CN101975940B - 基于分割组合的sar图像自适应恒虚警率目标检测方法 - Google Patents
基于分割组合的sar图像自适应恒虚警率目标检测方法 Download PDFInfo
- Publication number
- CN101975940B CN101975940B CN2010102929870A CN201010292987A CN101975940B CN 101975940 B CN101975940 B CN 101975940B CN 2010102929870 A CN2010102929870 A CN 2010102929870A CN 201010292987 A CN201010292987 A CN 201010292987A CN 101975940 B CN101975940 B CN 101975940B
- Authority
- CN
- China
- Prior art keywords
- window
- sub
- windows
- clutter
- sar image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Images
Landscapes
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于分割组合的SAR图像自适应恒虚警率目标检测方法,属于合成孔径雷达技术领域。将参考窗分成四个子窗,提取四个子窗的均匀度统计量并判别子窗是否均匀。根据非均匀的个数采取相应的子窗组合策略得到用来估计背景杂波模型的参数,然后利用虚警概率以及杂波模型之间的关系得到检测阈值。将当前检测单元的像素值与检测阈值比较,判断目标是否存在,采用流水式检测整幅待测SAR图像,对检测完的SAR图像进行目标融合操作。本方案计算量小,操作简单,解决了现有技术在高分辨大场景下环境复杂多变多目标邻近时检测概率低、虚警率高等问题,使得检测效果明显提高,在各种较复杂检测环境下均能保持较好检测性能。
Description
技术领域
本发明专利属于合成孔径雷达(SAR)技术领域,涉及实时检测SAR图像目标的方法。
背景技术
近年来,合成孔径雷达(SAR)的快速发展不仅提升其在军事上的应用,同时也开始影响着日常的地形测绘航海监测等民事应用。但是随着机载和星载SAR传感器获得的图像数据趋于海量,而现有的图像分析能力根本无法满足收集到的数据的处理需求,因此发展SAR图像解译技术变得越来越迫切。SAR图像解译技术内容丰富,针对不同的应用蔓延种类繁多的分支。其中一个重要的分支就是如何从不可预知的背景杂波中发现到感兴趣区域(ROI)。这个被称作自动目标识别(ATR)过程。
作为ATR的第一步,目标检测对于后续的目标识别等一系列过程都有着较大的影响,直接会影响到整个计算的检测精度和计算的复杂度。而SAR图像目标检测算法在过去的近几十年得到了蓬勃发展。总共大致有以下三大类的SAR图像目标算法:(1)基于图像对比度的目标检测算法;(2)基于图像其他特征的目标检测算法;(3)基于复图像特征的目标检测算法。其中基于图像对比度的目标检测算法由于其计算简便,效果卓著而被大量研究。基于图像对比度的算法中主要的就是恒虚警率(CFAR)检测算法。CFAR检测算法因为其能保持恒定的虚警概率,并且实施较为简单而被广泛应用。如世界知名的加拿大的SARATR workbench系统和德国的ACoVis系统都采用了此项检测技术。
在理想均匀高斯背景杂波情况下,单元平均(CA)CFAR技术被证明能在保持恒定虚警概率的条件下同时取得最好的检测性能。另外当用来估计的杂波单元数趋于无穷时,CA-CFAR检测器被证明无限趋近于最优的尼曼皮尔逊检测器。但是应该注意的是,随着杂波单元数的增加,原本均匀的杂波假设倾向于被破坏。因此,在非均匀的杂波环境下,CA-CFAR的检测效果承受了巨大的损失。参考窗中一个或多个干扰目标会促使检测门限的上升,这会使虚警概率下降到一个我们不可以承受的范围,同时还会使检测概率下降。在杂波边缘环境也类似,当待检测单元在低杂波时会承受较多的虚警,而在高杂波时会损失检测概率。所以总体来说,CA-CFAR在非均匀环境的检测性能相比较均匀环境有较大下降,因此后续有各种CFAR检测器来用于探究此问题的解决方法。
在杂波边缘区域,选大(GO)CFAR能提供更好的检测性能,但是由于失去了相邻单元的相关信息,相比较CA-CFAR,在均匀区域有更大的下降。在多目标环境下,选小(SO)CFAR减少了相邻目标的影响,因此这种情况下获得较好的性能。但是在杂波边缘环境下相比较CA-CFAR能承受更多的虚警。另一种CFAR检测器,排列统计(OS)CFAR检测器能一定程度上克服以上几种CFAR检测器的缺陷,但是尽管它比较稳健,但是在杂波边缘环境下还是承受了较多的虚警。
想利用一种检测算法来适应复杂多变的各种场景,显然并不容易。如果开发一种算法,能根据被测单元所处的特定环境自适应的从以上经典的CFAR检测器中选择最合适的检测器来进行检测,无疑将具有较大的检测性能提升。因此这种自适应CFAR检测算法成为一个主要的CFAR研究方向。
