CN115128548A - 一种sar射频干扰检测方法 - Google Patents

Abstract

本发明公开了一种SAR射频干扰检测方法，具体步骤如下：步骤S1：分析不同的有源噪声干扰对星载SAR图像的干扰形态与效果，确定评估的目标；步骤S2：建立SAR射频干扰图像数据库，采用抗干扰方法处理SAR干扰图像，形成对比图像数据库；步骤S3：建立SAR射频干扰图像域评估指标体系，将评估指标进行分类；步骤S4：分析各个底层指标的影响程度，确定各底层指标权重；步骤S5：进行图像域SAR射频干扰检测试验，对检测结果进行整理分析。采用上述一种SAR射频干扰检测方法，通过收集相关星载SAR图像域干扰数据，得到的结果准确，实现了SAR干扰的准确检测与定位，可操作性强。

Description

一种SAR射频干扰检测方法

技术领域

本发明涉及SAR干扰检测技术领域，尤其是涉及一种SAR射频干扰检测方法。

背景技术

星载合成孔径雷达作为一种全天时全天候对地观测的传感器，是现代信息电子战中的重要手段。由于SAR是宽带的有源遥感雷达系统，自身存在一些薄弱环节，如功率容量有限且在接收到预定数量的脉冲之前不能形成窄波束，其在工作频段内容易受到电磁信号的干扰。诸如电视广播信号、无线通信、有源干扰机信号、其他非合作SAR信号等，这些非相干电磁干扰信号在SAR图像域表现为各种明亮的线性或带曲率的条纹、斑块，或者以密集的雨滴状出现，严重影响SAR对地对海的观测性能。因此，现有SAR系统在抗干扰设计方面上升空间巨大。

而SAR射频干扰检测是实现SAR认知抗干扰的重要前提。要构建认知抗干扰闭环，首先需判断SAR图像中是否有干扰。由于大多数星载SAR数据并没有被RFI所污染，所以想要从大量星载SAR数据中发现受到RFI污染的数据，待检测的数据量非常庞大，难以用人力完成。

发明内容

本发明的目的是提供一种SAR射频干扰检测方法，通过收集相关星载SAR图像域干扰数据，得到的结果准确，实现了SAR干扰的准确检测与定位，可操作性强。

为实现上述目的，本发明提供了一种SAR射频干扰检测方法，具体步骤如下：

步骤S1：分析不同的有源噪声干扰对星载SAR图像的干扰形态与效果，确定评估的目标；

步骤S2：建立SAR射频干扰图像数据库，采用抗干扰方法处理SAR干扰图像，形成对比图像数据库；

步骤S3：建立SAR射频干扰图像域评估指标体系，将评估指标进行分类；

步骤S4：分析各个底层指标的影响程度，确定各底层指标权重；

步骤S5：进行图像域SAR射频干扰检测试验，对检测结果进行整理分析。

优选的，在步骤S1中，有源噪声干扰包括射频噪声干扰、噪声调幅干扰、噪声调频干扰、线性调频干扰、正弦调频干扰以及点频干扰，采用星载SAR系统成像参数，通过仿真有源噪声干扰信号，采用Chirp Scaling算法进行SAR成像，分析各种干扰在图像域的特征，通过得到特征确定评估目标。

优选的，在步骤S2中，在星载SAR实测数据库中挑选存在射频干扰的SAR图像数据，对存在射频干扰的SAR图像数据进行干扰抑制处理得到对比图像数据，得到SAR射频干扰图像数据库以及无干扰的对比图像数据库。

优选的，在步骤S3中，将受到射频干扰的SAR图像数据的评估指标包括基本参数、统计特性和内容相似性。

优选的，基本参数为星载SAR系统受到干扰时，SAR图像在视觉上产生变化的特性，基本参数包括均值、方差、等效视数、辐射分辨率、信息熵以及动态范围，

其中，图像均值为SAR图像所有像素值的总和与像素个数的比值，均值反映了SAR图像的平均灰度；

方差表示区域所有点与均值的偏离程度，反映了不均匀性；

等效视数为图像灰度统计均值和标准差的比值，是用来评价SAR图像的噪声强度；

辐射分辨率用来评价SAR图像区别不同物体间的后向散射系数的水平，用于衡量图像灰度分辨率；

信息熵能够反映灰度分布空间特征的特征量，选择SAR图像的邻域灰度均值作为灰度分布的空间特征量；

动态范围为图像目标区域平均灰度与图像背景区域平均灰度的比值，反映了图像中不同类型的地物目标后向散射系数的差异；

优选的，统计特性用于检测是否存在射频干扰，即SAR系统接收的信号遵循复高斯分布，SAR成像不会破坏信号的高斯分布特性，当存在射频干扰时会破坏信号的高斯分布特性，统计特性包括峰度、偏度、JB检验、AD检验、CM检验、LM检验以及KL散度，

