SAR图像小目标检测及目标方位角估计

SAR图像小目标检测及目标方位角估计方法研究
1 SAR图像点目标检测
雷达图像上的点状目标，指的是以亮斑的形式出现在雷达图像上的那些目标。

大多数战术目标，如坦克、战车、大炮、船只等，以及工业设施，如高压输电线塔、油井、孤立的小建筑物等，都呈现为点状目标。

目标检测就是要找出什么是目标，它是目标识别和分类的基础,检测结果影响目标的特征提取，最终影响目标识别和分类的精度。

其方法主要是根据目标在图像上的标记(特有的灰度特征和纹理特征，形状等)及其与相邻目标的相互关系，采用相应算法来进行检测。

较典型的检测方法有恒虚警法和扩展分形法。

1.1恒虚警法
恒虚警处理技术(CFAR)是在雷达自动检测系统中给提供检测阈值，使杂波和干扰对系统的虚警概率影响最小的目标检测算法。

2000年万朋，王建国，赵志钦，黄顺吉在文献[1]中分析了在均匀杂波回波功率服从Gamma分布条件下SAR点目标检测，推导了点目标虚警概率和检测概率与阈值系数关系，提出了检测点目标阈值系数选择根据和方法。

在杂波均值估计方面，提出了以全局均值代替局部动态均值。

在检测效果方面，基于Gamma分布的全局均值检测算法优于基于Gamma 分布的局部动态均值检测算法，它们都优于双参数恒虚警检测算法。

在计算量方面，基于Gamma分布的全局均值检测算法比基于Gamma分布的局部动态均值检测算法小，在这方面也都优于双参数恒虚警检测算法。

UWB SAR图像中的目标检测通常指二面角目标检测,点目标检测由于没有发现军用车辆等人造目标这一直接效益而受到较少关注。

为满足一些UWB SAR图像中检测点目标的需求(如图像融合时的配准,通过路灯和树木进行道路检测和为了抑制树干杂波而识别树干杂波等)，2004年方学立，梁甸农，王岩在文献[2]中研究了其中的点目标检测问题，通过综合运用方向依赖滤波、隐马尔可夫模型和恒虚警率检测技术，设计了一种用于机载UWB SAR 图像中的点目标检测算法。

实验结果表明用HMM描述二面角目标的正侧闪烁特性需要考虑目标与雷达航线之间的交角，而对点目标进行建模则不需考虑。

因此用HMM对点目标进行建模检测点目标并进而抑制点目标，实现UWB SAR图像中的人造目标检测，比直接用HMM 对二面角目标进行建模要更加行之有效。

1.2 扩展分形法
EF特征是一个用来做目标检测的统计量。

它由计算图像像素点位置上多尺度的Hurst
参数派生而来。

Hurst参数以一个简单的数字提供了对于粗糙度具有尺度不变性和各向同性的纹理表面的完整刻画。

多尺度Hurst参数则提供了一个简单自然的纹理特征来表达不同尺度下的粗糙度。

通过对图像纹理粗糙程度的度量就可以从杂波背景中检测出目标。

2007年李昱彤，周越等人在文献[3]中提出了一种新的用于海杂波SAR图像点目标检测的方法。

传统方法一般是基于亮度差异的阈值分割，或者基于降噪之后的目标提取。

然而它们处理强海杂波SAR图时，效果并不理想。

将传统方法的本质加以提炼和融合，并将分形指数和独立成分分析(ICA, Independent ComponentAnalysis)相结合，提出了空间分离法，实现了海杂波SAR图的降噪和点目标检测。

首先，求得点态指数图，并用二值模糊化技术对其处理；接着使用ICA技术得到基图像和独立成分；然后使用空间分离法，对独立成分进行分离，同时对基图进行对应分类，获得非噪声和噪声两个空间。

