且得分值最大的得分所在位置坐标放 入位置集合MSl中，并将该位置以及该位置的四邻域标记为假；
[0091] (4.4c)继续步骤（4. 4b)，直到得到K个局部最大值的坐标位置，构成位置集合MSl
表示第j个局部最大 值点在得分图中的位置坐标，1 < j < K且j为整数；
[0092] (4. 5)根据位置集合MSl，提取测试图像J在第i个尺寸化& ><幾_下的K个区域， 构成区域集合
，其中<=0;1^2，心&)表示第1个尺寸下的第」_个区域，
[0093] Vl表示区域左上点的横坐标，
[0094] v2表示区域左上点的纵坐标，
[0095] v3表示区域右下点的横坐标，
[0096] v4表示区域右下点的纵坐标
[0097] 式中，函数ceil (a)表示取不小于a的最小整数；
[0098] (4.6)对得分图{Sl，...Sl...，Sns}中其他尺寸下的得分图按照步骤（4.4)和 (4. 5)在每个有效尺寸下提取K个区域；
[0099] (4. 7)测试图像在ns个有效尺寸下得到的区域集合：
[0100] URiU... U Rns，其中，民表示第i个有效尺寸下提取的区域集合。
[0101] 步骤5,得到候选区域。
[0102] (5. 1)对区域集合R中的每个区域，用该区域内80%的最强像素值的均值Μ表示 该区域；
[0103] (5. 2)用每个区域外3个像素宽度的空心框内的像素值计算背景杂波的均值和 标准差4 ,计算公式如下：
[0105] 式中，Ω。表示杂波区域，N。表示杂波区域像素个数；
[0106] (5. 3)计算每个区域的局部检测阈值Th，77; = /z, + 〇;.*人".，其中KCFAR根据设置的 虚警概率Pr计算得到，计算公式为：KeFAR= Φ 1 (Ι-Pr)，其中Φ ( ·)是标准正态分布函数， Φ穴·）是标准正态分布函数的反函数；
[0107] (5. 4)将每个区域的均值Μ与该区域的局部检测阈值Th相比较，如果Th > Μ，则 保留该区域，否则，删除该区域，最终得到的区域构成候选区域集W。
[0108] 步骤6,去除重叠候选区域，得到检测结果。
[0109] (6. 1)将候选区域集R'中所有区域按其均值Μ从大到小排列，得到排列后的候选 区域集R/ ;
[0110] (6.2)计算排列候选区域集R/中的第一个区域与其他区域的覆盖率，从排列候 选区域集R/中去除覆盖率大于等于0.01的区域，并将该R/中第一个区域放入区域集合 R/中；
[0111] (6.3)更新排列候选区域集R/ =R/ -R/，并返回步骤（6.2)中，直到排列候 选区域集R/为空，最终得到的区域集合R/即为检测结果。
[0112] 本发明的效果可以通过以下实验进一步说明：
[0113] 1.实验条件
[0114] 实验运行平台：MATLAB R2012a, Visual Studio 2012, Intel (R) Core (TM)i5-4590 CPU03. 30GHZ, Windows7 旗舰版。
[0115] 实验所用数据是RADARSAT-2数据库中全极化和单极化的数据，图2所示的训练集 和图3所示的测试集是在RADARSAT-2数据中截取出来的。训练集和测试集中矩形框标记 的是图像中目标的目标框。数据集中的目标都是舰船，舰船的尺寸不一，以像素点个数作为 单位，其中目标最大尺寸宽为96,高为16,目标最小尺寸宽为12,高为8。
[0116] 实验中，本发明检测方法的参数设置：每个尺寸下区域的个数K = 150,虚警率Pr =1〇2,初始图像尺寸集合S= {(IXHi)，···（WiXHi)···，（W36XH36)}，其中^氏分别是第 1个图像尺寸的宽和高，1 < 1 < 36且1为整数；这些尺寸以基数为2,幂次从min T = 3到 max T = 8 依次增加 ，BP A，氏 e {8, 16, 32, 64, 128, 256}
