CN107748361A - 基于截断杂波统计的sar图像双参数cfar检测方法 - Google Patents

基于截断杂波统计的sar图像双参数cfar检测方法 Download PDF

Info

Publication number
CN107748361A
CN107748361A CN201710864777.6A CN201710864777A CN107748361A CN 107748361 A CN107748361 A CN 107748361A CN 201710864777 A CN201710864777 A CN 201710864777A CN 107748361 A CN107748361 A CN 107748361A
Authority
CN
China
Prior art keywords
mrow
msub
mfrac
clutter
mover
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.)
Pending
Application number
CN201710864777.6A
Other languages
English (en)
Inventor
艾加秋
杨学志
夏天
许开炜
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hefei University of Technology
Original Assignee
Hefei University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hefei University of Technology filed Critical Hefei University of Technology
Priority to CN201710864777.6A priority Critical patent/CN107748361A/zh
Publication of CN107748361A publication Critical patent/CN107748361A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
    • G01S13/90—Radar or analogous systems specially adapted for specific applications for mapping or imaging using synthetic aperture techniques, e.g. synthetic aperture radar [SAR] techniques
    • G01S13/9021—SAR image post-processing techniques
    • G01S13/9027—Pattern recognition for feature extraction
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
    • G01S13/90—Radar or analogous systems specially adapted for specific applications for mapping or imaging using synthetic aperture techniques, e.g. synthetic aperture radar [SAR] techniques
    • G01S13/904—SAR modes
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
    • G01S7/414—Discriminating targets with respect to background clutter

Landscapes

  • Engineering & Computer Science (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • General Physics & Mathematics (AREA)
  • Electromagnetism (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明公开了一种基于截断杂波统计的SAR图像双参数CFAR检测方法，设置目标窗口和背景窗口，通过对背景窗口采用自适应阈值法进行杂波截断处理，剔除背景窗口中的异质像素，最大限度地保留真实海杂波。本发明采用最大似然法对背景窗口中截断后的杂波进行双参数（对数均值与对数均方差）估计，构建精确的对数正态分布模型；根据给定的虚警率自适应求解出CFAR检测阈值，对目标窗口中的待检测像素进行目标判别，实现基于截断杂波统计特性的双参数CFAR检测。该方法可有效提升多目标等复杂背景杂波环境下的检测率，且计算效率高，具有较好的工程应用价值。

