基于区域分类的智能恒虚警SAR图像目标检测
结合场景分类的近岸区域SAR舰船目标快速检测方法
Vol. 36 No. 12Dec72020第36卷第12期2020年12月信号处理Jouana-ooSogna-Paoce s ong文章编号：1003-0530(2020)12-2123-08结合场景分类的近岸区域SAR 舰船目标快速检测方法付晓雅王兆成(河北工业大学电子信息工程学院，天津300401)摘 要：合成孔径雷达(Synthetic Aperture Radar , SAR )图像场景通常较大，深层卷积网络用于SAR 舰船目标检测时通常需要密集滑窗提取子图像预处理，然后利用目标检测网络直接对子图像进行目标检测，该过程存在大量信息冗余，极大影响了目标检测效率的提升。
在近岸区域下陆地场景偏多且场景复杂，针对以上问题，本文提出了一种结合场景分类的近岸区域SAR 舰船快速目标检测方法(SC-SSD )，该方法主要包含两个阶段：场景分类 阶段和目标检测阶段。
它们分别是由场景分类网络(Convolutional Neural Network for Scene Classification ，SC-CNN ) 和目标检测网络(Singe Shot Detector ，SSD )构成。
其中SC-CNN 可以快速粗略筛选出可能包含舰船的子图像，然后将筛选出的子图像输入到SSD 网络中实现精细化的舰船目标检测。
基于高分辨率SAR 舰船检测数据集AIR-SARShip-C.0的实验结果表明，提出方法相比于传统舰船检测方法，在保持较高的检测精度的同时，具有明显更快的检测速度。
关键词：合成孔径雷达图像；场景分类；舰船目标检测中图分类号：TN957.51 文献标识码：A DOI ： 10. 16798/j. issn. 1003-0530. 2020.12.019引用格式：付晓雅，王兆成.结合场景分类的近岸区域SAR 舰船目标快速检测方法[J ].信号处理，2020, 36(12) : 2123-2130. DOI ： 10. 16798/j. issn. 1003-0530.2020.12.019.Reference format : Fu Xiaoya ，Wang Zhaocheng. SAR Ship Target Rapid Detection Method Combined with Scene Cmssifi- cation in the Inshore Region [ J ]. Journal of Signal Processing ，2020，36(12) : 2123-2130. DOI : 10. 16798/j. issn. 10030530.2020.12.019.SAR Ship Target Rapid Detection Method Combiner withSceee Classidcation in the Inshore RegionFu Xiaoyy Wang Zhaocheng(School of Electronics and Information Engineering ，Hebei University of Technology ，Tianjin 300401，China)Abshraeh : SyniheiocApeaiuaeRadaa ( SAR ) omagesceneosusua e yeaage ， deep coneoeuioonaeneiwoak ooaSARshop iaagei detection usua/y requires dense sliding window to extract sub-image pre-processing ，and then use the target detection net work to directly target detection sub-image ，the process has a large number of iformation redundancy ，which greatly a/ectsthe efficiency of target detection. In the inshore region ， there are many land scenes and complex scenes ，for the aboveproblems ，this paper proposes a fast target detection method ( SC-SSD ) for SAR ships in the