CN105160648A - 基于小波和恒虚警率的雷达目标及阴影分割方法 - Google Patents

Abstract

本发明涉及基于小波和恒虚警率的雷达目标及阴影分割方法。包括：输入合成孔径雷达图像；选择小波函数；进行小波多尺度分解；选择小波分解后的高频子图像；输入CFAR检测器Ⅰ；对选择的子图像进行分割处理；进行小波反变换；去除均值；输入CFAR检测器Ⅱ：输入最终需要分割的目标；对图像进行第二次分割处理共11个步骤。其优越性在于：降低了斑点噪声对SAR图像分割的影响；克服单个CFAR检测方法要求目标与背景有较大对比度的缺陷，能同时检测到目标区域和阴影区域；能有效分割SAR图像中的弱散射目标，具有较强的普适性，实验表明所提的CFAR和小波变换的SAR图像分割方法是一种可行、有效的分割方法，有着极大的应用前景。

Description

基于小波和恒虚警率的雷达目标及阴影分割方法

技术领域

本发明属于信号与信息处理技术领域，涉及将小波变换、目标检测、合成孔径雷达成像和合成孔径雷达图像特点相结合的小波和恒虚警率的雷达目标及阴影分割方法。

背景技术

图像分割既是图像处理的重要内容，又是图像分析、图像理解和图像模式识别等方面的基础知识和关键技术。因此，图像分割已在许多领域得到了非常广泛的应用，例如生物医学、遥感测绘、视频通信、航天航空、公共安全、档案管理、交通运输、农业、环境、生态、地质、海洋、气象、灾害、救援等方面，而且随着图像分割理论和方法技术的不断发展和完善，其在实际中的应用也更加广阔、更加深入。虽然一幅图像提供了大量有用的信息，但是实际上我们往往只对图像里面的某部分区域感兴趣，而对其它区域不感兴趣。感兴趣区域通常称为目标区域，它们具有相同或相似的特征，如灰度特征、纹理特征等；而剩下的其它区域统称为背景区域。把感兴趣的目标区域从背景图像区域中提取或分离出来的过程就是图像分割。所以，所谓的图像分割就是指按照一定的准则，把一幅图像划分成若干个在物理上有意义的区域的集合，这些集合互不相交，相同的集合具有相同或者相似的特性，不同的集合具有不同特性。

由于图像在许多领域得到了广泛地应用，因此图像分割理论和方法技术也得到了迅速的发展和应用，到目前为止，图像分割方法已有数百上千种，而且新的图像分割方法还在不断地被提出。虽然图像分割方法种类繁多，但是每种方法通常都是针对不同的应用背景而提出的，目前还没有一种对所有图像均能进行有效分割的方法，即尚未有一个普适的分割框架适用于所有的图像。同时，分割结果的评判也没有一个统一的标准，很大程度上还是依靠视觉判断。针对现有图像分割方法，从原理上大体可分为四类：(1)基于阈值的图像分割；(2)基于边缘检测的图像分割；(3)基于区域生长的图像分割；(4)基于特定理论的图像分割。阈值分割是通过对图像灰度值设置某阈值来实现图像分割，包含单阈值分割和多阈值分割两类。阈值分割的优点是简单、易实现，缺点是适合于目标区域与背景区域具有较强对比度的图像。边缘分割是通过先检测边缘点，然后连接边缘点，形成闭合的子图像边界，从而实现图像的分割。因此，根据边缘检测方式的不同可分为串行边缘检测分割和并行边缘检测分割。区域分割方法通常是根据图像的灰度、纹理、颜色等统计特征，充分考虑图像的空间信息，然后把图像划分成不同的子区域来实现图像分割，典型的方法有:区域生长法、分裂合并法和分水岭法等。随着科学技术的发展，各种特定的理论和新兴技术，如遗传方法、各种智群方法等，它们与图像分割理论结合起来，产生了许多新的图像分割方法，而且获得了良好的分割效果。