黄祥于2005年提出了一种基于区域分类的自适应检测算法(RC-CFAR算法),这种方法将场景数据分维分窗处理能很好提取待检测单元的环境参数,但是其分窗组合思想不够完善,在一些较复杂的目标场景下会造成目标检测率损失。本方法在其基础上提出了一种改进方案,能针对此类环境场景有效提高检测率。
发明内容
现有自适应CFAR技术的检测方法,检测概率较低,虚警率较高,在复杂的多个目标嵌在一起时容易受到周围目标干扰,同时一些较弱的目标因为被强目标所遮蔽难以被检测到。为了解决现有技术的上述问题,本技术方案提出了一种基于分割组合的利用各局部信息的自适应子窗组合的检测方法,主要利用基于分割组合的CFAR技术对SAR图像进行快速的目标检测,从而从海量SAR数据中迅速找到感兴趣的区域。为了能自适应的针对各特定环境,采取相应子窗组合从而达到最优的检测效果。本技术方案所提出的检测方法是针对成像后的图像数据进行检测,采用了基于分割组合的自适应CFAR检测方法进行检测,本方法计算量小,操作较为简单,检测效果明显提高,适于实时目标检测系统。
为了实现本发明的目的,本发明提供一种基于分割组合的SAR图像自适应恒虚警率目标检测方法,包含如下步骤:
步骤1:从合成孔径雷达系统中获取到一幅待检测SAR图像,该图像是n行,m列的;作为优先,步骤1中还包括对获取到的待检测SAR图像进行噪声滤除。
步骤2:从该图像的第(h/2+1)行第(h/2+1)列的像素开始对待检测SAR图像的像素进行检测;以该像素作为当前的检测单元,将以此检测单元为中心且尺寸是h×h的方形窗作为背景窗,h为预设的背景窗宽度。为减少邻近目标的干扰,将以此像素为中心且尺寸是(h-2r)×(h-2r)的方形窗作为保护窗。取出背景窗的数据之后再从背景窗的数据中去掉保护窗的数据,得到一个空心的参考单元窗。
步骤3:将得到的空心参考单元窗从对角线方向分割成四个子窗,并且提取这四个子窗的均匀度统计量,用于反映的是各子窗内的功率水平以及均匀性特征。进一步地,每个子窗的均匀度统计量VI按照下式计算:
其中μ为该子窗内参考单元的均值,σ是该子窗内参考单元的方差;
步骤4:根据这四个均匀度统计量判别这四个子窗是否均匀;然后根据四个子窗中被判为非均匀子窗的个数,采取相应的子窗组合方法,并且根据所采取的子窗组合估计出背景杂波模型的参数。
步骤5:获取背景杂波模型的参数后,利用预设的虚警概率Pfa和杂波模型之间的关系得到最终的检测阈值T。
步骤6:将当前的检测单元像素值与检测阈值T进行比较,如果检测单元像素值大于检测阈值T,则认为有目标存在,如果检测单元像素值小于检测阈值T,则认为没有目标存在,并进行标记。
步骤7:水平移至待检测SAR图像的下一个像素,以该像素作为当前的检测单元,将以此检测单元为中心且尺寸是h×h的方形窗作为背景窗,h为预设的背景窗宽度,并以此像素为中心且尺寸是(h-2r)×(h-2r)的方形窗作为保护窗。取出背景窗的数据之后再从背景窗的数据中去掉保护窗的数据,得到一个空心的参考单元窗,然后重复步骤3到步骤6。采用流水式检测直到整幅待测SAR图像中的检测单元都被检测完。
步骤8:对检测完的SAR图像进行目标融合操作,作用是去除一些过小不可能是目标的区域,连通可能被分割的检测区域。
步骤4进一步包括:
步骤4a.首先将从四个子窗中提取到各子窗的均匀度统计量,分别与一个预设的均匀度阈值KVI进行比较,如果均匀度统计量大于该阈值KVI,则将该子窗判为非均匀子窗;否则判为均匀子窗。
步骤4b.根据四个子窗中被判为非均匀子窗的个数M,分别采取如下子窗组合方法:
情况1:如果M=0,那么这四个子窗都被采用,联合作为子窗组合;
情况2:如果M=1,那么将其中那三个均匀子窗联合作为子窗组合;
情况3:如果M=2,就要再判断其中这两个非均匀子窗是否相邻,如果相邻就选择另外两个均匀子窗作为子窗组合;如果不相邻而是相对的位置,就要再进一步判断两个均匀子窗的杂波功率水平是否在同一水平,若是则选定这两个均匀子窗作为子窗组合,否则还要进一步判断当前检测单元是存在于高杂波环境还是低杂波环境,如果判为在高杂波环境,就采用高杂波的均匀子窗作为唯一的子窗组合,如果判为在低杂波环境,就采用低杂波的均匀子窗作为唯一的子窗组合;
情况4:如果M=3,将唯一的均匀子窗作为子窗组合;
情况5:如果M=4,即四个子窗都不均匀,此时采用这四个子窗作为子窗组合;
步骤4c.如果是情况1~4中采取的子窗组合,那么就对子窗组合内的像素进行统计得到均值和方差,从而对背景杂波模型的参数进行估计;如果是情况5,则运用排序统计的思想,将全部四个子窗内的像素按照像素大小进行排序,用排序后的设定的特殊位置的值作为对杂波均值的估计和方差的估计。然后以此对背景杂波模型参数进行估计。
进一步地,在步骤4b的情况3中,
(1)判断两个均匀子窗的杂波功率水平是否在同一水平的方法是:
获得这两个均匀子窗的均值比统计量MR:
式中,A、B为相对的两个均匀子窗,Xi,Xj分别为A,B两子窗内的参考单元;