near-shore region combinedwoih sceneceassooocaioon ， whoch maoneyconsosisooiwosiages : scenecea s ooocaioon siageand iaageideiecioon siage.TheyconsosiooConeoeuioonaeNeuaaeNeiwoak ooaSceneCea s ooocaioon ( SC-CNN ) and SongeeShoiDeiecioa ( SSD ) ， aespecioeeey.TheSC-CNNcan quockeyand coaaseeyooeieaouiihesub-omagesihaimayconiaon shops ， and ihen onpuiiheooeieaed sub-oma-收稿日期：2020-10-12"修回日期：2020-12-30基金项目：国家自然科学基金(62001155)2124信号处理第36卷ges to the SSD network to realize fine-coined ship target detection.The experimental results based on the high-resolution SAR ship detection dataset AIR-SARShip-1.0show that the proposed method X significantly faster than the WadiXonal ship detection method while maintaining a higher detection accuracy.Key words:SAR image；scene classification；ship target detection1引言合成孔径雷达(Synthetic Aperture Radar,SAR)是一种主动式的微波成像传感器，具有不受任何天气条件限制，全天时,全天候,作用距离远的技术优势，在军事和民用领域发挥着重要的作用*1+)其中，港口和海上区域的舰船检测是一个重要的研究方向，对SAR图像舰船进行有效的检测有利于海上运输管理，渔业管理，舰船油污探测等［2］)传统的SAR图像舰船目标检测方法包括两个步骤：检测，鉴别。
基于SAR图像的自动目标识别系统设计与实现
物等 引起 目标散 射 特性 的变 化 ； 一方 面包 括 目标 另 自身 的姿 态角甚 至结 构改变 带来 的 图像 上散 射点 的
变化 。一个 完整 的 目标 识别 系统需 要在 广义 操作条
１ ２ ＡＴ ． Ｒ模 板 库
根据 对 测试 用 雷 达 的成 像 参数 的分 析 ， 构 建 在
个基 于模 版 匹配 的 目标 识 别 系 统 ， 从 实测 的 Ｓ Ｒ 它 Ａ
代 ， 原理 是利 用宽带 脉 冲获得距 离 向的高 分辨率 ， 其
同时借 助 于移动 雷达 的飞行 载体 以获得 较 大 的相 干 积 累角来 获得方 位 向的高分 辨率 。随着雷 达带宽 的 增长 ， 合成 孔径 雷达 图像 的分辨率 越来 越高 ， 民用 和
SAR图像处理及地面目标识别技术研究
SAR图像处理及地面目标识别技术研究SAR图像处理及地面目标识别技术研究随着雷达技术的不断发展，合成孔径雷达（SAR）图像处理及地面目标识别技术引起了广泛关注。
SAR是一种主动雷达，它通过发送脉冲信号并接收返回的回波来获取目标的图像信息。
相比于光学影像，在遥感和军事领域，SAR具有天气无关性及全天候工作的优势，可以提供高分辨率、高质量的图像。
然而，由于复杂的雷达物理过程和大量的干扰，SAR图像处理及地面目标识别面临着许多挑战。
SAR图像处理涉及到对原始数据进行预处理和图像增强，以提高图像质量和目标识别的准确性。
预处理包括多普勒校正、多视图融合和地面杂波抑制等步骤。
在SAR图像中，由于目标和地面散射的不同，会引起多普勒频移现象。
多普勒校正可以通过对SAR数据进行频率分析和相位校正，来消除多普勒频移的影响。
多视图融合技术结合了不同角度和视角的SAR图像，可以提供更全面、更丰富的目标信息。
地面杂波抑制是对SAR图像中的背景杂波进行滤波处理，以凸显目标的边缘和细节。
在SAR图像增强中，常用的方法包括滤波、多尺度变换和图像去噪。
滤波是常用的降噪方法，它可以通过去除图像中的高频噪声，使图像更加清晰。
常见的滤波方法有中值滤波、均值滤波和小波变换滤波等。
多尺度变换可以将SAR图像分解为不同尺度的频带，以获取图像的多尺度信息，从而提高目标的识别能力。
