《SAR图像目标检测3706.docx》由会员分享，可在线阅读，更多相关《SAR图像目标检测3706.docx（19页珍藏版）》请在taowenge.com淘文阁网|工程机械CAD图纸|机械工程制图|CAD装配图下载|SolidWorks_CaTia_CAD_UG_PROE_设计图分享下载上搜索。
1、 班级 020651 学号0200650008 本科毕业设设计（论文文）外文资料翻翻译毕业设计题题目 文档位位图的印刷刷体数字智智能检测与与识别 外文资料题题目An Adapptivee andd Fasst CFFAR AAlgorrithmm Bassed oon Auutomaatic Censsorinng foor Taargett Dettectiion iin Hiigh-RResollutioon SAAR Immagess 学 院 电子工程程学院 专 业 智智能科学与与技术 学 生 姓姓 名 张张若愚 指导教师姓姓名 钟 桦桦 17 一种基于自自动删除的的快速自适应应恒虚警检
2、检测算法用用于高分辨SAAR图像目目标检测摘要一一种以高分分辨率合成成孔径雷达达探测（SSAR）图图像为目标标的抽象的，快快速的，基基于自动设设限（ACC）的自适适应恒虚警警检测率（CFARR）算法。首首先，选择择具有自适适应性能的的全局阈值值以获取检检测图像中中的每一个个像素是否否为目标像像素的指数数矩阵。其次，通过使使用这个指数矩矩阵，噪声环境的的自适应确确定可以事事先筛选检检测中使用用的滑动窗窗口中的噪声像素。在本文中中，可模拟拟多视角，具具有广泛均均匀度的SSAR图像像的G0分布的被当做噪声声的统计模模型。随着着AC的引引入，该算算法取得了了在线性区域较好的的CFARR检测性能能，尤其
3、是在在噪声边缘和多目目标的情况中。与与此同时，相相应的快速速算法大大大降低了计计算量，最终，目目标聚类得得以获得更更准确的目目标区域。根根据对典型型SAR图图像的性能能分析和实实验结果的的考察，该该算法被证证明具有良良好的性能能和很强的的实用性。关键词：指指数计算恒虚警警检测率（CFAAR），合合成孔径雷雷达（SAAR），目目标检测 、简 介随着收集从从大气和卫星上的图像数据据量的增加，SAR传传感器正变变得越来越越适宜发展展SAR图图像判读技技术。在背背景噪声1 - 4中识识别目标或或目标群体体是一个在SAR图像判读技技术中尤为为重要的任任务。由于于自动检测测是自动目标标识别（AATR）的的
4、系统的第一个重重要步骤，所以ATTR系统必必须有能力力满足不断断扩大的情情报，监视和侦侦察和快速检测测目标的需需求，因此此系系统可以应应用于如坦坦克，装甲甲运兵车，卡卡车和榴弹弹炮。在整整个SARR ATRR系统的第第一步中，目标探测测对连续的的过程有很很大影响5 6。到目前前为止，文文献提供的的SAR的目目标检测算算法中的算算法（CFARR）大部分都都有误报率，因因为它们的特点是计算简单。ATR算算法对自适适应阈值和和快速检测测的复杂背背景下的目标进行了了广泛的研研究7 8，甚至在在几个SAAR ATR的的系统中有有应用99，110。常常用的CFFAR检测测算法包括括 6，7，111，221
5、的单单元平均CCFAR(CA-CCFAR），最最大的CFFAR（GO-CCFAR），最最小的CFFAR（SO-CCFAR），命令统计CFAAR（OSS-CFAAR）等。尽管CAA-CFAAR检测器器的检测效率率降低66，CA-CCFAR（这两个指指标实际上上是林肯实实验室提出出的一个基于高斯背背景假设的的技术的CA CFAAR检测技技术 9，22)是在单目目标线性噪噪声情况下下和在存在异异构的环境中（包包括噪声边缘和和多目标的的情况）行行之有效的的技术。OS-CCFAR算算法的设计计是为了解解决CA-CFARR在检测过过程中目标标的背景区区域和噪声声统计估计计时受到的的损失，因因此它在检检测多