合成孔径雷达(SyntheticApertureRadar,SAR)是一种主动的微波遥感成像雷达，具有典型的全天候、全天时获取遥感数据能力的特点，在民用和军用领域均得到了广泛的应用。但是，其相干性成像机理造成SAR图像中包含着大量不可避免的斑点噪声，这对SAR图像的分割和应用产生极大挑战和困难。因为通常的图像分割方法直接应用于SAR图像，很难取得理想的分割效果，因此，有许多学者根据SAR图像的特点和应用背景提出了许多不同的SAR图像分割方法。这些方法如果按SAR图像分割的目的来进行划分，可分为两大类：一类是针对感兴趣目标的提取的图像分割；一类是针对地物分类的图像分割。如果按减小SAR图像斑点噪声对图像分割的影响来划分，可分为直接分割和先滤波后分割两类。在直接进行SAR图像分割中，一般都是通过对SAR图像数据进行统计建模，并在分割模型中考虑斑点噪声的滤除，代表性的方法有：基于恒虚警率(ConstantFalseAlarmRatio,CFAR)检测的图像分割、基于马尔可人随机场(MarkovRandomField,MRF)的图像分割和基于边缘检测的图像分割等。

基于CFAR检测的图像分割方法是通过对图像的统计特性进行估计，得到一个阈值，然后将图像中每个像素的灰度值与该阈值进行比较，从而完成图像的分割。CFAR检测分割方法的优点是分割速度快，缺点是仅考虑了图像的灰度信息，没有考虑空间信息，因此分割结果中往往包含着斑点噪声，不能满足实际需求。虽然基于MRF模型的SAR图像分割方法考虑了每个像素的空间邻域结构，但是缺陷也很明显：要处理的数据量大、方法收敛速度慢、需要调节多个参数，很难实现优化。基于边缘检测的SAR图像分割方法受到SAR图像中的斑点噪声的影响较大，如斑点噪声较多的情形中，边缘检测算子往往难以获得比较好的边缘图，导致对边缘像素的位置难以准确定位。而且，现有的SAR图像分割方法中，一般都是针对感兴趣目标或地物分类而进行的图像分割，很少涉及到目标阴影的分割。

发明内容

针对上述现有技术状况，本发明的目的在于提供一种基于小波和恒虚警率的雷达目标及阴影分割方法，不仅能有效地对SAR图像中的亮目标区域进行分割，而且能对这些目标的阴影区域进行有效分割，同时还能针对SAR图像中的暗目标进行很好分割，分割效果十分明显。

现将本发明构思及技术解决方案叙述如下：

SAR是一种主动微波遥感成像雷达，相干性原理是其成像机理，这使SAR图像产生大量斑点噪声，对SAR图像的有效、准确分割产生极大的影响。普通的图像分割方法直接应用于SAR图像，通常很难获得理想的分割结果。原因是SAR成像机理非常复杂，不同于光学成像，同时SAR图像还有其自身的特点，例如斑点噪声、方向敏感性等。对于一些弱散射目标或隐藏目标的SAR图像，由于目标的散射与背景差不多，使获得的SAR图像中目标区域不明显，即低信杂比或低信噪比SAR图像，这时的有效分割是一个严重的问题。CFAR检测方法，虽然能够有效检测到目标，但是前提条件是：SAR图像具有较强的灰度对比度，否则效果不理想。小波多尺度分解是一种有效的多尺度非平稳信息处理方法，如果直接用来进行图像分割，结果也很难让人满意。

根据SAR成像机理和SAR图像特点，以及CFAR检测原理和小波变换提出一种基于小波和恒虚警率的雷达目标及阴影分割方法。该方法具有如下几个方面的优点：(1)对斑点噪声不敏感，即降低了斑点噪声对SAR图像分割的影响；(2)克服单个CFAR检测方法要求目标与背景有较大对比度的缺陷，即有有效对低信杂比SAR图像进行分割；(3)能同时检测到目标区域和阴影区域；(4)能有效分割SAR图像中的弱散射目标，如机场跑道、公路、海洋油污等；(5)具有较强的普适性，可以用于不同传感器的SAR图像分割，尤其是中低分辨率的SAR图像。实验表明所提的CFAR和小波变换的SAR图像分割方法是一种可行、有效的分割方法，有着极大的应用前景。

