基于区域分类的智能恒虚警SAR图像目标检测_黄祥

来源：华佗小知识

第50卷第1期　2004年2月武汉大学学报(理学版)

J.WuhanUniv.(Nat.Sci.Ed.)Vol.50No.1　Feb.2004,104～108

文章编号:167128836(2004)0120104205

基于区域分类的智能恒虚警SAR图像目标检测

黄　祥,孙　洪󰂬,罗　玮,徐　新,杨　文

(武汉大学电子信息学院,湖北武汉430072)

　　摘　要:提出了一种用于SAR图像目标检测的基于区域分类的智能恒虚警算法.该算法组合常规的单元平均恒虚警、选小恒虚警和选大恒虚警的有利特性,在多窗口划分和区域类型分类的基础上,实现目标的智能检测.实验表明,该方法在同质性区域保持较好检测性能的同时,在多目标和杂波边缘的异质性区域也有较强的鲁棒性.这必将极大的降低后续辨别和识别阶段的复杂度,从而提高了整个ATR系统的性能.

关　键　词:目标检测;区域分类;恒虚警;合成孔径雷达中图分类号:TP751.1　　　文献标识码:A

引　言0　

　　合成孔径雷达(syntheticapertureradar,SAR)

自动目标识别(automatictargetrecognition,ATR)已成为当前研究的热点.典型的SAR图像ATR系统有3个主要阶段:检测、辨别和识别[1].在检测阶段,恒虚警(constantfalsealarmratio,CFAR)检测器从大范围的图像中找出可能存在目标的感兴趣区域(regionofinterest,ROI).它极大地降低了后续阶段复杂的辨别和识别算法的负载,提高ATR系统的效率.

常规的CFAR检测算法有单元平均恒虚警(cellaverage,CA2CFAR)、选大恒虚警(greatestof,GO2CFAR)和选小恒虚警(smallestof,SO2CFAR)[2,3].CA2CFAR通常用于雷达系统的自适应门限检测,对于均匀性区域,它是最优的,能够保证在一定的虚警率下,获得最大检测概率.事实上,在噪声能量已知,当用于背景杂波能量估计的参考窗口中包含的单元数量趋向于无限大时,CA2CFAR的性能逼近最优Neyman2Pearson准则的固定阈值检测器[4].然而,当参考窗口中包含的单元数量增加时,同质性假设可能就不成立了.事实上,异质性环境(包括多目标和背景杂波边缘)在实际中经常遇到.这些通常模型化为多目标或杂波边缘.在多目标和杂波边缘的异质性环境中,CA2CFAR性能将严重衰退.一个或多

个干涉目标在参考窗中的出现将增加检测门限,从而降低了虚警率(theprobabilityoffalsealarm,Pfa),同时将导致较低的检测概率.GO2CFAR在杂

波边缘的情况下,提供了较好的性能,但相对于CA2CFAR来说,在同质性区域增加了相关性的丢失.SO2CFAR在多目标环境中能取得好的性能,提高空

间距离目标的辨识性能显著,但在边缘环境中它比CA2CFAR有更多的虚警.另外,林肯实验室提出高

斯分布条件下的双参数恒虚警检测器用于SAR图像目标的检测[5].但实际上SAR图像均匀杂波假设为高斯分布不太恰当,一般假设为Gamma分布更加合理[6].Lombardo等人也讨论了基于分割的恒虚警方法用于SAR图像的目标检测[7].

针对上述检测器的存在的问题,本文提出了区域分类CFAR(regionclassification,RC2CFAR)检测器,它充分利用了CA2CFAR、SO2CFAR和GO2CFAR方法的优点,动态选取子窗作为背景参考单

元来估计杂波能量和基于期望虚警概率的增益系数.在同质性环境中提供了低的虚警,而在异质性环境中也有较强的鲁棒性.

1　RC2CFAR算法

SAR图像中目标检测通常采用二维CFAR模

型[8].这是一个以当前测试单元(thecellundertest,

　　收稿日期:2003206211　　　　󰂬通讯联系人　E\\|mail:hongsun@whu.edu.cn

基金项目:国家自然科学基金资助项目(60072041,60372057)作者简介:黄　祥(19792),男,硕士生,现从事SAR图像处理方面的研究.