图像去噪技术的目的是减少图像中的噪声，以提高目标的清晰度和辨识度。
去噪方法常用的有小波去噪、自适应邻域滤波和非局部平均去噪等。
地面目标识别是SAR图像处理的一个核心任务，它主要包括目标检测、目标分割和目标识别等过程。
目标检测是在图像中找出可能的目标区域，常用的方法有基于像素值、基于纹理和基于形状的目标检测算法。
目标分割是将图像中的目标与背景进行分离，以便更好地进行识别和分析。
目标识别是将分割后的目标与数据库中的目标进行匹配，从而实现目标的自动识别和分类。
目标识别的方法较为复杂，常用的有基于特征、基于模型和基于机器学习的目标识别算法。
SAR图像目标检测研究综述
2、基于时域的方法：这类方法主要通过滑动窗口等方式，对SAR图像进行时域 分析。这类方法可以更好地抑制斑点噪声，但是计算复杂度较高。
三、典型SAR图像目标检测方法 介绍
1、基于SWT（Sliding Window Technique）的方法：这是一种常用的时域分 析方法，通过在SAR图像上滑动一个窗口，对窗口内的像素进行统计和阈值判 断，以检测目标。
1、传统方法
基于滤波的方法是SAR图像目标检测的常用方法之一。该方法主要通过滤波器 对图像进行平滑处理，以减小图像的噪声和干扰，然后利用图像的统计特征进 行目标检测。基于边缘的方法则通过检测图像边缘来提取目标信息。该方法主 要利用图像边缘的突
变特性来识别目标，但容易受到噪声干扰。小波变换是一种有效的信号处理方 法，在SAR图像目标检测中主要用于提取图像的多尺度特征，提高目标的识别 精度。
另外，如何将SAR图像目标检测与其他图像处理任务（如图像分割、目标跟踪 等）相结合，进一步提高SAR图像的应用价值，也是未来的一个研究方向。
总之，SAR图像目标检测是一个富有挑战性和应用价值的研究领域。未来的研 究应不断探索和创新，结合新的技术和方法，进一步提高SAR图像目标检测的 性能和鲁棒性，为实际应用提供更为可靠的解决方案。
4、训练策略调整：我们采用了分阶段训练的方法。首先，我们使用大量的无 标签数据进行预训练，以增强网络对SAR图像背景和噪声的适应性。然后，我 们使用有标签数据进行微调，以使网络能够更准确地检测和识别舰船目标。
5、后处理改进：在目标检测任务中，后处理是关键的一部分。我们提出了一 种新的非极大值抑制（NMS）策略，该策略考虑到了SAR图像中舰船目标的空 间关系和形状特征。此外，我们还引入了一种新的目标标签修正算法，以解决 因SAR图像的分辨率和角度问题导致的目标识别错误。
SAR图像变化检测
城市扩张监测
通过对比不同时期的SAR图像， 监测城市扩张的区域和速度，为 城市规划和建设提供决策依据。
建筑物变化检测
利用SAR图像变化检测技术，快 速准确地识别建筑物的新建、拆 除或改建，有助于城市管理部门
及时了解城市更新情况。
土地利用变化分析
通过对SAR图像的变化进行监测 和分析，研究土地利用类型的改 变，如农业用地转变为城市用地 等，有助于规划合理的土地利用
可靠性高
SAR图像不易受光学图像的干 扰，如阴影、反光等，因此在 地物识别和变化检测中具有较 高的可靠性。
安全性高
SAR图像的获取通常采用无人 机或卫星平台，相较于传统的 光学成像方式更为安全和便捷
。
SAR图像的应用领域
01
02
03
04
军事侦察
SAR图像在军事侦察领域具有 广泛应用，可用于目标识别、
SAR图像变化检测
目 录
• SAR图像概述 • SAR图像变化检测算法 • SAR图像变化检测应用 • SAR图像变化检测面临的挑战 • SAR图像变化检测的未来展望
01 SAR图像概述
SAR图像的特点
高分辨率
SAR图像具有高分辨率特性， 能够提供丰富的地物细节信息
。
穿透性强
SAR图像能够穿透云层和阴影 区域，不受光照条件限制，具 有全天候成像能力。
03
高频SAR图像的处理和传输也面临一些挑战，如数据量庞 大、处理复杂度高、实时性要求高等。因此，需要进一步 发展高效的数据处理技术和传输方案，以满足高频SAR图 像变化检测的需求。
THANKS FOR WATCHING
感谢您的观看
阴影和遮挡问题
阴影区域
由于地形遮挡和太阳角度的影响，SAR图像中可能会出现阴影区 域，这些区域可能隐藏了重要的变化信息。
基于多层显著性模型的SAR图像舰船目标检测
基于多层显著性模型的SAR图像舰船目标检测
扈琪;胡绍海;刘帅奇
【期刊名称】《系统工程与电子技术》
【年(卷),期】2024(46)2
【摘要】针对合成孔径雷达图像舰船目标检测问题,提出了一种结合选择机制与轮廓信息的多层显著性目标检测方法。