根据上述发明构思和实验结果，本发明提出一种于小波和恒虚警率的雷达目标及阴影分割方法，下面分别对该方法的实现步骤进行详细说明(参见说明书附图1)。

步骤1：输入合成孔径雷达(SAR)图像；

步骤2：选择小波函数：

步骤3：进行小波多尺度分解；

步骤4：选择小波分解后的高频子图像；SAR图像用小波变换进行分解后，各个分解尺度上均能获得一个水平方向、一个垂直方向和一个对角方向的子图像，而且随着尺度的增加，各层子图像的能量逐渐减小，即边缘和细节信息逐渐减小，因此，对于小波分解后的子图像，不是各个尺度上的子图像都进行下一步操作，而是选择包含目标区域大部分信息的子图像进行CFAR检测分割；

步骤5：输入CFAR检测器Ⅰ，即利用所设置的恒虚警率来确定检测阈值；

步骤5.1：输入CFAR检测器，即利用设置的恒虚警率来确定检测阈值；虚警率P_f和检测率P_d的定义分别为

$P_f=\underset{T}{\overset{\∞}{\∫}}{p}_B\left(x\right)\mathrm{dx}---\left(1\right)$

$P_d=\underset{T}{\overset{\∞}{\∫}}{p}_T\left(x\right)\mathrm{dx}---\left(2\right)$

阈值T可以通过式(3)来求解

$1-P_f=\underset{T}{\overset{T}{\∫}}{p}_B\left(x\right)\mathrm{dx}---\left(3\right)$

其中，P_f为虚警概率，不同的P_f可以得到不同的T；背景杂波分布主要有：对数正态(Log-normal)分布、瑞利(Rayleigh)分布、韦布尔(Weibull)分布、K分布、Gamma分布、皮尔逊(Pearson)分布等，其中瑞利分布是韦布尔分布的特例，则判别准则为

其中，I(x,y)表示像素点(x,y)的灰度值；

步骤5.2：在给定的某个虚警率条件下，通过分析SAR图像的统计分布特性来确定检测阈值，实现目标的检测或分割：

步骤5.3：通过双重CFAR检测和小波分解的结合，克服目标区域和背景区域之间对比度不强的缺陷；

步骤6：对选择的子图像进行分割处理；

步骤6.1：选择步骤4中需要进行图像分割运算的子图像，利用步骤5确定的阈值进行处理；

步骤6.2：若子图像中某个像素的值大于阈值T，就把它保留，认为是目标区域；

步骤6.3：若某个像素的值小于阈值T，就设置为零，认为是背景杂波区域；获得的结果是所有被选择子图像的分割图像；

步骤7：进行小波反变换；

步骤8：去除均值；经过前面步骤处理后，获得的SAR图像是在变换域中进行分割处理后的结果，在一定程度上抑制了斑点噪声，突出了目标的边缘和细节信息，同时还包含着大量的背景杂波信息；所以，进行去除均值运算的目的是去除背景杂波的影响，经过这一步的处理，获得的图像就是实施第一次分割后的SAR图像，里面还包含着大量的噪声；

步骤9：输入CFAR检测器Ⅱ；

步骤9.1：输入CFAR检测器，即利用设置的恒虚警率来确定检测阈值；

步骤9.2：在可调节的虚警率条件下，通过分析SAR图像的统计分布特性来确定检测阈值，实现目标的检测或分割：

步骤9.3：通过双重CFAR检测和小波分解的结合，克服目标区域和背景区域之间对比度不强的缺陷；

步骤10：输入最终需要分割的目标；具体为：

由于本发明既可以对目标区域进行有效分割，又可以对阴影区域进行分割，也可以同时进行分割，所以为了下一步的运行，要求输入对哪部分进行分割；有三种选择：目标区域、阴影区域、目标和阴影区域；

步骤11：对图像进行第二次分割处理：

步骤11.1：选用相干性恒虚警率进行方法目标检测；

步骤11.2：利用步骤9设置的恒虚警率获得的阈值T，按照步骤10中所输入的目标，对第一次分割后的SAR图像进行第二次分割处理；根据输入的目的不同，获得不同的分割结果。

本发明进一步提供一种基于小波分解和CFAR检测的SAR目标及阴影分割方法，其特征在于：步骤2中所述的“选择小波函数”，具体选择具有紧支集、正交、正则性且正则性随着序号M的增加而增加特点的Daubechies小波函数。