(2)判断当前检测单元是存在于高杂波还是低杂波环境的方法为:
获得A,B两个均匀子窗的均值,分别是MH和ML,其中属于高杂波环境的为A窗MH;
再以当前检测单元为中心,设定一个AW窗,其尺寸是保护窗的一半,获得该AW窗内参考单元的均值估计为M0;获取如下式表示的统计量PR:
PR=|MH-M0|/|ML-M0|
将统计量PR与预设的阈值KPR比较,如果统计量PR大于阈值KPR,即认为当前检测单元处于低杂波环境,反之认为待检测单元处于高杂波环境。
进一步地,步骤8中包括:
步骤8a.将检测到的目标区域标注出来,去除一些区域面积明显小于待检测目标尺寸而且较为孤立的区域;
步骤8b.选定任意两个标注出来的区域;
步骤8c.计算这两个区域的最远距离d,并与设定的最远距离阈值Kd进行比较判断,如果d>Kd,直接转至步骤e,否则进行步骤d;
步骤8d.如果d≤Kd,也就意味着这两个区域被判断为属于同一个区域,于是将这两个区域进行合并融合;
步骤8e.判断是否所有的两个相邻区域都被检测完了,如果都已检测完,进行下一步,否则转至步骤b继续进行步骤b到步骤d的操作;
步骤8f.将检测融合之后的区域再标注出来,对每一个标注区域进行面积判断,逐个区域进行统计区域内目标像素的个数S。根据被检测的目标大小确定最大能包括的像素数Smax以及最小能包括的像素数Smin。判断区域内目标像素个数S是否满足Smax>S≥Smin,如果满足,则判别为目标区域,否则视为虚警被移除。
对比现有技术,本技术方案提供一种基于分割组合的SAR图像自适应恒虚警率目标检测方法,计算量小,操作较为简单,解决了现有技术在高分辨大场景下环境复杂多变多目标邻近时检测概率低、虚警率高等问题,使得检测效果明显提高,是一种在各种较复杂检测环境下均能保持较好的检测性能的自适应检测算法,适用于完成实时目标检测任务和实时机动目标检测系统。
附图说明
图1是本技术方案所述空心参考单元窗和四子窗的示意图;
图2是采取相应的子窗组合方法的流程图;
图3是本技术方案实施的流程图;
图4是SAR图像中杂波边缘的情况示意图;
图5是实施例中利用的原始SAR图像数据;
图6是实施例中利用的原始SAR图像数据的大致内容和轮廓;
图7是利用本技术方案对以上原始SAR图像数据进行检测和标记的效果图;
图8是对检测结果进行目标融合后的结果;
图9是利用黄祥的RC-CFAR算法进行检测的检测结果;
图10是利用黄祥的RC-CFAR检测结果进行图像融合的融合图。
具体实施方式
下面将结合附图对本发明加以详细说明,同时也叙述了本发明技术方案解决的技术问题及有益效果,需要指出的是,所描述的实施例仅旨在便于对本发明的理解,而对其不起任何限定作用。
图1是本发明所述基于分割组合的SAR图像自适应恒虚警率目标检测方法的空心参考单元窗和四子窗的示意图,首先需要选取一个适当大小的参考窗来对每一个待检测像素进行检测。这个检测参考窗由两个窗组成,一个是背景窗,另一个是保护窗。这个空心参考窗是将背景窗减掉保护窗所得的窗。要将此空心参考窗如图分割成四个小子窗,分别代表着距离向和方位向两个方向上的环境特征。其中h-2r的值与潜在待检测目标的尺寸相关,通常设为待检测目标尺寸的两倍。另外r的值与子窗内用来估计的单元数有关,并且本算法的运算量取决于该r值。(此空心滑窗方法具体可参见1991年Novak的文章《On thePerformance of the Order-Statistics CFAR Detectors》)
假设每一个子窗的单元个数是N,那么整个四个子窗的单元数一共是4N个。上子窗内单元数据是1到N,右子窗内单元数据是N+1到2N,下子窗内单元数据是2N+1到3N,左子窗内单元数据是3N+1到4N。首先要对这四个子窗所处的环境进行判别。因此需要对此四个子窗提取特征参数——均匀度统计量VI。上右下左四个子窗的VI统计量分别为VIu,VIr,VId,VIl。根据这四个VI统计量判别四个子窗是否均匀。根据四个子窗中非均匀的个数采取相应的子窗组合策略进而得到用来估计背景杂波模型的参数。得到杂波模型的参数之后,利用检测阈值和虚警概率以及杂波模型之间的关系得到检测阈值。利用此检测阈值与图像中当前检测单元的像素值进行比较,当检测阈值小于待检测像素点的值即可判断目标存在,输出为1(标记),反之判断目标不存在,输出为0(标记)。
上子窗均匀度统计量VIu由下式表示:
下子窗均匀度统计量VId由下式表示:
左子窗均匀度统计量VIl由下式表示:
根据所得到的四个子窗的均匀度统计量与预设的均匀度统计量阈值KVI进行比较,这个阈值是根据经验和一些先验的知识获取的,作为优选,在本实施例中均匀度阈值KVI取1.6。均匀度统计量大于阈值KVI时,即判断此子窗区域为非均匀区域,反之即判断此区域为均匀区域。根据判断得出的非均匀子窗个数M进行如图2的智能子窗组合。
如果M=0,意味着四个子窗都是均匀的,待测单元处的环境是均匀场景。所以四个子窗内的所有单元都将被用于进行杂波模型的参数估计。这等效于CA-CFAR检测器。