其中，峰度与随机变量的概率密度函数的形状相对应，高斯随机变量的峰度为3，与均值和方差无关；

偏度与随机变量概率密度函数的不对称性相对应，高斯随机变量的偏度为0，偏度测试是将接收信号的估计偏度值与高斯随机变量的偏度列表值进行比较；

JB检验是基于过程的偏度和峰度的正态性测试，分析过程的正态性，同时检验过程的峰度和偏度；

AD检验为拟合优度检验是一种检验所收集的SAR成像数据是否服从信号的高斯分布特性，将所收集的数据从小到大排列，得出经验累积分布，并与目标分布的理论累积分布进行比较，得出AD统计量，AD统计量与接近目标分布的程度负相关；

CM检验为检验统计量度量，是经验累积分布函数和目标累积分布函数的平方距离的积分，将每个数据点的差求平方以后相加，得到总的分布偏差；

LM检验针对于随机样本的均值和方差是独立分布的，当且仅当母体总体是正态的，LM参数呈现正态分布，但其在均值和方差中并未归一化；

KL散度为相对熵，是两个概率分布间差异的非对称性度量，相对熵等价于两个概率分布的信息熵的差值。

优选的，内容相似性指存在干扰的SAR图像与无干扰对比图像的结构、灰度的相似程度，内容相似性指标包含结构相似度和相关系数，

结构相似性是一种衡量两幅图像相似度的指标，反映场景中物体结构的属性，并将失真建模为亮度、对比度和结构三个不同因素的组合；相关系数用于反映图像干扰前后的统计相关特性，相关系数与干扰前后图像差异越呈负相关。

优选的，将图像均值、方差、等效视数、辐射分辨率、信息熵、动态范围、峰度、偏度、JB检验、AD检验、CM检验、LM检验、KL散度、图像结构相似度、相关系数15个指标作为SAR干扰评指标估体系中的典型底层指标，将指标计算的评估值归一化处理，根据重要程度对典型底层指标进行赋权，通过改进熵值法得到各指标的综合权重。

优选的，步骤S5具体如下：

步骤S51：对实测图像数据进行降采样处理；

步骤S52：判断是否存在干扰区，对降采样图像滑窗遍历，计算降采样图像各指标的参数值，采用3σ准则设定阈值，对各指标加权求和后的评价图像结果进行判断，将大于阈值的区域判定为干扰区域，若大于阈值的像素数少于5％则判为不存在干扰区域；

步骤S53：若判定存在干扰，采用Otsu法进行阈值分割，将图像二值化，其中存在干扰的区域灰度值为1，去除面积小于设定面积的连通域，记录各存在干扰的区域的坐标，并对坐标值升采样，在原图像中框选显示出存在干扰的区域。

因此，本发明采用上述一种SAR射频干扰检测方法，通过SAR干扰评价指标体系得到SAR干扰检测结果，实现SAR干扰检测的有效性和自动检测，SAR干扰检测既可以判断是否存在干扰，而且可指示出干扰的区域位置，这对进一步实现干扰信号提取、干扰分析等后期工作能够提供一定先验信息。

下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

附图说明

图1为本发明实施例提供的一种SAR射频干扰检测方法流程示意图；

图2为本发明实施例星载SAR图像域干扰数据库中实例图像。

图3为本发明实施例星载SAR干扰实例图像经干扰抑制处理后的图像。

图4为本发明实施例SAR射频干扰图像域评估指标体系示意图。

图5为本发明实施例检测到并标记干扰的降采样图像。

图6为本发明实施例已标记干扰的实例图像。

具体实施方式

实施例

图1为本发明实施例提供的一种SAR射频干扰检测方法流程示意图，如图1所示，一种SAR射频干扰检测方法，具体步骤如下：

步骤S1：分析不同的有源噪声干扰对星载SAR图像的干扰形态与效果，确定评估的目标。有源噪声干扰包括射频噪声干扰、噪声调幅干扰、噪声调频干扰、线性调频干扰、正弦调频干扰以及点频干扰等，采用星载SAR系统成像参数，通过仿真有源噪声干扰信号，采用Chirp Scaling算法进行SAR成像，分析各种干扰在图像域的特征，通过得到特征确定评估目标。

