CN108764163A - 多目标环境下基于灰度相关特性的cfar检测方法 - Google Patents
多目标环境下基于灰度相关特性的cfar检测方法 Download PDFInfo
- Publication number
- CN108764163A CN108764163A CN201810541520.1A CN201810541520A CN108764163A CN 108764163 A CN108764163 A CN 108764163A CN 201810541520 A CN201810541520 A CN 201810541520A CN 108764163 A CN108764163 A CN 108764163A
- Authority
- CN
- China
- Prior art keywords
- cfar
- clutter
- window
- target
- joint
- 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
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种多目标环境下基于灰度相关特性的CFAR检测方法,该方法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,同时最大限度保留真实杂波;采用最大似然法对截断后的杂波进行双参数(对数均值与对数标准方差)估计,采用二维对数正态分布实现杂波相邻像素间灰度联合概率密度的精确建模;根据给定的虚警率得到不同间距不同方向的联合CFAR检测结果,最后对不同间距不同方向上的联合CFAR检测结果进行融合,实现基于灰度相关特性的CFAR检测。本发明综合利用了信杂比、灰度相关和截断杂波统计特征,在提高多目标环境下目标检测率的同时,可有效降低虚警率,具有较高的应用价值。
Description
技术领域
本发明涉及SAR图像目标检测技术领域,尤其涉及一种多目标环境下基于灰度相关特性的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。
传统CFAR检测算法仅利用了目标与周围杂波的对比度信息,没有充分发掘目标内部的空间相关特性。目标内部像素间的空间相关特性是舰船的固有特性,具有其内在的规律。目标和杂波内部每个像素点都不是孤立存在的,各像素之间是相互关联的。传统的SAR图像CFAR检测方法只利用了目标孤立像素点的强度信息,没有充分发掘目标内部各像素之间的空间相关信息,导致检测结果中存在大量的虚警,尤其是复杂背景杂波下。
总之,传统CFAR检测方法在多目标环境下难以兼顾高检测率和低虚警率,亟待开发兼顾高检测率和低虚警率的新CFAR检测方法。
发明内容
本发明目的就是为了弥补已有技术的缺陷,提供一种多目标环境下基于灰度相关特性的CFAR检测方法。
本发明是通过以下技术方案实现的:
一种多目标环境下基于灰度相关特性的CFAR检测方法,包括有如下步骤:
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,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(对数均值和对数标准方差)估计;
步骤(2):统计背景窗口中截断杂波样本某一间距相邻像素之间在水平、垂直、对角、反对角四个方向上的灰度相关度因子,并采用二维对数正态分布对某一间距相邻像素四个方向上的灰度联合概率密度函数建模;
步骤(3):根据给定的虚警率,求解某一间距四个方向上相邻像素的联合CFAR检测阈值,对目标窗口中的待检测像素进行联合判别,实现某一间距四个方向上的基于灰度相关特性的联合CFAR检测;
步骤(4):将同一间距上的四个方向的联合CFAR检测结果采用“或门”运算进行融合,最后将不同间距四个方向上融合后的结果采用“与门”运算进行融合,得到最终的联合CFAR检测结果。该CFAR检测方法在保持高目标检测率的同时,可有效降低检测虚警率。
所述的多目标环境下基于灰度相关特性的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:
式中:erf(·)为误差函数。再对截断后的杂波样本通过最大似然估计法估计对数均值μln和对数标准方差σln:
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。
所述的多目标环境下基于灰度相关特性的CFAR检测方法,其特征在于:步骤(2)中所述的设置由目标窗口和背景窗口组成的局部滑动窗口,采用背景窗口中截断后的杂波样本计算相距间距为d的邻域内某一个方向θ(只取水平、垂直、对角、反对角四个方向)上相邻像素之间的灰度相关度因子rθ,具体方法如下:
