一种复杂环境下改进的SAR图像双边CFAR舰船检测算法

点击蓝色“雷达学报”关注

背景介绍

SAR是一种高分辨率的成像雷达，具有全天时和全天候观测的能力。利SAR图像进行目标检测与识别是现阶段SAR应用的研究热点。SAR自动目标识别（ATR）系统主要包括预处理、预筛选、识别和分类等几个模块。而在它们当中，有效的预筛选有助于在后续操作中节省大量的算力和时间，是十分重要的一环。而在预筛选模块中，基于恒虚警率（CFAR）的舰船目标检测算法的应用最为广泛。目前，海面舰船目标检测主要存在两个方面的难点：一是在复杂场景下（例如旁瓣、方位模糊、幻影、防波堤、强相干斑噪声和多目标环境等）对目标进行精确高效的检测比较困难，如图1所示；二是对受到自身的散射特性、环境和雷达设备参数等影响的弱目标的检测存在明显的性能瓶颈，限制了其工程应用。

图1 2017年2月25日，高分3号在UFS模式下获得的上海港附近海域的SAR图像

团队工作

针对该类问题，合肥工业大学艾加秋副教授等开展了一系列复杂环境下舰船目标检测算法的研究，在对各类CFAR检测器在复杂环境下的检测性能进行详细评估的基础上，设计了一种复杂环境下改进的SAR图像双边CFAR舰船检测算法（Improved Bilateral Constant False Alarm Rate, IB-CFAR）。首先，针对传统的双边CFAR检测算法在遇到弱目标时容易发生漏检的问题，设计一种非均匀量化方法以提升弱目标内部的像素点间的相似度信息，从而提升舰船检测率；其次，针对双边CFAR在遇到连续的高强度异质点时，所得到的联合图像与实际图像的海况分布相差较远的问题，设计一种自适应强度、空间信息融合模型，将空间相似度、距离向和强度等信息进行融合，在不改变实际海况基本分布的基础上，最大程度地提升目标与周围杂波之间的对比度信息，在进一步提升检测率的同时，对舰船的结构信息进行精细化描述。在各类复杂环境下提升目标和背景杂波对比度的效果图如图2、3所示。最后，针对传统的各类CFAR检测器无法有效去除背景窗口中的高强度异质点的问题，设计出一种基于自适应截断深度的杂波截断方法，在有效去除背景窗口中的高强度质点的同时，最大程度的保留真实海杂波样本以进行精确的参数估计和统计建模，如图4所示。IB-CFAR不仅很好的提高了复杂环境下舰船目标的检测率，有效保留了舰船目标的内部结构信息，同时还实现了较低的虚警率。IB-CFAR具有很好的鲁棒性，具有较好的理论意义与工程价值。

图2 双边CFAR和所提出的IB-CFAR在高强度异质点分布密集的背景下，处理得到的融合图像对比图

图3 在包含强相干斑噪声环境下所提出的IB-CFAR对杂波的抑制效果

图4 OR-CFAR和所提出的IB-CFAR在高强度异质点环境下，对异质点进行杂波截断的性能评估：（a）复杂环境下高分3号SAR的局部参考窗口（b）OR-CFAR在 下的截断杂波（c）OR-CFAR在 下的截断杂波（d）OR-CFAR在 下的截断杂波（e）所提出的IB-CFAR的截断杂波。

该工作已发表在《雷达学报》网络优先出版的“一种复杂环境下改进的SAR图像双边CFAR舰船检测算法”（艾加秋，曹振翔，毛宇翔，汪章怀，王非凡，金兢）。

研究思路

本文算法的设计思路具体如下：首先，对整幅图像进行高斯拟合，用非均匀量化方法对图像的强度进行层级划分；其次，使用自适应强度-空间域信息融合模型将强度信息、相似度信息和距离向信息进行融合，得到融合域图像；之后，用融合域图像计算全局方差，并通过每个滑动窗口中的样本计算局部方差，从而算得自适应截断深度；根据所得出的深度对局部窗口中的杂波样本进行截断，并使用最大似然估计（MLE）方法对截断后的样本进行精确的参数估计，再计算出检测阈值T_D；最后，结合给定的虚警率P_fa确定被测像素I_T是属于目标还是属于背景。图5给出了IB-CFAR的检测流程图。

图5 所提出的IB-CFAR的检测流程图

研究成果

本文使用高分三号和TerraSAR-X数据来验证该算法的有效性和鲁棒性。图1为高分3号于2017年2月25日，在UFS模式下获得的上海港附近海域的SAR图像，考虑到实际的运算效率，本文采用整幅SAR图像中的局部区域作为实验对象，该区域是具有30个密集分布的舰船目标的非匀质海况，其中包括幻影、防波堤和方位模糊等干扰因素，舰船目标检测识别难度大。对比实验选取了CA-CFAR, TP-CFAR 、LN-CFAR、K-CFAR、双边-CFAR和IS-CFAR等舰船目标检测算法与本文提出的复杂环境下改进的SAR图像双边CFAR舰船检测算法进行了目标检测性能对比。各算法对获取的上海港附近海域星载SAR图像的舰船检测识别结果对比如图6所示。

图6 复杂环境下的检测结果比较 (a)高分3号SAR原始图像，其中包含密集分布的30个目标，并且图像中还存在重影和防波提，(b) 真值图 (c) CA-CFAR (d) TP-CFAR (e) LN-CFAR (f) K-CFAR (g) 双边CFAR(h)IS-CFAR (i) 所提出的IB-CFAR

实验结果表明，所提出的算法在包含较多密集分布的弱目标环境下表现良好，在此类环境下能获得97.85%的检测率和3.52%的虚警率，相比于现有的检测算法，检测率提升了5%，并且虚警率降低了10%。该方法提升了复杂环境下的舰船检测率，且检测虚警率较低。

表1显示了各类CFAR检测器所得到的相应指标的结果。可以看到，所提出的IB-CFAR的检测率、品质因子、精度等都获得了最大值，并且虚警率、检测时间的值也相对较小。

表1 各CFAR检测器的性能分析

本文使用了多幅复杂环境下SAR图像（其中包括高分3号、TerraSAR-X等不同类型的SAR图像）来绘制各类CFAR检测器的ROC（Receiver Operating Characteristic）曲线，如图7所示。可以看到，所提出的IB-CFAR和IS-CFAR的检测精度均优于传统的CFAR检测器和双边CFAR检测器。这是因为这两种算法同时融合了强度信息，相似度信息和距离向信息来进行检测，能够比传统CFAR更加精细化地检测目标；而双边CFAR由于将强度与空间信息进行分开处理，在复杂环境下遇到低对比度目标时，会发生大量漏检 。此外， IB-CFAR使用自适应截断深度可以有效地去除复杂环境下的高强度异质点，同时可以极大程度地保留真实的海杂波样本，因此它可以进一步地提升在非均匀海况下的检测率。

图7 各类CFAR检测器的ROC曲线

了解详细内容请点击最下面阅读原文或扫描下方原文二维码。

↓↓↓

相关阅读