步骤S2：建立SAR射频干扰图像数据库，采用抗干扰方法处理SAR干扰图像，形成对比图像数据库。图2为本发明实施例星载SAR图像域干扰数据库中实例图像，图3为本发明实施例星载SAR干扰实例图像经干扰抑制处理后的图像，由公开的GF-3星载SAR实测数据库中挑选存在射频干扰的SAR图像数据，应用陷波滤波、主成分分析等基本抗干扰手段获取干扰抑制的对比图像数据，形成SAR射频干扰图像数据库以及无干扰的对比图像数据库。

步骤S3：建立SAR射频干扰图像域评估指标体系，将评估指标进行分类。

在评估分析的基础上，分析各项指标之间的从属关系，结合评估目的，按照功能、结构和逻辑等层次关系，建立干扰评估指标体系。将各项指标进行分类，从SAR有干扰图像的基本参数、统计特性以及内容相似性等方面来评价干扰对SAR图像的影响，图4为本发明实施例SAR射频干扰图像域评估指标体系示意图，如图4所示，将受到射频干扰的SAR图像数据的评估指标包括基本参数、统计特性和内容相似性。

基本参数为星载SAR系统受到干扰时，SAR图像在视觉上产生变化的特性，基本参数包括图像的均值、方差、等效视数、辐射分辨率、信息熵以及动态范围6个指标。

均值为SAR图像所有像素值的总和与像素个数的比值，均值反映了SAR图像的平均灰度。

方差表示区域所有点与均值的偏离程度，反映了不均匀性，图像区域中地貌起伏越剧烈，建筑物越多，图像的方差就越大。

等效视数为图像灰度统计均值和标准差的比值，是用来评价SAR图像的噪声强度，等效视数的值越大，说明图像上的斑点噪声越弱；值越小，说明图像的斑点噪声越强。它衡量了图像辨别不同后向散射特性区域的能力，定义为图像灰度统计均值和标准差的比值。

辐射分辨率用来评价SAR图像区别不同物体间的后向散射系数的水平，用于衡量图像灰度分辨率，SAR图像斑点噪声强度决定了辐射分辨率的大小，斑点噪声抑制算法的效果越好，意味着噪声抑制后图像的辐射分辨率越高。

信息熵能够反映灰度分布空间特征的特征量，选择SAR图像的邻域灰度均值作为灰度分布的空间特征量，与图像的像素灰度组成特征二元组，记为(i,j)，其中i表示像素的灰度值(0≤i≤255)，j表示邻域灰度均值(0≤j≤255)。

动态范围为图像目标区域平均灰度与图像背景区域平均灰度的比值，一般用分贝表示。工程上，SAR图像动态范围常定义为图像目标区域平均灰度与图像背景区域平均灰度的比值，反映了图像中不同类型的地物目标后向散射系数的差异。

统计特性用于检测是否存在射频干扰，即SAR系统接收的信号遵循复高斯分布，SAR成像不会破坏信号的高斯分布特性，人造射频干扰不遵循高斯分布，因此，寻找SAR图像区域的统计特征，即可检测是否存在干扰。当存在射频干扰时会破坏信号的高斯分布特性，统计特性包括峰度、偏度、JB检验、AD检验、CM检验、LM检验以及KL散度。

峰度是一个统计参数，峰度与随机变量的概率密度函数的形状有关，高斯随机变量的峰度为3，与均值和方差无关。

偏度与随机变量概率密度函数的不对称性相对应，高斯随机变量的偏度为0，偏度测试是将接收信号的估计偏度值与高斯随机变量的偏度列表值进行比较。

JB检验(Jarque-Bera检验)是基于过程的偏度和峰度的正态性测试，分析过程的正态性，同时检验过程的峰度和偏度。

AD检验为拟合优度检验是一种检验所收集的SAR成像数据是否服从信号的高斯分布特性，将所收集的数据从小到大排列，得出经验累积分布，并与目标分布的理论累积分布进行比较，得出AD统计量，AD统计量与接近目标分布的程度负相关，即统计量越小，数据的分布就越接近目标分布，越大则数据服从目标分布的可能性就越小。