式中:f(i,j)为背景窗口中截断后的杂波样本像素(i,j)的灰度值,f(i+l,j+k)为背景窗口中截断后的杂波样本像素(i,j)相距某一间距d的像素(i+l,j+k)的灰度值,不同间距d水平、垂直、对角、反对角四个方向上对应的l和k取值为:1)水平方向:l=0,k=d;2)垂直方向:l=d,k=0;3)对角线方向:l=-d,k=d;4)反对角方向:l=d,k=d。μ为SAR图像海杂波的灰度均值,可通过式(7)计算得到:
因此,间距为d方向θ上相邻像素的灰度X与Y的联合概率密度函数f(X,Y,d,θ)可采用灰度相关度因子为rθ的二维对数正态分布进行建模:
所述的多目标环境下基于灰度相关特性的CFAR检测方法,其特征在于:步骤(3)中所述的间距为d方向θ上相邻像素的联合CFAR阈值计算与联合判别,具体方法如下:根据给定的虚警率Pfa,求解方向θ的联合CFAR检测阈值T,其求解方法为:
求解出四个方向的联合检测阈值后,可对目标窗口中的待检测像素进行联合判别,联合判别规则为:
水平方向:当f(i,j)>TH&f(i,j+d)>TH,fdH(i,j)=1&fdH(i,j+d)=1
垂直方向:当f(i,j)>TV&f(i+d,j)>TV,fdV(i,j)=1&fdV(i+d,j)=1
对角方向:当f(i,j)>TD&f(i-d,j+d)>TD,fdD(i,j)=1&fdD(i-d,j+d)=1
反对角方向:当f(i,j)>TA&f(i+d,j+d)>TA,fdA(i,j)=1&fdA(i+d,j+d)=1
(10)
式中:TH、TV、TD与TA为水平、垂直、对角和反对角方向上的联合CFAR检测阈值,fdH、fdV、fdD与fdA为间距为d水平、垂直、对角和反对角方向上的联合CFAR检测结果,当其为“1”时表示为目标像素点。
所述的多目标环境下基于灰度相关特性的CFAR检测方法,其特征在于:步骤(4)中所述对不同间距不同方向的检测结果进行融合,具体方法如下:根据步骤(3)得到的间距为d水平、垂直、对角和反对角方向上的联合CFAR检测结果fdH、fdV、fdD与fdA,采用“或门”运算得到间距d的四个方向的融合结果,其融合规则为:
fd=fdH||fdV||fdD||fdA (11)
式中:||为“或门”运算,得到了间距d的四个方向的融合结果fd后,进一步采用“与门”运算得到最终的联合CFAR检测结果,其融合规则为:
f=fd=1&&fd=2&&…&&fd=N (12)
式中:&&为“与门”运算,N为最大间距,f为最终检测结果。检测结果中标注为“1”的像素点为目标像素点。
本发明的优点是:
1、本发明综合利用了SAR图像中目标与杂波的对比度以及目标内部的空间相关特性来实现SAR图像联合CFAR检测,在保证目标检测率的同时,有效解决了传统CFAR检测方法虛警率高的问题,在复杂海况中具备较强的工程应用价值。
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进行双参数(均值和标准方差)估计,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。
3、本发明充分利用了目标的空间相关特性,实现了基于空间相关特性的联合CFAR检测,在保证目标检测率的同时,有效降低了虚警率;该方法为SAR图像CFAR检测提供了一种新的思想与途径。
附图说明
图1是本发明提出的多目标环境下基于灰度相关特性的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是不同间距d下的四个方向(水平、垂直、对角线和反对角线)上的邻域像素分布图。(a)为间距d=1的四个方向上的邻域像素分布图,(b)为为间距d=1的四个方向上的邻域像素分布图,(c)为间距d=3的四个方向上的邻域像素分布图。
图4是不同截断深度因子t1下采用最大似然估计法的参数估计误差图。(a)为对数均值参数估计误差图,(b)为对数标准方差参数估计误差图。
图5是待检测Envisat-ASAR原始图像,白色方框标注区域为多目标区域。
图6是待检测TerraSAR-X原始图像,白色方框标注区域为复杂背景杂波区域。