如果M=1,意味着滑窗所处的位置区域存在多目标干扰。为了将此干扰消除,将此非均匀子窗去除,然后将其余三个子窗的参考单元进行杂波模型的参数估计。这同样等效CA-CFAR检测器。
如果M=2,这就意味着有两个子窗是非均匀,有两个子窗是均匀的,对于两个均匀的子窗,我们首先要判断此两窗的相对位置。因为如果是相邻的位置,那么可以类似于多目标的情况,因此这样的情况取两个均匀子窗内的单元作为背景参考单元。这其实也等效于CA-CFAR检测器。但如果是相对的位置,就需要进一步判断它们的杂波水平是否是同一水平。判断方法是:定义一个统计量MR来反映两个均匀子窗的均值比。
式中,A,B为相对的两个均匀子窗,Xi,Xj分别为A,B两窗内的参考单元。因为不知道A,B哪个均匀子窗的杂波水平高,因此需要同双门限KMR和它的倒数进行比较来判断是否是同一水平的杂波。其中阈值KMR也是根据经验和一些先验的知识获取的,判断方法如下式表示:
如果则判定两个均匀子窗的杂波是在同一水平,即均匀区域,那么这两个均匀子窗的单元数将用于杂波模型的参数估计。如果或MR>KMR则判定两个均匀子窗的杂波不在同一水平,即杂波边缘环境,此时就需要判断当前检测单元是存在于高杂波还是低杂波环境。作为优选,本实施例中KMR取1.8。
判断当前检测单元是存在于高杂波还是低杂波环境的方法为:首先获得A,B两个均匀子窗的均值分别是MH和ML,其中属于高杂波环境的做为A窗MH。再以当前检测单元为中心,定义一个AW窗(Around Window),它的尺寸大小是保护窗的一半,AW窗内参考单元的均值估计为M0。定义统计量PR来表征当前检测单元所处的环境。统计量PR如下式表示:
PR=|MH-M0|/|ML-M0|
|·|表示求绝对值。将统计量PR与预设的阈值KPR比较,其中阈值KMR也是根据经验和一些先验的知识预设的。如果统计量PR大于阈值KPR,即认为当前检测单元处于低杂波环境,反之认为待检测单元处于高杂波环境。如果判为在高杂波环境,就采用高杂波的均匀子窗作为唯一的子窗组合,如果判为在低杂波环境,就采用低杂波的均匀子窗作为唯一的子窗组合;即总是采用与当前检测单元所处环境相匹配的子窗内的参考单元进行杂波模型的参数估计。
如果M=3,只有一个子窗是均匀的,其余都是非均匀的,此时仅仅采用均匀子窗内的参考单元相比较利用非均匀子窗能取得更好的效果。因此本发明在这种情况下仅仅采用唯一均匀子窗内的参考单元来估计杂波模型的参数。
最后一个情况是,也是最糟糕的情况,即所有的子窗都被判为非均匀的情况。此时如果利用任一子窗的参考单元来估计杂波模型参数都很有较大偏差,本发明在这种情况下采用排序统计(OS)CFAR理论。首先将四个子窗内所有参考单元进行排序,然后取某一特定位置K的值或特定位置的统计量作为杂波模型参数的估计。例如用排序后的位于中值位置的值作为对杂波均值的估计,用排序后的位于四分之三位置的值至中值之间的值作为对杂波方差λ的估计。,这是一种针对复杂场景下较为稳健的方法。
对于给定的虚警概率Pfa,检测阈值T由下式得到:
f(x)为杂波模型的分布,本实施例使用瑞利分布对杂波进行建模,瑞利分布的表达式如下:
其中单参数σ由杂波方差λ估计得到,单参数σ与杂波方差λ的关系如下:
而杂波方差λ是利用以上的子窗组合或者排序统计量进行统计得到。
将当前检测单元的像素值x和上式得到的检测阈值T进行比较,如果检测值x大于阈值,则有认为目标存在,输出标记为1,否则如果检测值小于阈值,则没有目标存在,输出标记为0。检测判断完此像素后,再水平移至下一待检测单元进行检测。
在得到所有检测单元被检测完的图像之后,还需要进行图像的融合操作。因为在高分辨SAR图像中,一个目标一般是由很多个单元组成。但是目标的反射系数可能会呈现为一定的起伏,所以检测完的图像很有可能是个非连通的区域,被分成几个部分。因此对检测完的图像进行融合是有必要的。
首先将检测的目标区域标注出来,作为预处理,去除一些区域面积太小并且比较孤立的区域,这些区域将不被认为是目标。然后选定任意两个标注的区域,计算这两个区域中最远的两个像素的距离d。然后将此距离与距离阈值Kd进行比较判断,此阈值Kd是由先验知识待检测目标的大小尺寸确定的。假设待检测的目标尺寸是L×M,SAR图像中距离向分辨率和方位向分辨率都是r,那么阈值Kd如下:
如果距离d大于Kd,就说明这两个区域并不是属于一个区域,跳至判断下两个标注的区域。反之如果距离d小于Kd,则意味着这两个区域本属于一个区域而被分割,因此将这两个标注区域进行融合。具体的方法是将这两个区域之间的区域也认为是目标区域,置为1。然后继续对下两个标注的区域进行判决。
当任意两个标注的区域已经得到融合判决,再对每一个标注区域进行面积判断,逐个区域进行统计区域内目标像素的个数S。经验获取根据被检测的目标大小确定最大能包括的像素数Smax以及最小能包括的像素数Smin。判断区域内目标像素个数S是否满足Smax>S≥Smin,如果满足,则判别为目标区域,否则视为虚警被移除。