首先,利用非下采样剪切波和频谱残差法进行全局显著性区域提取。
其次,提出了一种基于动态恒虚警率的活动轮廓显著性模型,逐步滤除候选区域的虚警,提取目标轮廓,从而实现目标的精确检测。
所提方法能够由粗到细地快速捕获目标区域,从而实现高效、高分辨率合成孔径雷达图像舰船检测。
最后,在真实SAR数据集进行了测试,与其他经典的舰船检测方法相比,所提算法不仅有效地抑制了海杂波的影响,而且在检测精度上有较大提高。
【总页数】10页(P478-487)
【作者】扈琪;胡绍海;刘帅奇
【作者单位】河北大学电子信息工程学院;北京交通大学信息科学研究所;现代信息科学与网络技术北京市重点实验室
【正文语种】中文
【中图分类】TN957.52
【相关文献】
1.一种基于视觉显著性的SAR图像弱目标检测算法
2.基于图像显著性特征的舰船目标检测识别方法
3.基于显著性的遥感图像舰船目标检测
4.一种基于显著性的高海况SAR图像船舶目标检测方法
因版权原因，仅展示原文概要，查看原文内容请购买。
SAR图像目标检测研究综述
车、 步兵 战车 、 卡车等 ） Ｓ Ｒ Ａ Ｒ系统 的研 究 。经过 近 ２ 的 Ａ Ｔ ０ 年艰苦卓绝 的探 索 ， 科学界对于 Ｓ Ｒ Ａ Ｒ系统研究 已经达成 Ａ Ｔ 了一个共识 ， 即采用分层注意机制的一般 流程 （ 如图 １所 示 ） 才有可能使 Ｓ Ｒ Ａ Ｒ系统 真正走 向实用 化 Ｊ 目标检 测 Ａ Ｔ 。 作为这种 匠心 独具 的 流程 设 计 中 的第 一步 ， 其重 要 性不 言
而喻 。
ｓ 目 ， 盔 ． ！ ＾ 像： ｎ —０ ’ 。 一 分结 —— 类果
￡＝ ： ， ｌ ＝ 检测 预览 聿
： ｛ ：一 ｊ开 ： 『 ｊ Ｉ 一 『 ： Ｔ … 波
鉴别
霉 分类 越 别 ＝争
本文 回顾 了 自
Ｓ Ｒ图像 目标 检 测 Ａ
』 的伊 拉克美 索不达米亚平原还 是在 山峦叠 嶂的阿 富汗 ， Ｉ ｆ 其 上空都有 Ｓ Ｒ的身影 。勿庸置疑 ， Ａ 这场伟大 的变 革 已经影 响 到了军用 和民用 的各个领 域。 今 天， 伴随着 Ｓ Ｒ成像技 术 的成熟 ， Ａ 一度 喧嚣 的 Ｓ Ｒ图 Ａ 像 获取 问题尘埃落定 。然 而 ， 人们 却 不得 不 面对这样 一个尴
Ｇ ＡＯ ｉ Ｚ Ｇｕ ＨＯＵ Ｄｉ— ｉ ＪＡＮＧ ｎ ． ｌ ｅｆ Ｉ ｅ Ｙｏ ｇ ｍｅ — ＫＵＡＮ Ｇａ ｇｙ ｏ Ｇ ｎ —ａ
（ ． ｃ ｏ ｌ ｆ ｌ ｔ ｎｃＳ ｉｎ ｅａ ｄ Ｅ ｇ ｅ ｒ ｇ Ｎ Ｄ Ｃ ａ ｇｈ ， ｕ ａ ０ ３ Ｃ ｉａ １ Ｓ ｈ ｏ ｏ ｅ ｒ ｉ ｃｅ ｃ ｎ ｎ ｉ ｅｉ ， Ｕ Ｔ， ｈ ｎ ｓ ａ Ｈ ｎ ｎ４ ０ ７ ， ｈｎ ； Ｅ ｃｏ ｎ ｎ １
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An Adaptive and Fast CFAR Algorithm Based on Automatic Censoring for Target Detection inHigh-Resolution SAR Images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1一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。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
m1
其中 p 为均匀杂波回波功率 ; m 为多视视数 . P fa = dx ∫ p (x/ w ) ( 7)
将 Gamm a 分布的概率密度函数带入式( 7) ,可 得式( 8) m1 +∞ m mx P fa = exp - m x d x ( 8) x Γ ( m ) p p p 0
∫
令 y =m x , p P fa =
∑
Xi
3ห้องสมุดไป่ตู้
( 2)
i ∈ subW
∑
Xi /
2
i ∈ sub W
∑
Xi
4
其中 , M RH 为子窗 1 和子窗 3 的均值比 , 用来作为判 断水平方向的边缘是否存在的特征量 , M RV 为子窗 2 和子窗 4 的均值比 , 用来作为判断垂直方向边缘 是否存在的特征量 . 在同质性区域 , M R 参数的值是 不依赖于杂波噪声的能量的 . 当测试窗中出现阶跃 性边缘时 , 其值就会出现显著性的增加或减少 . 两个 区域的均值比能够很好地表征边缘的存在 , 给定阈 值 K M R , 通过公式 ( 3) 的假设测试来判断背景是否 正处于过渡区域 .