图7是各CFAR检测算法对Envisat-ASAR多目标区域图像采用虚警率为10-4的检测结果对比图。(a)为选取图5中白色方框的多目标区域SAR原图像,(b)为真实目标图,(c)为CA-CFAR检测结果,(d)为NM-CFAR检测结果,(e)为K-CFAR检测结果结果,(f)为LN-CFAR检测结果结果,(g)为TS-CFAR检测结果,(h)为2DLN-CFAR检测结果,(i)为TS-2DLNCFAR在截断深度因子为t1=1.0检测结果(目标窗口为3×3),(j)为本发明提出的MTE-2DLNCFAR在截断深度因子为t1=1.0的检测结果(目标窗口为3×3),(k)为TS-2DLNCFAR在截断深度因子为t1=3.0的检测结果(目标窗口为3×3),(l)为本发明提出的MTE-2DLNCFAR在截断深度因子为t1=3.0的检测结果(目标窗口为3×3),(m)为本发明提出的MTE-2DLNCFAR在截断深度因子为t1=1.0的检测结果(目标窗口为5×5),(n)为本发明提出的MTE-2DLNCFAR在截断深度因子为t1=1.0的检测结果(目标窗口为7×7),(o)为本发明提出的MTE-2DLNCFAR在截断深度因子为t1=1.0的检测结果(目标窗口为9×9),(p)为本发明提出的MTE-2DLNCFAR在截断深度因子为t1=1.0的检测结果(目标窗口为11×11)。
图8是各CFAR检测算法对TerraSAR-X多目标区域图像采用虚警率为10-4的检测结果对比图。(a)为选取图5中白色方框的多目标区域SAR原图像,(b)为真实目标图,(c)为CA-CFAR检测结果,(d)为NM-CFAR检测结果,(e)为K-CFAR检测结果结果,(f)为LN-CFAR检测结果结果,(g)为TS-CFAR检测结果,(h)为2DLN-CFAR检测结果,(i)为TS-2DLNCFAR在截断深度因子为t1=1.0检测结果(目标窗口为3×3),(j)为本发明提出的MTE-2DLNCFAR在截断深度因子为t1=1.0的检测结果(目标窗口为3×3),(k)为TS-2DLNCFAR在截断深度因子为t1=3.0的检测结果(目标窗口为3×3),(l)为本发明提出的MTE-2DLNCFAR在截断深度因子为t1=3.0的检测结果(目标窗口为3×3),(m)为本发明提出的MTE-2DLNCFAR在截断深度因子为t1=1.0的检测结果(目标窗口为5×5),(n)为本发明提出的MTE-2DLNCFAR在截断深度因子为t1=1.0的检测结果(目标窗口为7×7),(o)为本发明提出的MTE-2DLNCFAR在截断深度因子为t1=1.0的检测结果(目标窗口为9×9),(p)为本发明提出的MTE-2DLNCFAR在截断深度因子为t1=1.0的检测结果(目标窗口为21×21)。。
图9是背景窗口真实杂波区域相邻像素灰度联合概率密度图。
图10是2DLN-CFAR算法采用背景窗口中所有像素(包括目标等异质点)进行建模后的二维对数正态分布图。
图11是TS-2DLNCFAR算法通过计算背景窗口中截断杂波的对数均值和对数标准方差(没有采用最大似然参数估计法)进行建模后的二维对数正态分布图。
图12本发明的MTE-2DLNCFAR算法通过采用最大似然估计法估计截断杂波样本的对数均值和对数标准方差进行建模后的二维对数正态分布图。
图13是本发明提出的MTE-2DLNCFAR方法与其余CFAR检测方法的ROC曲线对比图。
具体实施方式
如图1所示,一种多目标环境下基于灰度相关特性的CFAR检测方法,包括有如下步骤:
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,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(对数均值和对数标准方差)估计;
步骤(2):统计背景窗口中截断杂波样本某一间距相邻像素之间在水平、垂直、对角、反对角四个方向上的灰度相关度因子,并采用二维对数正态分布对某一间距相邻像素四个方向上的灰度联合概率密度函数建模;
步骤(3):根据给定的虚警率,求解某一间距四个方向上相邻像素的联合CFAR检测阈值,对目标窗口中的待检测像素进行联合判别,实现某一间距四个方向上的基于灰度相关特性的联合CFAR检测;
步骤(4):将同一间距上的四个方向的联合CFAR检测结果采用“或门”运算进行融合,最后将不同间距四个方向上融合后的结果采用“与门”运算进行融合,得到最终的联合CFAR检测结果。该CFAR检测方法在保持高目标检测率的同时,可有效降低检测虚警率。
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。不同截断深度因子t1下的杂波保留比例如图2所示,可见,该方法可在剔除泄漏到背景窗口中的目标等异质点时,可最大限度地保留真实海杂波,对于海杂波的灰度概率密度函数精确建模具有重要作用。
背景窗口杂波截断后,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。本发明采用对数正态分布对SAR图像海杂波X灰度概率密度函数进行建模:
式中:x为SAR图像杂波的灰度值,μln,σln为对数均值和对数标准差,fX(x)为SAR图像海杂波X灰度概率密度函数。因此,不同截断深度因子t1下的杂波保留比例RC为:
式中:erf(·)为误差函数。
