Fisher分布下基于白化滤波的极化SAR图像CFAR检测方法

在已有的极化合成孔径雷达（SAR）图像恒虚警（CFAR）检测方法中,存在着高分辨下杂波模型适用性差的难题.为此提出了一种Fisher分布下具有虚警概率解析表达形式的CFAR检测方法.首先,在乘积模型框架下,引入Fisher纹理变量,推导出了极化白化滤波（PWF）检测量的概率密度函数（PDF）.然后,对PDF积分得到了虚警概率关于检测门限的解析表达形式,并设计了相应的CFAR检测算法流程.最后,通过机载合成孔径雷达（AIRSAR）实测数据比较了新方法和双参数恒虚警（2P-CFAR）算法及已有的基于K分布、G₀分布、Wishart分布的CFAR检测方法的检测性能.结果表明新方法能有效检测出目标,且鲁棒性较强,相比于其他检测方法,品质因数平均高出32.66%.     

基于干涉图幅度和相位联合的慢动目标CFAR检测方法

 提出了一种新的基于干涉图幅度和相位联合的慢动目标CFAR检测方法.在理论层面上,基于复Wishart分布,推导出了均匀区域、不均匀区域和极度不均匀区域等不同环境下IMP检测量的统计分布族,并根据Mellin变换导出了各分布模型的参数估计器.在算法层面上,通过结合邻域平均这种等效的多视处理方式获得IMP检测量图像后,根据推导出的IMP检测量各分布模型对应的CFAR阈值求解方式,利用滑动窗口的形式实现慢动目标的自动检测.对双通道SAR实测数据进行实验,采用KL度量、MSE度量和K-S检验作为定量评估准则,结果证明了IMP检测量分布模型族及对应参数估计器的有效性以及基于IMP检测量实现慢动目标CFAR检测的更优性能.     

Fisher纹理分布下基于匹配滤波的极化SAR图像CFAR检测方法

在已有的极化合成孔径雷达（PolSAR）图像恒虚警（CFAR）检测方法中,存在着高分辨下杂波模型适用性差的难题。为此提出了一种Fisher分布下的CFAR检测方法,并定义虚警损失率（CFAR Loss,C_L）以量化评估算法的恒虚警保持性能.首先,在乘积模型框架下引入Fisher纹理变量,推导出了多视极化匹配滤波（Multi-look Polarization Matched Filter,MPMF）检测量的概率密度函数（PDF）.然后,对PDF积分得到了虚警概率的闭合解析式,并设计了CFAR检测流程.仿真数据和机载合成孔径雷达（Airborne SAR,AIRSAR）数据实验结果表明,与基于K分布、G₀分布、Wishart分布的CFAR检测算法以及双参数恒虚警（two-Parameter CFAR,2P-CFAR）算法相比,新方法具有良好的恒虚警保持性能和检测性能,具有较强的鲁棒性,且运算时间未明显增加,相比于其他检测方法,品质因数（Figure of Merit,FoM）平均高出12.80%.     

基于反射对称性的极化SAR舰船目标CFAR检测

反射对称性是极化散射中十分重要的一种性质。反射对称性检测量刻画了共极化通道和交叉极化通道间的相关性,在极化合成孔径雷达(Pol SAR)目标检测中有重要应用。在复Wishart分布的基础上,结合乘积模型,推导出反射对称性检测量统计模型服从K分布,利用实测数据证实该模型对杂波数据具有很好的拟合效果。最后基于K分布模型,用恒虚警率(CFAR)方法进行了舰船目标的检测,实验结果验证了该方法的有效性。     

干涉图幅度统计分布模型族及其参数估计

提出了新的干涉图幅度分布模型族及对应的参数估计器.首先,在乘积模型框架下,以复Wishart分布为基础,通过引入场景环境分类的思想,利用具备真实地物RCS分量精确建模能力的逆方根Gamma分布和广义逆Gauss方根分布,推导建立了理论完善的新的干涉图幅度分布模型族:E-Gamma分布、E-G0分布和E-G分布,解决了均匀度变化下的广泛区域对应的干涉图幅度数据的精确建模问题,实现了单通道SAR图像建模理论到多通道SAR干涉图幅度建模的拓展与统一;其次,基于Mellin变换导出了各新分布模型的参数估计器:E-Gamma_MoLC、E-G0_MoLC和E-G_MoLC,新估计器能够快速、准确地迭代出各分布参数的估计值.以KL度量、MSE度量和K-S检验作为定量评估准则,对星载多通道SAR实测数据对应的干涉图进行实验,结果证明了所提模型族及对应参数估计器的有效性.     