第1期黄　祥等:基于区域分类的智能恒虚警SAR图像目标检测105

CUT)为中心的滑动窗口.CUT用来平均当前像素

相对标准差R是划分区域类型较稳健的特征量.2.1　均值比参数MR

的剧烈起伏.窗口背景单元用于估计背景的检验统

计量.在CUT周围留有环状区域作为保护环,保证目标能量不泄漏到背景区域,避免了背景杂波统计量估计的不准确,其宽度通常等于目标的大小.本文将滑窗模型中的背景区域分为4个子块,标记为子窗1,2,3,4,形成RC2CFAR的框图,如图1所示.在RC2CFAR检测器的流程框图中,主要有滑动窗模型、参数估计模块、区域类型判决与逻辑选择模块和阈值计算模块等.通过参数估计模块分别计算出各个子窗的均值μ和相对标准差R,作为各个子窗区域的特征量参数,传给区域类型判决与逻辑选择模块.由它先对各个子窗做类型判断,然后动态选择合适的子窗或组合形成背景杂波数据单元组.背景杂波数据单元组用来估计背景杂波能量的强度IB和基于期望虚警概率的增益系数V.自适应阈值T的计算,如式(1)所示.

∧

在背景区域中,将4个子窗的平均值μi之比,作为均值比MR参数,定义如下式所示.

MRH=μ1/μ3=MRV=μ2/μ4=

i∈subW

∑X/∑X

i∈subW

(2)

i∈subW

∑X/∑X

i∈subW

其中,MRH为子窗1和子窗3的均值比,用来作为判断水平方向的边缘是否存在的特征量,MRV为子窗2和子窗4的均值比,用来作为判断垂直方向边缘

是否存在的特征量.在同质性区域,MR参数的值是不依赖于杂波噪声的能量的.当测试窗中出现阶跃性边缘时,其值就会出现显著性的增加或减少.两个区域的均值比能够很好地表征边缘的存在,给定阈值KMR,通过公式(3)的假设测试来判断背景是否正处于过渡区域.

KMR≤MR≤KMR]同质性区域

-1

MRKMR]过渡性区域

-1

(3)

2.2　相对标准差参数R

在RC2CFAR中,滑窗中的背景区域被分成的4个子窗,用公式(4)来分别计算各自的相对标准差.

R定义成标准方差的估计σ与均值的估计μ的比

∧

值.

δR=∧=X-1

∧

1n-

(X1∑

i=1

-X)2

(4)

其中,X是算术平均值.在均匀区域,R的概率密度函数(theprobabilitydensityfunction,PDF)是不依

图1　RC2CFAR流程框图

∧

赖于杂波能量的,但当区域呈异质时,它就会发生改变.

(1)

T=IB×V

由于SAR图像特有的乘性Speckle噪声,在SAR图像中,强度小的区域,起伏小,即方差小;强

对于每一个测试单元,检测器将测试单元的Y和T比较:如果Y超过T,则目标存在;否则,不存在.这个处理过程就随着滑窗在整个图像中逐个测试单元的移动而重复执行.

度较大的区域,起伏大,即方差大.所以仅以方差作为特征量,是不能区分区域类型的.当考虑其相对标准差R时,就能将其区分.实验表明它是描述SAR图像是否异质的非常稳健的参数.给定阈值KR,把在子窗中计算得到的相对标准差值R同这个阈值

KR比较,来决定该子窗所在的区域是异质性还是同

2　参数的选取

RC2CFAR窗口划分是在判别各子窗类型的基

质性.如下式所示.

R≤KR]同质R>KR]异质

(5)

础上,选择不同的检测方案,达到目标检测智能化的目的.如何判断窗口类型有多种不同的策略,关键是要选取合适的特征量.结合SAR图像边缘检测Ratio算子[9],在实验中,发现区域的均值比MR和

2.3　增益系数V

对于SAR回波数据经过多视处理后均匀杂波

106武汉大学学报(理学版)第50卷

服从Gamma分布[10],其PDF为

p(x/w)=

mΓ(m)p

+∞x0

mxp

m-1

exp-

mxp

(6)

其中p为均匀杂波回波功率;m为多视视数.

Pfa=

∫p(x/w)dx

mxp

m-1

(7)

表明进入滑窗区域的是屋脊边缘干扰;反之,则表明是阶跃边缘干扰.对于屋脊边缘干扰采用的策略是选取均值最大的2个区域作为背景能量的估计,这等效于GO2CFAR.如果它是阶跃边缘干扰,则选取均匀性的那2个子窗作为背景的能量估计,这等效于SO2CFAR.

⑤如果有3个或4个子窗是异质性的,表明滑窗正处于多目标区域,且有可能是背景能量较大,则选取较小均值的2个子窗作为背景的参考单元.这等效于SO2CFAR.

如果按照背景区域分,可以将上述策略中的不同方案归纳成3种情况,即:均匀性环境、多目标环境和杂波边缘环境.上述方案①属于均匀性环境,方案②、③和⑤属于多目标环境,方案④属于杂波边缘环境.由此可以看出RC2CFAR组合了常规CA2CFAR,SO2CFAR和GO\\|CFAR恒虚警检测算法

　　将Gamma分布的概率密度函数带入式(7),可得式(8)

Pfa=

∫

+∞

mΓ(m)p

exp-

mxdx(8)p

令y=

mx,p

Pfa=

m-1

∫Γ(m)

m-1-k

+∞

1ym-1e-ydy=

　∑k=0

y0-e(m-1-k)!