假设截断前后的SAR图像海杂波样本分别为X和截断前的海杂波灰度概率密度模型为fX(x),fX(x)的积分函数为FX(x),为采用截断深度因子为t1截断后的海杂波灰度概率密度模型。采用截断深度因子为t1截断后的海杂波灰度概率密度模型为背景窗口杂波截断后,截断后的杂波灰度值概率密度函数为:
对截断杂波的进行对数均值及对数标准方差估计,实现对海杂波对数正态分布的精确建模。假设截断后的杂波为采用最大似然估计法进行双参数(对数均值及对数标准方差)估计:
t1是截断深度因子,它与对数均值μln和对数标准方差σln有关,如式(1)所示。联合式(1)和(6),并对式(6)进行对数变换,可得:
采用最大似然法对截断后的杂波进行参数估计,可得:
由于截断深度因子t1是预先设定的一个常数,因此联合式(8)和(9),可进一步得到:
其中:
式中:t1为式(1)中的截断深度因子。最终,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。参数估计误差如图3所示,图3结果表明该参数估计方法具有很高的精度。
步骤(2)中所述的统计背景窗口中截断杂波样本相距一定间距d的邻域内某一个方向θ(只取水平、垂直、对角、反对角四个方向)上相邻像素之间(如图4所示)的灰度相关度因子rθ,具体方法如下:
式中:f(i,j)为背景窗口中截断后的杂波样本像素(i,j)的灰度值,f(i+l,j+k)为背景窗口中截断后的杂波样本像素(i,j)相距某一间距d的像素(i+l,j+k)的灰度值(如图4所示),不同间距d水平、垂直、对角、反对角四个方向上对应的l和k取值为:1)水平方向:l=0,k=d;2)垂直方向:l=d,k=0;3)对角线方向:l=-d,k=d;4)反对角方向:l=d,k=d。μ为SAR图像海杂波的灰度均值,可通过式(7)计算得到:
因此,间距为d方向θ上相邻像素的灰度X与Y的联合概率密度函数f(X,Y,d,θ)为可采用灰度相关度因子为rθ的二维对数正态分布进行建模:
步骤(3)中所述的间距为d方向θ上相邻像素的联合CFAR阈值计算与联合判别,具体方法如下:根据给定的虚警率Pfa,求解方向θ的联合CFAR检测阈值T,其求解方法为:
求解出四个方向的联合检测阈值后,可对目标窗口中的待检测像素进行联合判别,联合判别规则为:
水平方向:当f(i,j)>TH&f(i,j+d)>TH,fdH(i,j)=1&fdH(i,j+d)=1
垂直方向:当f(i,j)>TV&f(i+d,j)>TV,fdV(i,j)=1&fdV(i+d,j)=1
对角方向:当f(i,j)>TD&f(i-d,j+d)>TD,fdD(i,j)=1&fdD(i-d,j+d)=1
反对角方向:当f(i,j)>TA&f(i+d,j+d)>TA,fdA(i,j)=1&fdA(i+d,j+d)=1
(10)
式中:TH、TV、TD与TA为水平、垂直、对角和反对角方向上的联合CFAR检测阈值,fdH、fdV、fdD与fdA为间距为d水平、垂直、对角和反对角方向上的联合CFAR检测结果,当其为“1”时表示为目标像素点。
步骤(4)中所述对不同间距不同方向的检测结果进行融合,具体方法如下:根据步骤(3)得到的间距为d水平、垂直、对角和反对角方向上的联合CFAR检测结果fdH、fdV、fdD与fdA,采用“或门”运算得到间距d的四个方向的融合结果,其融合规则为:
fd=fdH||fdV||fdD||fdA (11)
式中:||为“或门”运算,得到了间距d的四个方向的融合结果fd后,进一步采用“与门”运算得到最终的联合CFAR检测结果,其融合规则为:
f=fd=1&&fd=2&&…&&fd=N (12)
式中:&&为“与门”运算,N为最大间距,f为最终检测结果。检测结果中标注为“1”的像素点为目标像素点。
至此,多目标环境下基于灰度相关特性的CFAR检测方法基本完成。
以下通过TerraSAR-X SAR图像实验进一步说明本发明的有效性。
TerraSAR-X SAR图像目标检测对比实验:
1.实验设置:
实验数据来自Envisat-ASAR与TerraSAR-X SAR数据。图5为Envisat-ASAR卫星采用IM模式于2007年7月20日对青岛港口地区成像的低分辨率SAR数据,该图像分辨率为30m、波段为C波段、极化方式为VV极化。图6为TerraSAR-X卫星采用SM模式于2009年7月31日对巴拿马港口地区成像的高分辨率SAR数据,该图像分辨率为3m、波段为X波段、极化方式为HH极化。选取图5中的多目标区域(白色方框标注)和图6中的强杂波干扰区域(白色方框标注)进行实验。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)、传统杂波样本筛选CFAR(TS-CFAR)、未进行杂波截断的基于灰度相关特性的联合CFAR(2DLN-CFAR)、基于截断杂波统计的联合CFAR检测(TS-2DLNCFAR)与本发明提出的多目标环境下基于灰度相关特性的联合CFAR(MTE-2DLNCFAR)进行检测性能对比。