最后在非噪声空间上进行独立成分增强，并复原图像。

实验将该算法与传统算法进行对比，从视觉效果和量化指标两方面证实了该算法的有效性和优越性。

1.3 多分辨率统计能级法
小波变换被广泛用于光学和SAR图像的目标检测算法中，这些算法大多是利用小波变换来实现频率选择和多尺度分解，起到抑制背景噪声和增强目标的作用，提高信噪比，从而提高图像中目标的检测概率，降低误检测。

由于SAR图像所固有的Speckle噪声严重影响了图像的质量，这使得SAR图像的目标检测变得异常困难。

从理论上讲，由噪声引起的跳变和信号本身的跳变在幅度空间上具有相同的尺度，那么任何尺度上的信号特征都会被噪声所淹没，因此传统的小波变换分析方法对SAR图像的目标检测效果一般，特别是比较弱小的点目标无法较好的被识别和定位。

针对弱目标的检测，杨文，陈嘉宇，孙洪，徐新在文献[4]中提出了基于小波多分辨率能级分析的检测方法。

在复杂背景情况下，V AR，CFAR的性能有所下降，EF和小波能级的方法则具有较强的鲁棒性。

其中小波统计多分辨率能级的方法能有效的区分目标和杂波背景，同时定态能级将尽可能的目标点检出，这对弱目标的检测尤其有利。

针对SAR图像点目标检测的困难,基于各层小波系数分布的统计特征，陈嘉宇，徐新，孙洪，管鲍在文献[5]中提出了一种在多分辨率统计能级上区分目标与杂波背景的方法。

在非正交小波变换的基础上，定义各点的层间随机过程，进行各分辨率下的信息相关后，通过能量函数构造能量图像，并在能量图像上自适应地搜索合适的目标尺度窗口实现检测。

实验结果表明，该方法适用于不同的杂波背景，能有效检测潜在的点目标，并在一定程度上保持了目标的形状。

1.4 其他方法
在SAR图像人工目标检测中,常用的方法是利用目标和背景杂波的强度不同，如传统的恒虚警率CFAR检测方法依赖于数据的幅度信息和杂波统计模型。

然而在目标隐藏或者伪装的情形下，利用像素强度信息和杂波分布模型的方法不足以进行检测。

为了改善2L-IHP目标点相干值和杂波相干值差别太小，以致于有时候不足以检测出目标的不足，杨杰，杨然，李坤，秦前清在文献[6]中提出了利用二维互相干函数计算相干值，利用SAR图像的幅度和相位信息进行检测，也不需要杂波的分布模型的新方法。

在研究2L-IHP方法的基础上，对相干值计算模块进行了改进，以二维互相关函数取代其内厄密积计算相干值，提出了2D-2L-CCF算法，并应用ADTS单视复数数据进行检测试验，把处理结果和2L-IHP算法的处理结果进行分析、比较，表明该方法获取的目标和背景相关值差别更大，能够更有效检测出SAR图像中的人工目标。

地物目标的物理结构、表面粗糙度或地物目标类型发生了变化，则其后向散射能量一般会发生相应的变化，对应的雷达散射截面(Radar Cross Section, RCS)也会发生变化，这将导致SAR图像的亮度和色泽发生变化。

2010年黄世奇，刘代志，蔡欣华，王仕成在文献[7]中针对低分辨率SAR图像中点目标的变化检测进行了深入的研究，提出了一种新的基于RCS曲线特性的SAR图像目标变化检测算法，该算法不同于以往的基于图像域的变化检测算法，从目标的散射特性提取目标的变化信息，避免了不同时相的SAR图像对误配准所带来的错误。

