基于空間變跡濾波旁瓣抑制與有序統(tǒng)計(jì)恒虛警率的艦船檢測(cè)算法

黃寅禮 孫 路 郭 亮* 孫光才 邢孟道 楊 軍 胡以華

①(西安電子科技大學(xué)物理與光電工程學(xué)院 西安 710071)

②(中國(guó)人民解放軍93128部隊(duì) 北京 100085)

③(西安電子科技大學(xué)雷達(dá)信號(hào)處理國(guó)家重點(diǎn)實(shí)驗(yàn)室 西安 710071)

④(西安科技大學(xué)測(cè)繪科學(xué)與技術(shù)學(xué)院 西安 710000)

⑤(國(guó)防科技大學(xué)脈沖功率激光技術(shù)國(guó)家重點(diǎn)實(shí)驗(yàn)室 合肥 230037)

1 引言

合成孔徑雷達(dá)(Synthetic Aperture Radar,SAR)是一種利用微波探測(cè)的全天時(shí)全天候主動(dòng)傳感器，其利用合成孔徑技術(shù)與匹配濾波技術(shù)實(shí)現(xiàn)了高分辨率成像，因此在軍事和民用領(lǐng)域都運(yùn)用廣泛。隨著科技的日益進(jìn)步，針對(duì)海洋的實(shí)時(shí)監(jiān)測(cè)顯得尤為重要，因此對(duì)海面艦船目標(biāo)的檢測(cè)算法研究具有重要的研究意義。

合成孔徑雷達(dá)主動(dòng)發(fā)射線性調(diào)頻信號(hào)，通過(guò)對(duì)回波信號(hào)的匹配濾波，得到類似于sinc函數(shù)波形的信號(hào)[1-3]。一般情況下使用常量幅度的匹配濾波器，此時(shí)峰值旁瓣比約為-13 dB。由于人造目標(biāo)的高反射強(qiáng)度，-13 dB的旁瓣依然有可能比臨近目標(biāo)點(diǎn)的幅度值要大，從而導(dǎo)致成像分辨率的降低。在合成孔徑雷達(dá)的實(shí)時(shí)監(jiān)測(cè)系統(tǒng)中，目標(biāo)檢測(cè)通常作為成像的后續(xù)工作，其包含圖像預(yù)處理，海陸分離，目標(biāo)檢測(cè)識(shí)別與特征提取等步驟，不良的成像結(jié)果不可避免地會(huì)造成海陸分離與目標(biāo)檢測(cè)的出錯(cuò)，影響整個(gè)體系的能力。

旁瓣抑制可以在成像的匹配濾波階段與成像后的復(fù)數(shù)據(jù)SAR圖像進(jìn)行處理，主要方法有線性的平滑窗加權(quán)處理與非線性的加權(quán)處理。典型的加權(quán)窗函數(shù)包括但不限于Hamming窗、Hanning窗和Kaiser窗等，但不同的加權(quán)窗對(duì)圖像的處理結(jié)果效果不一，無(wú)法選出一種最好的加權(quán)窗[4]。非線性加權(quán)方法是利用矩形窗和其他加權(quán)窗的處理后，取不同的加權(quán)處理結(jié)果最小值的方法，相當(dāng)于取不同加權(quán)窗口的最優(yōu)解?？臻g變跡濾波[5](Spatially Variant Apodization,SVA)算法屬于非線性加權(quán)方法，它通過(guò)計(jì)算采樣點(diǎn)的最優(yōu)參數(shù)來(lái)決定加權(quán)窗口，即使用不同的窗口處理不同的目標(biāo)點(diǎn)，從而避免了加權(quán)后要進(jìn)行篩選的龐大計(jì)算量。但是文獻(xiàn)[6]提出，傳統(tǒng)的SVA算法將實(shí)部與虛部同一計(jì)算，計(jì)算出的加權(quán)參數(shù)有可能并不是最優(yōu)解，因此文獻(xiàn)[6]作者加強(qiáng)了約束條件，將實(shí)部與虛部分開(kāi)計(jì)算它們的最優(yōu)加權(quán)參數(shù)。另外，由于為了實(shí)現(xiàn)快速傅里葉變換，需要對(duì)信號(hào)進(jìn)行時(shí)域補(bǔ)零，在非整數(shù)奈奎斯特采樣率的情況下，傳統(tǒng)的SVA算法有可能實(shí)現(xiàn)效果不好。因此文獻(xiàn)[7]提出了通用空間變跡濾波(Generalization of SVA,GSVA)算法，該算法修改了頻域加權(quán)函數(shù)，使得SVA基本上可以適應(yīng)在不同奈奎斯特采樣率下的旁瓣抑制。文獻(xiàn)[8]提出魯棒空間變跡濾波(Robust SVA,RSVA)，修改了傳統(tǒng)SVA算法的采樣點(diǎn)數(shù)與頻域加權(quán)函數(shù)，可以實(shí)現(xiàn)在任何奈奎斯特采樣率下的有效旁瓣抑制，但算法復(fù)雜度較高。文獻(xiàn)[9]提出的改進(jìn)空間變跡濾波(Modified SVA,MSVA)算法，在任意奈奎斯特采樣率下都能有效地抑制旁瓣而且保持了圖像的分辨率。文獻(xiàn)[10]還提出了斜視SAR圖像的旁瓣抑制算法，可以抑制在斜視情況下的圖像旁瓣。