6、目标标的情况时时有重要的的优势及意意义。然而而在线性的情况况下，OS-CCFAR的的算法性能能比 CAA-CFAAR差6。此此外，算法法获得的最佳佳统计结果果是靠经验验，而不是是通过理论论。新增的操作将不可可避免地增增加计算量量，虽然CAA CFFAR算法法在噪声边缘提提供了良好好的检测性性能，但是是相比于CFARR检测算法法，它的均均匀噪声检测性能会会下降，因因为与各像素相相关信息有有可能丢失失。在噪声边缘检测的情况况中，CFARR算法就可以得到到更好的多多目标性能能情况。但但是， CFARR检测算法法相应的检检测门槛较较低。单元元平均CFFAR(CCA-CFFAR），最最大的CFFAR（G
7、O-CCFAR），最最小的CFFAR（SO-CCFAR）， 命令统计CFAAR（OSS-CFAAR）等是基本CFFAR检测测算法66，111，12，21。每每个都有其优点点，缺点和和潜在的应应用。没有有任何情况都表现良好好的单一检检测算法。如如果我们引引入这些方方法选择前前面提到的的基本CFAAR检测器器，自适应应的根据测试像素位位置进行检检测，这在测试试系统中应应该会是一一个很有意意义的进步步。经过考虑虑，目前研究究工作的重重点是发展自适适应CFAAR算法12。许多研究人人员试图设设计自适应应CFARR算法。Smmith 和Varsshneyy提出的CFFAR (VI-CCFAR)变异指数数
8、算发是有代表性性的一个。VI-CCFAR处处理器提供供的CFARR性能在含有有齐次和非齐次目标的情况况下，基于VI-CCFAR，Huanng ett al提提出的区域域分类 CCFAR（RC-CCFAR）14。跟据15中，RC-CFAR 可以细分为四个部分，使得每个部分的目标像元变得很少; 因此，它是不可靠的判断环境非齐次。汲取了灵感的VI - CFAR检测， Farrouki和bakaer目前有序数据变异指数 自动截（交流）CFAR检测器来实现适应性目标检测的复杂背景16。假设威布尔噪声背景下，提出了比谢列固体模板CFAR检测器（即所谓的比谢列算法7，17），包括一套完备的程序，如排序，截取
9、，等类似的想法是Rickard和 Dillard提出的 18。据报道7，17即比谢列算法适合的地点杂乱，规模型（LStype）。LS型噪声可以被视为正规化有两个参数噪声分布。实验结果7，17表明在齐次和非齐次环境该算法均表现良好。Bisceglie算法是一个很好的CFAR检测算法，这种说法是很合理的。进一步的研究可以进行对噪声模型，深入的截自动选择，选择的滑动窗口类型等，创新CFAR算法称为区域平均统计Hofele（CASH），CFAR介绍，在21的CFAR算法的优势是，它避免了覆盖和候补聚集对象。CASH CFAR算法所需的处理能力也显着低于OS和平均有序统计区域CFAR算法21。此外，一个
10、显著的CFAR算法8（简单提及作为本文Salazar算法）已经被Salazar提出了，它选择的（-素数）的分布19 作为背景噪声统计模型的单视SAR图像。该算法的主要原则是描述如下：分布模型是正确的混乱与丰富多姿的线性性程度19 包括线性噪声，异构噪声边缘和多目标情况下（多目标的情况等同于极异构噪声）。因此，在CACFAR技术对分配的基础上有能力保持CFAR8。该算法确实有CFAR检测的特点目标均匀噪声，噪声边缘和多目标情况。此外，由于目标对比像素大于周围的混乱是，该算法还提供了均匀噪声探测概率高和噪声边缘8。但是，多目标的情况下，该算法的不足之处是，CFAR门槛变得大的，当时估计噪声统计数据