Description

基于截断杂波统计的SAR图像双参数CFAR检测方法
技术领域
本发明涉及SAR图像目标检测技术领域，尤其涉及一种基于截断杂波统计的SAR图像双参数CFAR检测方法。
背景技术
合成孔径雷达(Synthetic Aperture Radar,SAR)是一种高分辨率的成像雷达，具有全天时和全天候观测的能力。利用SAR图像进行舰船目标检测与监视的研究和技术开发在海洋遥感领域得到高度重视，是现阶段SAR图像海洋应用的研究热点。
随着天气、海洋风速的变化,海况相差很大，因此呈现在SAR图像中的海杂波也会有巨大的差别，针对这些复杂情况，在检测过程中需要有一个自适应的恒虚警(CFAR)检测方法。CFAR检测算法设置了目标窗口、保护窗口、背景窗口三个滑动窗口以适应背景杂波的变化，通过对背景杂波进行参数估计及概率建模，并由给定的虚警率(PFA)自适应计算出检测阈值，实现自适应CFAR检测。
传统CFAR检测算法中，保护窗口的设置是为了防止包含目标的部分像素泄露到背景窗口，影响参数估计的准确性。然而，在港口和繁忙海航线等复杂背景杂波区域，背景窗口中海杂波会受到目标像素、“十字拖”、以及方位向模糊等异质元素的干扰，使得估计的参数偏离真实值，影响灰度概率建模精度，最终导致目标检测率下降。
针对多目标等复杂环境下产生的检测率降低的问题，提出了大量基于样本筛选的CFAR检测方法，这些方法通过迭代法筛选出杂波样本，并对筛选出的杂波进行参数估计与概率建模，有效提升多目标等复杂背景杂波环境下的目标检测率。然而这些方法通常采用固定阈值进行杂波筛选，丢弃了大量的真实海杂波样本，导致参数估计准确度较差，且杂波筛选、参数估计与CFAR检测阈值计算过程复杂，计算效率较低。
发明内容
本发明目的就是为了弥补已有技术的缺陷，提供一种基于截断杂波统计的SAR图像双参数CFAR检测方法。
本发明是通过以下技术方案实现的：
一种基于截断杂波统计的SAR图像双参数CFAR检测方法，包括如下步骤：
步骤(1)：设置由目标窗口和背景窗口组成的局部滑动窗口，通过采用自适应阈值的杂波截断法去除泄露到背景窗口中的目标、方位模糊异质元素，保留背景窗口中的真实海杂波；
步骤(2)：采用最大似然估计法对背景窗口中自适应阈值截断后的杂波样本在对数域进行双参数估计，采用对数正态分布实现对SAR图像海杂波灰度概率密度的建模；
步骤(3)：根据给定的检测虚警率，自适应地求解双参数CFAR检测阈值，对目标窗口中的待检测像素点进行目标判别，实现SAR图像双参数CFAR检测。
步骤(1)中所述的通过采用自适应阈值的杂波截断法去除泄露到背景窗口中的目标、方位模糊异质元素，保留背景窗口中的真实海杂波，具体方法如下：选择滑动窗口大小，将背景窗口中的样本进行对数变换，在对数域中统计背景窗口中所有像素的均值μB-ln和标准差σB-ln，采用自适应阈值法进行杂波截断，设背景窗口中某一像素灰度值为IB，则截断规则为：
ln(IB)≤μB-ln+t1·σB-ln (1)
式中：t1为截断深度因子，当背景窗口中某一像素灰度值满足式(1)时，该像素点被保留，否则被剔除，对保留下来的像素重新计算对数均值与均方差，重复以上步骤，迭代一定次数，最终所有的异质点都被剔除，不同截断深度因子下的杂波保留比例RC为：
式中：erf(·)为误差函数。
步骤(2)中所述的参数估计与概率建模，具体方法如下：采用对数正态分布对截断后的SAR图像海杂波样本的灰度概率密度进行建模：
式中：为截断杂波样本的灰度值，μln，σln为对数均值和对数标准差，可通过对截断杂波样本通过最大似然估计得到：
式中：为截断杂波样本中第i个像素点的灰度值，n为截断杂波样本数。此外：