CM检验为检验统计量度量，是经验累积分布函数和目标累积分布函数的平方距离的积分，将每个数据点的差求平方以后相加，得到总的分布偏差。

LM检验针对于随机样本的均值和方差是独立分布的，当且仅当母体总体是正态的(一种针对不对称替代品的正态性的简单检验)。LM参数呈现正态分布，但其在均值和方差中并未归一化。LM检验通常在检测偏度方面比偏度检验更加敏感，但不善于检测非正态对称分布。

KL散度(Kullback-Leibler散度)为相对熵，是两个概率分布间差异的非对称性度量，相对熵等价于两个概率分布的信息熵的差值。

内容相似性指存在干扰的SAR图像与无干扰对比图像的结构、灰度的相似程度，内容相似性指标包含结构相似度和相关系数，

结构相似性是一种衡量两幅图像相似度的指标，反映场景中物体结构的属性，并将失真建模为亮度、对比度和结构三个不同因素的组合；相关系数用于反映图像干扰前后的统计相关特性，相关系数与干扰前后图像差异越呈负相关。

步骤S4：分析各个底层指标的影响程度，确定各底层指标权重。将图像均值、方差、等效视数、辐射分辨率、信息熵、动态范围、峰度、偏度、JB检验、AD检验、CM检验、LM检验、KL散度、图像结构相似度、相关系数15个指标作为SAR干扰评指标估体系中的典型底层指标，将指标计算的评估值归一化处理，根据重要程度对典型底层指标进行赋权，通过改进熵值法得到各指标的综合权重。

改进熵值法的计算之中假设评价指标体系共有m个指标，让n个专家对每个指标进行赋权，得到权重矩阵W：

w_ij表示第i个专家对第j个指标的赋权值，其中i＝1，2，...n，j＝1，2，...m先对每一行的权值进行求熵运算称为行熵，也就是求某位专家对m个指标赋予的权值的熵值，且

行熵的公式为：

Entropy_i表示的是第i个专家对m个指标赋权的熵值。当行熵值越大，表示此专家提供的权重的效用值越小，因此应该舍弃掉。为此我们需舍弃大于某个阈值的专家赋予权值组，根据经验我们选择舍去行熵最大的权值组。假设还剩下p个专家赋予的权值据此重新构建权重矩阵W′：

接下来还需要求权重矩阵W′的每一列的熵值，也就是p个专家分别对某个指标赋权的权重值的熵，即列熵。在求取列熵之前，需要先对W′的每一列的权值进行归一化：

使得w′_ij的和为1，以此可以得出列熵：

当Entropy_j越大说明剩余p个专家对第j个指标所赋的权值认同率高，表示第j个指标不会导致评价结果出现较大偏差，因此Entropy_j越大表示指标j的重要性越大。

求第j列的均值和标准差，即为p个专家对指标j的均值和标准差：

若σ_j的值越大表示专家们对于同一个指标的分歧较大，则该指标的权重可能不准确，故应相应降低该指标的权重。根据标准差σ_j和列熵Entropy_j，得到最终的指标权值应为：

下面再以具体的实例对上述评价、权重分配方法进行论证与说明：

拟选取SAR射频干扰图像数据库中某图像作为分析计算的实例，对本发明SAR干扰评估指标体系以及SAR射频干扰图像域检测方法作进一步详细说明。选取的SAR射频干扰图像源自GF-3卫星公开数据，以下将基于SAR干扰评估指标体系进行干扰区域的计算与检测。具体的：

(1)根据实测数据获得指标评分矩阵

基于SAR干扰评估指标体系，根据各维度干扰指标公式，对SAR射频干扰图像数据库中某实测图像的降采样图像滑窗遍历，计算获得各指标的评分矩阵，形成图像评价金字塔。

(2)改进熵值法计算权重

指标数m为15，专家n为5，权重矩阵W为：

由式(2)得到5个专家的行熵后舍弃最大的，重新构造的权重矩阵W′：

当列熵Entropy_j越大说明p个专家对第j个指标的赋权值没有异议，认同率高，正确率较高，表示第j个指标不会导致评价结果出现较大误差，反之则使评价结果误差大，所以Entropy_i越大表示指标j的重要性越大。

