許劍清,李君寶,馬云彤,彭 宇

(哈爾濱工業(yè)大學(xué) 自動(dòng)化測(cè)試與控制研究所，哈爾濱 150001)

?

基于改進(jìn)型CFAR的SAR圖像目標(biāo)檢測(cè)算法

許劍清,李君寶,馬云彤,彭 宇

(哈爾濱工業(yè)大學(xué) 自動(dòng)化測(cè)試與控制研究所，哈爾濱 150001)

針對(duì)傳統(tǒng)的雙參數(shù)恒虛警率(Constant False Alarm Rate, CFAR)算法存在的虛警率高、實(shí)現(xiàn)過(guò)程繁瑣、算法執(zhí)行效率低等問(wèn)題,提出了一種改進(jìn)型的CFAR檢測(cè)算法。該算法根據(jù)SAR圖像的統(tǒng)計(jì)直方圖,對(duì)可疑的目標(biāo)像素進(jìn)行預(yù)篩選,再用2個(gè)滑動(dòng)窗口對(duì)像素進(jìn)行判別。改進(jìn)型的CFAR檢測(cè)算法簡(jiǎn)化了原檢測(cè)算法的結(jié)構(gòu),降低了檢測(cè)結(jié)果的虛警率,提高了算法的計(jì)算效率,并在國(guó)際公開(kāi)的雷達(dá)數(shù)據(jù)集上進(jìn)行軟件與DSP硬件的應(yīng)用驗(yàn)證,測(cè)試表明該算法的有效性。

合成孔徑雷達(dá);SAR圖像;目標(biāo)檢測(cè);恒虛警率; DSP

0 引言

合成孔徑雷達(dá)(Synthetic Aperture Radar, SAR)是一種可以全天時(shí)全天候工作的高分辨率成像傳感器，能夠?qū)崟r(shí)、長(zhǎng)期地對(duì)陸地、海洋進(jìn)行觀測(cè)[1]。從獲取到的雷達(dá)圖片中首先進(jìn)行目標(biāo)檢測(cè),尤其是對(duì)感興趣的海洋[2]、陸地、草坪等自然區(qū)域,檢測(cè)感興趣目標(biāo)的存在對(duì)形勢(shì)判斷具有重要的意義。

針對(duì)SAR圖像目標(biāo)檢測(cè),目前存在的算法仍然以恒虛警率(Constant False Alarm Rate, CFAR)算法最為快速、準(zhǔn)確[3]。其中包括MIT Lincoln實(shí)驗(yàn)室提出的背景雜波服從高斯分布的雙參數(shù)CFAR算法。從此算法衍生出的背景雜波服從G0分布、K-分布、對(duì)數(shù)正態(tài)分布、韋布爾分布、瑞利分布等CFAR檢測(cè)算法。由于傳統(tǒng)雙參數(shù)CFAR算法的實(shí)現(xiàn)步驟比較繁瑣、檢測(cè)率低,基于K-分布的CFAR算法有著完整的理論基礎(chǔ),不過(guò)針對(duì)背景局部變化復(fù)雜的自然場(chǎng)景適應(yīng)能力較差。因此艾加秋等提出了改進(jìn)的雙參數(shù)CFAR檢測(cè)算法[4-5],在實(shí)際應(yīng)用中取得了很好的檢測(cè)效果。

隨著 SAR 雷達(dá)技術(shù)的發(fā)展,SAR 圖像數(shù)據(jù)規(guī)模日趨龐大,需要依靠數(shù)據(jù)庫(kù)系統(tǒng)對(duì)雷達(dá)數(shù)據(jù)進(jìn)行編目、管理、發(fā)布。因此在實(shí)際工作中,迫切需要一款針對(duì) SAR 圖像管理、檢索以及包含自動(dòng)目標(biāo)識(shí)別(Auto Target Recognition, ATR)、方位角估計(jì)等多功能 SAR 圖像處理管理及發(fā)布一體化平臺(tái)。本文結(jié)合實(shí)際需求,將已取得的算法研究成果集中開(kāi)發(fā)為一款SAR圖像自動(dòng)目標(biāo)檢測(cè)模塊,該模塊作為SAR 圖像處理管理及發(fā)布一體化平臺(tái)的一個(gè)重要組成部分[6]。該平臺(tái)的功能主要包括 SAR 目標(biāo)檢測(cè)、目標(biāo)方位角估計(jì)、坐標(biāo)估計(jì)、基于內(nèi)容的SAR 圖像檢索、SAR圖像濾波等。

隨著SAR ATR系統(tǒng)的發(fā)展,實(shí)現(xiàn)SAR圖像實(shí)時(shí)采集、處理、決策系統(tǒng)成為一個(gè)必然趨勢(shì)。因此需要對(duì)SAR圖像目標(biāo)檢測(cè)算法進(jìn)行模塊化的硬件實(shí)現(xiàn),從而與其他功能模塊共同協(xié)作,形成機(jī)動(dòng)便攜SAR ATR系統(tǒng)。DSP作為數(shù)字信號(hào)而設(shè)計(jì)的器件,其高速的數(shù)據(jù)運(yùn)算能力使得對(duì)SAR圖像進(jìn)行實(shí)時(shí)處理成為可能。本文主要是結(jié)合艾加秋提出的改進(jìn)型的雙參數(shù)CFAR檢測(cè)算法和高貴提出的智能型CFAR檢測(cè)算法的優(yōu)點(diǎn),以TI公司TMS320C6748 為處理器驗(yàn)證該算法,并對(duì)其進(jìn)行了硬件算法的優(yōu)化,算法處理速度提升4倍。