式中：t1为式(1)中的截断深度因子。
步骤(3)中所述的阈值计算与CFAR检测，具体方法如下：根据给定的虚警率，求解CFAR检测阈值，并对目标窗口中待检测像素点进行目标判决，设IT是目标窗口中待检测像素点的灰度值，则CFAR检测目标判决规则为：
式中：t为标称化因子，由给定的虚警率Pfa通过式(8)计算得到：
式中：erf-1(·)为逆误差函数。
本发明的优点是：1、本发明采用截断杂波统计特性来实现SAR图像双参数CFAR检测，有效解决了传统CFAR检测方法在多目标等复杂杂波背景下检测率降低的问题。
2、本发明采用自适应阈值法进行杂波截断，在有效去除异质元素的同时，可最大限度的保留真实杂波，采用最大似然法对截断后的杂波在对数域进行双参数(均值和均方差)估计，实现海杂波灰度概率密度的精确建模，具有更好的CFAR检测性能。
3、本发明中的杂波截断、参数估计、CFAR检测阈值求解过程精确简单，计算效率高，具有较高的工程应用价值。
附图说明
图1是本发明提出的基于截断杂波统计特性的SAR图像双参数CFAR检测方法流程图。
图2是本发明中采用自适应阈值杂波截断法的真实杂波保留性能图。
图3是青岛港口区域Envisat-ASAR原始图像。
图4是待检测多目标环境SAR图像切片。
图5是多目标环境SAR图像切片的舰船目标groundtruth图。
图6是传统双参数CFAR检测方法(NM-CFAR)结果图。
图7是基于K-分布的CFAR检测方法(K-CFAR)结果图。
图8是传统基于对数正态分布的CFAR检测方法(LN-CFAR)结果图。
图9是传统杂波筛选CFAR检测方法(TS-CFAR)结果图。
图10是本发明中基于截断杂波统计特性的SAR图像双参数CFAR检测方法(TS-LNCFAR)结果图。
图11是本发明中基于截断杂波统计特性的SAR图像双参数CFAR检测方法与传统CFAR检测方法的虛警特性(FAR)对比图。
具体实施方式
如图1所示，一种基于截断杂波统计的SAR图像双参数CFAR检测方法，包括如下步骤：
步骤(1)：设置由目标窗口和背景窗口组成的局部滑动窗口，通过采用自适应阈值的杂波截断法去除泄露到背景窗口中的目标、方位模糊异质元素，保留背景窗口中的真实海杂波；
步骤(2)：采用最大似然估计法对背景窗口中自适应阈值截断后的杂波样本在对数域进行双参数估计，采用对数正态分布实现对SAR图像海杂波灰度概率密度的建模；
步骤(3)：根据给定的检测虚警率，自适应地求解双参数CFAR检测阈值，对目标窗口中的待检测像素点进行目标判别，实现SAR图像双参数CFAR检测。
步骤(1)中所述的通过采用自适应阈值的杂波截断法去除泄露到背景窗口中的目标、方位模糊异质元素，保留背景窗口中的真实海杂波，具体方法如下：选择滑动窗口大小，将背景窗口中的样本进行对数变换，在对数域中统计背景窗口中所有像素的均值μB-ln和标准差σB-ln，采用自适应阈值法进行杂波截断，设背景窗口中某一像素灰度值为IB，则截断规则为：
ln(IB)≤μB-ln+t1·σB-ln (1)
式中：t1为截断深度因子，当背景窗口中某一像素灰度值满足式(1)时，该像素点被保留，否则被剔除，对保留下来的像素重新计算对数均值与均方差，重复以上步骤，迭代一定次数，最终所有的异质点都被剔除，不同截断深度因子下的杂波保留比例RC为：
式中：erf(·)为误差函数。
步骤(2)中所述的参数估计与概率建模，具体方法如下：采用对数正态分布对截断后的SAR图像海杂波样本的灰度概率密度进行建模：
式中：为截断杂波样本的灰度值，μln，σln为对数均值和对数标准差，可通过对截断杂波样本通过最大似然估计得到：
式中：为截断杂波样本中第i个像素点的灰度值，n为截断杂波样本数。此外：