CA-CFA R 通常用于雷达系统的自适应门限检测 , 对 于均匀性区域 , 它是最优的 , 能够保证在一定的虚警 率下 , 获得最大检测概率 . 事实上 , 在噪声能量已知 , 当用于背景杂波能量估计的参考窗口中包含的单元 数量趋向于无 限大时 , CA-CFAR 的性 能逼近最 优 Neyman -Pearson 准则的固 定阈值 检测器 . 然而 , 当参考窗口中包含的单元数量增加时 , 同质性假设 可能就不成立了 . 事实上 , 异质性环境( 包括多目标 和背景杂波边缘) 在实际中经常遇到 . 这些通常模型 化为多目标或杂波边缘 . 在多目标和杂波边缘的异 质性环境中 , CA-CF AR 性能将严重衰退 . 一个或多
个干涉目标在参考窗中的出现将增加检测门限 , 从 而降 低 了 虚 警 率 ( the probabili ty of false alarm , Pf a) , 同时将导致较低的检测概率 . GOCFAR 在杂 波边缘的情况下 , 提供了较好的性能 , 但相对于 CACFAR 来 说 , 在同 质性区域增加 了相关性的 丢失 . SOCFAR 在多目标环境中能取得好的性能 , 提高空 间距离目标的辨识性能显著 , 但在边缘环境中它比 CA-CFAR 有更多的虚警 . 另外 , 林肯实验室提出高 斯分布条件下的双参数恒虚警检测器用于 SAR 图 像目标的检测[ 5] . 但实际上 SAR 图像均匀杂波假设 为高斯分布不 太恰当 , 一 般假设为 Gamma 分布更 加合理
1 KM R ≤ M R ≤ K MR 1 MR < KM R
同质性区域 过渡性区域
或 M R > K MR
( 3)
2. 2 相对标准差参数 R 在 RC-CFAR 中 , 滑窗中的背景区域被分成的 4 个子窗 , 用公式( 4) 来分别计算各自的相对标准差 . R 定义成标准方 差的估计 σ与均值的 估计 μ 的比 值.
文章编号 : 1671-8836( 2004) 01-0104 -05
基于区域分类的智能恒虚警 SAR 图像目标检测
黄 祥, 孙 洪ñ , 罗 玮, 徐 新, 杨 文
( 武汉大学 电子信息学院 , 湖北 武汉 430072)
摘 要 : 提出了一种用于 SA R 图像目标检测的基于区域分类的智能恒虚警算法 . 该算法组合常规的单元平 均 恒虚 警 、选小恒虚警和选大恒虚警的有利特性 , 在多窗口 划分和 区域类 型分类 的基础 上 , 实 现目标 的智能 检测 . 实 验表 明 , 该方法在同质性区域保持较好检测性能的同时 , 在多目标和杂波边缘的异 质性区域也 有较强的 鲁棒性 . 这 必将极大的降低后续辨别和识别阶段的复杂度 , 从而提高了整个 AT R 系统 的性能 . 关 键 词 : 目标检测 ;区域分类 ; 恒虚警 ;合成孔径雷达 中图分类号 : T P 751 . 1 文献标识码 : A
3 背景参考单元的选取
区域类型判决与逻辑选择模块根据上面的得到 的参数进行分析和逻辑判断 , 按一定策略选取适当 的子窗作为背景参考单元 , 用于背景参数的估计 . 图 2 给出了背景单元选取的策略 . 取出图 1 所示的 4 个子窗的参数 M R 和 R , 通过公式 ( 5) 判断 异质性 子窗个数 . 根据个数的不同 , 采取下列方案 : ① 如果异质性子窗为个数 0 , 表明滑窗所处的 背景区域为同质性区域 . 4 个子窗全部用来作为背 景区域的参考单元 , 用于背景参数的估计 . 这等效于 CA-CFA R 检测器 . ② 如果异质性子窗个数为 1 , 表明滑窗所在的 背景区域存在多目标干扰 . 为了将干扰消除 , 即剔出 那个异质区域 , 把其余子窗单元用作背景参考单元 . 这等效于 SOCFAR 检测器 . ③ 如果异质性子窗个数为 2 , 则进一步判断这 2 个异质性子窗是否相邻 . 如果相邻 , 则表明子窗中 的异质性区域是多目标干扰 , 或者是类多目标的边 缘干扰 . 无论是前者还是后者 , 其效果都等效于多目 标干扰 . 选取 4 个子窗均值较小的 2 个子窗作为背 景参考单元 . 这种方式等效于 SO-CFAR . ④ 如果在第 ③种情况下的 2 个异质性子窗不 相邻 . 则需要进一步用公式 ( 3) , 根据 M R 判断滑窗 所处区域的边缘类型 . 如果 M R 值在阈值门限内 , 则
m -1
∫
y0
+∞
1 y m -1e -y d y = Γ ( m)
1 -k ym 0 y ∑ e 0 m -1 -k ) ! k =0 ( y0 mx0 , 若令 V = 则有 其中 , y 0 = m p y0 p x0 = = V ·p m
y 0 由公式 ( 9) 解出 , 代入公式 ( 10) 就可求得系 数 V.
