尺度分解；
[0014] 步骤4 :选择小波分解后的高频子图像；SAR图像用小波变换进行分解后，各个分 解尺度上均能获得一个水平方向、一个垂直方向和一个对角方向的子图像，而且随着尺度 的增加，各层子图像的能量逐渐减小，即边缘和细节信息逐渐减小，因此，对于小波分解后 的子图像，不是各个尺度上的子图像都进行下一步操作，而是选择包含目标区域大部分信 息的子图像进行CFAR检测分割；
[0015] 步骤5 :输入CFAR检测器I，即利用所设置的恒虚警率来确定检测阈值；
[0016] 步骤5. 1 :输入CFAR检测器，即利用设置的恒虚警率来确定检测阈值；虚警率PJP 检测率Pd的定义分别为
[0017] ⑴
[0018] (2)
[0019] 阈值T可以通过式⑶来求解
[0020]
(3)
[0021] 其中，Pf为虚警概率，不同的？￡可以得到不同的T ;背景杂波分布主要有：对数正 态（Log-normal)分布、瑞利（Rayleigh)分布、韦布尔（Weibull)分布、K分布、Gamma分布、 皮尔逊（Pearson)分布等，其中瑞利分布是韦布尔分布的特例，则判别准则为
[0022]
(4)
[0023] 其中，I (X，y)表示像素点（X，y)的灰度值；
[0024] 步骤5. 2 :在给定的某个虚警率条件下，通过分析SAR图像的统计分布特性来确定 检测阈值，实现目标的检测或分割：
[0025] 步骤5. 3 :通过双重CFAR检测和小波分解的结合，克服目标区域和背景区域之间 对比度不强的缺陷；
[0026] 步骤6 :对选择的子图像进行分割处理；
[0027] 步骤6. 1 :选择步骤4中需要进行图像分割运算的子图像，利用步骤5确定的阈值 进行处理；
[0028] 步骤6. 2 :若子图像中某个像素的值大于阈值T，就把它保留，认为是目标区域；
[0029] 步骤6. 3 :若某个像素的值小于阈值T，就设置为零，认为是背景杂波区域；获得的 结果是所有被选择子图像的分割图像；
[0030] 步骤7 :进行小波反变换；
[0031] 步骤8 :去除均值；经过前面步骤处理后，获得的SAR图像是在变换域中进行分割 处理后的结果，在一定程度上抑制了斑点噪声，突出了目标的边缘和细节信息，同时还包含 着大量的背景杂波信息；所以，进行去除均值运算的目的是去除背景杂波的影响，经过这一 步的处理，获得的图像就是实施第一次分割后的SAR图像，里面还包含着大量的噪声；
[0032] 步骤9 :输入CFAR检测器II ;
[0033] 步骤9. 1 :输入CFAR检测器，即利用设置的恒虚警率来确定检测阈值；
[0034] 步骤9. 2 :在可调节的虚警率条件下，通过分析SAR图像的统计分布特性来确定检 测阈值，实现目标的检测或分割：
[0035] 步骤9. 3 :通过双重CFAR检测和小波分解的结合，克服目标区域和背景区域之间 对比度不强的缺陷；
[0036] 步骤10 :输入最终需要分割的目标；具体为：
[0037] 由于本发明既可以对目标区域进行有效分割，又可以对阴影区域进行分割，也可 以同时进行分割，所以为了下一步的运行，要求输入对哪部分进行分割；有三种选择：目标 区域、阴影区域、目标和阴影区域；
[0038] 步骤11 :对图像进行第二次分割处理：
[0039] 步骤11. 1 :选用相干性恒虚警率进行方法目标检测；
[0040] 步骤11. 2 :利用步骤9设置的恒虚警率获得的阈值T，按照步骤10中所输入的目 标，对第一次分割后的SAR图像进行第二次分割处理；根据输入的目的不同，获得不同的分 割结果。
[0041] 本发明进一步提供一种基于小波分解和CFAR检测的SAR目标及阴影分割方法，其 特征在于：步骤2中所述的"选择小波函数"，具体选择具有紧支集、正交、正则性且正则性 随着序号M的增加而增加特点的Daubechies小波函数。
[0042] 本发明进一步提供一种基于小波分解和CFAR检测的SAR目标及阴影分割方法，其 特征在于：步骤3中所述的对SAR图像进行小波多尺度分解的具体步骤为：
[0043] 步骤3. 1 :确定小波分解的尺度N，即最佳分解尺度；
[0044] 步骤3. 2 :利用选择的尺度和小波函数进行分解；
[0045] 步骤3. 3 :获得各个分解尺度的子图像。
[0046] 本发明进一步提供一种基于小波分解和CFAR检测的SAR目标及阴影分割方法，其 特征在于：步骤5中所述的输入CFAR检测器I的具体步骤为：
[0047] 此步骤中的输入CFAR检测器，即利用设置的恒虚警率来确定检测阈值，恒虚警率 检测器是通过利用检测单元周围的背景单元来估计阈值的一种常用雷达目标检测方法，由 于其计算简单，恒定虚警率，自适应阈值，并能快速地从复杂的背景中检测出目标，因此， CFAR在SAR图像目标检测和分割中得到了非常广泛的研究和应用。在SAR图像中，目标往 往处于复杂的背景环境中，特别是一些小目标、弱散射目标和隐藏目标，如果仅用固定阈值 来检测目标，很难获得较理想的效果。因此，不同的SAR图像目标检测需要一种自适应的阈 值检测器。CFAR检测器恰好是一种基于像素级的自动阈值检测方法，其中对自适应阈值的 选取和确定，与目标所处的背景区域的统计分布模型以及预先设置的虚警率有关。在给定 的某个虚警率条件下，通过分析SAR图像的统计分布特性来确定检测阈值，实现目标的检 测或分割。CFAR检测器通常要求目标区域和背景区域之间具有较强的对比度，才能获得较 好的检测效果。在本发明中，通过双重CFAR检测和小波分解的结合，克服这个缺陷。
[0048] 基于CFAR的SAR目标检测的关键是阈值的确定，实质上是在背景确定的情况下， 对阈值的一种自适应检测技术，通过保持恒定的虚警率来检测目标。阈值T的确定与SAR 图像的背景杂波分布模型有着紧密的关系。假设SAR图像的背景和目标的概率密度函数分 别为PB (X)和PT (X)，那么虚警概率Pf和检测率P d的定义分别为
[0051] 阈值T可以通过式⑶来求解
[0049] ⑴
[0050] (2)
[0052]
(3)
[0053] 其中，Pf为虚警概率，不同的P f可以得到不同的T。背景杂波分布主要有：对数正 态（Log-normal)分布、瑞利（Rayleigh)分布、韦布尔（Weibull)分布、K分布、Gamma分布、 皮尔逊（Pearson)分布等，其中瑞利分布是韦布尔分布的特例。则判别准则为
[0054]
(4)
[0055] 其中，I (X，y)表示像素点（X，y)的灰度值。
[0056] 本发明进一步提供一种基于小波分解和CFAR检测的SAR目标及阴影分割方法，其 特征在于：步骤7中所述的"进行小波反变换"是指将步骤4中选择剩下没有进行第一次 CFAR检测分割处理的子图像和步骤6中对选择的子图像进行分割处理后的图像，一起进行 小波逆变换；步骤8