11、已损坏通过干扰目标，这导致了一个显着减少检出率。本文提出了了一种自适适应恒虚警警率和快速速算法，提提出了SAAR图像目目标检测在在交流的建建议，争取取在SARR图像检测测。该算法法的提出是为了对Salaazar算算法改进。同同时，相应应的快速算算法已经被被设计出来来了。本文文组织如下下。在第二二节，导言言的原则和和算法的详详细流程是是给出。在在第三节，该该算法进行行了详细介介绍。在第第四节，相相应的快速速算法设计计。第五节节从理论上上分析了所所提出的性性能算法。在在第六部分分，我们提提供了实验验结果和建建议的检测测性能比较较采用典型型的算法和和其他算法法真正特区区数据。最最后一节总总结本文。
12、原则和和详细的算算法流程A算法原理理以下建议可可来自算法法提及。1） 索引值利用用CFARR1214自自动判断周周围杂乱型型测试的像像素，选择择适当的探探测器，但但索引值应应适应性，而而不是由经经验决定。2） 新方法与比比谢列算法法7，17相比，排序序附加程序序可以帮助助避免干扰扰目标的影影响在多目目标情况下下的检测性性能。3） 分布在噪噪声模型采采用萨拉萨萨尔算法8 噪声边缘缘和多目标标的情况下下可以正确确地描述同同类噪声，这这使得人们们有可能获获得一个综综合性的设设计为目标标检测算法法在均匀噪噪声和噪声边缘，在多目标标目标检测测的情况下应该分开开考虑。4） 通过计算适适当的索引引值，决定定
13、在滑动窗窗口的噪声像素是否属干扰扰目标，我我们可以检检查所有的的干扰像素素。至于其其余的像素素，我们执执行的CAACFARR算法。5） 所提出的检检测算法，基于前面提到的各点设计。如图1所示，全检测过程的概述如下：首先，我们选择模具滑动窗口，它是适合高分辨率SAR目标检测6。在此过程中滑动扫描的整体形象的窗口，我们认为噪声区域围绕在测试单元的滑动窗口在Nc像素区。然后，混乱像素可能属于干扰目标（我们认为是有d像素，即深度为D）是由该指数值删失标签中的滑动窗口噪声像素是否潜在的像素干扰目标而决定的。因此，可能的像素不属于干扰目标仍然是（有Nc - d像素）。在CA - CFAR检测技术中，其他N
14、c - d像素产生的参数估计为噪声模型（G0步进分布）。图1目标检检测算法本本文此外，我们们计算了通通过设置CCFAR概概率检测本本地检测阈阈值。最后后，我们成成功检测了了测试单元元格的值指指标。同时时，因为通通常主导目目标有少数数散射在SAR图像像中，经过过检测，这这些明亮的的高峰可能能未连接到到目标区域域。最后，就就能获得潜在的的目标区域域。有些方面还还需要加以以解释。1) 虽然很多SSAR图像像的数据统统计模型已已经被提出出，（见23-27）,SAAR的很多多典型理论论系统和实实践结果在在文章中的的19已经证明明G0分配法适适合于有多多个同性质质不同程度度组件的建建模。G00的评价参参数
15、的分配配很简单，计计算复杂度度较低。但但是，在这这篇文章中中我们选择择G0分配配法去模拟拟那些滑动动窗口的组件。G110指示的的G0算法法的色饱和和度列表，在在19中有给出出。2) （11）是色饱和和度的可变变因素，nn是等价的的观测数据据，是形状参参数，是尺度参参数。3) 一般而言，相相比于自然然组件而言言反向散射射具有更强强的目标探测能能力.但是，这这些目标象象元具有更更高的灰色色数值（异异常点）。然然而目标像像元的数量量比SARR组件的像像元数量要要少得多。在在准备滑动动窗口和目目标算法之之前，一个个合适的整整体起点可可能会被选选择于搜索索整个图像像来决定目目标像元。色色饱和度比比整体起