由于SAR图像与地物目标后向散射特性之间存在对应关系，所以从SAR图像的变化可以推出目标散射特性发生了变化，进一步推出目标的变化情况。

RCS反映的是目标的零维散射特性，通过RCS曲线的变化，不仅可以获得目标的变化信息，而且还可以识别目标的真伪情况。

2 SAR图像动目标检测
合成孔径雷达是一种高分辨率成像雷达,已经广泛应用于各种领域。

它采用匹配滤波技术对雷达回波信号进行脉冲压缩聚焦成像。

通常距离向与方位向可以分别进行处理。

距离向匹配滤波参数由雷达发射信号参数确定,而方位向匹配滤波参数则由雷达平台与目标的相对运动关系确定。

因此,地面静止目标可以得到清晰的图像。

而动目标由于自身运动,将不完全聚焦,形成模糊的图像,要得到运动目标的清晰的图像,必须检测出相应的运动参数。

运动目标检测研究作为雷达信号领域的一个重要发展方向，一直是人们关注的热点问题，在军事领域具有特殊重要的意义。

目前在多孔径动目标检测的实现方法中，偏置相位中心天线(DPCA)，沿航迹干涉(ATI)技术以及空时二维自适应处理技术(STAP)是较为有效的运
动目标检测方法。

其中DPCA技术具有良好的杂波(地面静止目标)抑制能力，但经典DPCA 处理对平台速度，孔径中心间距，脉冲重复频率提出了严格的限制条件。

2.1 基于DPCA技术的SAR动目标检测方法
DPCA技术使用两个或多个相位中心,补偿由于载机运动造成的多普勒展宽,使得杂波多普勒频宽变窄,进而能够检测出运动目标,尤其是慢速动目标。

DPCA方法往往采用2个相位中心，在相位中心间距，脉冲重复频率及载机速度满足一定关系的基础上方进行动目标检测，但是不能较全面地描述动目标位置信息及速度信息。

干涉处理方法采用3个相位中心，通过对3路信号的相位进行补偿来实现动目标检测、定位及测速，但是在相位补偿时3路信号均需乘以不同的参考函数，大大增加了处理的复杂度；对于3孔径天线需要分成多个数据块处理，运算量很大。

2003年郑明洁，杨汝良等人在文献[8]中通过对DPCA技术和干涉处理方法进行分析，提出了一种对三孔径机载SAR地面慢速运动目标进行检测、测速和定位的新方法。

该方法首先用DPCA技术两两对消3个孔径杂波信号，获得两路杂波对消了的动目标信号，然后对这两路信号进行干涉处理，估计出运动目标参数。

最后给出了典型的计算机模拟结果，证明该方法可以有效地抑制地杂波，增强被主瓣杂波遮掩的动目标的信杂比，而且能够对慢速动目标进行精确定位，并估计出目标的距离向速度分量。

2003年张英，李景文在文献[9]中提出了在机载SAR模式下应用三孔径DPCA技术对地面慢速运动目标进行检测与定位的方法。

从回波模型入手对此方法进行了理论分析并给出了计算机仿真结果仿真结果表明，在满足DPCA条件的情况下，系统可以得到理想的主瓣杂波抑制效果和良好的测速定位性能。

最后给出由于雷达平台的运动误差而导致DPCA条件不满足的情况下该方法的检测、定位性能。

偏置相位中心天线技术可用于星载SAR/GMTI中地杂波的抑制，有时域和频域两种实现方式。

2004年孙娜，周荫清，李景文等人在文献[10]中给出了一种基于频域DPCA技术实现星载合成孔径雷达动目标检测及动目标测速和定位的方法。

该方法首先建立星载SAR 三孔径天线信号模型，分析星载SAR/GMTI三孔径天线机理及信号特性，然后分析并推导基于频域DPCA技术实现地面背景杂波淹没的运动目标检测、径向速度分量估计以及目标定位的方法。

最后，通过计算机仿真验证了该方法的有效性。

使用偏置相位中心天线(DPCA)理论，对运动目标进行处理，系统结构简单，运算量小，易于工程实现。

2006年李兆军，娄晓光等人在文献[11]中首先分析了基于DPCA技术的SAR 动目标检测原理，然后在分析DPCA原理的基础上，给出了一种新的双通道DPCA模型，
并使用真实雷达数据叠加模拟运动点目标的合成数据，对该模型进行验证。