有序統(tǒng)計(jì)恒虛警率(Constant False Alarm Rate,CFAR)算法是SAR圖像目標(biāo)檢測(cè)中的一種用途非常廣泛的算法，它保持恒虛警率，通過(guò)選用一個(gè)合適的雜波模型計(jì)算背景與目標(biāo)的最佳分割閾值。CFAR算法普遍基于兩個(gè)步驟[11]，利用雜波模型與恒虛警率計(jì)算分割閾值然后利用CFAR檢測(cè)器對(duì)像素點(diǎn)進(jìn)行分類。常用的有全局CFAR[12]、雙參數(shù)CFAR[13]、兩級(jí)CFAR[14]等等。全局CFAR用整幅圖像計(jì)算分割閾值，由于目標(biāo)點(diǎn)的影響與海情的多樣性，該算法雖然速度快，但是準(zhǔn)確率較低，現(xiàn)在通常利用該算法進(jìn)行預(yù)篩選目標(biāo)點(diǎn)。雙參數(shù)CFAR沒(méi)有預(yù)篩選，需要利用滑窗計(jì)算圖像上每個(gè)像素點(diǎn)的分割閾值，因此計(jì)算量很大。兩級(jí)CFAR首先利用全局CFAR預(yù)篩選目標(biāo)，然后計(jì)算潛在目標(biāo)點(diǎn)的分割閾值，因此將計(jì)算量大大降低?；镜腃FAR檢測(cè)器通常包括單元平均CFAR、選大CFAR、選小CFAR[15]與有序統(tǒng)計(jì)CFAR[16](Order Statistic-Constant False Alarm Rate,OS-CFAR)。除了OS-CFAR之外都無(wú)法同時(shí)適應(yīng)多個(gè)場(chǎng)景，因?yàn)樵摍z測(cè)器利用了排序進(jìn)行非線性估計(jì)，但同時(shí)也因?yàn)榕判虿僮髟黾恿怂惴ㄓ?jì)算量。但這些目標(biāo)檢測(cè)算法都基于成像結(jié)果良好的情況下才能運(yùn)行正確，如果存在目標(biāo)旁瓣過(guò)高，那么大量背景點(diǎn)會(huì)被誤分類成目標(biāo)點(diǎn)，導(dǎo)致分類錯(cuò)誤。