(9)

其中,y0=

mx0y0,若令V=则有pm

y0px0==V・pm

(10)　　y0由公式(9)解出,代入公式(10)就可求得系数V.

的优点,将区域类型的判断放到滑窗移动检测过程中,实现不同区域类型不同方法来计算背景参数,达到了目标恒虚警检测智能化的目的.

背景参考单元的选取3　

区域类型判决与逻辑选择模块根据上面的得到的参数进行分析和逻辑判断,按一定策略选取适当的子窗作为背景参考单元,用于背景参数的估计.图2给出了背景单元选取的策略.取出图1所示的4个子窗的参数MR和R,通过公式(5)判断异质性子窗个数.根据个数的不同,采取下列方案:

①如果异质性子窗为个数0,表明滑窗所处的背景区域为同质性区域.4个子窗全部用来作为背景区域的参考单元,用于背景参数的估计.这等效于CA2CFAR检测器.

②如果异质性子窗个数为1,表明滑窗所在的背景区域存在多目标干扰.为了将干扰消除,即剔出那个异质区域,把其余子窗单元用作背景参考单元.这等效于SO2CFAR检测器.

　　③如果异质性子窗个数为2,则进一步判断这2个异质性子窗是否相邻.如果相邻,则表明子窗中

图2　区域选取策略流程图

实验结果4　

本文对多幅具有目标的真实SAR图像用RC2CFAR检测器进行实验,都获得了较好的效果.图3

(A)是一幅真实的SAR图像,用RC2CFAR检测后

的异质性区域是多目标干扰,或者是类多目标的边缘干扰.无论是前者还是后者,其效果都等效于多目标干扰.选取4个子窗均值较小的2个子窗作为背景参考单元.这种方式等效于SO2CFAR.

④如果在第③种情况下的2个异质性子窗不相邻.则需要进一步用公式(3),根据MR判断滑窗所处区域的边缘类型.如果MR值在阈值门限内,则

的结果如图3(B).为了对RC2CFAR检测器进行性能评价,采用一幅RADARSAT的SAR图像数据,如图4(A)所示.在其中随机嵌入20个真实目标,多数目标在均匀性区域,有少量目标在多目标背景区

第1期黄　祥等:基于区域分类的智能恒虚警SAR图像目标检测107

图3　真实SAR图像　　　目标检测结果

A.原图　B.结果

图4　SAR图像目标检测分析对比图A.SAR原图　B.对应原图的目标所在位置图　C.CA2CFAR检测结果　D.RC2CFAR检测结果

□检测到的目标　○虚警(FA)　△漏检目标

域环境和背景边缘区域环境.图4(B)标记出了所有

20个目标所在的位置.这种在真实SAR图像中嵌入目标进行实验是可行的,因为对SAR图像的检测算法基于了这样的事实:目标的雷达散射截面(theradarcrosssection,RCS)平均比其周围的背景要高.恒虚警(CFAR)检测器这种检测技术依据的是对比度和亮度特征,所以只要控制在一定的信噪比条件下,将目标随机的嵌入具有真实背景的数据中就可以用于目标的检测评价.　　实验用的滑窗为21像素×21像素,中心测试单元为3像素×3像素,保护环宽度为7个像素(和目标大小相当).由于图像较大,现在只给出CA2CFAR检测器和RC2CFAR检测器的检测结果.图4(C)是CA2CFAR检测结果标记图,图4(D)是RC2CFAR检测结果标记图.其中,矩形标记的目标为正确检测的目标,圆标记的目标为虚警,三角标记的目标为漏检目标.表1给出了各检测器的检测结果.从表中可以看出,CA2CFAR检测器漏检1个目标,虚警14个.对照图4(A),漏检的那个目标刚好在多目标区域,这是因为用于估计背景参数的参考单元中侵入了目标的能量,所以导致检测门限上升,将真正的目标漏检.在背景边缘区域,由于杂波边缘的干扰,使得虚警增加.在CA2CFAR检测结果中,背景边缘环境区域存在较多的虚警.GO2CFAR虽然有最低的虚警数7,但是其漏检数却是最多的,达到4个,这对ATR系统是不能忍受的.恒虚警检测的目的就是在保证一定的虚警率下,获得最大的检测率,

而过低的检测率将导致ATR系统失去意义.SO2CFAR检测器没有漏检,但其虚警过高,基本和真实目标的数量相当,这必将给ATR系统后续阶段带来巨大的负担.导致过高虚警的原因是杂波边缘和较强的杂波点存在时,它过低的检测门限使得都将其误判为目标.林肯实验室的双参数检测器的性能略优于CA2CFAR.