证明基于该模型的DPCA算法可以有效地抑制地杂波，增强动目标的信杂比，并可以精确地估计出目标的距离向速度。

基于DPCA的三孔径动目标检测方法在对消杂波后，采用快速傅里叶变换(FFT)技术确定目标运动参数。

但由于分辨率低，在目标运动参数估计上效果较差，尤其是动目标在SAR 图像中会产生方位位置偏移，导致不同径向速度的目标在SAR图像中处于一个分辨单元内。

这时采用FFT不能分辨出不同目标，从而造成方位向坐标和速度的错误估计。

因此2007年曾磊，曾斌，韩迪等人在文献[12]中建立了分布式卫星SAR系统动目标检测定位和测速模型，提出了一种基于超分辨成像算法(ESPRIT)的多通道目标检测定位方法。

该方法用DPCA 技术检测动目标，再利用改进的ESPRIT算法确定动目标数并定位，提取运动参数。

理论和仿真结果表明该方法能正确检测动目标并确定运动参数，该方法与DPCA和ATI中所采用的FFT方法比较，其优势在于：能够分辨出处于SAR图像中同一分辨单元的几个动目标，且能获得更准确的目标运动参数。

图像域DPCA方法可显著抑制双孔径合成孔径雷达的静止杂波，但对消处理后的剩余杂波和噪声仍可严重影响微弱目标检测性能。

鉴于此，2007年王力宝，许稼，向家彬，彭应宁在文献[13]中提出采用二维多分辨分析在DPCA处理后图像域进一步抑制干扰，显著改善了SAR微弱运动目标的检测性能。

首先通过DPCA实现双通道(空间处理)图像对消，进而在差图像上运用MRA检测进一步抑制了背景的干扰。

相对于现有DPCA方法，该方法优势在于MRA的引入能够进一步提高了信杂噪比(SCNR)。

对于单通道SAR系统数据，已有成熟的检测快速运动目标的方法，但对于淹没在强主瓣杂波中的慢速运动目标检测尚待研究。

针对这个问题，2009年洪伟在文献[14]中提出了一种有效的方法，来实现单通道SAR-GMTI对地面低速运动目标的检测。

该方法通过对单通道SAR数据合理抽取和补偿，获得近似满足DPCA条件的两幅SAR复图像，然后进行复图像域DPCA处理。

针对仿真数据和实测数据，利用DPCA方法实现杂波抑制和动目标检测。

在没有多通道数据的情况下，该方法为利用单通道数据进行强杂波背景下地面低速运动目标检测提供了一种思路。

2.2 基于STAP技术的SAR动目标检测方法
针对小天线带来的距离/多普勒模糊，以及超稀疏阵带来的高旁瓣问题，2005年李真芳，保铮，王彤在文献[15]中研究了分布式小卫星SAR系统的地面运动目标检测(GMTI)方法，该方法的主要思想是利用空时自适应处理(STAP)把地面运动目标谱与杂波谱分离开，然后再
利用SAR成像处理对分离开的地面运动目标谱进行聚焦。

针对超稀疏阵的高旁瓣模糊问题，提出了通过导向扫描空时平面来克服盲速影响。

利用STAP技术把所有空时谱分量分别取出来并拼接成宽谱信号(包括无模糊的杂波宽谱和运动目标宽谱)，然后再进行SAR成像处理，可以同时完成对地面场景的大观测带、高分辨率SAR成像和GMTI。

2.3 基于ATI技术的SAR动目标检测方法
与DPCA、STAP等方法相比，A TI最突出的优点是简单、有效且约束条件少，比较适合相对平台速度较慢的运动目标的检测和估计。