本文首先設(shè)置背景雜波模型為高斯模型，通過(guò)全局CFAR預(yù)篩選選出潛在目標(biāo)點(diǎn)，然后修改了傳統(tǒng)的SVA算法，使其只對(duì)潛在目標(biāo)點(diǎn)進(jìn)行旁瓣壓制，減少了計(jì)算量；再利用OS-CFAR計(jì)算背景雜波參數(shù)，與分割閾值進(jìn)行比較從而對(duì)每個(gè)潛在目標(biāo)點(diǎn)進(jìn)行分類。最后通過(guò)形態(tài)學(xué)膨脹操作，完善檢測(cè)結(jié)果。本文第2節(jié)介紹SVA算法與OS-CFAR算法，第3節(jié)提出本文算法，第4節(jié)給出本文算法在高分三號(hào)圖像上的實(shí)驗(yàn)結(jié)果。

2 基礎(chǔ)算法描述

2.1 SVA算法

SVA算法是一種非線性加權(quán)的算法，它通過(guò)計(jì)算不同采樣點(diǎn)的加權(quán)系數(shù)，對(duì)旁瓣進(jìn)行抑制。由于頻域加權(quán)可以通過(guò)時(shí)域卷積實(shí)現(xiàn)，因此SVA可以通過(guò)時(shí)域計(jì)算，時(shí)域表達(dá)式為

其中，g(m)是當(dāng)前點(diǎn)m的像素值，g(m ?1)與g(m+1)是當(dāng)前點(diǎn)的旁瓣值，g′(m)是修改后點(diǎn)m的值，w(m)是加權(quán)參數(shù)，可以從矩形窗(w(m)=0)變化到Hanning窗(w(m)=0.5)，要計(jì)算最優(yōu)參數(shù)w(m)使得|g′(m)|2達(dá)到最小值，對(duì)|g′(m)|2求w(m)偏導(dǎo)并等于0，求得最優(yōu)解

由于圖像是復(fù)數(shù)據(jù)圖像，因此令g(m)=I(m)+Q(m)×i，從而可以得到參數(shù)的最優(yōu)解

但正如文獻(xiàn)[6]提及，該參數(shù)整合了實(shí)部和虛部有可能并不是最優(yōu)解，對(duì)SVA時(shí)域表達(dá)式中的|g′(m)|2求w(m)偏導(dǎo)并等于0，從而求得最優(yōu)解的過(guò)程實(shí)際上是在能量最小約束下，求出最優(yōu)解的過(guò)程，也就是求g(m)的最小模值下的w(m)最小值的過(guò)程。但是由于在復(fù)數(shù)據(jù)圖像中，g(m)的最小模值實(shí)際上是一個(gè)圓，即最小值下如果g(m)=I(m)+Q(m)×i，實(shí)際上是在g2(m)=I2(m)+Q2(m)的這個(gè)圓上，因此信號(hào)的實(shí)部I(m)與虛部Q(m)并不一定可以同時(shí)達(dá)到最小。如果分開(kāi)實(shí)部和虛部進(jìn)行計(jì)算，就可以在實(shí)部能量最小約束下求出實(shí)部的最小值，同理虛部也是最小值。相應(yīng)的，因?yàn)閺?fù)信號(hào)的總能量只是實(shí)部和虛部的平方和的開(kāi)方，因此此時(shí)復(fù)信號(hào)的總能量一定也是最小的，所以求出的最優(yōu)解會(huì)是復(fù)數(shù)域的最優(yōu)解。因此分開(kāi)計(jì)算實(shí)部虛部后，得到實(shí)部的最優(yōu)參數(shù)為

最終輸出的圖像實(shí)部為

同理，虛部的計(jì)算也類似，只是將I(m)替換成Q(m)。

2.2 OS-CFAR算法

由于圖像可能存在多目標(biāo)與海情的多樣性，因此在CFAR算法中每個(gè)像素點(diǎn)都需要進(jìn)行背景雜波統(tǒng)計(jì)。具體操作是對(duì)每個(gè)像素點(diǎn)定一個(gè)目標(biāo)窗口，保護(hù)窗口與背景窗口，然后對(duì)每個(gè)像素點(diǎn)進(jìn)行遍歷，得到它們的背景窗口像素點(diǎn)數(shù)組。背景窗口包含需要計(jì)算雜波參數(shù)的所有背景點(diǎn)，保護(hù)窗口負(fù)責(zé)防止該像素點(diǎn)對(duì)應(yīng)的目標(biāo)泄露到背景窗口中。保護(hù)窗口的邊長(zhǎng)一般設(shè)置為檢測(cè)目標(biāo)長(zhǎng)的兩倍，而雜波窗口一般要比保護(hù)窗口大得多。盡管保護(hù)窗口可以防止對(duì)應(yīng)目標(biāo)的像素點(diǎn)泄漏到背景窗口中，但是海洋屬于多目標(biāo)檢測(cè)環(huán)境，其他目標(biāo)的像素點(diǎn)可能會(huì)泄露到背景窗口中，因此只能采用非線性的有序統(tǒng)計(jì)類CFAR檢測(cè)器，而OS-CFAR就屬于其中運(yùn)用最廣泛的算法。