本发明对实际的SAR真实图像数据进行检测。如图5所示,此为MSTAR的原始数据,图6清晰描绘了图像中的内容结构。为方便比较出本发明的检测效果,对比本发明和黄祥的RC-CFAR算法的检测结果。图7是采用本技术方案进行检测标记的检测结果。图8是检测结果进行图像融合后的融合图。图9是利用黄祥的RC-CFAR算法进行检测的检测结果。图10是利用黄祥的RC-CFAR检测结果进行图像融合的融合图。可以看出,本发明在相同的情况下能检测出全部目标,而RC-CFAR算法未能检测全部目标。由此得出,本发明所提方法更优。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉该技术的人在本发明所揭露的技术范围内,可理解想到的变换和替换,都应涵盖在本发明的包含范围之内,因此,本发明的保护范围应该以权利要求书的保护范围为准。
Claims (10)
1.一种基于分割组合的SAR图像自适应恒虚警率目标检测方法,包含如下步骤:
步骤1:从合成孔径雷达系统中获取到一幅待检测SAR图像,该图像是n行,m列的;
步骤2:从该图像的第(h/2+1)行第(h/2+1)列的像素开始对待检测SAR图像的像素进行检测;以该像素作为当前的检测单元,将以此检测单元为中心且尺寸是h×h的方形窗作为背景窗,h为预设的背景窗宽度;将以此像素为中心且尺寸是(h-2r)×(h-2r)的方形窗作为保护窗;取出背景窗的数据之后再从背景窗的数据中去掉保护窗的数据,得到一个空心的参考单元窗;其中h-2r的值与潜在待检测目标的尺寸相关,r的值与子窗内用来估计的单元数有关;
步骤3:将得到的空心参考单元窗从对角线方向分割成四个子窗,并且提取这四个子窗的均匀度统计量,用于反映各子窗内的功率水平以及均匀性特征;
步骤4:根据这四个均匀度统计量判别这四个子窗是否均匀;然后根据四个子窗中被判为非均匀子窗的个数,采取相应的子窗组合方法,并且根据所采取的子窗组合估计出背景杂波模型的参数;具体方法如下:
步骤4a:首先将从四个子窗中提取到各子窗的均匀度统计量,分别与一个预设的均匀度阈值KVI进行比较,如果均匀度统计量大于该阈值KVI,则将该子窗判为非均匀子窗;否则判为均匀子窗;
步骤4b:根据四个子窗中被判为非均匀子窗的个数M,分别采取如下子窗组合方法:
情况1:如果M=0,那么这四个子窗都被采用,联合作为子窗组合;
情况2:如果M=1,那么将其中那三个均匀子窗联合作为子窗组合;
情况3:如果M=2,就要再判断其中这两个非均匀子窗是否相邻,如果相邻就选择另外两个均匀子窗作为子窗组合;如果不相邻而是相对的位置,就要再进一步判断两个均匀子窗的杂波功率水平是否在同一水平,若是,则选定这两个均匀子窗作为子窗组合,否则还要进一步判断当前检测单元是存在于高杂波环境还是低杂波环境,如果判为在高杂波环境,就采用高杂波的均匀子窗作为唯一的子窗组合,如果判为在低杂波环境,就采用低杂波的均匀子窗作为唯一的子窗组合;
情况4:如果M=3,将唯一的均匀子窗作为子窗组合;
情况5:如果M=4,即四个子窗都不均匀,此时采用这四个子窗作为子窗组合;
步骤4c:如果是情况1~4中采取的子窗组合,那么就对子窗组合内的像素进行统计得到均值和方差,从而对背景杂波模型的参数进行估计;如果是情况5,则将全部四个子窗内的像素按照像素大小进行排序,用排序后的设定的特殊位置的值作为对杂波均值的估计和方差的估计;然后以此对背景杂波模型参数进行估计;
步骤5:获取背景杂波模型的参数后,利用预设的虚警概率Pfa和杂波模型之间的关系得到最终的检测阈值T;
步骤6:将当前的检测单元像素值与检测阈值T进行比较,如果检测单元像素值大于检测阈值T,则认为有目标存在,如果检测单元像素值小于检测阈值T,则认为没有目标存在,并进行标记;
步骤7:水平移至待检测SAR图像的下一个像素,以该像素作为当前的检测单元,将以此检测单元为中心且尺寸是h×h的方形窗作为背景窗,h为预设的背景窗宽度,并以此像素为中心且尺寸是(h-2r)×(h-2r)的方形窗作为保护窗;取出背景窗的数据之后再从背景窗的数据中去掉保护窗的数据,得到一个空心的参考单元窗,然后重复步骤3到步骤6;采用流水式检测直到整幅待测SAR图像中的检测单元都被检测完;
步骤8:对检测完的SAR图像进行目标融合操作。
2.根据权利要求1所述一种基于分割组合的SAR图像自适应恒虚警率目标检测方法,其特征在于,步骤8包含如下步骤:
步骤8a.将检测到的目标区域标注出来,去除一些区域面积明显小于待检测目标尺寸而且较为孤立的区域;
步骤8b.选定任意两个标注出来的区域;
步骤8c.计算这两个区域的最远距离d,并与设定的最远距离阈值Kd进行比较判断,如果d>Kd,直接转至步骤8e,否则进行步骤8d;
步骤8d.如果d≤Kd,也就意味着这两个区域被判断为属于同一个区域,于是将这两个区域进行合并融合;
步骤8e.判断是否所有的两个相邻区域都被检测完了,如果都已检测完,进行下一步,否则转至步骤8b继续进行步骤8b到步骤8d的操作;
步骤8f.将检测融合之后的区域再标注出来,对每一个标注区域进行面积判断,逐个区域进行统计区域内目标像素的个数S;根据被检测的目标大小确定最大能包括的像素数Smax以及最小能包括的像素数Smin;判断区域内目标像素个数S是否满足Smax>S≥Smin,如果满足,则判别为目标区域,否则视为虚警被移除。