CA-CFAR、NM-CFAR、LN-CFAR和K-CFAR均设置目标窗口、保护窗口和背景窗口,它们的尺寸分别设置为:1×1、21×21和41×41;TS-CFAR仅设置目标窗口和背景窗口,它们的尺寸分别设置为:1×1和41×41,并且它的杂波截断比例取25%。2DLN-CFAR、TS-2DLNCFAR和本发明提出的TS-2DLNCFAR设置目标窗口和背景窗口,它们的尺寸分别为:3×3和41×41。同时为了说明本发明可利用更大范围的邻域像素灰度相关信息,设置了更大尺寸(5×5、7×7、11×11等)的目标窗口来进行性能对比。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、接收机性能曲线(ReceiverOperationCharacteristics,ROC)对本发明提出方法和对比方法进行定量分析。各CFAR检测算法在虚警率PFA=10-4对图5中的多目标区域SAR图像的检测结果性能对比如表1、表2、图7和图8所示。
传统局部窗口自适应CFAR检测算法对背景窗口中的所有像素进行参数估计,由于舰船目标相距很近,背景窗口中的杂波会受到舰船目标像素的干扰,使得估计的参数偏高,从而通过给定PFA计算得到的检测阈值也偏高,导致目标的漏检,如CA-CFAR、K-CFAR、LN-CFAR及。从图中检测结果对比可以看出:而NM-CFAR检测算法却没有发生目标漏检,这是因为NM-CFAR采用高斯分布描述海杂波的PDF分布,不能描述海杂波的长拖尾特性,会导致大量的虚警。TS-CFAR检测算法对背景窗口中的杂波进行截断(灰度最大的25%的像素被强行截断),可检测到全部目标,但是虚警较多。
2DLN-CFAR、TS-2DLNCFAR检测算法和本发明提出的MTE-2DLNCFAR检测算法均利用了目标内邻域像素间的灰度相关特性,实现基于灰度相关特性的联合CFAR检测。2DLN-CFAR检测算法对背景窗口中的所有像素进行参数估计,由于舰船目标相距很近,背景窗口中的杂波会受到舰船目标像素的干扰,使得估计的参数偏高,导致检测率下降。TS-2DLNCFAR和本发明提出的MTE-2DLNCFAR检测算法先对背景窗口中的杂波进行截断处理,可有效去除强灰度异质点对概率建模精度的影响,提升多目标环境下的舰船目标检测率。但是TS-2DLNCFAR检测算法估计的对数均值和对数标准方差为截断后的杂波样本的对数均值和对数标准差,估计的参数比实际值小,并且截断深度因子越小,估计值越小。因此TS-2DNCFAR在不同的截断深度因子下,其检测虚警率不同,截断深度因子越小,检测结果虚警率越高,其CFAR保持特性较差。本发明提出的MTE-2DLNCFAR检测算法采用最大似然估计法进行参数估计,参数估计精度高。因此,MTE-2DLNCFAR在不同的截断深度因子下,检测结果的虚警率几乎相同,其具有很好的CFAR保持特性。此外,MTE-2DLNCFAR利用了更大范围内的灰度相关特性,在目标窗口尺寸增大时,联合CFAR检测虚警率降低,但是随着目标窗口尺寸增加到一定的尺寸时,目标会发生漏检。因而在实际工程中,要根据检测目标的最小尺寸来设计目标窗口尺寸,以达到最好的检测效果。
表1本发明方法与传统CFAR检测方法对Envisat-ASAR多目标区域SAR图像检测性能对比(PFA=10-4)
表2本发明方法与传统CFAR检测方法对TerraSAR-X强杂波干扰区域SAR图像检测性能对比(PFA=10-4)
图9为SAR图像海杂波区域间距为1个像素点的水平方向上相邻像素之间的联合灰度概率密度的轮廓图,图10、图11和图12为2DLN-CFAR、TS-2DLNCFAR和本发明提出的MTE-2DLNCFAR算法建模后的二维对数正态分布图。可以看出,本发明提出的MTE-2DLNCFAR算法建模的二维对数正态分布拟合效果最好。因而,MTE-2DLNCFAR算法的CFAR检测性能优于2DLN-CFAR、TS-2DLNCFAR算法。
图13为各种CFAR检测算法的ROC曲线。横轴为检测结果的虚警概率Pfa,纵轴为检测结果的检测率Pd,横轴的Pfa数值作对数处理,以dB为单位。从图13中可以看出:本发明提出的MTE-2DLNCFAR检测方法采用自适应阈值截断法剔除异质点对杂波灰度概率建模的误差影响,对截断后的杂波样本采用最大似然估计法进行精确双参数估计(如图3所示),可实现杂波区域内一定范围内相邻像素间的联合灰度概率模型的精确建模,实现基于截断杂波特性的联合CFAR检测。
综上所述:本发明提出的多目标环境下基于灰度相关特性的CFAR检测方法可有效提升多目标环境下的目标检测率,该方法在提高多目标环境下的目标检测率的同时,可有效降低检测的虚警率,在实际工程中具有较高的应用价值。
