SAR图像目标检测

班级020651学号02065008本科毕业设计（论文）外文资料翻译毕业设计题目文档位图的印刷体数字智能检测与识别外文资料题目AnAdaptiveandFastCFARAlgorithmBasedonAutomaticCensoringforTargetDetectioninHigh-ResolutionSARImages学院电子工程学院专业智能科学与技术学生姓名张若愚指导教师姓名钟桦1一种基于自动删除的快速自适应恒虚警检测算法用于高分辨SAR图像目标检测摘要——一种以高分辨率合成孔径雷达探测（SAR）图像为目标的抽象的，快速的，基于自动设限（AC）的自适应恒虚警检测率（CFAR）算法。首先，选择具有自适应性能的全局阈值以获取检测图像中的每一个像素是否为目标像素的指数矩阵。其次，通过使用这个指数矩阵，噪声环境的自适应确定可以事先筛选检测中使用的滑动窗口中的噪声像素。在本文中，可模拟多视角，具有广泛均匀度的SAR图像的G0分布的被当做噪声的统计模型。随着AC的引入，该算法取得了在线性区域较好的CFAR检测性能，尤其是在噪声边缘和多目标的情况中。与此同时，相应的快速算法大大降低了计算量，最终，目标聚类得以获得更准确的目标区域。根据对典型SAR图像的性能分析和实验结果的考察，该算法被证明具有良好的性能和很强的实用性。关键词：指数计算——恒虚警检测率（CFAR），合成孔径雷达（SAR），目标检测Ⅰ、简介随着收集从大气和卫星上的图像数据量的增加，SAR传感器正变得越来越适宜发展SAR图像判读技术。在背景噪声[1]-[4]中识别目标或目标群体是一个在SAR图像判读技术中尤为重要的任务。由于自动检测是自动目标识别（ATR）的系统的第一个重要步骤，所以ATR系统必须有能力满足不断扩大的情报，监视和侦察和快速检测目标的需求，因此此系统可以应用于如坦克，装甲运兵车，卡车和榴弹炮。在整个SARATR系统的第一步中，目标探测对连续的过程有很大影响[5][6]。到目前为止，文献提供的SAR的目标检测算法中的算法（CFAR）大部分都有误报率，因为它们的特点是计算简单。ATR算法对自适应阈值和快速检测的复杂背景下的目标进行了广泛的研究[7][8]，甚至在几个SARATR的系统中有应用[9]，[10]。常用的CFAR检测算法包括[6]，[7]，[11]，[21]的单元平均CFAR(CA-CFAR），最大的CFAR（GO-CFAR），最小的CFAR（SO-CFAR），命令统计CFAR（OS-CFAR）等。尽管CA-CFAR检测器的检测效率降低[6]，CA-CFAR（这两个指标实际上是林肯实验室提出的一个基于高斯背景假设的技术的CA–CFAR检测技术[9]，[22])是在单目标线性噪声情况下和在存在异构的环境中（包括噪声边缘和多目标的情况）行之有效的技术。OS-CFAR算法的设计是为了解决CA-CFAR在检测过程中目标的背景区域和噪声统计估计时受到的损失，因此它在检测多目标的情况时有重要的优势及意义。然而在线性的情况下，OS-CFAR的算法性能比CA-CFAR差[6]。此外，算法获得的最佳统计结果是靠经验，而不是通过理论。新增的操作将不可避免地增加计算量，虽然CA–CFAR算法在噪声边缘提供了良好的检测性能，但是相比于CFAR检测算法，它的均匀噪声检测性能会下降，因为与各像素相关信息有可能丢失。在噪声边缘检测的情况中，CFAR算法就可以得到更好的多目标性能情况。但是，CFAR检测算法相应的检测门槛较低。单元平均CFAR(CA-CFAR），最大的CFAR（GO-CFAR），最小的CFAR（SO-CFAR），命令统计CFAR（OS-CFAR）等是基本CFAR检测算法[6]，[11]，[12]，[21]。每个都有其优点，缺点和潜在的应用。没有任何情况都表现良好的单一检测算法。如果我们引入这些方法选择前面提到的基本CFAR检测器，自适应的根据测试像素位置进行检测，这在测试系统中应该会是一个很有意义的进步。