Beta分布下基于白化滤波的极化SAR图像海面舰船目标CFAR检测方法

在杂波纹理服从Beta分布的极化合成孔径雷达（Polarimetric Synthetic Aperture Radar,POLSAR）图像目标检测中,提出了一种基于多视极化白化滤波（Multilook Polarimetric Whitening Filter,MPWF）的恒虚警（Constant False Alarm Rate,CFAR）检测解析新方法.首先,假设乘积模型中纹理变量服从Beta分布,推导得到MPWF检测量的概率密度函数（Probability Density Function,PDF）.然后,对概率密度函数积分得到虚警概率关于检测门限的解析式,并设计相应的CFAR检测流程.最后,提出了基于MPWF的对数累积量估计方法,对Beta分布纹理变量参数u和v进行估计.通过实测数据验证了新方法的有效性.实验结果表明Beta分布对某些区域的极化SAR数据有更好的拟合效果,同时新方法与已有方法相比具有更好的CFAR保持能力.     

Wishart分布情形下极化SAR图像目标CFAR检测解析方法

等效视数是影响极化合成孔径雷达（PolSAR）图像恒虚警 （CFAR）检测性能的重要参数.目前等效视数的估计大都不是整数,导致已有的基于整数等效视数的CFAR检测方法不再适用.为解决此问题,提出了一种新的PolSAR图像目标CFAR检测解析算法.首先,在Wishart分布假设下,推导出了多视极化白化滤波（MPWF）检测量的概率密度函数;然后对其积分得到了CFAR检测门限关于等效视数的解析表达式;最后通过仿真数据和AIRSAR实测数据比较了新方法与已有的适用于整数等效视数的检测方法和双参数恒虚警（2P-CFAR）检测方法的CFAR检测性能.结果表明新方法中实际虚警概率与给定的恒虚警概率最为接近,更好保证了CFAR检测的恒虚警假设.     

基于背景预分析的SAR图像车辆目标检测算法

CFAR算法是一种常见的合成孔径雷达图像目标检测算法。CFAR算法在对背景杂波统计建模时需要考虑建模样本中是否混入目标等非背景像素。文中提出了一种新的CFAR检测算法,该算法认为目标窗口和背景窗口是同一个窗口,在CFAR算法之前,通过目标预筛选去除建模样本中的降质因素,并用广义伽马模型对背景窗口中的剩余样本建模。相比于传统的高斯模型CFAR算法,本文所用算法考虑了建模样本中降质因素对建模精度的影响,新的滑动窗模型结构更加简单,检测结果虚警率低,对距离很近的目标不会产生漏检。     

一种改进的高分辨率SAR图像超像素CFAR舰船检测算法

合成孔径雷达(SAR)图像舰船目标检测一直受到学者广泛关注,恒虚警率(CFAR)检测算法作为雷达图像经典目标检测算法被广泛应用于SAR图像舰船目标检测中。然而经典CFAR检测性能容易受到相干斑噪声影响,基于滑窗的检测结果对滑窗的尺寸选择非常敏感,难以保证杂波背景中不存在目标像素,并且计算效率较低。针对上述问题,该文提出了一种新的基于超像素无窗快速CFAR的SAR图像舰船目标检测算法。首先,利用基于密度的快速噪声空间聚类(DBSCAN)超像素生成方法生成SAR图像的超像素。在SAR数据服从混合瑞利分布的假设下,定义了超像素相异度。然后利用超像素精确估计每个像素的杂波参数,即使在多目标情况下,也可以克服传统CFAR滑动窗口的缺点。此外,基于SAR图像变异系数,提出了一种基于变异系数的局部超像素对比度来优化CFAR检测,以此消除大量杂波虚警,如陆地区域人造目标。对5幅SAR图像的实验结果表明,与其他方法相比,该文方法对不同场景SAR图像海面舰船目标检测都十分稳健。      

SAR图像局部窗口K-分布目标检测算法

该文分析了双参数CFAR算法和K-分布CFAR算法的特点,将双参数CFAR算法局部窗口的概念应用到K-分布CFAR检测中,适应了SAR图像海面背景复杂且局域性强的情况,获得了较好的检测效果。     

一种改进的恒虚警率SAR图像舰船检测算法

自动删除恒虚警率算法(AC-CFAR)作为一种自适应的CFAR检测算法被广泛应用于目标检测中,文中引入均值比对自动删除恒虚警率算法进行改进,使得其在杂波边缘处也有很好的检测效果。在检测过程中,通过分析4个不同方向的均值比来判断边缘方向,能够很好地解决边缘对检测结果的影响。采用能对高分辨率SAR图像精确建模的G0分布进行杂波区域建模,通过更加准确地对背景区域数据的拟合,进一步提高了检测精度。实验表明改进后的算法不仅在同质区域和多目标区域有很好的检测效果,在杂波边缘处也能取得比较好的检测效果。     