本发明进一步提供一种基于小波分解和CFAR检测的SAR目标及阴影分割方法，其特征在于：步骤3中所述的对SAR图像进行小波多尺度分解的具体步骤为：

步骤3.1：确定小波分解的尺度N，即最佳分解尺度；

步骤3.2：利用选择的尺度和小波函数进行分解；

步骤3.3：获得各个分解尺度的子图像。

本发明进一步提供一种基于小波分解和CFAR检测的SAR目标及阴影分割方法，其特征在于：步骤5中所述的输入CFAR检测器Ⅰ的具体步骤为：

此步骤中的输入CFAR检测器，即利用设置的恒虚警率来确定检测阈值，恒虚警率检测器是通过利用检测单元周围的背景单元来估计阈值的一种常用雷达目标检测方法，由于其计算简单，恒定虚警率，自适应阈值，并能快速地从复杂的背景中检测出目标，因此，CFAR在SAR图像目标检测和分割中得到了非常广泛的研究和应用。在SAR图像中，目标往往处于复杂的背景环境中，特别是一些小目标、弱散射目标和隐藏目标，如果仅用固定阈值来检测目标，很难获得较理想的效果。因此，不同的SAR图像目标检测需要一种自适应的阈值检测器。CFAR检测器恰好是一种基于像素级的自动阈值检测方法，其中对自适应阈值的选取和确定，与目标所处的背景区域的统计分布模型以及预先设置的虚警率有关。在给定的某个虚警率条件下，通过分析SAR图像的统计分布特性来确定检测阈值，实现目标的检测或分割。CFAR检测器通常要求目标区域和背景区域之间具有较强的对比度，才能获得较好的检测效果。在本发明中，通过双重CFAR检测和小波分解的结合，克服这个缺陷。

基于CFAR的SAR目标检测的关键是阈值的确定，实质上是在背景确定的情况下，对阈值的一种自适应检测技术，通过保持恒定的虚警率来检测目标。阈值T的确定与SAR图像的背景杂波分布模型有着紧密的关系。假设SAR图像的背景和目标的概率密度函数分别为p_B(x)和p_T(x)，那么虚警概率P_f和检测率P_d的定义分别为

$P_f=\underset{T}{\overset{\∞}{\∫}}{p}_B\left(x\right)\mathrm{dx}---\left(1\right)$

$P_d=\underset{T}{\overset{\∞}{\∫}}{p}_T\left(x\right)\mathrm{dx}---\left(2\right)$

阈值T可以通过式(3)来求解

$1-P_f=\underset{T}{\overset{T}{\∫}}{p}_B\left(x\right)\mathrm{dx}---\left(3\right)$

其中，P_f为虚警概率，不同的P_f可以得到不同的T。背景杂波分布主要有：对数正态(Log-normal)分布、瑞利(Rayleigh)分布、韦布尔(Weibull)分布、K分布、Gamma分布、皮尔逊(Pearson)分布等，其中瑞利分布是韦布尔分布的特例。则判别准则为

其中，I(x,y)表示像素点(x,y)的灰度值。

本发明进一步提供一种基于小波分解和CFAR检测的SAR目标及阴影分割方法，其特征在于：步骤7中所述的“进行小波反变换“是指将步骤4中选择剩下没有进行第一次CFAR检测分割处理的子图像和步骤6中对选择的子图像进行分割处理后的图像，一起进行小波逆变换；步骤8中所述的“进行去除均值处理“是指经过处理后获得的SAR图像是在变换域中进行分割处理后的结果，在一定程度上抑制了斑点噪声，突出了目标的边缘和细节信息，同时还包含着大量的背景杂波信息；所以，进行去除均值运算的目的是去除背景杂波的影响。经过这一步的处理，获得的图像就是实施第一次分割后的SAR图像，里面还包含着大量的噪声。

本发明与现有技术相比的优点在于：

本发明是一种新的、非常有效的SAR目标及阴影分割方法，其优点表现在三个方面：

(1)方法设计的优点

首先设计两次CFAR检测分割，既考虑了SAR相干成像机理所产生的斑点噪声，又考虑了CFAR检测器本身的优缺点，例如，它要求目标区域和背景区域有较强的对比度等。其次，充分考虑了小波多尺度分解的优点，根据多尺度对能量分割的优势，选择部分低尺度分解后的子图像进行CFAR检测分割。这样处理的目的是突出目标部分信息，减小其它背景杂波和斑点噪声的影响。第三，在设计上还有一个环节，就是设置了去除均值处理的步骤，目的是进一步减少背景杂波的影响，达到提高分割效果的目标。