分割閾值T是由預(yù)設(shè)的虛警概率Pfa與 雜波背景模型p(x)通過(guò)下式計(jì)算得到的

其中，x表示圖像中雜波像素點(diǎn)的強(qiáng)度。OS-CFAR對(duì)背景窗口的像素點(diǎn)進(jìn)行了排序操作，取出如圖1所示的3個(gè)點(diǎn)。

圖1 已排序數(shù)組Fig.1 The sorted array

其中x50是雜波像素點(diǎn)的中值，同理x25與x75是像素點(diǎn)強(qiáng)度在數(shù)組中排第25%與第75%的像素點(diǎn)。然后通過(guò)式(7)進(jìn)行像素點(diǎn)分類：

當(dāng)點(diǎn)t的強(qiáng)度xt滿足上式時(shí)，可以將該點(diǎn)分類成目標(biāo)點(diǎn)。具體流程如下：

(1)通過(guò)式(6)計(jì)算當(dāng)前雜波模型與恒虛警率下的分割閾值；

(2)對(duì)圖像的進(jìn)行從左到右，從上到下的遍歷，提取它們的背景窗口像素點(diǎn)數(shù)組；

(3)對(duì)不同的背景窗口數(shù)組進(jìn)行排序，提取它們的x50,x25與x75；

(4)利用式(7)對(duì)每一個(gè)像素點(diǎn)進(jìn)行分類。

OS-CFAR是為了改正CA-CFAR(單元平均CFAR)在多目標(biāo)環(huán)境下分類出錯(cuò)的問(wèn)題，CA-CFAR是利用背景窗口的均值和方差對(duì)目標(biāo)點(diǎn)進(jìn)行分類，但是在多目標(biāo)環(huán)境下，背景窗口里可能會(huì)存在其他目標(biāo)，因此會(huì)對(duì)均值和方差產(chǎn)生巨大影響?？梢钥闯?，x50是均值的替代，x75?x50是標(biāo)準(zhǔn)差的替代，OS-CFAR相當(dāng)于淡化了對(duì)背景窗口里雜波分布的依賴，因此SVA處理對(duì)OS-CFAR的使用影響并不大。而如果使用CA-CFAR之類比較依賴于雜波分布的CFAR檢測(cè)器，就會(huì)受到很大影響。

3 本文算法

由式(1)可知，某像素點(diǎn)的最優(yōu)加權(quán)參數(shù)是通過(guò)選用該點(diǎn)與其在同一方向上相距同等距離的兩個(gè)點(diǎn)進(jìn)行時(shí)域卷積得到的。傳統(tǒng)SVA算法在實(shí)現(xiàn)上需要對(duì)圖像進(jìn)行遍歷，計(jì)算對(duì)應(yīng)不同像素點(diǎn)的加權(quán)參數(shù)，然而在海洋背景圖像中，圖像上絕大部分的像素點(diǎn)都屬于海洋，因此反射強(qiáng)度低，旁瓣不會(huì)影響到目標(biāo)點(diǎn)。如果按照傳統(tǒng)SVA算法進(jìn)行圖像遍歷，對(duì)海洋點(diǎn)進(jìn)行旁瓣抑制對(duì)目標(biāo)檢測(cè)作用不大，因此會(huì)作大量的無(wú)用功，影響算法計(jì)算效率。為了解決這個(gè)問(wèn)題，需要對(duì)海洋點(diǎn)和目標(biāo)點(diǎn)進(jìn)行初始分割，選出需要進(jìn)行旁瓣抑制的潛在目標(biāo)點(diǎn)。本文利用基于高斯分布的全局CFAR進(jìn)行潛在目標(biāo)點(diǎn)篩選，高斯分布為

