SAR图像目标检测.doc

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

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