(2)应用上的优点

SAR图像是相干成像的结果，因此SAR图像不同于普通的图像，有其自身的特点。一般的分割方法均是针对不同的应用目标，适应性非常有限。本方法有较强的普适性，可用于不同传感器的SAR图像分割，如机载、星载SAR图像；对于信噪比SAR图像，也能获得很好的分割效果；像机场跑道、公路、海洋油污等弱散射的暗目标，也能很好地进行检测分割。

(3)数据处理的优点

对图像的降噪处理和特征的增强处理，目的是提高SAR图像的信噪比，提高SAR图像的正确分割率。因此，用本方法对SAR图像斑点噪声不敏感，对低信噪比SAR图像不敏感。

附图说明

图1：本发明基于小波和恒虚警率的雷达目标及阴影分割方法示意图

图2：本发明方法获得的实验分割结果

图3：本发明方法的目标分割结果

具体实施方式

现将本发明结合实施例作进一步说明，以实测SAR图像为例，对本发明作进一步阐述：

步骤1：输入原始的SAR图像。

步骤2：选择Daubechies小波族中的Db4小波函数。因为它具有较好的去噪性，其分解和重建滤波器系数也比较简单。同时，选择平稳小波分解，因为平稳小波与普通的二维离散小波相比，避免了下采样，子图像的大小与原始图像的大小一样，有利于后续工作。

步骤3：对图像进行小波多尺度分解中的关键一步是分解尺度N的确定。分解尺度过低，不能充分利用小波分解的优势，分解尺度过高，全都变成低频信息了，没有必要。我们把这个合适的分解尺度称为最佳分解尺度，简称最佳尺度。最佳尺度的选择可通过考虑像素在不同的尺度下属于边界还是同质区域来判断。值得注意的是在低分辨率水平，用像素判别是否属于边界还是同质区域的信息不可靠。因为在这些分解尺度层上的细节和边缘信息在分解的过程中被移开了。对一个像素来说，如果它既不是边缘信息又不是几何细节信息，则像素所在的尺度就是稳定的尺度，也是最佳尺度。

在一个给定的尺度n上，一个像素是否属于边缘还是同质区域，我们采用多尺度局部变异系数(LCV_n)来判断。变异系数是用来描述SAR图像的局部不均匀程度的一个指数，也可以作为反映斑点噪声大小的一个理论值。LCV_n的定义如下：

${\mathrm{LCV}}_n(i,j)=\frac{{\mathrm{\σ}}_n(i,j)}{I_n(i,j)}---\left(5\right)$

其中，σ_n(i,j)和I_n(i,j)分别表示局部标准方差和均值。用式(5)计算在分解尺度为n(n＝0,1,…,N-1)的空间位置(i,j)的局部变异系数。为了提高精度，一般采用一个滑动窗进行计算，滑动窗的大小由用户决定。如果滑动窗太小，将降低局部统计参数的可靠性；如果滑动窗太大，将降低几何细节的敏感性。所以滑动窗的大小的选择应该在这两个属性之间权衡。变异系数是场景异质的估量，低值对应着同质区域，高值对应着异质区域(如边缘区域和点目标)。区分同类区域和异类区域，必须定义一个阈值。在分解尺度n上，同类区域的同质程度能用全局变异系数(GCV_n)来表示，其定义如下

${\mathrm{GCV}}_n=\frac{{\mathrm{\σ}}_n}{I_n}---\left(6\right)$

其中，σ_n和I_n分别表示分解尺度为n时同类区域计算的标准方差和均值。在每个尺度上，同类区域就能被确定，当它们满足下面的条件时。

LCV_n(i,j)≤GCV_n(7)

对一个像素来说，如果在所有的分解尺度t(t＝0,1,…,r)上都满足式(7)，就认为分解尺度r(r＝0,1,…,N-1)是最佳尺度。

步骤4：对小波多尺度分解后的子图像的选择，我们通过实验表明不同的尺度，会得到不同的分割结果，由于目标细节信息主要集中在低尺度的子图像中，所以选择第一尺度和第二尺度的子图像。

步骤5：输入CFAR检测器中的恒虚警率，确定检测阈值。第一次设置CFAR检测的恒虚警率通常不变，设置为1E-3或1E-5。

步骤6：利用步骤5获得的阈值对选择的分解尺度下的所有子图像进行检测分割处理。如果子图像中某个像素的灰度值大于阈值T，则保持不变，如果该像素点的值小于阈值T，把该像素点的值设为0。