Claims (5)
1.一种多目标环境下基于灰度相关特性的CFAR检测方法,其特征在于:包括有如下步骤:
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,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对数均值和对数标准方差估计;
步骤(2):统计背景窗口中截断杂波样本某一间距相邻像素之间在水平、垂直、对角、反对角四个方向上的灰度相关度因子,并采用二维对数正态分布对某一间距相邻像素四个方向上的灰度联合概率密度函数建模;
步骤(3):根据给定的虚警率,求解某一间距四个方向上相邻像素的联合CFAR检测阈值,对目标窗口中的待检测像素进行联合判别,实现某一间距四个方向上的基于灰度相关特性的联合CFAR检测;
步骤(4):将同一间距上的四个方向的联合CFAR检测结果采用或门运算进行融合,最后将不同间距四个方向上融合后的结果采用与门运算进行融合,得到最终的联合CFAR检测结果。
2.根据权利要求1所述的多目标环境下基于灰度相关特性的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,直到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;再对截断后的杂波样本通过最大似然估计法估计对数均值μln和对数标准方差σln:
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。
3.根据权利要求2所述的多目标环境下基于灰度相关特性的CFAR检测方法,其特征在于:步骤(2)中所述的设置由目标窗口和背景窗口组成的局部滑动窗口,采用背景窗口中截断后的杂波样本计算相距间距为d的邻域内水平、垂直、对角、反对角四个方向中某一个方向θ上相邻像素之间的灰度相关度因子rθ,具体方法如下:
式中:f(i,j)为背景窗口中截断后的杂波样本像素(i,j)的灰度值,f(i+l,j+k)为背景窗口中截断后的杂波样本像素(i,j)相距某一间距d的像素(i+l,j+k)的灰度值,不同间距d水平、垂直、对角、反对角四个方向上对应的l和k取值为:1)水平方向:l=0,k=d;2)垂直方向:l=d,k=0;3)对角线方向:l=-d,k=d;4)反对角方向:l=d,k=d;μ为SAR图像海杂波的灰度均值,可通过式(7)计算得到:
因此,间距为d方向θ上相邻像素的灰度X与Y的联合概率密度函数f(X,Y,d,θ)可采用灰度相关度因子为rθ的二维对数正态分布进行建模:
4.根据权利要求3所述的多目标环境下基于灰度相关特性的CFAR检测方法,其特征在于:步骤(3)中所述的间距为d方向θ上相邻像素的联合CFAR阈值计算与联合判别,具体方法如下:根据给定的虚警率Pfa,求解方向θ的联合CFAR检测阈值T,其求解方法为:
求解出四个方向的联合检测阈值后,可对目标窗口中的待检测像素进行联合判别,联合判别规则为:
水平方向:当f(i,j)>TH&f(i,j+d)>TH,fdH(i,j)=1&fdH(i,j+d)=1
垂直方向:当f(i,j)>TV&f(i+d,j)>TV,fdV(i,j)=1&fdV(i+d,j)=1
对角方向:当f(i,j)>TD&f(i-d,j+d)>TD,fdD(i,j)=1&fdD(i-d,j+d)=1
反对角方向:当f(i,j)>TA&f(i+d,j+d)>TA,fdA(i,j)=1&fdA(i+d,j+d)=1
(10)
式中:TH、TV、TD与TA为水平、垂直、对角和反对角方向上的联合CFAR检测阈值,fdH、fdV、fdD与fdA为间距为d水平、垂直、对角和反对角方向上的联合CFAR检测结果,当其为1时表示为目标像素点。
5.根据权利要求4所述的多目标环境下基于灰度相关特性的CFAR检测方法,其特征在于:步骤(4)中所述对不同间距不同方向的检测结果进行融合,具体方法如下:根据步骤(3)得到的间距为d水平、垂直、对角和反对角方向上的联合CFAR检测结果fdH、fdV、fdD与fdA,采用或门运算得到间距d的四个方向的融合结果,其融合规则为:
fd=fdH||fdV||fdD||fdA (11)
式中:||为或门运算,得到了间距d的四个方向的融合结果fd后,进一步采用与门运算得到最终的联合CFAR检测结果,其融合规则为:
f=fd=1&&fd=2&&…&&fd=N (12)