16、点点大的像元元被当做目目标像元，那那些指针数数值也被归归为一体；否则，那那些指针数数值就被归归为0.因因此，可以以获得一个个矩阵去自自动选择目目标探测的的最终检测测的深度信信息等内容容。B.演示规规则细节总结，就像像在Figg.2中显显示的一样样，演示包包括以下步步骤：步骤1）输输入SARR图像的整整体起点的的计算。步骤2）指指示矩阵被被创造出来来，给图像像中的每个个像元，当当这个像元元的色饱和和度大于整整体起点时时他的标志志值是1，否否则是0.步骤3）目目标源的大大小，被保保护的区域域，和在滑滑动窗口中中的背景区区域背景区区域的选择择遵照目标标大小优先先的原则。错错误的警报报器有可能能已经被
17、初初始化。步骤4）在在过程探测测中的滑动动窗口Ncc组件像元元自动被参参数矩阵禁禁止，可能能是干涉目目标的组件件像元被移移除（可能能会有D目目标像元被被禁止）这这样，Ncc-D的像像元被留下下.这时，我我们用剩下下的NC-D像元估估计组件模模型的参数数（G0分分配）然后后计算检测测T1的临临界值。步骤5）把把测试像元元的色饱和和度和初始始像元相比比，我们就就能得到像像元的二进进制数值。步骤6）如如果已经到到了整个输输入图像的的末尾，转转向步骤77），否则则继续下一一个像元从从步骤4)开始重复复步骤7。步骤7）把把二进制图图像中已经经被检测的的目标像元元聚集在一一起。 算法法描述A 整体起起点T
18、g的的计算因为SARR图像的柱柱状图的尾尾部代表了了目标像元元，Tg可可以被合适适的定义基基于柱状图图，让的色饱和和度对应随随机值，在在目标像元元的置信度度是1-的条件下下，Tg可可以从下面面式子中获获得 （22） 当P代表概概率，0,11整个图图像中目标标像元的比比例的经验验值，也就就是，此相相遇时目标标像元的置置信度，在SAAR图像中中值较大，接接近1.把把F定义为为从检测图图像中获得得的柱状图图中得到的的累积分布布函数,(2)式可可写为 （3）然后，T可可以从（33）中方便便地获得整整个图像的的直方图B 指数矩矩阵考虑SARR图像的大大小NM和让ij在第ii行本地化化的像素强强度和第jj
19、列，我们定义义为Vijj的指数值值（4） 因此，图像像的指数矩矩阵给出（5） C计算的局局部阈值的的CFARR检测l图1所示示，为了避避免影响目目标的强散散射部分的的参数估计计在高能激激光器厄贾贾尔推拉窗窗噪声分布，我我们选择的的方空心模模具中心的的滑动窗口口试验区域域9，10。存存在保护区区域，以确确保噪声像素收收集一些测测试距离区区域，保证组件件像元和测测试像元之之间有一定定距离阻止止目标像元元泄漏和损坏坏的背景噪声声统计估计计。此外，像像元用于计算算噪声统计的空区区域围绕试试验区域。有了了这个目标标，内边长长区域的大小应大于于预期的目标区域，并在在区域外侧选择长度，使足足够的噪声声像素列
20、入入估计噪声声准确统计。检测后的的Nc-噪声像元强度分布布由（1）决决定。D噪声像元用来计算算的时刻剩剩下的Nc-D参数数估计，导导致了以下下内容： (6) (7) 有关的CFFAR概率率给定值，由由P记，对对应的CFFAR检测测器局部阈阈值l是从 (8) 至于集合分分布，前面面提到的积积分没有一一个解析表表达式。局局部阈值TT可以通过过两分法（详详细内容，取取得参见20）。分布deggradees对于单单视图像，G分布降低到分布19 (9) （6）和（77）指向参参数估计 (110) (11) 同样，一个个相应的pp局部阈值值lCFARR概率给定定值为CFARR检测器是是从（8）获获得的 (