由式(5)，(6)，(7)，(8)可得列熵Entropy_j、标准差σ_j、均值mean_j、指标权重w_j如表1所示：

表1 改进熵值法SAR射频干扰指标计算结果表

(3)得到最终干扰评估矩阵

P＝T₁S₁+T₂S₂+…T_mS_m (9)

P是各底层指标的总评分，T_j为各指标的评分矩阵，s_j(j＝1，2，...m)是专家对指标j的评估权重。

步骤S5：进行图像域SAR射频干扰检测试验，对检测结果进行整理分析。

步骤S51：对实测图像数据进行降采样处理。

步骤S52：判断是否存在干扰区，对降采样图像滑窗遍历，计算降采样图像各指标的参数值，采用3σ准则设定阈值，对各指标加权求和后的评价图像结果进行判断，将大于阈值的区域判定为干扰区域，若大于阈值的像素数少于5％则判为不存在干扰区域。

采用3σ准则检测干扰

计算评分矩阵P的平均值与标准差，使用3σ准则检测异常值，3σ准则认为：|P-mP|≥3σ_p的数值即为异常数据，其中mP为评分矩阵P的均值，σ_p为评分矩阵P的标准差。在本发明中，异常值即可认为为存在干扰的数据，异常值矩阵表示为Abn＝|P-mP|-3σ_p。

步骤S53：若判定存在干扰，采用Otsu法进行阈值分割，将图像二值化，二值化后，可以简单通过视觉观察到检测得到的干扰区域，如图5所示，其中存在干扰的区域灰度值为1，去除面积小于设定面积的连通域，记录各存在干扰的区域的坐标，并对坐标值升采样，如图6所示，在原图像中框选显示出存在干扰的区域。

Otsu法，即最大类间方差法，其原理是：按图像灰度特性，计算出一个阈值，将图像分为背景与目标两部分，背景与目标两部分类间方差越大，表明构成图像的两部分之间差别越大，当部分目标错分为背景或部分背景错分为目标，都会导致两部分差别变小。因此，类间方差最大代表两部分错分概率最小。类间方差最大即表示有干扰区域与无干扰背景的错分概率最小，区分度最大。

因此，本发明采用上述一种SAR射频干扰检测方法，通过SAR干扰评价指标体系得到SAR干扰检测结果，实现SAR干扰检测的有效性和自动检测，SAR干扰检测既可以判断是否存在干扰，而且可指示出干扰的区域位置，这对进一步实现干扰信号提取、干扰分析等后期工作能够提供一定先验信息。

最后应说明的是：以上实施例仅用以说明本发明的技术方案而非对其进行限制，尽管参照较佳实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对本发明的技术方案进行修改或者等同替换，而这些修改或者等同替换亦不能使修改后的技术方案脱离本发明技术方案的精神和范围。

Claims (9)

1.一种SAR射频干扰检测方法，其特征在于，具体步骤如下：

步骤S1：分析不同的有源噪声干扰对星载SAR图像的干扰形态与效果，确定评估的目标；

步骤S2：建立SAR射频干扰图像数据库，采用抗干扰方法处理SAR干扰图像，形成对比图像数据库；

步骤S3：建立SAR射频干扰图像域评估指标体系，将评估指标进行分类；

步骤S4：分析各个底层指标的影响程度，确定各底层指标权重；

步骤S5：进行图像域SAR射频干扰检测试验，对检测结果进行整理分析。

2.根据权利要求1所述的一种SAR射频干扰检测方法，其特征在于：在步骤S1中，有源噪声干扰包括射频噪声干扰、噪声调幅干扰、噪声调频干扰、线性调频干扰、正弦调频干扰以及点频干扰，采用星载SAR系统成像参数，通过仿真有源噪声干扰信号，采用Chirp Scaling算法进行SAR成像，分析各种干扰在图像域的特征，通过得到特征确定评估目标。

3.根据权利要求2所述的一种SAR射频干扰检测方法，其特征在于：在步骤S2中，在星载SAR实测数据库中挑选存在射频干扰的SAR图像数据，对存在射频干扰的SAR图像数据进行干扰抑制处理得到对比图像数据，得到SAR射频干扰图像数据库以及无干扰的对比图像数据库。