1 SAR圖像目標(biāo)檢測(cè)算法比較

合成孔徑雷達(dá)的成像機(jī)理是利用發(fā)射波和反射波的幅度和相位信息進(jìn)行成像。SAR圖像目標(biāo)檢測(cè)的本質(zhì)是根據(jù)目標(biāo)和雜波的散射特性的不同所表現(xiàn)的特征差異來(lái)完成目標(biāo)檢測(cè)的?；诖诵涡紊腟AR圖像目標(biāo)檢測(cè)算法可以歸入如下幾類。

(1)基于對(duì)比度的一類目標(biāo)檢測(cè)算法

由于合成孔徑雷達(dá)對(duì)金屬材料的車輛目標(biāo)具有較強(qiáng)的雷達(dá)回波,在SAR圖像上的表現(xiàn)為具有和周圍環(huán)境相比較大的對(duì)比度,因此基于對(duì)比度進(jìn)行目標(biāo)檢測(cè)算法的設(shè)計(jì)就成為一個(gè)選擇?；趯?duì)比度的目標(biāo)檢測(cè)算法主要包括CFAR檢測(cè)算法、廣義似然比檢驗(yàn)(GLRT)檢測(cè)算法、能量環(huán)(PR)檢測(cè)算法[7]等。

(2)基于圖像的其他特征的一類目標(biāo)檢測(cè)算法

基于圖像對(duì)比度的目標(biāo)檢測(cè)算法,是根據(jù)目標(biāo)與背景雜波之間的電磁散射特性而設(shè)計(jì)的檢測(cè)算法。而目標(biāo)和背景雜波在圖像上的特征,包括尺寸、紋理、形狀等特征，可以利用這些特征來(lái)完成目標(biāo)的檢測(cè)。這類算法主要包括:基于目標(biāo)聚類的檢測(cè)算法[8]、基于擴(kuò)展分形特征的目標(biāo)檢測(cè)算法(EF)[9]等。

(3)基于復(fù)圖像特征的一類目標(biāo)檢測(cè)算法

前兩類算法都是利用實(shí)的幅度圖像檢測(cè)目標(biāo)的。事實(shí)上,目標(biāo)和雜波在實(shí)圖像上表現(xiàn)出的差異本質(zhì)上是由兩者的回波特性的不同造成的,而實(shí)圖像中僅僅包含回波幅度信息,損失了可用于檢測(cè)的回波相位信息。因此,從理論上來(lái)講,通過(guò)對(duì)二維SAR回波特性和成像機(jī)理的深入研究發(fā)展更為精確的目標(biāo)檢測(cè)算法是可行的。該方面有代表性的研究包括:子孔徑相關(guān)法[10]、相干空間濾波法[11]。

目標(biāo)檢測(cè)是實(shí)現(xiàn)SAR ATR 系統(tǒng)的第一步,該步驟的性能將直接影響到后續(xù)的處理過(guò)程,因此有必要對(duì)該環(huán)節(jié)算法執(zhí)行的實(shí)用性進(jìn)行分析和比較,主要的算法評(píng)價(jià)性能指標(biāo)如表1所示。

表1 算法評(píng)價(jià)指標(biāo)

SAR 圖像地面車輛目標(biāo)檢測(cè)的直接應(yīng)用是在大幅面的場(chǎng)中快速定位出感興趣的目標(biāo)。而面對(duì)這種海量的數(shù)據(jù),如果應(yīng)用基于SAR圖像特征進(jìn)行目標(biāo)檢測(cè)則需要對(duì)圖像進(jìn)行大量的數(shù)據(jù)處理,對(duì)于大幅的場(chǎng)景圖像來(lái)說(shuō)難以滿足實(shí)用性的要求。而基于復(fù)圖像特征的一類檢測(cè)算法,利用發(fā)射波和回波數(shù)據(jù)的相位幅度相結(jié)合的信息進(jìn)行處理,則涉及更大的計(jì)算量。并且這類算法的應(yīng)用場(chǎng)景是對(duì)于低頻的雷達(dá)信號(hào)而進(jìn)行的,在高頻的雷達(dá)信號(hào)中并不滿足這類算法的散射特性前提,故此類算法也無(wú)法滿足實(shí)用性的需求。

在SAR圖像中車輛目標(biāo)的主體部分一般由雷達(dá)回波強(qiáng)度較大的金屬材料制成,而地面吸收電磁波能力強(qiáng),雷達(dá)回波觀測(cè)值強(qiáng)度低[12]。在該條件下,相較于其他兩類算法,基于對(duì)比度的一類檢測(cè)算法能夠在地面背景中快捷、準(zhǔn)確地檢測(cè)車輛目標(biāo),因此該類檢測(cè)器往往是車輛目標(biāo)檢測(cè)算法的核心。