21、122) 因此，在滑滑动窗口测试单元元，目标被被按照以下下方式检测测决策规则：其中H1是是假设，即即测试单元元是一个像像素的目标标，H1是是假设，即即测试单元元是一个像像素组件。局部部阈值TLL是从像素获得得的合适的的像素。D 目标像像素聚类在高分辨率率合成孔径径雷达图像像中，一个目标，也也可能会以以扩展对象象的方式提到到，包括很很多决议区区域。由于于一个目标标表面反射射可能显示示为波动，从从CFARR检测器获获得的二进进制图像相相应的目标标像素，一一般没有能能力形成一一个连接的的地区，可可分为几个个部分。因因此，有必必要集群目目标像素的的二进制图图像。我们假设，真真正的长度度和宽度的的利益目
22、标标，分别是L和和W。 无无论是范围围和跨范围围的图像分分辨率均为A。事事实上，指指针对代表表的像素面面积和真正的目目标相比规规模较小，因因此，对目目标像素或或由一检测测到目标区区域的大小小多少CFFAR检测测器具有更更高的价值值S，即： (114) 此外，在同同一目标区区域的像素素之间的距距离i和jj，记为dd（i，j），满满足如下： (155) 因此，我们们使用下面面的图3所示：在检测后后得到的二二进制图像像的像素集集群目标正如我们可可以看到，从从流图中的的最后一步步后，以前前的过程中中，仍然存存在着较小小的区域或或图像，这这是明显是是目标区域域的大小不不合适的更更大的地区区。这些不不受欢
23、迎的的地区，一一定会导致致误报。为为了简化连连续的过程程中，这些些地区被淘淘汰。 详详细的步骤骤如下：首首先，扫描描整个图像像，每个标标记区域集集群后，我我们在该地地区数明亮亮的像素。然然后，我们们会删除该该区域的地地区不匹配配目标的区区域范围其其中Smaax是从（114）和SSmin中中凭经验获获得的 快速算法法和目标的所所有其他CCFAR检检测使用滑滑动窗口的的算法相同同，目标检检测算法11所示也有有一个大的的区域滑动窗窗口，当窗窗口大小较较大时，这限制制了算法6， 222的实用性。进一步对所所提出的算算法的调查查，我们可可以发现，整体阈值计算的指数矩阵是远低于连续CFAR检测过程耗时。因
24、此，我们应该首先考虑设计的快速CFAR算法。大多数运行行的CFAAR算法的的时间用于于每个滑动动窗口66，22的参数估计计。事实上上，在扫描描的整体形形象，滑动动窗口向右右或向下移移动一个像像素，以及及相应的两两个滑动在在两个相邻邻的单元测测试中心的的主要窗口口重叠。例例如滑动窗窗口右侧的的情况。 正如图44所示，考考虑两个测测试区域和。 这是是彼此相邻邻水平方向向。当由TT滑动窗口口移动中心心至R，左左边的h的移出，右h像素的滑动窗口口像素的滑滑动窗口，此此外Nc-h像元仍仍然不可变变。这些不不变像素统统计值已被被用于在滑滑动窗口的的参数估计计， 此外NCC hh像素仍然然不可变，这这些统计
25、值值的变化像像素被用于于在滑参数数估计窗口口Ileftt，因此，在滑动窗口的再次使用必然会增加计算负担。在图4中，r的大小选择是为了确保统计估计的噪声有足够的噪声像素。由于有（h 2r）/ 2宽的被保护区域存在，保证从噪声统计估计中收集的一些远离测试区域和目标像素的噪声像素。让真正的有兴趣的长度和宽度为L的目标和W（假设LW），然后（h 2r）/ 2L/A，图像中的交叉范围的变化为A。为了分析方便的计算复杂性该算法设计的快速算法，我们作如下简化。考虑到极端端的例子。假假设建议CCFAR检检测器是设设限程序，自自由的也就就是说，所所有在滑动动窗口噪声声像素有助助于参数估估计。接着着，便有更更大的
26、计算算复杂度比比截尾的进进程，只有有部分的噪噪声在滑动动窗口的像像素用于参参数估计。这这是该算法法的最坏情情况。我们采取单单看图片实实例分析计计算复杂性性。由于参参数为多视视估计和单单视图像只只在不同的的外观数，计计算分析复复杂性和快快速算法设设计单看图图片也多视视图像合适适。为滑动移动动窗口案例例分析从上上到下仅仅仅是作为同同一案件滑滑动窗口由由左向右移移动。A 设计计快速算法法我们可以看看到从（110）和（111）的两两个变量是是需要为统统计分布参参数估计，即即噪声强度和平均均值的均值值广场的噪噪声强度。让leftt和leeft是强强度均值和和强度的平平方平均在在滑动窗口口的Ileeft噪
