sar图像自动目标检测中的杂波和热噪声分析.docxVIP

sar图像自动目标检测中的杂波和热噪声分析 1 sar图像船礁目标检测 实体孔三维成像具有全球视角特征，广泛应用于热区域监测和海事救援等领域。根据不同的应用，生成了大量的sar数据，并自动处理大量的sar数据，这对每个应用具有实际价值和理论意义。在基于SAR图像的自动目标识别(Automatic Target Recognition, ATR)系统中,自动目标检测是ATR系统的第一步。因此SAR图像的自动目标检测是一重要课题,数十年来一直是研究热点。 在背景杂波包络为瑞利分布时,SAR图像的恒虚警概率(Constant False Alarm Rate, CFAR)检测主要分为两类:单元平均(Cell Averaging, CA)检测和有序统计量(Order Statistic, OS)检测。 在CA类检测算法中,门限由给定虚警概率和背景杂波功率求得,而背景杂波功率由参考单元的均值估计得到。为了将CA类检测算法应用于非均匀背景杂波,学者们相继提出了最大选择(Greatest of, GO)CFAR算法和最小选择(Smallest of, SO)CFAR算法。在CA类检测算法中,Burl等学者提出的双参数CFAR检测算法具有复杂度低和简单实用的特点,得到广泛应用。由于算法假定SAR图像背景杂波为高斯分布,算法虚警率高,导致ATR系统计算复杂度高。因此应用双参数CFAR算法检测船舰目标时,应对SAR图像作适当的预处理。 为改进CA类算法,学者们将K-分布模型应用于船舰目标检测。在基于K-分布背景杂波模型的目标检测中,计算K-分布的累计概率分布时需要复杂的数值计算。尽管Jiang给出了近似公式,仍具有很高的复杂度。在某些情形下,SAR图像的K-分布形状参数为负,导致该算法无效。因此使用K-分布背景杂波模型进行船舰目标检测时,要研究新的SAR图像船舰检测算法来弥补K-分布模型的不足。在文献中,当SAR图像的K-分布参数估计值异常时,背景杂波模型用伽马分布替代K-分布。 SAR图像目标检测的第一步是提取图像特征,正确估计杂波模型,然后采用合适的算法作目标检测。影响SAR图像目标检测性能的主要因素有雷达入射角、扫描模式、极化方式、目标形状、海(地)面状况和SAR成像系统的热噪声等,去噪和正确估计海杂波的概率分布模型可提高SAR图像目标检测性能。本文根据SAR目标信号和背景杂波的特点,应用小波变换对SAR图像进行预处理,再作双参数CFAR检测,从而避免了K-分布检测的复杂计算及算法无效的情形,并提高了SAR图像船舰目标检测性能。 应用信号边缘具有跨尺度的特点,Rosenfeld提出了图像边缘的多尺度积(Multiscale Products, MP)检测理论。随着小波分析实际应用和理论研究的不断深入,学者们揭示了信号的小波变换(Wavelet Transform, WT)与多尺度表示之间的内在联系。将MP与WT相结合,学者们提出了很多信号检测的新算法,如Sadler提出的阶跃(Step Change)检测、Kim提出的细胞动作电位(Action Potential)检测等。根据WT可检测信号局部极值的特性和SAR 图像噪声功率被限制在信号小尺度的特点,本文提出了一种基于小波多尺度积(Wavelet Multiscale Products, WMP)的SAR图像船舰目标检测算法。本算法对SAR图像进行三级小波变换,计算对数化后小波系数的积。根据小波域多尺度积对船舰信号的增强和背景杂波的去噪特性,处理后的SAR图像能够较好地削弱背景杂波模型中的随机噪声,最后使用双参数CFAR算法检测SAR图像船舰目标。仿真实验结果表明,新算法同传统的双参数CFAR检测算法、K-分布杂波模型的检测算法及基于小波软阈值增强的检测算法相比,在虚警数和品质因数性能指标上均优于后几种检测算法。 2 信号增强算法 本节先介绍信号的小波多尺度表示,再给出小波变换下的多尺度积,最后根据信号边缘跨尺度和噪声功率限制在信号小尺度范围的特点,提出基于WMP的信号增强算法。 2.1 立叶变换、小波变换和多尺度表示 在Rosenfeld的开创性工作中,信号的多尺度表示是通过对相邻抽样点的平滑和差分实现的, 即信号x(n)的k尺度表示dk(i)为 dk(i)=∑j=1kf(i+j)k?∑j=0k?1f(i+j)k(1)dk(i)=∑j=1kf(i+j)k-∑j=0k-1f(i+j)k(1) 学者们通过对小波分析深入的研究, 揭示了信号小波变换与多尺度表示之间的联系。假设函数ψ(t)∈L1∩L2,且满足允许条件 Cψ=∫R∣∣ψ?(ω)∣∣|ω|dω∞Cψ=∫R|ψ^(ω)||ω|dω∞ 式中,ψ?ψ^(ω)为ψ(ω)的傅立叶变换,则信号x(t)∈L2的连续小波变换定义为 Wax(t)=