預(yù)設(shè)虛警概率Pfa，將式(8)帶入式(6)中，可以得到初始分割閾值T?；赥對(duì)像素點(diǎn)進(jìn)行分類，大于T的作為潛在目標(biāo)點(diǎn)進(jìn)行旁瓣抑制。為了提高運(yùn)算效率，本文不采用將實(shí)部虛部分開(kāi)的算法，而是對(duì)輸入圖像取模后再進(jìn)行式(1)的計(jì)算，同時(shí)根據(jù)文獻(xiàn)[9]中的改進(jìn)SVA算法，將非整數(shù)奈奎斯特采樣率1/Ws(0

因此式(1)變?yōu)?/p>

由于|g(m)|為非負(fù)數(shù)，因此wg(m)為非整數(shù)，式(5)修改為

在二維情況下，方位向和距離向的點(diǎn)可以分開(kāi)計(jì)算，重疊的點(diǎn)取兩者之間的最小值。由于不需要對(duì)實(shí)部虛部都進(jìn)行一次像素點(diǎn)遍歷，因此計(jì)算速度較快，同時(shí)采用了改進(jìn)SVA的非奈奎斯特采樣率計(jì)算方法，得到的旁瓣抑制圖像效果較好，如圖2所示。

由于SVA是非線性加權(quán)方法，因此對(duì)此進(jìn)行CFAR檢測(cè)不可以使用線性CFAR算法，采用OS-CFAR算法對(duì)旁瓣抑制后的圖像進(jìn)行分類。與旁瓣抑制類似的是，大量海洋點(diǎn)不需要被計(jì)算，因此我們采用上述全局CFAR計(jì)算出來(lái)的潛在目標(biāo)點(diǎn)進(jìn)行OS-CFAR檢測(cè)。對(duì)潛在目標(biāo)點(diǎn)進(jìn)行遍歷，取它們?cè)谂园暌种坪髨D像的背景雜波窗口，并利用式(7)進(jìn)行分類。

其中，S是通過(guò)全局CFAR計(jì)算出的潛在目標(biāo)點(diǎn)集合，t表示當(dāng)前目標(biāo)點(diǎn)位置。

在進(jìn)行旁瓣抑制之后，由于雷達(dá)信號(hào)的相干斑噪聲以及其他不可避免噪聲的影響，部分目標(biāo)點(diǎn)可能會(huì)被錯(cuò)誤估計(jì)，引起它們的幅度錯(cuò)誤嚴(yán)重降低，從而導(dǎo)致在OS-CFAR處理中被誤分類成背景點(diǎn)。同時(shí)部分艦船目標(biāo)包含平板等低反射強(qiáng)度區(qū)域，在OS-CFAR中也有可能被誤分類成背景點(diǎn)，因此需要對(duì)檢測(cè)后的二值圖像進(jìn)行形態(tài)學(xué)膨脹，如圖3所示。

其中，X是OS-CFAR檢測(cè)后的二值圖像，K是進(jìn)行膨脹的結(jié)構(gòu)元素。

本文算法流程如下：

(1)預(yù)設(shè)恒虛警率，通過(guò)全局CFAR計(jì)算潛在目標(biāo)點(diǎn)