DO I : 10 . 14188 / j. 1671 8836 . 2004 . 01 . 024 第 50 卷 第 1 期 2004 年 2 月
武汉大学学报( 理学版) J. W uhan Univ . ( N at . Sci . Ed . )
V ol . 50 N o . 1 Feb .2004 , 104 ～ 108
T =IB ×V
对于每一个测试单元 , 检测器将测试单元的 Y 和 T 比较 : 如果 Y 超过 T , 则目标存在 ; 否则 , 不存在 . 这 个处理过程就随着滑窗在整个图像中逐个测试单元 的移动而重复执行 .
2 参数的选取
RCCFAR 窗口划分是在判别各子窗类型的基 础上 , 选择不同的检测方案 , 达到目标检测智能化的 目的 . 如何判断窗口类型有多种不同的策略 , 关键是 要选 取 合适 的 特 征量 . 结合 SA R 图像 边 缘 检 测 Ratio 算子[ 9] , 在实验中 , 发现区域的均值比 M R 和
∧ ∧
相对标准差 R 是划分区域类型较稳健的特征量 . 2. 1 均值比参数 M R 在背景区域中 , 将 4 个子窗的平均值 μ i 之比 , 作为均值比 M R 参数 , 定义如下式所示 . M RH = μ 1/ μ 3 = M RV = μ 2/ μ 4 =
i ∈ sub W
∑
X i/
1
i ∈ sub W
[ 6]
. Lombardo 等人也讨论了基于分割的恒虚
警方法用于 SAR 图像的目标检测[ 7] . 针对上述检测器的存在的问题 , 本文提出了区 域分类 CFAR( region classification , RC-CFAR) 检测 器 , 它 充 分 利 用 了 CA-CFAR 、SO-CFAR 和 GOCFAR 方法的优点 , 动态选取子窗作为背景参考单 元来估计杂波 能量和基于期望虚警概 率的增益系 数. 在同质性环境中提供了低的虚警 , 而在异质性环 境中也有较强的鲁棒性 .
0 引 言
合成孔径雷达( sy nt hetic apert ure radar , SAR) 自动目标识 别( autom atic target recog nition , AT R) 已成为当前研究的热点 . 典型的 SAR 图像 AT R 系 统有 3 个主要阶段 : 检测 、辨别和识别[ 1] . 在检测阶 段 , 恒虚警 ( constant false alarm ratio , CFAR) 检测 器从大范围的图像中找出可能存在目标的感兴趣区 域( region of interest , ROI) . 它极大地降低了后续阶 段复杂的辨别和识别算法 的负载 , 提 高 AT R 系统 的效率 . 常规的 CFAR 检测算法有单元平均恒虚警( cell average , CA-CFAR) 、选大恒虚警 ( greatest of , GO[ 2 , 3] CFAR) 和选小恒虚警( smallest of , SO-CFAR) .
第1期
黄 祥 等 : 基于 区域分类的智能恒虚警 SA R 图像目标检测
105
C UT) 为中心的滑动窗口 . CUT 用来平均当前像素 的剧烈起伏 . 窗口背景单元用于估计背景的检验统 计量 . 在 CUT 周围留有环状区域作为保护环 , 保证 目标能量不泄漏到背景区域 , 避免了背景杂波统计 量估计的不准确 , 其宽度通常等于目标的大小 . 本文将滑窗模型中的背景区域分为 4 个子块 , 标记为 子窗 1 , 2 , 3 , 4 , 形成 RC-CFAR 的 框 图 , 如 图 1所示 . 在 RC-CFAR 检测器的流程框图中 , 主要 有滑动窗模型 、参数估计模块 、 区域类型判决与逻辑 选择模块和阈值计算模块等 . 通过参数估计模块分 别计算出各个子窗的均值 μ和相对标准差 R , 作为 各个子窗区域的特征量参数 , 传给区域类型判决与 逻辑选择模块 . 由它先对各个子窗做类型判断 , 然后 动态选择合适的子窗或组合形成背景杂波数据单元 组. 背景杂波数据单元组用来估计背景杂波能量的 强度 I B 和基于期望虚警概率的增益系数 V . 自适 应阈值 T 的计算 , 如式( 1) 所示 .