一种sar图像背景杂波建模及目标检测方法
【技术领域】
[0001] 本发明涉及一种基于MoLC+MoM-G°的快速、自适应SAR图像背景杂波建模及目标 检测方法。
【背景技术】
[0002] 在CFAR目标检测中，目标检测性能的好坏主要取决于描述背景杂波所采用的统 计模型的准确性。若描述杂波特性的统计模型采用不当，将会造成目标检测性能恶化的严 重后果。为了改善目标检测的性能，本文将采用Frery等人提出的G°分布对SAR背景杂波 进行建模。G°分布对单视和多视、强度和幅度、均匀、不均匀和极不均匀的SAR杂波图像具 有精确的建模能力，但它也存在参数估计困难、检测阈值难以获得的缺点。另外，通过分析 本文下面介绍的CFAR检测算法，我们发现：获取全局阈值和索引矩阵的计算量都比较小， 后续的CFAR检测过程的计算量较大，CFAR目标检测时间主要消耗在使用参考滑窗像素对 G°分布参数的估计上。
[0003] 为了解决上述问题，本发明提出了一种基于MoLC+MoM-G°的快速、自适应SAR图 像背景杂波建模及目标检测方法。该方法采用G°分布对背景杂波进行建模，采用基于 MoLC+MoM的参数估计方法和快速迭代算法自适应地完成6°分布参数的估计，采用二分法自 适应地求取CFAR局部检测阈值，大大提高了 CFAR检测的性能、计算效率和对检测环境的适 应性，同时，通过CFAR检测前的像素筛选、CFAR检测后的面积剔除等进一步提高CFAR检测 的性能。本文提出的SAR目标检测方法较好地兼顾了检测性能和计算效率两方面的要求， 具有计算量小、速度快、效率高、自适应能力强、稳健性好和适用范围广等优点，具有一定的 应用前景。
【发明内容】
[0004] 为了克服上述【背景技术】的不足，本发明提供了一种基于M〇LC+M〇M-G°的快速、自适 应SAR图像背景杂波建模及目标检测方法。
[0005] 本发明所采用的具体技术方案如下： (一）基于MoLC+M〇]\^^ G °分布参数估计方法 对于SAR强度图像，其6°分布的表达式为：
其中，-〇，r，A为像素强度值；Λ为等效视数；；r为尺度参数，与被测区域的 平均能量有关，T越大，对应的平均能量越大_为形状参数，主要反映 SAR强度图 像的均匀程度，〃的取值范围很宽，说明G °分布对不同均匀度的背景杂波都具有很好的建 模能力，M越大，则对应的背景杂波越均匀。
[0006] 下面我们从Mellin变换出发，推导一种新的6°分布参数估计方法。
[0007] 对于SAR强度图像，其灰度强度概率密度函数/(X)的Mellin变换如下：
[0009] -般情况下，MoLC方法能够获得很好的拟合结果。但在应用中我们发现，当背景 杂波十分均匀时，方程组（9)可能无解。为了解决这个问题，结合Freitas等人给出的矩估 计法和Mellin变换的一阶对数累积量，我们给出一种新的基于MoLC+MoM的G°分布参数估 计方法，其表达式为：
将（12)和（11)式第三项代入（11)式的第一项中，限定魏、I，通过数 值计算即可求得参数涵，将求得的i值先后代入（11)式的第三项和第二项中，便可求得参 数沒和，的值。可以看出，上述新方法只需简单计算一、二阶原点矩以及一阶对数累积量，就 能实现对6°分布参数5、6和_的同时估计，比MoLC法更具有稳健性。
[0010] 需要指出的是，MoLC+MoM方法与Freitas矩估计法一样，形状参数σ仍然有 _.邊..:._条件的限制。但我们提出的MoLC+MoM方法主要用于当背景杂波十分均勾，#:办_， MoLC方法使用困难时的G°分布参数估计。当背景杂波极不均匀，实际分布参数凝时， 则仍然利用MoLC方法进行估计。