27、声声像素。相相应地，让让rigght和righht是强度度均值和了了对噪声强度平平方像素意意味着滑动动窗口的IIrighht。然后后，这些变变量之间的的关系如下下： （166） （117） 其中是所有有的噪声像素滑滑数窗口，h是高度或宽度的滑动窗口。表示了在的滑动窗口的左侧列中的噪声像素强度的总和。代表了噪声像素强度的总和在的滑动窗口的右侧列。是对在噪声像素强度平方左栏的滑动窗口。是该在正确的噪声像素强度平方列的滑动窗口因此，除了在第一次测试区域的图像，所有的其他相邻横向测试像素，right和right可由left和left依法取得（16）和（17）。因此，期间滑动扫描图像窗口的过程，后估计可
28、以得到以前的估计。这一结果是显着减少计算量。B.分析为为计算复杂杂性快速算算法至于在第一一次测试区区域的图像像，结合图图4（100）和（111），NNc -11乘法和一一次加法需需要计算，与NCC + 11乘法和 Nc 1加法需需要计算。因因此，两个个乘法和22 需要增增加，而而一乘，一一 除了需需要。因因此，对于于第一个测测试单元，一一共有5NNc+ 乘乘法和2NNC + 1补充是是必要的。如如果运行一乘法法和加法是是一样的，有有许多3NNC + 6次的操作。 对于于所有的除除了第一次次测试区域域，区域的其他他测试参数数估计在滑滑动窗口中中的噪声像素 一个测试试单元可以以得到它的的左邻的统统
29、计数字像像素。假设设图像的大大小为N N的的，根据 （16）和和（17），复复杂的参数数计算估计计其他试验验区域表一所所示。获得了和，当计算算lefft和lleft时时）。假设一个乘乘法的执行行时间与执行一次次加法时间间平等，参参数估计- 1试验验区域需要（-1）（33h+ 122）次。因此，当当第一个像像素的操作作补充说，整整个需要完完全（-1）（33h+ 122）+ 33Nc + 66次操作。C比照其他他算法的计计算复杂性性为了评估该该算法的性性能定量，我我们采取中中性能比较较前面提到到的快速算算法，在最最坏的情况况没有快速速算法计算算策略，并并广泛使用用的双参数数CFARR检测器建建议林
30、肯实实验室。该该算法的最最坏情况如如果没有高高速运算策策略和算法法的萨拉萨萨尔具有同同等的计算算复杂性。计计算复杂性性分析算法法和萨拉萨萨尔两指标标CFARR算法分别载于表表二和表三三。（3NNC + 6）操作作所需的参参数整体形形象由萨拉拉萨尔估计计算法和（33NC + 2）操操作的双参参数CFAAR算法。根根据上述比比较，也没没有显着性性差异的计计算复杂度度之间在萨萨拉萨尔和和双参数CCFAR算算法。基于于在第四节节中提到的的简化，表表一给出了了最坏表现现，提出的的快速算法法。因此，比比该萨拉萨萨尔算法的的计算复杂杂性该算法法是至少 （118）该两指标的的CFARR算法的计计算复杂度度比对
31、所提提出的算法法是至少 （119）其中r是参参考滑动窗窗口中显示示的宽度图图4。方程（188）和（119）的计计算表明，萨萨拉萨尔和和复杂性的的双参数CCFAR算算法分别是是，至少44r倍，建建议算法不不管有多大大的图像的的大小。当当在滑动窗窗口的宽度度是最小的的，即r=1，研究究1和2下有四四个值，即即计算在萨萨拉萨尔和和双参数CCFAR率率的复杂性性算法分别别是，至少少4倍，提提出的算法法。一般而而言，以评评估对噪声声的统计性性能准确的的宽度参考考滑动窗口口通常是大大得多，因因此，同时时1和2大大增增加。因此此，建议快快速算法并并显着提高高计算效率率理论。五，算法的的性能分析析在本节中，给