RC2CFAR检测结果中的目标没有漏检.注意到在CA2CFAR检测结果中漏检的目标刚好在多目标区域,而RC2CFAR在多目标区域采用的是SO2CFAR检测器,所以没有将这一目标漏检.RC\\|CFAR检测结果中,虚警数明显减少,只有8个,接近GO2CFAR检测器的虚警数.这是因为RC\\|CFAR对CUT周围的背景区域类型做了一个判断.

由上面分析可知RC2CFAR性能较优,它不仅在均匀性区域能有较好的性能,在杂波边缘和多目标区域也有很强的抗干扰能力.

表1　各种检测器的检测结果

检测器

CA2CFARGO2CFARSO2CFAR

正确检测数

1916201920

漏检数

14010

虚警数

14721128

双参数

RC2CFAR

108武汉大学学报(理学版)

826.

第50卷

5　结　论

本文提出了一个用于SAR图像目标检测的RC2CFAR检测器.实验表明,RC2CFAR总体性能是较优的.但注意到RC2CFAR检测器的时间复杂度要比常规的检测器稍大,主要是因为增加了区域类型判断这个步骤.由于缺乏R参数pdf的可分析闭形表达式,更进一步的实验是需要的,只有通过组合分析和蒙特卡罗模拟才能给出各种不同的信噪比条件下检测器的检测率和虚警率.

[4]　MichaelESmith,PramodKVarshney.

TransactionsonAerospaceand

Intelligent

CFARProcessorBasedonDataVariability[J].IEEE

ElectronicSystems,

2000,36(3):8372846.

[5]　NovakLM,OwirkaGJ,NetishenCM.Performanceof

aHigh2resolutionPolarimetricSARAutomaticTargetRecognitionSystem[J].LincolnLaboratoryJournal,1993,6(1):11223.

[6]　BillingsleyJB,FarniaA,GiniF.StatisticalAnalysesof

MeasuredRadarGroundClutterData[J].IEEETrans2actionsonAerospaceandElectronicSystems,1999,35

(2):5792592.

参考文献:

[1]　NovakLM,HalversenSD,OwirkaGJ,etal,Effects

ofPolarizationandResolutiononSARATR[J].IEEETransactionsonAerospaceand

ElectronicSystems,

[7]　LombardoP,SciottiM.Segmentation2basedTechnique

forShipDetectioninSARImages[J].IEEPro2RadarSonarNavig,2001,148(3):1472159.[8]　KaplanLM.ImprovedSARTargetDetectionviaEx2

tendedFractalFeatures[J].IEEETransactionsonAerospaceandElectronicSystems,2001,37(2):4362451.

1997,36(1):1022115.

[2]　GandhiPP,KassamSA.AnalysisofCFARProcessorsinNonhomogeneousBackground[J].4272445.

[3]　KhalighiMA,BastaniMH.AdaptiveCFARProcessor

forNonhomogenedousEnvironments[J].IEEETransac2tionsonAerospaceandElectronicSystems,1999,35(3):

IEEETransac2

tionsonAerospaceandElectronicSystems,1988,24(4):

[9]　TouziR,LopesA,BousquetP.AStatisticalandGeo2

metricalEdgeDetectorforSARImages[J].26(6):2773.

[10]OliverC,QueganS.UnderstandingSyntheticAperture

RadarImages[M].

IEEE

TransactionsonGeoscienceandRemoteSensing,1998,

Norwood:ArtechHouseInc,

1998.

IntelligentCFARDetectorBasedonRegion

ClassificationforSARImages

HUANGXiang,SUNHong,LUOWei,XUXin,YANGWen

(SchoolofElectronicInformation,WuhanUniversity,Wuhan430072,Hubei,China)

　　Abstract:Basedonmultiplechild2windowsandregionclassification,thispaperproposesanewintelligentCFARmethodthatmakesafulluseofCA2CFAR,SO2CFARandGO2CFAR.TheexperimentalresultsonSARimageshowthatthenewmethodhasagooddetectionperformancenotonlyinhomogenousclutterbackgroundbutalsoinnon2homogenousclutterbackgroundincludingmulti2targetenvironmentandclutteredgeenviron2ment.Thiswillgreatlyreducethecomplexityofdiscriminationandclassificationinthenextstage,andimprovetheperformanceofthewholeATRsystem.

Keywords:targetdetection;regionclassification;constantfalsealarmrate;syntheticapertureradar

因篇幅问题不能全部显示，请点此查看更多更全内容

查看全文