式中：t1为式(1)中的截断深度因子。
步骤(3)中所述的阈值计算与CFAR检测，具体方法如下：根据给定的虚警率，求解CFAR检测阈值，并对目标窗口中待检测像素点进行目标判决，设IT是目标窗口中待检测像素点的灰度值，则CFAR检测目标判决规则为：
式中：t为标称化因子，由给定的虚警率Pfa通过式(8)计算得到：
式中：erf-1(·)为逆误差函数。
至此，基于截断杂波统计特性的SAR图像双参数CFAR检测方法基本完成。
以下通过Envisat-ASAR SAR图像实验进一步说明本发明的有效性。
Envisat-ASAR SAR图像目标检测对比实验：
1.实验设置：
实验数据来自Envisat-ASAR卫星于2007年7月对青岛港口地区成像的SAR数据，30m分辨率、C波段、VV极化，如图3所示。选取图3中的多目标区域(图2中白色方框标注)进行实验，图像大小为350×400，如图4所示。目标groundtruth图如图5所示。实验中，采用单元平均CFAR(CA-CFAR)、传统双参数CFAR(NM-CFAR)、传统对数正态分布CFAR(LN-CFAR)、K-分布CFAR(K-CFAR)、传统杂波筛选CFAR(TS-CFAR)与本发明提出的基于截断杂波统计特性的双参数CFAR(TS-LNCFAR)进行检测性能对比。
CA-CFAR、NM-CFAR、K-CFAR、LN-CFAR与TS-CFAR设置了目标窗口、保护窗口和背景窗口，它们的尺寸分别为：1×1、21×21和41×41。本发明提出的TS-LNCFAR仅设置目标窗口和背景窗口，它们的尺寸分别为：1×1和41×41。实验中，本发明提出的TS-LNCFAR检测方法的截断深度因子t1设为1.9，通过5次迭代进行杂波截断，有效地去除了泄露到背景窗口中的目标像素，且保留了97％的海杂波。各CFAR检测方法的虚警率相同，均为10-4。
2.结果分析：
本实验采用正确检测数、虚警数、漏检数、检测效率对本发明提出方法和对比方法进行定量分析，其中正确检测数、漏检数、虛警数对比结果如表1所示。检测效率对比如表2所示。NM-CFAR、K-CFAR、LN-CFAR、TS-CFAR与本发明提出的TS-LNCFAR的检测结果如图6至图10所示。CA-CFAR检测不到任何像素，因此没有给出检测结果图。
表1本发明方法与传统CFAR检测方法的计算效率对比
表2本发明方法与传统CFAR检测方法的检测效率对比
从图5至图10、表1可以看出：CA-CFAR方法检测不到任何目标；NM-CFAR方法采用高斯分布对海杂波灰度概率密度建模，不能很好地描述海杂波的长拖尾分布，导致检测结果中存在大量虛警；K-CFAR、LN-CFAR采用K分布和对数正态分布对海杂波灰度概率密度建模，然而受到泄露到背景窗口中目标像素的干扰，参数估计不准确，检测结果中会产生目标漏检；TS-CFAR采用固定阈值法筛选出杂波样本，并对筛选的杂波样本进行参数估计，采用Gamma分布对海杂波灰度概率密度建模，TS-CFAR方法可以检测到所有的目标，但由于采用固定阈值法进行杂波筛选，大量强灰度海杂波样本被剔除，从而导致估计参数不精确，会产生较高的虚警；本发明提出的TS-LNCFAR方法采用自适应阈值法进行杂波截断，可有效去除泄露到背景窗口中的目标，同时可保留97％的海杂波样本，通过最大似然估计法实现精确的双参数估计，以较低的虚警率检测到所有的目标。此外，通过Monto-Carlo仿真，得出了各CFAR检测方法的虛警保持特性曲线对比图(如图11所示)，本发明提出的CFAR检测方法具有最好的虛警保持特性。
从表2中可以看出：本发明提出的CFAR检测方法计算效率较高，在实际工程中具有较高的应用价值。