32、给出了理论论分析，以以显示该算算法的性能能。为了简简单起见，我我们认为，单单看噪声环境（为为单看案件件的结论可可以推广到到多视的情情况下）和和理想的情情况下，这这个目标强强度波动遵遵循一个负负指数分布布5。根根据（8）及及（9），该该CFARR概率探测测器获得 （20） 该检测概率率（21） 其中T是是负指数分分布的均值值，并表示示该目标功功率。使用用（11）及及（12），让让信号对杂杂比（SCCR）是将将SCR =T/B（B是噪声强度平平均值），那那么我们重重写（211）为（22） 方程（222）表明，该该检测概率率算法是密密切相关的的噪声环境（相相关由线性性性的度度）附近的的目标和条条件下
33、的CCFAR概概率是SCCR给出。这这正合我们们的直观认认识。特定定 = 110-3，图图5显示了了性能指标标曲线检测测不同噪声声情况和SSCR值。在在图5（aa）和（bb），可以以看出，有有固定，目目标检测概概率增加，因因为SCRR减小，而而且的小检测性能能明显优于于一个大型型。 指的噪声声环境的价价值该目标标的检测是是在面对。至至于齐噪声声和噪声边缘，值相对较较小，而对对多目标的的情况下，值是相对对较大。因因此，不建建议设限程程序，这是是能够消除除干扰的影影响目标，在在多目标的的情况下检检测性能决决心降低与与该对比显显着均匀噪噪声和噪声边缘的的情况。上述分析表表明，对于于单视情况下，提提出
34、的算法法和算法的的萨拉萨尔尔展出均匀匀噪声相同的的检测性能能和噪声边缘的的情况。至至于多目标标的情况下下，考虑（222），直直观，由于于中的CFAAR概率前前进，由于于设限程序序的引入，相相对明亮的的噪声干扰目目标，很多多地区都丢丢弃。这直直接导致了了两个参数数的变化。之之一是，该该区域的线线性性程度度增加由于于在目标像像素减少噪噪声异常区区域，即值下降。另另一个原因因是，为测测试区域SCRR比较，升升幅为噪声声地区。这这是很容易易观察，从从（22），该该增加SCCR或下下降将导致致在检测增增加概率。此此外，这就就是为什么么我们介绍绍设限程序序，提高检检测性能多多目标的情情况。前面的分析析表明
35、，SSCR和围围绕目标噪噪声均匀度度也增加随随着深度的的增加设限限。不过，一一个缺点是是，由于检检测概率增增加，CFFAR概率率也愈大。这这无疑带来来了一些CCFAR损损失。对于于各种不同同的真实场场景，CFFAR损失失的影响受受多种因素素。因此，它它不能从理理论上推导导出CFAAR率之间间的损失与与设限深度度的关系。尽尽管如此，从从提出的算算法流程，它它可以指出出，该算法法有很大的的能力来控控制假警率率。首先，该该算法的性性能强劲在在一对设限限深度误差差范围。原原因是干扰扰目标像素素是光明的的，他们贡贡献到了SSAR图像像直方图的的尾巴。虽虽然全局阈阈值（由设设限的深度度决定）以以上不等一一
36、个广泛对对应的直方方图尾部分分，有异常常目标像素素删略有变变化，其对对大多数当当地噪声的统计计特性 区区域是有限限的。因此此，有一个个适当的范范围广泛选选择局部门槛。当当局部门槛在在这个范围围之内，该该算法具有有良好的检检测性能。因因此，这使使得选择局局部阈值和和截尾深度度并非如此此准确。第第二，进一一步降低了了聚类程序序错误警率率。 实验结结果与分析析图 6（aa）显示了了机载X波波段HH在在北京的一一些地区的的SAR图图像，用一个0.55 00.5米，2200 5000像素的图图像。图6（b）显示了了6（a）的黑白图像。显示的图像的左边部分是混凝土高速公路，右边部分是草。小树在草地上蔓延。
