一是,该区域的线性性程度增加由于在目标像素减少噪声异常区域,即α值下降。
另一个原因是,为测试区域SCR比较,升幅为噪声地区。
这是很容易观察,从(22),该增加SCR或α下降将导致在检测增加概率。
此外,这就是为什么我们介绍设限程序,提高检测性能多目标的情况。
前面的分析表明,SCR和围绕目标噪声均匀度也增加随着深度的增加设限。
不过,一个缺点是,由于检测概率增加,CFAR概率也愈大。
这无疑带来了一些CFAR损失。
对于各种不同的真实场景,CFAR损失的影响受多种因素。
因此,它不能从理论上推导出CFAR率之间的损失与设限深度的关系。
尽管如此,从提出的算法流程,它可以指出,该算法有很大的能力来控制假警率。
首先,该算法的性能强劲在一对设限深度误差范围。
原因是干扰目标像素是光明的,他们贡献到了SAR图像直方图的尾巴。
虽然全局阈值(由设限的深度决定)以上不等一个广泛对应的直方图尾部分,有异常目标像素删略有变化,其对大多数当地噪声的统计特性区域是有限的。
因此,有一个适当的范围广泛选择局部门槛。
当局部门槛在这个范围之内,该算法具有良好的检测性能。
因此,这使得选择局部阈值和截尾深度并非如此准确。
第二,进一步降低了聚类程序错误警率。
Ⅴ实验结果与分析
图6(a)显示了机载X波段HH在北京的一些地区的SAR图像,用一个
0.5×0.5米,200×500像素的图像。
图6(b)显示了6(a)的黑白图像。
显示的图像的左边部分是混凝土高速公路,右边部分是草。
小树在草地上蔓延。
草的边界是高速公路,即噪声边缘,有灌木丛。
在灌木丛左边,也有一些小的混凝土,这是等距离安排的被铁栅栏隔开。
图6(c)给出了噪声光照片。
萨拉萨尔作出结论[8],该匹配在伟大的CFAR损失,占噪声模拟结果萨拉萨尔说,算法优于传统的twoparameterCFAR检测器。
因此,我们只是比较建议CFAR算法与萨拉萨尔算法。
图6(d)显示萨拉萨尔算法的理论给出检测结果CFAR概率
。
相应地,图6(e
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- SAR 图像 目标 检测