式中:&&为与门运算,N为最大间距,f为最终检测结果;检测结果中标注为1的像素点为目标像素点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810541520.1A CN108764163A (zh) | 2018-05-30 | 2018-05-30 | 多目标环境下基于灰度相关特性的cfar检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810541520.1A CN108764163A (zh) | 2018-05-30 | 2018-05-30 | 多目标环境下基于灰度相关特性的cfar检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108764163A true CN108764163A (zh) | 2018-11-06 |
Family
ID=64004568
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810541520.1A Pending CN108764163A (zh) | 2018-05-30 | 2018-05-30 | 多目标环境下基于灰度相关特性的cfar检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108764163A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110620628A (zh) * | 2019-08-21 | 2019-12-27 | 华北电力大学(保定) | 多维对数正态近似的无线和电力线中继通信性能计算方法 |
CN111539291A (zh) * | 2020-04-16 | 2020-08-14 | 创新奇智(合肥)科技有限公司 | 基于雷达波的目标检测方法及装置、电子设备、存储介质 |
CN111681262A (zh) * | 2020-05-08 | 2020-09-18 | 南京莱斯电子设备有限公司 | 一种基于邻域梯度的复杂背景下红外弱小目标检测方法 |
CN111999718A (zh) * | 2020-09-02 | 2020-11-27 | 中国人民解放军海军航空大学 | 基于几何平均估计的知识辅助自适应融合检测方法 |
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 |
CN113284135A (zh) * | 2021-06-21 | 2021-08-20 | 河北工业大学 | 基于全局与局部上下文信息的sar舰船检测方法 |
CN113406625A (zh) * | 2021-05-08 | 2021-09-17 | 杭州电子科技大学 | 一种sar图像超像素滑窗cfar检测方法 |
WO2022151708A1 (zh) * | 2021-01-15 | 2022-07-21 | 浙江大学 | 一种基于信号代理的多目标恒虚警率检测方法 |
-
2018
- 2018-05-30 CN CN201810541520.1A patent/CN108764163A/zh active Pending
Non-Patent Citations (1)
Title |
---|
JIAQIU AI等: "A Correlation-Based Joint CFAR Detector Using Adaptively-Truncated Statistics in SAR Imagery", 《SENSORS》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110620628A (zh) * | 2019-08-21 | 2019-12-27 | 华北电力大学(保定) | 多维对数正态近似的无线和电力线中继通信性能计算方法 |
CN111539291A (zh) * | 2020-04-16 | 2020-08-14 | 创新奇智(合肥)科技有限公司 | 基于雷达波的目标检测方法及装置、电子设备、存储介质 |
CN111681262A (zh) * | 2020-05-08 | 2020-09-18 | 南京莱斯电子设备有限公司 | 一种基于邻域梯度的复杂背景下红外弱小目标检测方法 |
CN111681262B (zh) * | 2020-05-08 | 2021-09-03 | 南京莱斯电子设备有限公司 | 一种基于邻域梯度的复杂背景下红外弱小目标检测方法 |
CN111999718A (zh) * | 2020-09-02 | 2020-11-27 | 中国人民解放军海军航空大学 | 基于几何平均估计的知识辅助自适应融合检测方法 |
WO2022151708A1 (zh) * | 2021-01-15 | 2022-07-21 | 浙江大学 | 一种基于信号代理的多目标恒虚警率检测方法 |