Claims (4)

1.一种基于截断杂波统计的SAR图像双参数CFAR检测方法，其特征在于：包括如下步骤：
步骤(1)：设置由目标窗口和背景窗口组成的局部滑动窗口，通过采用自适应阈值的杂波截断法去除泄露到背景窗口中的目标、方位模糊异质元素，保留背景窗口中的真实海杂波；
步骤(2)：采用最大似然估计法对背景窗口中自适应阈值截断后的杂波样本在对数域进行双参数估计，采用对数正态分布实现对SAR图像海杂波灰度概率密度的建模；
步骤(3)：根据给定的检测虚警率，自适应地求解双参数CFAR检测阈值，对目标窗口中的待检测像素点进行目标判别，实现SAR图像双参数CFAR检测。
2.根据权利要求1所述的基于截断杂波统计的SAR图像双参数CFAR检测方法，其特征在于：步骤(1)中所述的通过采用自适应阈值的杂波截断法去除泄露到背景窗口中的目标、方位模糊异质元素，保留背景窗口中的真实海杂波，具体方法如下：选择滑动窗口大小，将背景窗口中的样本进行对数变换，在对数域中统计背景窗口中所有像素的均值μB-ln和标准差σB-ln，采用自适应阈值法进行杂波截断，设背景窗口中某一像素灰度值为IB，则截断规则为：
ln(IB)≤μB-ln+t1·σB-ln (1)
式中：t1为截断深度因子，当背景窗口中某一像素灰度值满足式(1)时，该像素点被保留，否则被剔除，对保留下来的像素重新计算对数均值与均方差，重复以上步骤，迭代一定次数，最终所有的异质点都被剔除，不同截断深度因子下的杂波保留比例RC为：
<mrow> <msub> <mi>R</mi> <mi>C</mi> </msub> <mo>=</mo> <mfrac> <mn>1</mn> <mn>2</mn> </mfrac> <mo>+</mo> <mfrac> <mn>1</mn> <mn>2</mn> </mfrac> <mi>e</mi> <mi>r</mi> <mi>f</mi> <mrow> <mo>(</mo> <mfrac> <msub> <mi>t</mi> <mn>1</mn> </msub> <msqrt> <mn>2</mn> </msqrt> </mfrac> <mo>)</mo> </mrow> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>2</mn> <mo>)</mo> </mrow> </mrow>
式中：erf(·)为误差函数。
3.根据权利要求2所述的基于截断杂波统计的SAR图像双参数CFAR检测方法，其特征在于：步骤(2)中所述的参数估计与概率建模，具体方法如下：采用对数正态分布对截断后的SAR图像海杂波样本的灰度概率密度进行建模：
<mrow> <msub> <mi>f</mi> <mover> <mi>X</mi> <mo>~</mo> </mover> </msub> <mrow> <mo>(</mo> <mi>x</mi> <mo>)</mo> </mrow> <mo>=</mo> <mfrac> <mn>1</mn> <mrow> <msqrt> <mrow> <mn>2</mn> <mi>&amp;pi;</mi> </mrow> </msqrt> <msub> <mi>&amp;sigma;</mi> <mi>ln</mi> </msub> <mover> <mi>x</mi> <mo>~</mo> </mover> </mrow> </mfrac> <mi>exp</mi> <mrow> <mo>(</mo> <mo>-</mo> <mfrac> <msup> <mrow> <mo>(</mo> <mi>l</mi> <mi>n</mi> <mo>(</mo> <mover> <mi>x</mi> <mo>~</mo> </mover> <mo>)</mo> <mo>-</mo> <msub> <mi>&amp;mu;</mi> <mi>ln</mi> </msub> <mo>)</mo> </mrow> <mn>2</mn> </msup> <mrow> <mn>2</mn> <msup> <msub> <mi>&amp;sigma;</mi> <mi>ln</mi> </msub> <mn>2</mn> </msup> </mrow> </mfrac> <mo>)</mo> </mrow> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>3</mn> <mo>)</mo> </mrow> </mrow>
式中：为截断杂波样本的灰度值，μln，σln为对数均值和对数标准差，可通过对截断杂波样本通过最大似然估计得到：