3.根据权利要求1所述一种基于分割组合的SAR图像自适应恒虚警率目标检测方法,其特征在于,步骤3中,每个子窗的均匀度统计量VI按照下式计算:
其中μ为该子窗内参考单元的均值,σ是该子窗内参考单元的方差。
4.根据权利要求1所述一种基于分割组合的SAR图像自适应恒虚警率目标检测方法,其特征在于,步骤1中还包括对获取到的待检测SAR图像进行噪声滤除。
6.根据权利要求5所述一种基于分割组合的SAR图像自适应恒虚警率目标检测方法,其特征在于,阈值KMR取1.8。
7.根据权利要求1所述一种基于分割组合的SAR图像自适应恒虚警率目标检测方法,其特征在于,步骤4b的情况3中,判断当前检测单元是存在于高杂波还是低杂波环境的方法为:
获得A,B两个均匀子窗的均值,分别是MH和ML,其中属于高杂波环境的为A窗MH;
再以当前检测单元为中心,设定一个AW窗,其尺寸是保护窗的一半,获得该AW窗内参考单元的均值估计为M0;获取如下式表示的统计量PR:
PR=|MH-M0|/|ML-M0|
将统计量PR与预设的阈值KPR比较,如果统计量PR大于阈值KPR,即认为当前检测单元处于低杂波环境,反之认为待检测单元处于高杂波环境。
8.根据权利要求1所述一种基于分割组合的SAR图像自适应恒虚警率目标检测方法,其特征在于,步骤5中利用预设的虚警概率Pfa和杂波模型之间的关系得到最终的检测阈值T的方法如下,
对于预设的虚警概率Pfa,检测阈值T由下式得到:
f(x)为杂波模型的分布。
9.根据权利要求1所述一种基于分割组合的SAR图像自适应恒虚警率目标检测方法,其特征在于,步骤4a中,均匀度阈值KVI取1.6。
10.根据权利要求1所述一种基于分割组合的SAR图像自适应恒虚警率目标检测方法,其特征在于,步骤4c中,
用排序后的位于中值位置的值作为对杂波均值的估计,用排序后的位于四分之三位置的值至中值之间的值作为对杂波方差λ的估计。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2010102929870A CN101975940B (zh) | 2010-09-27 | 2010-09-27 | 基于分割组合的sar图像自适应恒虚警率目标检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2010102929870A CN101975940B (zh) | 2010-09-27 | 2010-09-27 | 基于分割组合的sar图像自适应恒虚警率目标检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101975940A CN101975940A (zh) | 2011-02-16 |
CN101975940B true CN101975940B (zh) | 2012-11-28 |
Family
ID=43575842
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2010102929870A Expired - Fee Related CN101975940B (zh) | 2010-09-27 | 2010-09-27 | 基于分割组合的sar图像自适应恒虚警率目标检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101975940B (zh) |
Families Citing this family (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102231205A (zh) * | 2011-06-24 | 2011-11-02 | 北京戎大时代科技有限公司 | 一种多模监控装置及方法 |
CN102495403B (zh) * | 2011-12-19 | 2013-09-11 | 无锡市雷华科技有限公司 | 一种雷达信号处理方法 |
CN102722883B (zh) * | 2012-04-16 | 2015-06-17 | 上海交通大学 | 一种具有空间自适应性的极化sar图像分割方法 |
CN103197297B (zh) * | 2013-03-21 | 2014-08-06 | 西安电子科技大学 | 基于认知框架的雷达动目标检测方法 |
CN103353594B (zh) * | 2013-06-17 | 2015-01-28 | 西安电子科技大学 | 二维自适应雷达恒虚警检测方法 |
CN103760542B (zh) * | 2014-01-10 | 2016-05-04 | 杭州电子科技大学 | 一种基于多模式的变化指数恒虚警目标检测方法 |
CN104459659B (zh) * | 2014-06-19 | 2017-01-25 | 西安电子科技大学 | 基于数据拟合的波束多普勒域空时二维自适应处理方法 |