融合极化旋转域特征和超像素技术的极化SAR舰船检测

对海监视是极化SAR的重要应用,密集区域的舰船目标检测是当前面临的主要挑战之一。舰船密集区域受多目标串扰,传统的恒虚警率(CFAR)检测滑窗难以选取纯净的海杂波样本用于确定检测门限,将导致检测性能下降。针对这一问题,该文从特征提取和检测器设计两方面出发,提出一种融合极化旋转域特征和超像素技术的极化SAR舰船检测方法。在特征提取方面,雷达目标的后向散射敏感于目标姿态与雷达视线的相对几何关系,由此带来的散射多样性隐含信息可通过极化旋转域分析进行挖掘。该文利用极化相关方向图及导出的一系列极化旋转域特征,根据目标杂波比(TCR)分析,优选TCR最高的3个极化特征量用于构建目标检测器。在此基础上,该文在检测器设计方面提出了一种基于K均值聚类的杂波超像素筛选方法,有效避免了密集区域舰船目标对邻近杂波的影响,基于筛选的杂波像素点得到舰船目标CFAR检测结果。基于Radarsat-2和高分三号星载全极化SAR数据的对比实验表明,所提方法能有效实现密集区域舰船目标检测,检测品质因数达到95%。      

K分布下极化SAR图像CFAR检测新方法

在极化合成孔径雷达（PolSAR）图像杂波服从K分布下,已有的基于多视极化白化滤波器（MPWF）的恒虚警（CFAR）检测方法不适用于等效视数为非整数情形.针对此问题,提出了一种具有解析虚警概率表达式的CFAR检测方法.在乘积模型下引入Gamma分布纹理变量后,对MPWF检测量的概率密度函数（PDF）积分得到其累积分布函数（CDF）,进而得到虚警概率关于检测门限的解析形式.仿真实验结果表明新方法良好的虚警拟合效果,此外在目标杂波比（TCR）较大时,新方法检测概率更高,反之,检测概率低于已有方法.需说明的是,目前K分布下多视极化匹配滤波（MPMF）检测方法的虚警概率表达式存在错误,因此对K分布下的MPMF检测方法进行了修正并推导出了正确的虚警表达式.     

An Adaptive and Fast CFAR Algorithm Based on Automatic Censoring for Target Detection in High-Resolution SAR Images

An adaptive and fast constant false alarm rate (CFAR) algorithm based on automatic censoring (AC) is proposed for target detection in high-resolution synthetic aperture radar (SAR) images. First, an adaptive global threshold is selected to obtain an index matrix which labels whether each pixel of the image is a potential target pixel or not. Second, by using the index matrix, the clutter environment can be determined adaptively to prescreen the clutter pixels in the sliding window used for detecting. The $G^{0}$ distribution, which can model multilook SAR images within an extensive range of degree of homogeneity, is adopted as the statistical model of clutter in this paper. With the introduction of AC, the proposed algorithm gains good CFAR detection performance for homogeneous regions, clutter edge, and multitarget situations. Meanwhile, the corresponding fast algorithm greatly reduces the computational load. Finally, target clustering is implemented to obtain more accurate target regions. According to the theoretical performance analysis and the experiment results of typical real SAR images, the proposed algorithm is shown to be of good performance and strong practicability.      

SAR图像点目标的检测

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。实际测试结果表明所提出的检测方法在检测效果和计算量方面都优于双参数恒虚警检测算法     

基于CFAR级联的SAR图像舰船目标检测算法

SAR图像舰船目标检测在军事监视和海洋环境监管等方面有着重要的意义。针对SAR图像的特点,提出了一种基于全局CFAR检测与局部CFAR检测级联的舰船目标检测算法。在全局CFAR检测中,通过海杂波特性拟合优选海杂波统计模型,以较高的虚警率筛选潜在的目标点;在局部CFAR检测中,以潜在目标点的连通区域为单位,通过检测窗口的选取、背景像素的确定和海杂波拟合等步骤以后,以较低的虚警率确定目标。最后,通过条件扩张算法和目标像素聚类完善船只细节。实验结果表明,文中算法在保证良好的检测性能的同时,具有检测效率高、舰船细节完整等优点,为舰船目标鉴别和信息提取提供了良好的保障,更加符合实际应用需求。