当目标径向速度过快导致图像散焦，信号完全被杂波淹没时，不适合用A TI方法。

对星载雷达而言，地面运动目标速度不会过快，因而可以采用ATI方法检测。

2005年杨凤凤，梁甸农等人在文献[16]中主要研究了分布式小卫星载合成孔径雷达顺轨干涉(SAR-ATI)动目标检测算法，从ATI-GMTI原理出发，通过分析星载SAR-ATI动目标检测算法流程及满足ATI工作要求的编队构形，利用卫星轨道动力学方程，建立卫星轨道和编队模型，建立地面静止及运动点目标模型，仿真地面目标回波信号并成像，仿真ATI-CFAR过程，检测运动目标，验证了在目标径向速度相对雷达平台航向速度不是很大、目标聚焦良好的情况下，A TI-GMTI方法的有效性。

与传统物理双通道星载SAR相比，星载MIMO-SAR的等效双通道处理会改善高分辨宽测绘带静态场景成像及慢速动目标检测性能，但是受动目标径向速度影响，星载多输入多输出合成孔径雷达(MIMO-SAR)等效通道回波模型中将引人周期误差信号的调制，进而导致动目标方位像存在“假峰”效应，其会增加动目标检测的虚警。

2010年王力宝，许稼，皇甫堪，彭应宁在文献[17]中基于ATI干涉图，提出一种星载MIMO-SAR动目标检测方法。

可在不补偿误差信号的前提下，先通过调节系统参数降低动目标“假峰”幅值，进而经干涉处理用杂波去弱化“假峰”干涉相位，最后利用A TI干涉图幅度和相位的联合处理实现动目标检测。

2.4 其他方法
(1) 基于子孔径分解的检测方法
针对运动目标在合成孔径雷达SAR图像中的成像会出现模糊,散焦等现象，并且会在方位向出现明显的偏移，从而导致运动目标的目标杂波比TCR(Target-to-clutter Ratio)降低，2008年张露，郭华东，韩春明，周平在文献[18]在子孔径分解技术的基础上提出了一种从单通道SAR单视复图像SLC(Single Look Complex)中检测动目标的方法。

由于静止目标在不同子孔径图像中的成像位置相同，而运动目标在不同子孔径图像中的成像位置不同，那么子孔径图像相减可以有效的抑制杂波，从而提高TCR。

该方法直接从SLC数据而不是原始数据
中检测动目标，避免了数据合成的复杂过程。

2009年刘书君，袁运能，毛士艺在文献[19]中提出了一种基于单通道图像序列间协方差矩阵分解的动目标检测方法。

首先给出基于方位频谱划分获取子图像的处理过程，分析了子孔径划分在图像序列间所产生的误差来源，结合二维自适应方法对幅度和相位上存在的误差同时校正，实现了子图像间的配准，构造出类似于多通道的子图像。

在此基础上，结合多通道杂波抑制的思想，详细分析了两子孔径间协方差矩阵特征值分解实现目标与杂波分离的原理，并针对在图像域估计采样协方差引起的精度与目标能量损失之间的矛盾，提出了在距离多普勒域的改进处理。

该方法从单通道SAR图像入手，通过频域分块的子孔径划分方法获得了子图像序列。

分析了该划分方法带来的子图像间的误差并结合二维自适应算法实现配准，以保证静止杂波在子图像中的一致性，以等效为多通道的图像序列。

通过两个子孔径间协方差矩阵分解后的子空间彼此正交的特性，详细分析了目标信号的存在与否对特征值的影响。

(2) 利用短时FFT的距离-多普勒域SAR运动目标检测方法
2006年王琦，王岩飞在文献[20]中提出了一种新的合成孔径雷达运动目标检测和成像方法，即利用短时FFT处理原始数据，在距离多普勒域对运动目标进行识别和参数检测，获得的目标参数可以用来正确成像运动目标。

在分析运动目标回波特性的基础上，提出了一种采用时频分析方法和运动目标距离向迁移效应对运动目标进检测的方法，结合频域滤波等方式可以得到一定范围内运动目标的正确成像。