(2)對(duì)潛在目標(biāo)點(diǎn)通過(guò)公式(12)進(jìn)行旁瓣抑制；

(3)利用旁瓣抑制后的圖像對(duì)潛在目標(biāo)點(diǎn)進(jìn)行OS-CFAR檢測(cè)；

(4)對(duì)檢測(cè)后圖像進(jìn)行輕微的膨脹處理。

本算法的目的是為了進(jìn)行目標(biāo)檢測(cè)，也就是在預(yù)處理結(jié)束后(海陸分離、噪聲處理等操作)對(duì)目標(biāo)的位置、大小進(jìn)行粗略估計(jì)，以方便后續(xù)基于機(jī)器學(xué)習(xí)或深度學(xué)習(xí)的目標(biāo)識(shí)別。SVA可能會(huì)使得目標(biāo)上的部分點(diǎn)丟失，本文采取的做法是對(duì)二值化之后的目標(biāo)圖像進(jìn)行形態(tài)學(xué)膨脹處理，通過(guò)保留的目標(biāo)點(diǎn)填充已丟失的目標(biāo)點(diǎn)。有強(qiáng)烈旁瓣的目標(biāo)在進(jìn)行旁瓣抑制后，部分目標(biāo)點(diǎn)會(huì)被侵蝕，但這些目標(biāo)點(diǎn)一般是艦船上反射強(qiáng)度較低的位置，在進(jìn)行旁瓣抑制之后，強(qiáng)度降低太多，因此OS-CFAR會(huì)將其判斷為海洋點(diǎn)。但是同時(shí)大多目標(biāo)點(diǎn)都被保留，因此進(jìn)行形態(tài)學(xué)膨脹，可以補(bǔ)償大部分被侵蝕的目標(biāo)區(qū)域。即使部分海洋點(diǎn)也因此被判斷為目標(biāo)點(diǎn)，但是這對(duì)后續(xù)目標(biāo)的位置、大小的估計(jì)影響并不大。

圖2 旁瓣抑制流程圖Fig.2 The flowchart of sidelobe suppression

圖3 膨脹操作示意圖Fig.3 The diagram of the dilation

4 實(shí)驗(yàn)結(jié)果

實(shí)驗(yàn)圖像采用高分三號(hào)(GF-3)SAR衛(wèi)星對(duì)艦船成像圖像，參數(shù)如表1所示。

本文首先對(duì)實(shí)驗(yàn)圖像1進(jìn)行算法流程驗(yàn)證，該圖是16位圖像，只包含1個(gè)艦船目標(biāo)，對(duì)圖像取模后像素值最高達(dá)到1.2431e+03，而像素值最低是0，因此該圖像有強(qiáng)烈的旁瓣效應(yīng)。從圖4(a)中是實(shí)驗(yàn)圖像1的原圖像，可以看到，其在距離向有輕微的旁瓣影響，只延伸出大概40像素，而方位向上卻有著極其強(qiáng)烈的旁瓣效應(yīng)，延伸了300像素以上，因此對(duì)該圖像進(jìn)行旁瓣抑制尤為重要。

表1 實(shí)驗(yàn)圖像參數(shù)Tab.1 The parameters of test images

在旁瓣抑制中，本文首先需要使用全局CFAR對(duì)圖像進(jìn)行預(yù)篩選，預(yù)設(shè)恒虛警率Pfa為1e?6，背景雜波模型為高斯模型，得到分割閾值后預(yù)篩選潛在目標(biāo)點(diǎn)。得到潛在目標(biāo)點(diǎn)后，選擇1/Ws為20并對(duì)圖4(a)進(jìn)行旁瓣抑制后得到圖4(b)。通過(guò)圖4(a)與圖4(b)的對(duì)比可以看出，旁瓣被明顯地剔除了，但是部分艦船目標(biāo)點(diǎn)也被剔除了，這個(gè)問(wèn)題可以在最后的形態(tài)學(xué)膨脹下可以解決。

