SAR图像小目标检测及目标方位角估计.docVIP

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，VAR，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