CN104730509B (zh) * | 2015-04-08 | 2017-03-29 | 北京航空航天大学 | 一种基于知识辅助置换检验的雷达检测方法 |
CN105184305B (zh) * | 2015-07-08 | 2018-12-25 | 西安电子科技大学 | 基于空域混合模型的高分辨sar图像目标检测方法 |
CN105354541B (zh) * | 2015-10-23 | 2018-07-17 | 西安电子科技大学 | 基于视觉注意模型和恒虚警率的sar图像目标检测方法 |
CN106199588B (zh) * | 2016-06-24 | 2018-11-09 | 西安电子科技大学 | 基于巴氏距离量化的多站雷达信号融合检测方法 |
CN107884757B (zh) * | 2016-09-30 | 2020-10-23 | 比亚迪股份有限公司 | 恒虚警目标检测方法、装置及车辆 |
CN106526545B (zh) * | 2016-11-09 | 2018-11-23 | 西安空间无线电技术研究所 | 一种鲁棒cfar检测器的检测方法 |
CN107145844B (zh) * | 2017-04-20 | 2019-06-25 | 武汉大学 | 一种基于子窗合并的信号检测方法 |
US11131767B2 (en) * | 2017-06-22 | 2021-09-28 | The Boeing Company | Synthetic aperture radar mapping and registration systems and methods |
CN109856637B (zh) * | 2017-11-30 | 2021-09-03 | 比亚迪股份有限公司 | 汽车以及基于恒虚警的汽车雷达目标检测方法和装置 |
CN108226888B (zh) * | 2017-12-14 | 2021-05-04 | 中国科学院国家天文台 | 空间多目标探测系统及方法 |
CN108414991B (zh) * | 2018-02-08 | 2020-08-11 | 北京理工大学 | 高分辨雷达非均匀杂波场景微小目标恒虚警检测方法 |
CN108985292A (zh) * | 2018-05-23 | 2018-12-11 | 中国地质大学(武汉) | 一种基于多尺度分割的sar图像cfar目标检测方法与系统 |
CN109633597A (zh) * | 2019-01-23 | 2019-04-16 | 广州辰创科技发展有限公司 | 一种可变均值滑窗恒虚警检测算法及存储介质 |
CN110135267B (zh) * | 2019-04-17 | 2020-09-25 | 电子科技大学 | 一种大场景sar图像细微目标检测方法 |
CN111161341B (zh) * | 2019-12-31 | 2023-03-31 | 中山大学 | 基于isar图像的目标尺寸提取方法 |
CN111352102B (zh) * | 2020-03-18 | 2023-02-24 | 重庆邮电大学 | 一种基于调频连续波雷达的多目标个数检测方法及装置 |
CN112965040B (zh) * | 2021-02-05 | 2024-01-23 | 重庆邮电大学 | 一种基于背景预筛选的自适应cfar目标检测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1831558A (zh) * | 2006-04-21 | 2006-09-13 | 清华大学 | 基于多视子图像对的单通道合成孔径雷达动目标检测方法 |
CN1920594A (zh) * | 2006-05-16 | 2007-02-28 | 中国科学院研究生院 | 基于小波增强的合成孔径雷达图像船舰目标检测方法 |
CN101493520A (zh) * | 2009-01-16 | 2009-07-29 | 北京航空航天大学 | 一种基于二维Gamma分布的SAR图像变化检测方法 |
-
2010
- 2010-09-27 CN CN2010102929870A patent/CN101975940B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1831558A (zh) * | 2006-04-21 | 2006-09-13 | 清华大学 | 基于多视子图像对的单通道合成孔径雷达动目标检测方法 |
CN1920594A (zh) * | 2006-05-16 | 2007-02-28 | 中国科学院研究生院 | 基于小波增强的合成孔径雷达图像船舰目标检测方法 |
CN101493520A (zh) * | 2009-01-16 | 2009-07-29 | 北京航空航天大学 | 一种基于二维Gamma分布的SAR图像变化检测方法 |
Non-Patent Citations (9)
Title |
---|