在OS-CFAR檢測(cè)中，選擇保護(hù)窗口為40×40，背景窗口為100×100，根據(jù)預(yù)篩選目標(biāo)位置對(duì)每個(gè)潛在目標(biāo)點(diǎn)進(jìn)行分類。然后對(duì)圖像進(jìn)行形態(tài)學(xué)膨脹，其中選擇圖3中的結(jié)構(gòu)元素，只進(jìn)行1次膨脹處理，得到圖4(c)的圖像。為了比較旁瓣處理對(duì)結(jié)果的影響程度，取消對(duì)原圖像的旁瓣處理而直接進(jìn)行相同參數(shù)下的OS-CFAR檢測(cè)，得到圖4(d)的結(jié)果。通過(guò)比較圖4(c)與圖4(d)的結(jié)果，可以看出如果不對(duì)圖像進(jìn)行旁瓣處理，旁瓣有可能影響二值化后目標(biāo)的長(zhǎng)寬度。如圖4(d)，目標(biāo)可能會(huì)與旁瓣連接，造成的結(jié)果是艦船目標(biāo)的主軸過(guò)長(zhǎng)，在后續(xù)的圖像識(shí)別處理中可能會(huì)被識(shí)別成陸地而被去除，但是此類有強(qiáng)反射能力的艦船目標(biāo)恰好是最重要的目標(biāo)，因此在艦船目標(biāo)檢測(cè)處理中實(shí)施旁瓣處理尤為重要。

在后續(xù)實(shí)驗(yàn)中，本文使用了包含多目標(biāo)的實(shí)驗(yàn)圖像2與實(shí)驗(yàn)圖像3進(jìn)行在多目標(biāo)環(huán)境下的結(jié)果驗(yàn)證。

由圖5和圖6中有旁瓣處理與無(wú)旁瓣處理的結(jié)果可以看出旁瓣處理的必要性。其中圖5(c)中旁瓣明顯的艦船在CFAR檢測(cè)后形狀發(fā)生了改變，長(zhǎng)寬錯(cuò)誤太大；圖6(c)中兩個(gè)反射強(qiáng)度大的艦船的甚至?xí)B接在一起，對(duì)艦船后續(xù)處理的影響極大。而且圖6(c)中有許多虛警點(diǎn)，這是因?yàn)镃FAR算法需要統(tǒng)計(jì)雜波背景像素，從而計(jì)算出雜波參數(shù)。然而過(guò)多旁瓣的存在會(huì)導(dǎo)致背景窗口中混雜著比背景點(diǎn)像素值更高的像素點(diǎn)，從而導(dǎo)致雜波參數(shù)計(jì)算錯(cuò)誤，對(duì)大量背景點(diǎn)錯(cuò)誤分類。

圖4 實(shí)驗(yàn)圖像1的處理過(guò)程Fig.4 The process of Image1 processing

圖5 實(shí)驗(yàn)圖像2的處理過(guò)程Fig.5 The process of Image2 processing

如表2所示，選擇圖像對(duì)比度與檢測(cè)目標(biāo)個(gè)數(shù)作為性能分析標(biāo)準(zhǔn)，并已在文中做出修改。圖像對(duì)比度越好，證明圖像可識(shí)別性越好，圖像對(duì)比度公式為

圖6 實(shí)驗(yàn)圖像3的處理過(guò)程Fig.6 The process of Image3 processing

表2 實(shí)驗(yàn)圖像結(jié)果Tab.2 The results of test images

其中，μi與σi是距離向點(diǎn)所對(duì)應(yīng)的方位向所有點(diǎn)的均值和方差。從實(shí)驗(yàn)結(jié)果的對(duì)比度可以看出，在使用SVA后，圖像對(duì)比度明顯增加，加上視覺(jué)效果的圖像，可以證明SVA對(duì)旁瓣抑制的有效性。從實(shí)驗(yàn)結(jié)果的檢測(cè)目標(biāo)個(gè)數(shù)可以看出，在使用SVA之后，虛警數(shù)明顯減少，減輕后續(xù)的目標(biāo)識(shí)別負(fù)擔(dān)。

5 結(jié)論

在目標(biāo)檢測(cè)領(lǐng)域中，通常都需要對(duì)圖像進(jìn)行面積處理以加適當(dāng)?shù)木匦慰?。本文針?duì)目標(biāo)檢測(cè)的目的，結(jié)合并改進(jìn)了SVA算法與OS-CFAR算法，使其可以處理具有強(qiáng)烈旁瓣的SAR圖像，解決了出現(xiàn)艦船目標(biāo)檢測(cè)面積過(guò)大的問(wèn)題。該算法通過(guò)GF-3的多目標(biāo)圖像與單目標(biāo)圖像驗(yàn)證了有效性。