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 |
CN113406625A (zh) * | 2021-05-08 | 2021-09-17 | 杭州电子科技大学 | 一种sar图像超像素滑窗cfar检测方法 |
CN113284135A (zh) * | 2021-06-21 | 2021-08-20 | 河北工业大学 | 基于全局与局部上下文信息的sar舰船检测方法 |
CN113284135B (zh) * | 2021-06-21 | 2022-10-04 | 河北工业大学 | 基于全局与局部上下文信息的sar舰船检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108764163A (zh) | 多目标环境下基于灰度相关特性的cfar检测方法 | |
Li et al. | An improved superpixel-level CFAR detection method for ship targets in high-resolution SAR images | |
CN108765403A (zh) | 一种多目标环境下的sar图像双参数cfar检测方法 | |
Liao et al. | Using SAR images to detect ships from sea clutter | |
CN107025654B (zh) | 基于全局迭代检查的sar图像自适应船只检测方法 | |
Williams | Fast unsupervised seafloor characterization in sonar imagery using lacunarity | |
CN107808383B (zh) | 一种强海杂波下sar图像目标快速检测方法 | |
CN112766221B (zh) | 基于船舶方向和位置多任务的sar图像船舶目标检测方法 | |
CN108133468B (zh) | 自适应参数增强和尾迹辅助检测的恒虚警率舰船检测方法 | |
CN106646469B (zh) | 基于变异系数法的sar船只检测优化方法 | |
CN106709914A (zh) | 一种基于双级dem海陆库的sar图像船舶检测虚警剔除方法 | |
CN113362293A (zh) | 一种基于显著性的sar图像舰船目标快速检测方法 | |
CN110261857A (zh) | 一种天气雷达空间插值方法 | |
CN107748361A (zh) | 基于截断杂波统计的sar图像双参数cfar检测方法 | |
CN108399430A (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 | |
CN112881983B (zh) | 基于双边截断统计特性的sar图像舰船cfar检测方法 | |
CN109978855A (zh) | 一种遥感图像变化检测方法及装置 | |
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 | |
Li et al. | Object representation for multi-beam sonar image using local higher-order statistics | |
Meng et al. | A novel ship CFAR detection algorithm based on adaptive parameter enhancement and wake-aided detection in SAR images | |
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 | |
Pappas et al. | Superpixel-guided CFAR detection of ships at sea in SAR imagery | |
Wang et al. | A multidirectional one-dimensional scanning method for harbor detection from sar images | |
CN113052117B (zh) | 一种ais数据辅助的sar图像的瑞利cfar检测方法 |
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: 20181106 |
|
RJ01 | Rejection of invention patent application after publication |