经过考虑，目前研究工作的重点是发展自适应CFAR算法[12]。许多研究人员试图设计自适应CFAR算法。Smith和Varshney提出的CFAR(VI-CFAR)变异指数算发是有代表性的一个。VI-CFAR处理器提供的CFAR性能在含有齐次和非齐次目标的情况下，基于VI-CFAR，Huangetal提出的区域分类CFAR（RC-CFAR）[14]。跟据[15]中，RC-CFAR可以细分为四个部分，使得每个部分的目标像元变得很少;因此，它是不可靠的判断环境非齐次。汲取了灵感的VI-CFAR检测，Farrouki和bakaer目前有序数据变异指数自动截（交流）CFAR检测器来实现适应性目标检测的复杂背景[16]。假设威布尔噪声背景下，提出了比谢列固2体模板CFAR检测器（即所谓的比谢列算法[7]，[17]），包括一套完备的程序，如排序，截取，等类似的想法是Rickard和Dillard提出的[18]。据报道[7]，[17]即比谢列算法适合的地点杂乱，规模型（LStype）。LS型噪声可以被视为正规化有两个参数噪声分布。实验结果[7]，[17]表明在齐次和非齐次环境该算法均表现良好。Bisceglie算法是一个很好的CFAR检测算法，这种说法是很合理的。进一步的研究可以进行对噪声模型，深入的截自动选择，选择的滑动窗口类型等，创新CFAR算法称为区域平均统计Hofele（CASH），CFAR介绍，在[21]的CFAR算法的优势是，它避免了覆盖和候补聚集对象。CASHCFAR算法所需的处理能力也显着低于OS和平均有序统计区域CFAR算法[21]。此外，一个显著的CFAR算法[8]（简单提及作为本文Salazar算法）已经被Salazar提出了，它选择的β（β-素数）的分布[19]作为背景噪声统计模型的单视SAR图像。该算法的主要原则是描述如下：β分布模型是正确的混乱与丰富多姿的线性性程度[19][包括线性噪声，异构噪声边缘和多目标情况下（多目标的情况等同于极异构噪声）]。因此，在CACFAR技术对β分配的基础上有能力保持CFAR[8]。该算法确实有CFAR检测的特点目标均匀噪声，噪声边缘和多目标情况。此外，由于目标对比像素大于周围的混乱是，该算法还提供了均匀噪声探测概率高和噪声边缘[8]。但是，多目标的情况下，该算法的不足之处是，CFAR门槛变得大的，当时估计噪声统计数据已损坏通过干扰目标，这导致了一个显着减少检出率。本文提出了一种自适应恒虚警率和快速算法，提出了SAR图像目标检测在交流的建议，争取在SAR图像检测。该算法的提出是为了对Salazar算法改进。同时，相应的快速算法已经被设计出来了。本文组织如下。在第二节，导言的原则和算法的详细流程是给出。在第三节，该算法进行了详细介绍。在第四节，相应的快速算法设计。第五节从理论上分析了所提出的性能算法。在第六部分，我们提供了实验结果和建议的检测性能比较采用典型的算法和其他算法真正特区数据。最后一节总结本文。Ⅱ原则和详细的算法流程A算法原理以下建议可来自算法提及。1）索引值利用CFAR[12]—[14]自动判断周围杂乱型测试的像素，选择适当的探测器，但索引值应适应性，而不是由经验决定。2）新方法与比谢列算法[7]，[17]相比，排序附加程序可以帮助避免干扰目标的影响在多目标情况下的检测性能。3）β分布在噪声模型采用萨拉萨尔算法[8]噪声边缘和多目标的情况下可以正确地描述同类噪声，，这使得人们有可能获得一个综合性的设计为目标检测算法在均匀噪声和噪声边缘，在多目标目标检测的情况下应该分开考虑。4）通过计算适当的索引值，决定在滑动窗口的噪声像素是否属干扰目标，我们可以检查所有的干扰像素。至于其余的像素，我们执行的CACFAR算法。5）所提出的检测算法，基于前面提到的各点设计。如图1所示，全检测过程的概述如下：首先，我们选择模具滑动窗口，它是适合高分辨率SAR目标检测[6]。