[0117] 实验中，双参数CFAR检测方法的参数设置：虚警率Pr = 10 6,下次样次数r = 2， 保护窗半长mG = 27,背景窗半长mB = 30。最小目标区域面积S_= 4,最大目标区域面 积Smax= 300，目标取大长度Len = 25，切片大小Q = 100。
[0118] 2.实验内容：
[0119] 实验1，用本发明方法先对图2所示的训练集进行训练，然后对图3中的测试集进 行目标检测，结果如图4所示；
[0120] 实验2,用传统的双参数CFAR检测方法对图3中的测试图像进行目标检测，双参数 CFAR检测的具体操作参照2013年西安电子科技大学李礼的硕士毕业论文《SAR目标检测与 鉴别算法研究及软件设计》中的第二章"SAR目标检测方法研究"，检测结果如图5所示，其 中，图5 (a)是对图3 (a)的检测结果，图5(b)是对图3(b)的检测结果，图5(c)是对图3(c) 的检测结果。
[0121] 实验1与实验2的检测结果如表1 :
[0122] 表1本发明方法和双参数CFAR对测试图像检测情况对比
[0124] 3.实验结果分析
[0125] 由表1可以看出，针对实验所用的SAR图像数据，本发明应用基于区域提取的双参 数恒虚警检测方法进行了目标检测，表明本发明的检测方法具有良好的性能。表1中测试 图像用传统的双参数CFAR检测时，由于参数设置不合理，出现了目标的漏检，从表1中对图 3(a)和图3(b)测试图像的检测结果可以看出，目标个数大于漏检个数与检测目标区域个 数之和；
[0126] 从表1中还可以看出，本发明方法检测测试图像所用时间约为传统的双参数CFAR 检测所用时间的1/3,由于本发明方法在训练阶段和得到测试图像的区域所用时间很短，故 本发明在一定程度上提高了检测效率。
[0127] 对比图3和检测结果图5也可以看出，三幅测试图像都出现了目标的漏检，从图 5(a)和图5(b)可以看出有两个目标出现在一个检测区域中，主要是由于目标相距较近，参 数设置不合理导致的。可见，本发明相比于传统的双参数CFAR检测方法来说，不仅可以保 证较高的检测率，同时不会出现多个目标在一个检测区域的情况。对比图4和图5可以看 出，本发明的SAR图像目标检测方法具有检测概率高的优点，同时检测结果是大小不一的 区域，能针对尺寸大小不一的目标。
[0128] 综上，本发明的SAR图像目标检测方法具有算法执行速度快、检测概率高的优点， 是一种快速并且有效的检测方法，并且对不同尺寸的目标具有适应性，具有良好的应用前 景。
【主权项】
1. 基于区域提取的双参数恒虚警检测方法，包括如下步骤： (1) 在带有标记的训练集Tr中，提取正样本集P和负样本集N ; (2) 将得到的正负样本集中的正负样本下采样到固定尺寸8X8,对下采样后的每个样 本提取规范梯度特征g'，用所有下采样样本的规范梯度特征构成规范梯度特征集G，训练 线性分类器SVM，得到一个8 X 8的模板W ; (3) 构建有效尺寸集合AS : (3a)初始36个不同的图像尺寸，构成集合}，其中，W1,氏分别是第1个图像尺寸的宽和高，1彡1彡36且1为整数；这些尺寸以基数 为 2,幂次从 minT = 3 到 maxT = 8 依次增加，即 W1, H1 e {8, 16, 32, 64, 128, 256}; (3b)根据步骤（1)中得到的正样本集P和步骤（3a)初始化的尺寸集合S，得到有效尺 寸集合1彡As1S 36对应集合S中第As i 个元素，I < i < ns且i为整数，ns表示有效尺寸的个数； (4) 提取测试图像J在有效尺寸集下的区域： (4a)根据有效尺寸集合AS中的尺寸，对测试图像J下采样，得到不同尺寸下的下采样 图，并提取下采样图的规范化梯度特征图，构成规范梯度特征图集（F1,... F1. ..，FnJ，其中 F1为第i个有效尺寸下规范化梯度特征图，I < i < ns且i为整数； (4b)用步骤（2)中得到