一种自适应的合成孔径雷达图像目标检测方法

１引言合成孔径雷达（ＳＡＲ）因其具有全天候、远距离、极强的穿透力及高分辨率的特点，使其在现代侦察任务中起着至关重要的作用。

随着ＳＡＲ图像分辨率的提高，使得对车辆、飞机等目标的识别成为可能，ＳＡＲ图像自动目标识别（ＡＴＲ）成为遥感图像领域的研究热点。

图像ＡＴＲ系统通常分为检测、辨识、分类三个阶段［１］，检测阶段主要是定位可能存在目标的感兴趣区域（ＲＯＩ，ＲｅｇｉｏｎｏｆＩｎｔｅｒｅｓｔ）；辨识阶段对ＲＯＩ进一步处理，去除只含有杂波的ＲＯＩ；分类阶段确定经过辨识的ＲＯＩ中目标的类型和状态等信息。

近年来，恒虚警率（ＣＦＡＲ）方法越来越多地用于ＳＡＲ图像目标检测，由于其方法较简单且具有较好的检测效果，日益得到重视并被不断改进。

为了在不同情况下获得较好的检测性能，人们提出了各种各样的ＣＦＡＲ算法，常规的ＣＦＡＲ检测器有单元平均恒虚警（ＣＡ－ＣＦＡＲ）、选大恒虚警（ＧＯ－ＣＦＡＲ）和选小恒虚警（ＳＯ－ＣＦＡＲ）等。

其中ＣＡ－ＣＦＡＲ检测器是最常用的一种，在同质区背景中具有良好的检测性能，但是，当背景不满足同质区条件时，ＣＡ－ＣＦＡＲ检测器的性能严重下降［２］，具体来说，当目标在杂波边缘时，会将杂波误认为目标，导致虚警率增大；距离很近的两个目标会相互屏蔽而导致漏警。

相比于ＣＡ－ＣＦＡＲ检测器，ＧＯ－ＣＦＡＲ检测器取两个局部杂波估计的最大值作为总的杂波功率水平估计，能更好地对抗杂波边缘的影响，但在背景平稳区间其性能不如ＣＡ－ＣＦＡＲ，并且在多目标干扰区域检测性能也较差［３］。

为了提高ＣＦＡＲ方法的检测性能，近几年也出现了一些改进方案，例如单元筛选后做最小处理的ＣＦＡＲ方法（ＣＳＳＯ－ＣＦＡＲ）［２］，先去掉检测单元左右参考窗中各自幅值最强的一个，再对剩下前后两部分参考单元作统计平均、选小处理，该方法对多目标环境下的检测性能有提高，但在均匀杂波或杂波边缘环境下并没有优势。

与此对应，也有单元筛选后做最大处理的ＣＦＡＲ方法（ＣＳＳＯ－ＣＦＡＲ），或者通过自适应选择参考窗口大小来提高性能［３］。

但这些方法往往只在某些情况下具有较好性能，并不能适合所有的杂波环境，自适应性改善不大。

本文提出了一种基于恒虚警率（ＣＦＡＲ）的ＳＡＲ图像目标识别方法，本方法通过将背景窗口分为４个子块，分块判别其背景类型，根据４个子块背景类型的不同，智能地选择不同的参考单元计算阈值，实现目标检测。

同时，利用目标灰度和方差特征，剔除不需要计算的像素，降低了虚警率。

对检测结果利用多数滤波器和目标基本形状特征进一步滤除虚警。

实验结果表明，这种方法在同质区或非同质区背景下都具有较好的检测性能。

一种自适应的合成孔径雷达图像目标检测方法张名成吴秀清王鹏伟（中国科学技术大学电子工程与信息科学系，合肥２３００２７）Ｅ－ｍａｉｌ：ｚｈｍｃ＠ｍａｉｌ．ｕｓｔｃ．ｅｄｕ．ｃｎ摘要目标检测是自动目标识别的一个重要步骤，论文提出了一种自适应的ＳＡＲ图像目标检测方法，该方法采用基于Ｗｅｉｂｕｌｌ分布模型的恒虚警率（ＣＦＡＲ）检测技术，将参考窗口分块，判断各子块类型，根据各子块类型不同，自适应选择参考样本确定阈值。