在此过程中滑动扫描的整体形象的窗口，我们认为噪声区域围绕在测试单元的滑动窗口在Nc像素区。然后，混乱像素可能属于干扰目标（我们认为是有d像素，即深度为D）是由该指数值删失标签中的滑动窗口噪声像素是否潜在的像素干扰目标而决定的。因此，可能的像素不属于干扰目标仍然是（有Nc-d像素）。在CA-CFAR检测技术中，其他Nc-d像素产生的参数估计为噪声模型（G0步进分布）。图1目标检测算法本文3此外，我们计算了通过设置CFAR概率检测本地检测阈值。最后，我们成功检测了测试单元格的值指标。同时，因为通常主导目标有少数散射在SAR图像中，经过检测，这些明亮的高峰可能未连接到目标区域。最后，就能获得潜在的目标区域。有些方面还需要加以解释。1)虽然很多SAR图像的数据统计模型已经被提出，（见[23]-[27]）,SAR的很多典型理论系统和实践结果在文章中的[19]已经证明G0分配法适合于有多个同性质不同程度组件的建模。G0的评价参数的分配很简单，计算复杂度较低。但是，在这篇文章中我们选择G0分配法去模拟那些滑动窗口的组件。G10指示的G0算法的色饱和度列表，在[19]中有给出。2)nnnIznInInnnGIfI))(()()(),,(~)(100,,In（1）Ⅰ是色饱和度的可变因素，n是等价的观测数据，α是形状参数，γ是尺度参数。3)一般而言，相比于自然组件而言反向散射具有更强的目标探测能力.但是，这些目标象元具有更高的灰色数值（异常点）。然而目标像元的数量比SAR组件的像元数量要少得多。在准备滑动窗口和目标算法之前，一个合适的整体起点可能会被选择于搜索整个图像来决定目标像元。色饱和度比整体起点大的像元被当做目标像元，那些指针数值也被归为一体；否则，那些指针数值就被归为0.因此，可以获得一个矩阵去自动选择目标探测的最终检测的深度信息等内容。B.演示规则细节总结，就像在Fig.2中显示的一样，演示包括以下步骤：步骤1）输入SAR图像的整体起点的计算。步骤2）指示矩阵被创造出来，给图像中的每个像元，当这个像元的色饱和度大于整体起点时他的标志值是1，否则是0.步骤3）目标源的大小，被保护的区域，和在滑动窗口中的背景区域背景区域的选择遵照目标大小优先的原则。错误的警报器有可能已经被初始化。步骤4）在过程探测中的滑动窗口Nc组件像元自动被参数矩阵禁止，可能是干涉目标的组件像元被移除（可能会有D目标像元被禁止）这样，Nc-D的像元被留下.这时，我们用剩下的NC-D像元估计组件模型的参数（G0分配）然后计算检测T1的临界值。步骤5）把测试像元的色饱和度和初始像元相比，我们就能得到像元的二进制数值。4步骤6）如果已经到了整个输入图像的末尾，转向步骤7），否则继续下一个像元从步骤4)开始重复步骤7。步骤7）把二进制图像中已经被检测的目标像元聚集在一起。Ⅲ算法描述A整体起点Tg的计算因为SAR图像的柱状图的尾部代表了目标像元，Tg可以被合适的定义基于柱状图，让Ⅰ的色饱和度对应随机值，在目标像元的置信度是1-φ的条件下，Tg可以从下面式子中获得1}{gTIP（2）当P代表概率，φ∈[0,1]整个图像中目标像元的比例的经验值，也就是，此相遇时目标像元的置信度φ，在SAR图像中φ值较大，接近1.把F定义为从检测图像中获得的柱状图中得到的累积分布函数,(2)式可写为1)(1gTF（3）然后，T可以从（3）中方便地获得整个图像的直方图B指数矩阵考虑SAR图像的大小N×M和让Ⅰij在第i行本地化的像素强度和第j列，我们定义为Vij的指数值gotherTIijjiV,1,0,（4）因此，图像的指数矩阵给出}1,1{,NiMjVVji（5）C计算的局部阈值的CFAR检测Ťl图1所示，为了避免影响目标的强散射部分的参数估计在高能激光器厄贾尔推拉窗噪声分布，我们选择的方空心模具中心的滑动窗口试验区域[9]，[10]。存在保护区域，以确保噪声像素收集一些测试距离区域，保证组件像元和测试像元之间有一定距离阻止目标像元泄漏和损坏的背景噪