这种方法较传统时频分析法具有运算量小，不需要对距离迁移效应进行补偿等优点，尤其适合于高分辨率合成孔径雷达对运动目标进行检测和成像。

对运动目标回波特点和雷达参数的分析证明了该方法的可行性和有效性。

(3) 基于联合特征导向矢量的检测方法
2008年周争光，廖桂生等人在文献[21]中提出了一种新的多通道合成孔径雷达动目标检测定位方法。

首先计算目标的特征系数矢量，然后根据其空域导向矢量和特征系数矢量构造联合特征导向矢量，最后利用包含特征导向矢量的自适应权进行杂波抑制，同时估计目标的运动速度，进而对其重新定位。

该方法具有自适应图像配准功能,能够在配准误差较大的情况下获得满意的动目标检测性能和较高的测速定位精度。

仿真结果表明该方法对图像配准误差具有稳健性，在图像配准误差达到一个像素的情况下，该方法仍能获得与图像精确配准时相当的目标检测性能和测速定位精度。

3 SAR图像目标方位角估计方法
在SAR图像中，目标是由多个散射中心的电磁散射合成的，它们反映了地位目标的外
形物理结构。

在高频区目标的散射主要由镜面反射、表面不连续性的散射、爬行波或阴影边界的散射、行波散射、凹形区域的散射和相互作用散射等组成。

当SAR与目标的相对位置发生变化时，目标的散射中心也会发生变化，将导致不同方位角下的目标有明显的区别。

这是SAR图像与红外、光学遥感显著不同的地方。

在SAR目标识别和变化检测中，精确的方位角估计可以减小目标匹配数和检测误差。

目标方位角[22]是指目标主轴与雷达视线在地面投影之间的夹角。

目前关于SAR目标方位角估计的方法主要有基于目标主轴法、提取主导边界法以及包络盒法。

3.1 目标主轴法
基于目标主轴获取的方法[23]是方位角估计中一类具有代表性的方法，其前提是目标SAR图像在结构上具有对称性的假设，一般是通过拟合目标主轴附近散步的强点或整个目标区域的像素来近似目标主轴。

基于主轴获取的方法主要涉及到线性回归技术和最小转动惯量矩的计算。

目标峰值特征是SAR图像目标识别的重要特征之一，峰值特征提取是SAR图像目标识别的一个重要步骤，为了由SAR图像快速、精确地提取目标峰值特征，2004年计科峰，匡纲要，粟毅，郁文贤在文献[24]中研究了SAR图像目标峰值特征提取方法，提出了一种"子像素"级精度的SAR图像目标峰值特征提取方法,并通过仿真实验分析了峰值位置、峰值幅度的估计精度。

由于目标SAR图像或SAR图像特征矢量对目标方位角变化的敏感性，因此为了提高SAR图像目标识别系统的分类效率，文献[24]还研究了SAR图像目标方位角估计方法，提出了一种利用峰值特征基于线性回归的SAR目标方位角估计方法，和现有方法相比，该方法除了计算速度快，估计精度较高之外，还能在估计方位角的同时给出该估计的置信区间。

一般而言，基于SAR图像的目标方位角估计方法应满足:精度高、速度足够快、对目标部署条件的变化具有一定的稳健性。

2004年计科峰，匡纲要，郁文贤等人在文献[25]中分析了现有的SAR图像目标方位角估计方法优缺点，在此基础上给出了一种有效的基于线性回归的SAR图像目标方位角估计方法，并通过对大量实测MSTAR SAR图像目标方位角的估计试验，详细分析了该方法对SAR图像目标方位角的估计性能。

2007年徐牧，王雪松，肖顺平等人在文献[26]中提出了一种基于Hough变换与目标主轴提取的SAR图像目标方位角估计方法。

针对传统基于Hough变换估计方法的不足，在估计过程中引入目标的主轴信息指导方位角的估计。

利用基于马尔可夫随机场(MRF)的图像分。