Hesse, S.R..On the performance of order-statistics CFAR detectors.《1991 Conference Record of the Twenty-Fifth Asilomar Conference on Signals, Systems and Computers》.1991,第2卷835-840. |
Novak, L.M. |
Novak, L.M.;Hesse, S.R..On the performance of order-statistics CFAR detectors.《1991 Conference Record of the Twenty-Fifth Asilomar Conference on Signals, Systems and Computers》.1991,第2卷835-840. * |
孙洪 |
徐新 |
杨文.基于区域分类的智能恒虚警SAR图像目标检测.《武汉大学学报(理学版)》.2004,第50卷(第1期),104-108. |
罗玮 |
黄祥 |
黄祥;孙洪;罗玮;徐新;杨文.基于区域分类的智能恒虚警SAR图像目标检测.《武汉大学学报(理学版)》.2004,第50卷(第1期),104-108. * |
Also Published As
Publication number | Publication date |
---|---|
CN101975940A (zh) | 2011-02-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101975940B (zh) | 基于分割组合的sar图像自适应恒虚警率目标检测方法 | |
EP2871610B1 (en) | Infrared image based early detection of oil spills in water | |
Yu et al. | Automated detection of urban road manhole covers using mobile laser scanning data | |
CN101807352B (zh) | 一种模糊模式识别的车位检测方法 | |
CN104036239A (zh) | 基于特征融合和聚类的高分辨sar图像快速舰船检测方法 | |
CN102043958B (zh) | 一种高分辨率遥感图像多类目标检测识别方法 | |
CN103020592B (zh) | 一种基于局部上下文的遥感图像舰船检测虚警剔除方法 | |
CN102867196A (zh) | 基于Gist特征学习的复杂海面遥感影像舰船检测方法 | |
KR101255736B1 (ko) | 단일편파 레이더를 이용한 기상 및 비기상 에코 분류 방법 | |
CN105160648B (zh) | 基于小波和恒虚警率的雷达目标及阴影分割方法 | |
CN103236063A (zh) | 基于多尺度谱聚类及决策级融合的sar图像溢油检测方法 | |
CN102542293A (zh) | 一种针对高分辨率sar图像场景解译的一类提取分类方法 | |
Hou et al. | SAR image ship detection based on visual attention model | |
CN104361351A (zh) | 一种基于区域统计相似度的合成孔径雷达图像分类方法 | |
CN105354824B (zh) | 基于区域提取的双参数恒虚警检测方法 | |
CN102842130A (zh) | 由合成孔径雷达图像中检测建筑和提取数目信息的方法 | |
CN106557740A (zh) | 一种遥感图像中油库目标的识别方法 | |
CN113255580A (zh) | 抛洒物识别、车辆抛洒滴漏识别方法和装置 | |
CN104680184A (zh) | 基于深度rpca的极化sar地物分类方法 | |
CN102567726B (zh) | 极地冰盖边缘区域浮冰自动提取技术 | |
CN101520850B (zh) | 物体检测分类器的构造方法和物体检测方法与相应系统 | |
CN113870224A (zh) | 一种洪水监测方法、系统、设备和介质 | |
CN102360496B (zh) | 基于gmm参数迁移聚类的sar图像分割方法 | |
CN106022217A (zh) | 无监督多级分类的民用机场跑道区域检测方法 | |
CN103605120B (zh) | 距离扩展目标内禀模态局部奇异值有序融合检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
C17 | Cessation of patent right | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20121128 Termination date: 20130927 |