<mrow> <msub> <mover> <mi>&amp;sigma;</mi> <mo>^</mo> </mover> <mi>ln</mi> </msub> <mo>=</mo> <msqrt> <mrow> <mfrac> <mn>1</mn> <mrow> <mi>B</mi> <mo>-</mo> <msup> <mi>A</mi> <mn>2</mn> </msup> </mrow> </mfrac> <mrow> <mo>{</mo> <mrow> <mfrac> <mn>1</mn> <mi>n</mi> </mfrac> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>n</mi> </munderover> <msup> <mrow> <mo>&amp;lsqb;</mo> <mi>l</mi> <mi>n</mi> <mrow> <mo>(</mo> <msub> <mover> <mi>x</mi> <mo>~</mo> </mover> <mi>i</mi> </msub> <mo>)</mo> </mrow> <mo>&amp;rsqb;</mo> </mrow> <mn>2</mn> </msup> <mo>-</mo> <msup> <mrow> <mo>&amp;lsqb;</mo> <mfrac> <mn>1</mn> <mi>n</mi> </mfrac> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>n</mi> </munderover> <mi>l</mi> <mi>n</mi> <mrow> <mo>(</mo> <msub> <mover> <mi>x</mi> <mo>~</mo> </mover> <mi>i</mi> </msub> <mo>)</mo> </mrow> <mo>&amp;rsqb;</mo> </mrow> <mn>2</mn> </msup> </mrow> <mo>}</mo> </mrow> </mrow> </msqrt> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>4</mn> <mo>)</mo> </mrow> </mrow>
<mrow> <msub> <mover> <mi>&amp;mu;</mi> <mo>^</mo> </mover> <mi>ln</mi> </msub> <mo>=</mo> <mfrac> <mn>1</mn> <mi>n</mi> </mfrac> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>n</mi> </munderover> <mi>l</mi> <mi>n</mi> <mrow> <mo>(</mo> <msub> <mover> <mi>x</mi> <mo>~</mo> </mover> <mi>i</mi> </msub> <mo>)</mo> </mrow> <mo>+</mo> <mi>A</mi> <msub> <mover> <mi>&amp;sigma;</mi> <mo>^</mo> </mover> <mi>ln</mi> </msub> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>5</mn> <mo>)</mo> </mrow> </mrow>
式中：为截断杂波样本中第i个像素点的灰度值，n为截断杂波样本数。此外：
<mrow> <mtable> <mtr> <mtd> <mrow> <mi>A</mi> <mo>=</mo> <mfrac> <msup> <mi>e</mi> <mrow> <mo>-</mo> <mfrac> <mrow> <msup> <msub> <mi>t</mi> <mn>1</mn> </msub> <mn>2</mn> </msup> </mrow> <mn>2</mn> </mfrac> </mrow> </msup> <mrow> <msqrt> <mrow> <mn>2</mn> <mi>&amp;pi;</mi> </mrow> </msqrt> <mrow> <mo>(</mo> <mrow> <mfrac> <mn>1</mn> <mn>2</mn> </mfrac> <mo>+</mo> <mfrac> <mn>1</mn> <mn>2</mn> </mfrac> <mi>r</mi> <mi>e</mi> <mi>f</mi> <mrow> <mo>(</mo> <mfrac> <msub> <mi>t</mi> <mn>1</mn> </msub> <msqrt> <mn>2</mn> </msqrt> </mfrac> <mo>)</mo> </mrow> </mrow> <mo>)</mo> </mrow> </mrow> </mfrac> <mo>,</mo> </mrow> </mtd> <mtd> <mrow> <mi>B</mi> <mo>=</mo> <mn>1</mn> <mo>-</mo> <mfrac> <mrow> <msub> <mi>t</mi> <mn>1</mn> </msub> <msup> <mi>e</mi> <mrow> <mo>-</mo> <mfrac> <mrow> <msup> <msub> <mi>t</mi> <mn>1</mn> </msub> <mn>2</mn> </msup> </mrow> <mn>2</mn> </mfrac> </mrow> </msup> </mrow> <mrow> <msqrt> <mrow> <mn>2</mn> <mi>&amp;pi;</mi> </mrow> </msqrt> <mrow> <mo>(</mo> <mrow> <mfrac> <mn>1</mn> <mn>2</mn> </mfrac> <mo>+</mo> <mfrac> <mn>1</mn> <mn>2</mn> </mfrac> <mi>r</mi> <mi>e</mi> <mi>f</mi> <mrow> <mo>(</mo> <mfrac> <msub> <mi>t</mi> <mn>1</mn> </msub> <msqrt> <mn>2</mn> </msqrt> </mfrac> <mo>)</mo> </mrow> </mrow> <mo>)</mo> </mrow> </mrow> </mfrac> </mrow> </mtd> </mtr> </mtable> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>6</mn> <mo>)</mo> </mrow> </mrow>
式中：t1为式(1)中的截断深度因子。
4.根据权利要求3所述的基于截断杂波统计的SAR图像双参数CFAR检测方法，其特征在于：步骤(3)中所述的阈值计算与CFAR检测，具体方法如下：根据给定的虚警率，求解CFAR检测阈值，并对目标窗口中待检测像素点进行目标判决，设IT是目标窗口中待检测像素点的灰度值，则CFAR检测目标判决规则为：
<mrow> <mi>l</mi> <mi>n</mi> <mrow> <mo>(</mo> <msub> <mi>I</mi> <mi>T</mi> </msub> <mo>)</mo> </mrow> <mo>&amp;GreaterEqual;</mo> <msub> <mover> <mi>&amp;mu;</mi> <mo>^</mo> </mover> <mi>ln</mi> </msub> <mo>+</mo> <mi>t</mi> <mo>&amp;CenterDot;</mo> <msub> <mover> <mi>&amp;sigma;</mi> <mo>^</mo> </mover> <mi>ln</mi> </msub> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>7</mn> <mo>)</mo> </mrow> </mrow>
式中：t为标称化因子，由给定的虚警率Pfa通过式(8)计算得到：
<mrow> <mi>t</mi> <mo>=</mo> <msqrt> <mn>2</mn> </msqrt> <mo>&amp;CenterDot;</mo> <msup> <mi>erf</mi> <mrow> <mo>-</mo> <mn>1</mn> </mrow> </msup> <mrow> <mo>(</mo> <mn>1</mn> <mo>-</mo> <mn>2</mn> <mo>&amp;CenterDot;</mo> <msub> <mi>P</mi> <mrow> <mi>f</mi> <mi>a</mi> </mrow> </msub> <mo>)</mo> </mrow> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>8</mn> <mo>)</mo> </mrow> </mrow>
式中：erf-1(·)为逆误差函数。
CN201710864777.6A 2017-09-22 2017-09-22 基于截断杂波统计的sar图像双参数cfar检测方法 Pending CN107748361A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710864777.6A CN107748361A (zh) 2017-09-22 2017-09-22 基于截断杂波统计的sar图像双参数cfar检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710864777.6A CN107748361A (zh) 2017-09-22 2017-09-22 基于截断杂波统计的sar图像双参数cfar检测方法

