复杂电磁环境下基于深度学习的目标检测算法研究
摘要
在信号处理、雷达成像等领域中，合成孔径雷达（SyntheticApertureRadar，SAR）
作为雷达成像的新技术，发挥着重要的作用，利用合成孔径雷达生成SAR图像再进行
目标检测是图像处理领域中一项应用广泛的研究任务。由于SAR图像是由雷达发射一
个波段的电磁波而生成，使得图像目标对电磁波的散射特性变化很大，尺寸变化剧烈，
在成像过程中不可避免地会产生相干斑噪声，同时大面积的背景覆盖会含有令人困惑的
地理元素，严重影响检测性能。在复杂电磁环境下，由于噪声杂波以及复杂地理元素的
存在，肉眼判别SAR图像中待检测的目标是十分困难的。因此，研究专门针对于SAR
图像去噪的算法以及研究更高效实时更适用于复杂电磁环境的SAR图像目标检测算法，
对改进复杂电磁环境下的SAR图像工作有着重要的意义。
近年来，卷积神经网络（ConvolutionalNeuralNetwork，CNN）广泛地应用在各个交
叉学科中，凭借CNN提取特征完整和检测误差小等特点，基于CNN的图像去噪与目标
检测技术适用于越来越复杂的电磁环境中，成为了SAR图像处理研究的必然手段。本
文立足于CNN能自动学习、适应复杂多变环境的特点，设计基于深度学习的SAR图像
去噪和目标检测算法，主要工作如下：
（1）提出了一种基于深度学习且融合了残差单元模块的SAR图像去噪算法。针对
传统滤波去噪算法效率低并太过依赖滤波器设计等缺点，本文设计了一种基于残差网络
改进的SAR图像去噪算法。该算法引入残差网络模块，该网络模块将含噪的原始图像
作为输入，以纯噪声图像作为输出，通过这种输入输出的映射大大降低了训练时的参数
计算量以及训练的困难度。搭建网络训练数据集时，首先使用Train400数据集，通过人
为添加乘性噪声来近似图像自携带相干斑噪声，模拟真实的SAR图像。此外，使用RSOD
数据集对算法在真实SAR图像上的去噪结果进行验证以保证算法的实际实用性。实验
证明，该算法在SAR图像去噪的任务中，取得了优于传统算法及其他基于深度学习算
法的性能，既可以有效大范围地滤除相干斑噪声，消除图像的绝大多数噪声斑点；又使
得图像的纹理、边缘等细节信息不被丢失，保证了图像的完整度。
（2）提出了一种基于YOLOX的深度学习目标检测算法。针对SAR图像尺寸变化
大，需要实时检测等问题，设计了一种基于YOLOX的SAR目标检测算法。该算法引
入自适应激活函数Meta-ACON，提高了主干网络的特征提取能力；此外引入卷积块注
意力机制CBAM，提高了FPN网络针对小尺寸输出的特征表征和专注能力，实现了端
哈尔滨工程大学专业学位硕士学位论文
对端处理。使用NWPUVHR-10数据集对目标检测性能进行验证。实验证明，该算法在
复杂电磁波散射背景的条件下对于SAR图像各种尺寸的目标都具有良好的检测性能，
同时还满足了实时检测的需求，实现对SAR图像的高精度检测。
关键词：SAR图像；目标检测；图像去噪；残差网络；YOLOX
复杂电磁环境下基于深度学习的目标检测算法研究
ABSTRACT
Inthefieldsofsignalprocessingandradarimaging,SyntheticApertureRadar(SAR),as
anewtechnologyofradarimaging,playsanimportantrole.Itisawidelyusedresearchtaskin
thefieldofimageprocessingtogenerateSARimagesandthendetectobjects.SincetheSAR
imageisgeneratedbyabandofelectromagneticwaveemittedby