步骤7：对步骤6中获得的各个子图像分割图，以及没有进行分割的高尺度子图像，把它们一起进行小波逆变换，获得的SAR图像目标区域的初步分割图像。

步骤8：计算初步分割图的均值，然后用初步分割图减去均值，获得第一次分割后SAR图像分割图，减去均值的目的是减小背景杂波的影响。

步骤9：这一步同步骤5一样，根据需要输入不同的虚警率，然后可以获得相应的检查分割结果。这一步与步骤5不一样的地方是：步骤5中通常把虚警率设置为一个不变值，而且值比较大，而这里设置的虚警率值比较低，并且还可以适当调整。

步骤10：针对不同的分割目标，输入三种不同的选择，即目标区域分割、阴影区域分割、目标及阴影区域分割。

步骤11：利用步骤9-步骤10的设置，对SAR图像进行第二次分割，将获得最终的图像分割结果。实验原始图和实验结果图见本发明的附件。

为了充分说明本发明的可行性和有效性，我们进行了大量的比较实验，下面对给出的实验结果进行分析：

如图2所示，是本发明方法获得的实验结果。

在图2中，图2(a)是原始的SAR图像，其中，图2(A)-图2(D)分别表示不同的SAR图像。图2(A)和图2(B)的SAR图像数据来源于公开的MSTAR(MovingandStationaryTargetAcquisitionandRecognition)数据库，目标区域是坦克，图像大小为128×128，图像的空间分辨率为0.3m。图2(C)和图2(D)表示的SAR图像数据来源于SandiaNationalLaboratories公开的图像数据，图2(C)中包含多种军事运输车辆和坦克等目标，其大小为512×400，图2(D)是机场跑道目标，其大小为400×400，它们的空间分辨率为1m。这些SAR图像的共同特点有：一是机载SAR图像，二是低信杂比或低信噪比SAR图像。在图2(D)中，要分割的目标是机场跑道和机场建筑，而跑道是弱散射目标区域。

图2(b)是目标区域的分割结果图，该分割结果说明本发明能有效地把低信噪比SAR图像中目标区域进行分割。此时，图2(D)中的机场跑道当作阴影处理。图2(c)是阴影区域的分割结果，效果非常好，这表明本发明也能有效地把低信噪比图像中的阴影区域进行有效分割和提取。为提高视觉效果，分别用伪彩色来表示分割结果，如图2(d)和图2(e)所示，其中，红色表示目标区域，绿色表示阴影区域。本实验结果表明本发明对SAR图像目标的分割是可行的。

为进一步表明本发明方法的普适性，针对星载SAR图像进行了有关实验，结果如图3所示。

其中图3(a)为原始SAR图像，它们的共同特点是SAR图像中无目标阴影(无明显阴影)。其中，图3(A)是机载SAR图像数据，来源于Sandia实验室，里面包含多个坦克群目标，图像大小为256×256，空间分辨率为1m。这幅图像的特点是目标区域的阴影不太明显，或者其阴影与背景杂波差不多。图3(B)-图3(D)是星载SAR图像数据，均来源于ERS-2，空间分辨率为30m，其中图3(B)-图3(C)的大小均为400×400，图3(D)的大小为1024×1024。图3(B)中包含多只舰船目标，图3(C)中包含单只舰船目标，而且这些目标都无阴影区域，属于典型的低分辨率SAR图像。图3(D)是一片海洋区域，里面包含着是油污带，也是我们需要提取分割的目标。图3(A)和图3(B)是高信杂比图像，而图3(C)和2(D)是低信杂比图像。图3(b)是实验结果，从图3(b)中可知，本发明方法能有效地把相应的目标区域进行分割。

Claims (6)