在检测过程中，利用灰度和方差特征，预先排除明显不为目标的像素。

对ＣＦＡＲ检测结果，利用目标基本形状特征排除虚警。

实验证明，该方法在同质区和非同质区背景下都具有较好的检测性能。

关键词自动目标识别目标检测合成孔径雷达恒虚警率文章编号１００２－８３３１－（２００６）１０－０２００－０４文献标识码Ａ中图分类号ＴＰ３９１ＡｎＡｄａｐｔｉｖｅＡｐｐｒｏａｃｈｆｏｒＴａｒｇｅｔＤｅｔｅｃｔｉｏｎｉｎＳＡＲＩｍａｇｅｓＺｈａｎｇＭｉｎｇｃｈｅｎｇＷｕＸｉｕｑｉｎｇＷａｎｇＰｅｎｇｗｅｉ（ＤｅｐａｒｔｍｅｎｔｏｆＥｌｅｃｔｒｏｎｉｃＥｎｇｉｎｅｅｒｉｎｇａｎｄＩｎｆｏｒｍａｔｉｏｎＳｃｉｅｎｃｅ，ＵｎｉｖｅｒｓｉｔｙｏｆＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙｏｆＣｈｉｎａ，Ｈｅｆｅｉ２３００２７）Ａｂｓｔｒａｃｔ：ＡｎａｐｐｒｏａｃｈｂａｓｅｄｏｎＣＦＡＲ（ｃｏｎｓｔａｎｔｆａｌｓｅａｌａｒｍｒａｔｅ）ｐｒｏｃｅｓｓｏｒｔｏｐｅｒｆｏｒｍｔａｒｇｅｔｄｅｔｅｃｔｉｏｎｉｎＳＡＲｉｍａｇｅｉｓｐｒｅｓｅｎｔｅｄ．Ｗｅｉｂｕｌｌｄｉｓｔｒｉｂｕｔｉｏｎｍｏｄｅｌｉｓｕｓｅｄｆｏｒｇｒｏｕｎｄｃｌｕｔｔｅｒ．ＴｈｅｒｅｆｅｒｅｎｃｅＷｉｎｄｏｗｉｓｓｐｌｉｔｅｄｉｎｔｏ４ｓｕｂ－ｂｌｏｃｋｓ．Ｂａｓｅｄｏｎｓｔａｔｉｓｔｉｃｓｏｆｅａｃｈｂｌｏｃｋ，ｔｈｅａｐｐｒｏａｃｈｄｙｎａｍｉｃａｌｌｙｔａｉｌｏｒｓｔｈｅｂａｃｋｇｒｏｕｎｄｅｓｔｉｍａｔｉｏｎａｌｇｏｒｉｔｈｍ．ＩｔｅｍｐｌｏｙｓｔｈｅｆｅａｔｕｒｅｏｆｉｎｔｅｎｓｉｔｙａｎｄｌｏｃａｌｖａｒｉａｎｃｅｔｏｒｅｍｏｖｅｕｎｅｘｐｅｃｔｅｄｐｉｘｅｌｓｄｕｒｉｎｇＣＦＡＲｐｒｏｃｅｓｓａｎｄｂａｓｉｃｇｅｏｍｅｔｒｉｃａｌｆｅａｔｕｒｅｔｏｒｅｍｏｖｅｆａｌｓｅａｌａｒｍ．Ｉｔｐｒｏｖｉｄｅｓａｇｏｏｄｐｅｒｆｏｒｍａｎｃｅｉｎａｈｏｍｏｇｅｎｅｏｕｓｅｎｖｉｒｏｎｍｅｎｔａｎｄａｌｓｏｐｅｒｆｏｒｍｓｒｏｂｕｓｔｌｙｉｎｎｏｎｈｏｍｏｇｅｎｅｏｕｓｅｎｖｉｒｏｎｍｅｎｔｓｉｎｃｌｕｄｉｎｇｍｕｌｔｉｐｌｅｔａｒｇｅｔｓａｎｄｅｘｔｅｎｄｅｄｃｌｕｔｔｅｒｅｄｇｅｓ．Ｋｅｙｗｏｒｄｓ：ＡＴＲ，ｔａｒｇｅｔｄｅｔｅｃｔｉｏｎ，ＳＡＲ，ＣＦＡＲ基金项目：国家８６３高技术研究发展计划资助项目（编号：２００２ＡＡ７８３０５５）作者简介：张名成（１９７５－），男，硕士生，研究方向为遥感图像处理。