[0011] (二）G°分布参数的快速计算方法 使用（11)、（12)式对G°分布参数进行估计时，滑窗背景杂波区域的面积通常比较大， 计算强度均值I:和强度平方均值花费的时间比较长，影响其在实时计算中的应用。通过观 察我们发现：当滑窗通过向右或向下平移一个像素的方式对图像进行遍历时，相邻两个测 试像素对应的背景杂波区域中绝大部分像素保持不变。我们下面以滑窗向右平移为例进行 说明。如附图1所示，设背景区域中的像素总数为水背景区域的边长为Z，警戒区域的边长 为Λ相邻的目标测试像素分别为/ 7和心，则当滑窗向右平移一个像素时，前后两个背景杂 波区域中的像素变化为：前一背景杂波区域中左侧有Z+J个像素被移出，新的背景杂波区 域中右侧有Z+J个像素被移入，未发生变化的像素个数为Α2(Ζ+刀，这些像素的均值、平方 均值在前一背景杂波区域参数估计时已经计算过了，因此可以直接用于后一背景杂波区域 样本统计量的计算。设相邻两个像素 W对应的背景区的样本均值分别为具.，样 本平方均值分别为<: .，移入和移出的像素分别为_:、滅：（i=l，2，···，/+/)，则有：
除了第一个目标测试像素，利用（13)式，右边测试像素背景区域中像素强度的均值和 平方均值均可利用左边测试像素背景区域中像素强度的均值和平方均值进行计算，从而可 以大大降低参数估计的计算量。
[0012] (三）SAR图像目标检测 为了快速、高效、自适应地实现对SAR图像目标的检测。本文采用的目标检测算法流程 如附图2所示，具体实现步骤如下： (1)像素筛选 为了防止多目标环境中因干扰目标的存在而影响杂波统计模型G°分布参数的估计精 度，造成CFAR检测性能下降，在利用滑窗进行目标检测之前，需要对待检测的整幅SAR场景 图像进行像素筛选，舍弃背景区中目标污染的像素，然后利用剩下的杂波像素估计杂波统 计模型的分布参数。这里像素筛选包括求解全局阈值和生成索引矩阵两个功能模块。
[0013] 全局阈值的求取： 在SAR图像直方图中，目标像素通常位于直方图拖尾部分，因此，我们可以根据SAR图 像直方图，自适应地确定全局阈值7；。设/为像素强度随机变量，若一个像素是目标像素的 置信度为M發，则m由下式获得：
(14) 其中M表概率值，梦S 梦表示杂波像素占整个图像像素的比例，它是一个基于 经验人为设定的值。通常SAR图像越大，#的取值越大，越接近于1。设由待检测图像直方 图获得的累积分布函数为/则（14)式可改写成： 卜沪 (15) 首先对整幅图像的直方图进行统计，然后利用（15)式，我们即可求得全局阈值7；。
[0014] 索引矩阵的产生： 设待检测图像大小为ΛΧ#，图像中（i，J)处像素的强度为J)处像素的索引 值为并且：
(16) 则图像的索引矩阵为：
(17) 利用索引矩阵剛·背景区域中的像素进行像素筛选，舍弃背景区中目标污染的像素， 最后利用剩下的像素对6°分布的参数进行估计。
[0015] (2)杂波统计模型参数估计 滑窗的选择： 为了便于SAR目标检测，我们选择正方形空心滑窗作为杂波统计模型参数估计的滑 窗。根据目标尺寸的先验知识，我们采用的正方形空心滑窗边长Z为60像素、警戒区边长 J为40像素，如图1所示。
[0016] G°分布参数估计： 具体的6°分布参数估计方法见第1部分。这里需要强调的是，在滑窗遍历图像过程中， 首先需要利用索引矩阵对当前测试像素滑动窗口内杂波区域中的所有N。个像素进行筛选， 去掉目标泄漏污染的D个像素，然后以剩下的凡-D个杂波像素估计杂波统计模型G°分布的 参数。
[0017] ( 3 )局部检测阈值的求解 设给定的虚警概率为，则CFAR局