1.基于小波和恒虚警率的雷达目标及阴影分割方法，其特征在于：包括以下步骤：

步骤1：输入合成孔径雷达图像；

步骤2：选择小波函数：

步骤3：进行小波多尺度分解；

步骤4：选择小波分解后的高频子图像；

步骤5：输入CFAR检测器Ⅰ：

步骤5.1：输入CFAR检测器，即利用设置的恒虚警率来确定检测阈值；

步骤5.2：在给定的某个虚警率条件下，通过分析SAR图像的统计分布特性来确定检测阈值，实现目标的检测或分割：

步骤5.3：通过双重CFAR检测和小波分解的结合，克服目标区域和背景区域之间对比度不强的缺陷。

步骤6：对选择的子图像进行分割处理；

步骤6.1：选择步骤4中需要进行图像分割运算的子图像，利用步骤5确定的阈值进行处理；

步骤6.2：若子图像中某个像素的值大于阈值T，就把它保留，认为是目标区域；

步骤6.3：若某个像素的值小于阈值T，就设置为零，认为是背景杂波区域；获得的结果是所有被选择子图像的分割图像；

步骤7：进行小波反变换；

步骤8：去除均值；

步骤9：输入CFAR检测器Ⅱ：

步骤9.1：输入CFAR检测器，即利用设置的恒虚警率来确定检测阈值；

步骤9.2：在可调节的虚警率条件下，通过分析SAR图像的统计分布特性来确定检测阈值，实现目标的检测或分割：

步骤9.3：通过双重CFAR检测和小波分解的结合，克服目标区域和背景区域之间对比度不强的缺陷；

步骤10：输入最终需要分割的目标；即输入目标区域或阴影区域或目标和阴影区域；

步骤11：对图像进行第二次分割处理：

步骤11.1：选用相干性恒虚警率进行方法目标检测；

步骤11.2：利用步骤9设置的恒虚警率获得的阈值T，按照步骤10中所输入的目标，对第一次分割后的SAR图像进行第二次分割处理；根据输入的目的不同，获得不同的分割结果。

2.根据权利要求1所述的基于小波分解和CFAR检测的SAR目标及阴影分割方法，其特征在于：步骤2中所述的“选择小波函数”，是指选择具有紧支集、正交、正则性且正则性随着序号M的增加而增加特点的Daubechies小波函数。

3.根据权利要求1所述的基于小波分解和CFAR检测的SAR目标及阴影分割方法，其特征在于：步骤3中所述的“对SAR图像进行小波多尺度分解“的具体步骤为：

步骤3.1：确定小波分解的尺度N，即最佳分解尺度；

步骤3.2：利用选择的尺度和小波函数进行分解；

步骤3.3：获得各个分解尺度的子图像。

4.根据权利要求1所述的基于小波分解和CFAR检测的SAR目标及阴影分割方法，其特征在于：步骤5.1中所述的“输入CFAR检测器，即利用设置的恒虚警率来确定检测阈值”的阈值确定是一种在背景确定的情况下对阈值的自适应检测技术，阈值T的确定与SAR图像的背景杂波分布模型有着紧密的关系；假设SAR图像的背景和目标的概率密度函数分别为p_B(x)和p_T(x)，虚警概率P_f和检测率P_d的定义分别为

$P_f=\underset{T}{\overset{\∞}{\∫}}{p}_B\left(x\right)\mathrm{dx}---\left(1\right)$

$P_d=\underset{T}{\overset{\∞}{\∫}}{p}_T\left(x\right)\mathrm{dx}---\left(2\right)$

阈值T可以通过式(3)来求解

$1-P_f=\underset{0}{\overset{T}{\∫}}{p}_B\left(x\right)\mathrm{dx}---\left(3\right)$

其中，P_f为虚警概率，不同的P_f可以得到不同的T，背景杂波分布有：对数正态(Log-normal)分布、瑞利(Rayleigh)分布、韦布尔(Weibull)分布、K分布、Gamma分布、皮尔逊(Pearson)分布，其中瑞利分布是韦布尔分布的特例,则判别准则为

其中，I(x,y)表示像素点(x,y)的灰度值。

5.根据权利要求1所述的基于小波分解和CFAR检测的SAR目标及阴影分割方法，其特征在于：步骤7中所述的“进行小波反变换“是指将步骤4中选择剩下没有进行第一次CFAR检测分割处理的子图像和步骤6中对选择的子图像进行分割处理后的图像，一起进行小波逆变换；

6.根据权利要求1所述的基于小波分解和CFAR检测的SAR目标及阴影分割方法，其特征在于：步骤8中所述的“进行去除均值处理“是指去除背景杂波的影响，获得的图像就是实施第一次分割后的SAR图像。