吴秀清，教授，博士生导师，研究方向为多传感器融合和智能信息处理。

王鹏伟，博士，研究方向为遥感图像处理。

２ＣＦＡＲ检测ＣＦＡＲ图像检测算法是一个逐像素的处理过程，它基于ＳＡＲ图像的这样一种特性：人造目标相比其周围背景区域有更强的后向散射，在图像上具有更高灰度。

对于大多数人造目标，这种假设是合理的。

图１是一个典型的ＣＦＡＲ检测参考窗口。

参考窗口是一个以待检测单元（ＣＵＴ，ＣｅｌｌＵｎｄｅｒＴｅｓｔ）为中心的矩形区域，其宽度通常要大于目标尺寸的两倍，以保证目标能量不会泄漏到背景区，保护区的存在使杂波估计不受目标本身的影响。

对图像中每一个像素ｘｔ，取其周围一定区域作为参考窗口，根据参考窗口的统计特性确定一个阈值ＴＵ，使得以下检测具有恒虚警率Ｐｆａ：目标像素ｘｔ＞ＴＵ背景像素其!他（１）２．１基于Ｗｅｉｂｕｌｌ分布的ＣＦＡＲ算子ＣＦＡＲ检测首先要确定杂波分布模型，即图像的灰度概率密度函数。

对于ＳＡＲ图像，一般认为，以陆地为背景的杂波服从Ｒａｙｌｅｉｇｈ及Ｗｅｉｂｕｌｌ分布模型，而Ｒａｙｌｅｉｇｈ分布只是Ｗｅｉｂｕｌｌ分布的一种特殊情况。

对于高分辨率和低视角的ＳＡＲ图像，Ｒａｙｌｅｉｇｈ分布模型与实际数据不能很好的匹配，采用Ｗｅｉｂｕｌｌ分布更能适合大部分图像［４］。

Ｗｅｉｂｕｌｌ分布的概率密度函数为：ｐ（ｘ）＝ｃｂ"#ｘｂ"$ｃ－１ｅｘｐ－ｘｂ%$ｃ"$（２）其中ｂ为比例因子，ｃ为形状因子，正确地选择这两个参数，就可以精确描述ＳＡＲ图像的杂波分布模型，参数ｂ、ｃ根据参考样本的均值ｘ&和均方差σ确定，有如下公式［５］：ｚ＝ｘ&σｘ＝"（１＋１ｃ）"（１＋２ｃ）－"２（１＋１ｃ）’（３）其中"（・）表示Ｇａｍｍａ函数。

参数ｃ可用一个拟合非常好的近似多项式表示：ｃ＝ａ２ｚ２＋ａ１ｚ＋ａ０（４）其中ａ２＝０．０７９１，ａ１＝０．８４８１，ａ０＝０．０８１７ｂ＝ｘ&"（１＋１ｃ）（５）根据窗口统计特性确定阈值：ＴＵ＝ｂ（－ｌｏｇｅ（ＰｆａＵ））１ｃ（６）其中ＰｆａＵ为设定的所允许的虚警率。

