α稳定分布在SAR图像目标检测中应用探讨.docVIP

α稳定分布在SAR图像目标检测中应用探讨 　　摘要: 对SAR图像常用的杂波分布模型进行分析,利用α稳定分布作为SAR图像的杂波模型进行探讨,同时对利用α稳定分布来分辨几种常见杂波分布模型进行探讨,提出更好的CFAR处理方法。 　　关键词: SAR图像;α稳定分布;CFAR 　　中图分类号:TN4文献标识码:A文章编号:1671-7597(2010)0220026-01 　　 　　1 合成孔径雷达和CFAR技术简介 　　合成孔径雷达(SAR)是一种二维相干成像雷达,随着合成孔径雷达分辨率的不断提高,SAR图像解译靠人工的目视解译方式已经远远不能满足需要,因此对SAR图像目标检测技术的研究有着重要的意义。SAR图像自动目标检测是根据目标和杂波的散射特性的不同所表现出的特征差异来实现的。 　　恒虚警(CFAR)检测技术在SAR图像目标自动识别中的应用非常广泛。对CFAR技术来说,在保持虚警概率达到一定水平的情况下,如何提高目标的检测概率和CFAR.检测器的速度非常重要。CFAR处理主要是以杂波分布类型为基础的参量处理。适用于各类杂波环境的分布类型主要有瑞利分布、韦布尔分布、对数正态分布、K分布。尽管这些分布可以提供较好的统计描述,但由这些模型推导出的检测算子非常复杂且需要对参数空间进行多维搜索,很难推导出这些算子的检测概率和虚警率。而且这些杂波模型也还不能完全涵盖SAR雷达所面临的杂波分布类型,要提高探测微弱目标性能,必须基于能准确描述宽广的杂波统计特性的杂波分布模型。复杂的地、海杂波具有显著的“杂波尖峰”,尤其是人造目标,常使得概率密度函数具有较重的拖尾,其统计特征严重偏离高斯分布。而α稳定分布是描述重尾分布良好的统计模型,通过改变其四个特征参数能够描述很广范围的非高斯特性。 　　2 利用α稳定分布作为杂波分布模型 　　稳定分布是唯一满足广义中心极限定理的分布,即无限多个可能方差无限大的独立分布的随机变量之和,其极限分布是α稳定分布。α稳定分布 具有4个参数:特征参数α,尺度参数σ,偏斜参数β,位移参数μ。其中,α决定了分布的拖尾程度(α越小则分布的拖尾越重),σ代表分布的离散程度,β代表分布相对于其中心点左右分布的不对称程度,即偏斜程度;μ代表了分布的位置参数。各参数的取值范围为0α≤2,σ≥0,-1≤β≤1和μ∈R。设x为α稳定分布的随机变量,其特征函数表示为: 　　 　　 　　 　　 　　 　　 　　为了研究α稳定分布与不同区域杂波的拟合精度,对一块均匀的区域和一块极不均匀的区域,采用α稳定分布对其进行拟合,α稳定分布的拟合效果较好。尤其在极不均匀的区域,虽然人造目标较多,存在着较严重的强脉冲干扰现象,α稳定分布依旧能对脉冲干扰现象进行准确地建模,在不均匀区域仍然保持较好的拟合精度。同时,α稳定分布对杂波数据的拖尾拟合效果较好,这一特性对于CFAR目标检测有着重要的意义。据此不难看出,对于SAR图像回波数据,α稳定分布是一种比较精确的分布模型,而且对均匀区域和不均匀区域都有着比较好的适应性。但是目前,α稳定杂波的研究尚不完善,还要进一步研究表明α稳定分布作为杂波统计模型的合理性。 　　3 利用α稳定分布对杂波进行辨识 　　从雷达工作环境看,雷达杂波主要分为地杂波和海杂波等,其中地杂波根据不同的地貌特征可能服从不同参数的同一分布类型或不同的分布类型;而海面作为雷达波的反射面对海杂波的产生也有着不同的影响。根据不同的环境选用不同的模型,当杂波环境变化时,其CFAR检测方法应适应于杂波类型的变化。因此,准确、实时地判别杂波的类型对提高雷达探测性能至关重要。传统雷达杂波分布模型中,除Rayleigh分布为单参数外,其他3种分布模型均为双参数,两个参数分别为尺度参数和形状参数,尺度参数代表分布的中位数,形状参数影响分布的形状。 　　 　　 　　 　　 　　 　　 　　 　　 　　 　　 　　 　　 　　 　　 　　杂波形状参数对CFAR的影响较大,Rayleigh分布随参数B的增大拖尾成分逐渐增大,离散程度增大;Weibull分布随参数C的增大,拖尾程度减小;Log-Normal分布的拖尾程度随参数的增大而增大;K分布的拖尾程度随参数的增大而增大。Rice分布的拖尾程度随参数K的增大而减小。杂波的PDF为正向偏斜分布,某些分布依参数变化时存在一定程度的重叠。分布杂波分别描述不同反射表面回波的幅度分布,其区别突出表现在分布的尾部,即不同的杂波对应分布的拖尾程度不同,这也是我们将稳定分布应用于杂波辨识的依据。模型参数α和σ决定了分布的拖尾,因此仅需估计α和σ即可确定杂波分布的类型。μ只表示分布的位移并不影响分布的形状,β=0即为对称Alpha稳定分布。 　　目前已提出