Publications (1)

Publication Number Publication Date
CN107748361A true CN107748361A (zh) 2018-03-02

Family

ID=61255404

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710864777.6A Pending CN107748361A (zh) 2017-09-22 2017-09-22 基于截断杂波统计的sar图像双参数cfar检测方法

Country Status (1)

Country Link
CN (1) CN107748361A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112881983A (zh) * 2021-01-13 2021-06-01 合肥工业大学 基于双边截断统计特性的sar图像舰船cfar检测方法
CN113052117A (zh) * 2021-04-06 2021-06-29 合肥工业大学 一种ais数据辅助的sar图像的瑞利cfar检测方法
CN113158806A (zh) * 2021-03-24 2021-07-23 山东科技大学 一种基于OTD_Loglogistic的SAR数据海洋目标检测方法
GB2621448A (en) * 2022-07-08 2024-02-14 Bae Systems Plc Improvements in and relating to radars

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH04216484A (ja) * 1990-12-14 1992-08-06 Tokimec Inc レーダ用クラッタ信号抑圧装置
CN103400156A (zh) * 2013-07-04 2013-11-20 西安电子科技大学 基于cfar和稀疏表示的高分辨sar图像舰船检测方法
CN103760542A (zh) * 2014-01-10 2014-04-30 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

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH04216484A (ja) * 1990-12-14 1992-08-06 Tokimec Inc レーダ用クラッタ信号抑圧装置
CN103400156A (zh) * 2013-07-04 2013-11-20 西安电子科技大学 基于cfar和稀疏表示的高分辨sar图像舰船检测方法
CN103760542A (zh) * 2014-01-10 2014-04-30 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

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
JIAQIU AI等: "A Correlation-Based Joint CFAR Detector Using Adaptively-Truncated Statistics in SAR Imagery", 《SENSORS》 *
艾加秋等: "改进的SAR图像双参数CFAR舰船检测算法", 《电子与信息学报》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112881983A (zh) * 2021-01-13 2021-06-01 合肥工业大学 基于双边截断统计特性的sar图像舰船cfar检测方法
CN112881983B (zh) * 2021-01-13 2022-03-15 合肥工业大学 基于双边截断统计特性的sar图像舰船cfar检测方法
CN113158806A (zh) * 2021-03-24 2021-07-23 山东科技大学 一种基于OTD_Loglogistic的SAR数据海洋目标检测方法
CN113052117A (zh) * 2021-04-06 2021-06-29 合肥工业大学 一种ais数据辅助的sar图像的瑞利cfar检测方法
CN113052117B (zh) * 2021-04-06 2022-11-08 合肥工业大学 一种ais数据辅助的sar图像的瑞利cfar检测方法
GB2621448A (en) * 2022-07-08 2024-02-14 Bae Systems Plc Improvements in and relating to radars

Similar Documents

Publication Publication Date Title
CN107145874B (zh) 复杂背景sar图像中的舰船目标检测与鉴别方法
CN107808383B (zh) 一种强海杂波下sar图像目标快速检测方法
CN107748361A (zh) 基于截断杂波统计的sar图像双参数cfar检测方法
CN108765403A (zh) 一种多目标环境下的sar图像双参数cfar检测方法
CN105957054B (zh) 一种图像变化检测方法
CN108764163A (zh) 多目标环境下基于灰度相关特性的cfar检测方法
CN113408460B (zh) 一种基于遥感大数据和云平台探测互花米草分布的方法
CN112149591B (zh) 用于sar图像的ssd-aeff自动桥梁检测方法及系统
CN106156758B (zh) 一种sar海岸图像中海岸线提取方法
WO2018000252A1 (zh) 高分辨遥感海洋图像的海背景建模与抑制的方法及系统
CN110765912B (zh) 一种基于统计约束和Mask R-CNN的SAR图片船舶目标检测方法
CN108399430B (zh) 一种基于超像素和随机森林的sar图像舰船目标检测方法
CN106646469B (zh) 基于变异系数法的sar船只检测优化方法
CN116012364B (zh) Sar图像变化检测方法和装置
CN116563726A (zh) 一种基于卷积神经网络的遥感图像舰船目标检测方法
CN115984778A (zh) 一种基于多特征优化的Sentinel-1数据快速动态洪灾监测方法
CN112580542A (zh) 一种基于目标检测的钢筋计数方法
CN112881983B (zh) 基于双边截断统计特性的sar图像舰船cfar检测方法
CN104297753B (zh) 一种基于自适应缩减算子的导航雷达图像反演海面风向方法
CN107729903A (zh) 基于区域概率统计和显著性分析的sar图像目标检测方法
CN106548209A (zh) 一种基于多纹理特征的sar绿潮信息提取方法
Zhang et al. FRS-Net: An efficient ship detection network for thin-cloud and FOG-covered high-resolution optical satellite imagery
CN107728111A (zh) 基于空间相关特性的sar图像联合cfar检测方法
Wu Two-parameter CFAR ship detection algorithm based on Rayleigh distribution in SAR images
Yao et al. High-resolution optical satellite image simulation of ship target in large sea scenes

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20180302

RJ01 Rejection of invention patent application after publication