２．２子块类型判定及参考样本选取ＣＡ－ＣＦＡＲ基于图像背景的同质区假设，即参考窗口的背景为同质区时，ＣＡ－ＣＦＡＲ方法有较好的检测效果，而对于异质区，检测性能会变差。

这是因为ＣＡ－ＣＦＡＲ检测器根据整个背景窗口的均值和方差来选取阈值，当背景窗口杂波分布平稳时，计算所得阈值是合理的；当背景窗口中出现杂波边缘时，计算所得阈值小于部分强杂波，导致虚警增大；当背景窗口存在多目标干扰时，多目标的存在导致估计阈值过大，可能产生漏警。

ＣＡ－ＣＦＡＲ和ＧＯ－ＣＦＡＲ的本质区别，在于参考样本的选择策略不同，ＣＡ－ＣＦＡＲ选择所有背景单元作为参考样本，而ＧＯ－ＣＦＡＲ选择强度较大的背景单元，因此，设计一种算法，根据背景区域的不同统计特性，自适应地选择参考单元，将具有更好的检测性能。

在背景平稳区域，采用ＣＡ－ＣＦＡＲ检测器，以获得好的检测性能；在有杂波边缘的区域，采用ＧＯ－ＣＦＡＲ检测器，以消除杂波边缘的影响；在有多目标干扰的区域，参考单元排除干扰目标区域，避免相邻目标的相互屏蔽效应。

自适应阈值选取如图２所示，背景窗口像素数目为Ｎ，将背景窗口分为四个子块（ＳＵＢ１，ＳＵＢ２，ＳＵＢ３，ＳＵＢ４），分别计算代表其统计特性的参数ＶＲ代表其灰度空间分布特性的参数Ｍ，以判定该子块类型，子块类型可分为同质区背景、杂波边缘、多目标干扰三种，根据参考窗口各子块类型的不同，选择合适的样本单元确定检测阈值。

２．２．１ＶＲ的定义本文定义参数ＶＲ表示背景的变化程度，背景的变化程度一般以方差来衡量，但在ＳＡＲ图像中，由于是乘性噪声模型，强度小的区域，背景起伏小，强度大的区域，背景起伏大，单以方差不能准确表示背景变化程度。

以子块方差估计值σ.与均值估计值ｘ&的比值作为表示背景变化的指数，可以不依赖于背景强度的影响。

但为了计算方便且不失其有效性，定义ＶＲ如下：ＶＲ＝１＋σ.２ｘ&２＝１＋ｘ&－２×１Ｎ４－１ｎｌ＝１(（ｘｌ－ｘ&）２＝Ｎ４×Ｎ／４ｌ＝１(ｘ２ｌＮ／４ｌ＝１(ｘｌ%#２（７）参数ＶＲ不受背景强度影响，当子块中存在杂波边界或干扰目标时，该参数为较大值，当子块为平稳背景时，该参数为较小值，因此，参数ＶＲ可作为判别子块是否为平稳背景的依据。

确定一个阈值ＫＶＲ，有：ＶＲ＞ＫＶＲ非平稳背景ＶＲ＜ＫＶＲ平稳背!景（８）２．２．２Ｍ的定义公式（８）确定的非平稳背景区，可能是多目标干扰或者杂波边缘中的强杂波部分，仅靠均值和方差是无法区别这两种情况的，因为方差和均值表示了样本像素值的统计特性，并不能体现灰度值的空间分布情况，即它们与像素点的空间顺序无关。

对于多目标或强杂波两种情形，其像素空间分布明显不同，当子块中存在干扰目标时，其灰度值大的像素分布集中在一个或少数几个区域，且目标与杂波灰度差别较大，而当子块中存在强杂波时，其灰度值空间分布具有很大的随机性，分散于整个子块区间。