4.根据权利要求3所述的一种SAR射频干扰检测方法，其特征在于：在步骤S3中，将受到射频干扰的SAR图像数据的评估指标包括基本参数、统计特性和内容相似性。

5.根据权利要求4所述的一种SAR射频干扰检测方法，其特征在于：基本参数为星载SAR系统受到干扰时，SAR图像在视觉上产生变化的特性，基本参数包括图像均值、方差、等效视数、辐射分辨率、信息熵以及动态范围，

其中，均值为SAR图像所有像素值的总和与像素个数的比值，均值反映了SAR图像的平均灰度；

方差表示区域所有点与均值的偏离程度，反映了不均匀性；

等效视数为图像灰度统计均值和标准差的比值，是用来评价SAR图像的噪声强度；

辐射分辨率用来评价SAR图像区别不同物体间的后向散射系数的水平，用于衡量图像灰度分辨率；

信息熵能够反映灰度分布空间特征的特征量，选择SAR图像的邻域灰度均值作为灰度分布的空间特征量；

动态范围为图像目标区域平均灰度与图像背景区域平均灰度的比值，反映了图像中不同类型的地物目标后向散射系数的差异。

6.根据权利要求5所述的一种SAR射频干扰检测方法，其特征在于：统计特性用于检测是否存在射频干扰，即SAR系统接收的信号遵循复高斯分布，SAR成像不会破坏信号的高斯分布特性，当存在射频干扰时会破坏信号的高斯分布特性，统计特性包括峰度、偏度、JB检验、AD检验、CM检验、LM检验以及KL散度，

其中，峰度与随机变量的概率密度函数的形状相对应，高斯随机变量的峰度为3，与均值和方差无关；

偏度与随机变量概率密度函数的不对称性相对应，高斯随机变量的偏度为0，偏度测试是将接收信号的估计偏度值与高斯随机变量的偏度列表值进行比较；

JB检验是基于过程的偏度和峰度的正态性测试，分析过程的正态性，同时检验过程的峰度和偏度；

AD检验为拟合优度检验是一种检验所收集的SAR成像数据是否服从信号的高斯分布特性，将所收集的数据从小到大排列，得出经验累积分布，并与目标分布的理论累积分布进行比较，得出AD统计量，AD统计量与接近目标分布的程度负相关；

CM检验为检验统计量度量，是经验累积分布函数和目标累积分布函数的平方距离的积分，将每个数据点的差求平方以后相加，得到总的分布偏差；

LM检验针对于随机样本的均值和方差是独立分布的，当且仅当母体总体是正态的，LM参数呈现正态分布，但其在均值和方差中并未归一化；

KL散度为相对熵，是两个概率分布间差异的非对称性度量，相对熵等价于两个概率分布的信息熵的差值。

7.根据权利要求6所述的一种SAR射频干扰检测方法，其特征在于：内容相似性指存在干扰的SAR图像与无干扰对比图像的结构、灰度的相似程度，内容相似性指标包含结构相似度和相关系数，

结构相似性是一种衡量两幅图像相似度的指标，反映场景中物体结构的属性，并将失真建模为亮度、对比度和结构三个不同因素的组合；相关系数用于反映图像干扰前后的统计相关特性，相关系数与干扰前后图像差异越呈负相关。

8.根据权利要求7所述的一种SAR射频干扰检测方法，其特征在于：将图像均值、方差、等效视数、辐射分辨率、信息熵、动态范围、峰度、偏度、JB检验、AD检验、CM检验、LM检验、KL散度、图像结构相似度、相关系数15个指标作为SAR干扰评指标估体系中的典型底层指标，将指标计算的评估值归一化处理，根据重要程度对典型底层指标进行赋权，通过改进熵值法得到各指标的综合权重。

9.根据权利要求8所述的一种SAR射频干扰检测方法，其特征在于：步骤S5具体如下：

步骤S51：对实测图像数据进行降采样处理；

步骤S52：判断是否存在干扰区，对降采样图像滑窗遍历，计算降采样图像各指标的参数值，采用3σ准则设定阈值，对各指标加权求和后的评价图像结果进行判断，将大于阈值的区域判定为干扰区域，若大于阈值的像素数少于5％则判为不存在干扰区域；

步骤S53：若判定存在干扰，采用Otsu法进行阈值分割，将图像二值化，其中存在干扰的区域灰度值为1，去除面积小于设定面积的连通域，记录各存在干扰的区域的坐标，并对坐标值升采样，在原图像中框选显示出存在干扰的区域。

Images