37、草的边界是高速公路，即噪声边缘，有灌木丛。在灌木丛左边，也有一些小的混凝土，这是等距离安排的被铁栅栏隔开。图6（c）给出了噪声光照片。萨拉萨尔作作出结论8，该该匹配在伟伟大的CFFAR损失失，占噪声声模拟结果果萨拉萨尔尔说，算法法优于传统统的twooparaameteerCFAAR检测器器。因此，我我们只是比比较建议CCFAR算算法与萨拉拉萨尔算法法。图6（d）显示萨拉萨尔算法的理论给出检测结果CFAR概率。相应地，图6（e）显示了该算法获得相同的结果CFAR概率。图6（f）检测结果显示萨拉萨尔算法。图6（g）和（h）显示了该算法给的结果和。同时，我们们采取的决决议和目标标的实际尺尺寸考虑到到
38、。为了防防止测试目目标像素泄漏到相相应的滑动动窗口的混混乱地区，图图 6（dd）-（h）显示面面积滑动选选择的结果果窗口与hh= 711的长度，长长度为环窗窗口31，环环形区域内内的宽度= 200。这些参参数是固定定的整个图图像。局部部阈值Tg为该算法法得到的是是信心水平平1 - = 990。图图比较的结结果6（dd）和（ee），因为为同一理论论的两种算算法CFAAR概率，在在线性检测混混乱地区和和目标目标标1在噪声声边缘地区区4，我们们可以看到到，无论是是建议算法法和萨拉萨萨尔有较好好的算法检检测结果与与派生目标标轮廓完整整和明确的的。而对多多目标的情情况，例如如，对目标标23，这这是相互靠
39、靠近，该算算法明显优优于萨拉萨萨尔算法。由由于噪声统计估估计是受毗毗邻的目标标像素，只只有几个像像素的目标标2和3是是由萨拉萨萨尔检测算算法与许多多资料遗失失，而另外外两个密切切目标，是是非常的检检测算法。在在其他换句句话说，该该算法还具具有较好的的性能目标标检测的多多目标的情情况。 图之间间的比较66（d）和和（e），我我们可以找找出，虽然然没有更好好的算法在在检测目标标，有较多多的“小地地方”的形形象。这些些微小的地地方，主要要是带来的的水泥块约约有较强的的后向散射射，大部分分集中在噪噪声边缘之之间的混凝凝土跑道和和草坪。 图6（f） - （h）显示，由由于理论虚虚惊概率，使使用萨拉萨萨尔
40、算法，密密切合作，位位于两个目目标都无所所遁形的信信息在线性性区内的目目标和噪声声边缘流失失到了或多多或少的程程度，而提提出的算法法可以保留留更多的目目标信息，其其结果是要要好得多。这这些结果强强有力地说说明，建议议CFARR算法大大大优于萨拉拉萨尔算法法。图7 比较较两种算法法的ROCC曲线为了使萨拉拉萨尔进一一步之间的的比较算法法和算法，假假设目标像像素那些像像素值大于于局部阈值热热。如果所所有这些目目标的像素素数，以及及图像的大大小是N m，则则数噪声像素的的图像。在在发现目标标像素数量量是钕，而而且人数虚虚假警报像像素的国家家数据中心心。然后，实实际检出率率为定义为为 （223） 实际
41、的比率率是假警报报 （24） 如图7所示示，结合（223）（24），我我们得到受受试者工作作特征（RROC）曲曲线萨拉萨萨尔并提出出CFARR算法。这这些曲线表表明，建议议的CFAAR算法具具有更好的的性能比萨萨拉萨尔算算法。 图6（ii）和（jj）显示，从从指标的聚聚类结果图图6（d） - （e）分分别规定。去去除下的阈阈值地区的的30。如如图6(dd)所示，萨萨拉查的结结果检测密密切位于两两个目标算算法差，和和许多信息息目标CFFAR检测测后丢失。目目标3是作作为假警报报和混乱过过程中删除除在地区消消除的过程程。但是，所所有四个目目标检测该该算法。概括地说，正正与的情况况下，例如如，我们让让我们的最最终检测结结果的综合合比较萨拉拉萨尔算法法的目标和和所遵循聚聚类该算法法由图2所示。结结果见表四四。所有完完成的实验验nonooptimmizedd Mattlab的的代码与硬硬件环境PPIII 50