2 雙參數(shù)CFAR檢測(cè)算法

2.1 傳統(tǒng)CFAR算法原理

CFAR算法是像素級(jí)的目標(biāo)檢測(cè)算法,其原理如圖1所示,設(shè)置3個(gè)滑動(dòng)窗口：目標(biāo)窗口T,保護(hù)窗口P,背景雜波窗口C。3個(gè)窗口同時(shí)在SAR原始圖像上進(jìn)行滑動(dòng),遍歷整個(gè)圖像[3]。

傳統(tǒng)的雙參數(shù)CFAR算法是基于背景雜波服從高斯分布的假設(shè),它可以適應(yīng)背景雜波變化。設(shè)高斯分布的概率密度函數(shù)為

(1)

式中,μc為雜波均值;σc為雜波的標(biāo)準(zhǔn)差,其分布函數(shù)為

(2)

(3)

設(shè)檢測(cè)閾值為T,給定虛警率為pfa,則

(4)

由式(4)可以求出檢測(cè)閾值T的表達(dá)式

T=σcΦ-1(1-pfa)+μc

(5)

假定目標(biāo)窗口中某一像素的灰度值為It,則目標(biāo)檢測(cè)準(zhǔn)則為

It>T

(6)

設(shè)雜波窗口中的像素的均值μc和統(tǒng)計(jì)方差σc,則由式(5) 、式(6)可得到

It-μc>t·σc

(7)

其中，t為標(biāo)稱化因子,通常為常數(shù),決定虛警率。由于3個(gè)滑動(dòng)窗口以一定的步長(zhǎng)在圖像上滑動(dòng),因此保護(hù)窗口并不能保證目標(biāo)部分不會(huì)泄露到背景窗口中,所以通過(guò)計(jì)算背景窗口得到的背景雜波的均值和方差并不一定代表雜波實(shí)際的值。這樣在檢測(cè)過(guò)程中會(huì)出現(xiàn)虛警和漏檢[13]。

2.2 改進(jìn)型CFAR算法

本文提出的算法設(shè)置2個(gè)滑動(dòng)窗口:1個(gè)目標(biāo)窗口T,1個(gè)雜波窗口C,如圖2所示。其中目標(biāo)窗口設(shè)置為待檢測(cè)目標(biāo)大小的2倍,雜波窗口設(shè)置為目標(biāo)窗口的2倍。將2個(gè)窗口以目標(biāo)窗口大小為步長(zhǎng),在SAR圖像上滑動(dòng)檢測(cè),檢測(cè)除去四周邊緣以外的所有像素點(diǎn)。傳統(tǒng)的CFAR算法并不能保證雜波窗口中的像素點(diǎn)全為背景像素,導(dǎo)致漏警和虛警,因而在用滑窗檢測(cè)之前需要去除雜波窗口中的可疑目標(biāo)像素,而對(duì)剩余的像素進(jìn)行雜波統(tǒng)計(jì),計(jì)算雜波的均值μc和統(tǒng)計(jì)方差σc。去除背景雜波中可能包含的目標(biāo)像素,艾加秋等[3]用種子區(qū)域增長(zhǎng)法和統(tǒng)計(jì)背景雜波窗口的所有像素的均值和方差,再用閾值對(duì)背景像素進(jìn)行篩選兩種方法。兩種方法相對(duì)于傳統(tǒng)的CFAR算法檢測(cè)的準(zhǔn)確率均有提升。其中第一種方法需要遍歷每一個(gè)點(diǎn)進(jìn)行判斷，相對(duì)于第二種方法有著較大的計(jì)算量。但是第二種方法在每一次滑窗滑動(dòng)時(shí),需要對(duì)雜波窗口內(nèi)的全部像素進(jìn)行一次統(tǒng)計(jì),再用閾值進(jìn)行篩選。在本文中提出的改進(jìn)算法利用一個(gè)全局閾值對(duì)全局圖像進(jìn)行篩選,大于閾值的像素標(biāo)記為目標(biāo)可疑像素,小于閾值的像素標(biāo)記為雜波像素,構(gòu)成一個(gè)SAR圖像的全局索引矩陣。根據(jù)索引矩陣來(lái)剔除雜波。

由于人造的金屬目標(biāo)對(duì)于雷達(dá)波的后向散射系數(shù)遠(yuǎn)遠(yuǎn)超過(guò)地面目標(biāo),故在雷達(dá)圖片中目標(biāo)像素位于直方圖的拖尾部分,因此,可以根據(jù)圖像直方圖自適應(yīng)確定一個(gè)全局閾值Lg。設(shè)I為對(duì)應(yīng)的像素強(qiáng)度值的隨機(jī)變量,則在給定目標(biāo)像素的置信度為1-φ的條件下,Lg由式(8)確定

(8)

其中，P代表概率值,φ∈[0,1]為經(jīng)驗(yàn)值,其物理含義表明雜波像素在整個(gè)圖像中所占的比例,也即圖像中一個(gè)像素是目標(biāo)像素的置信度。在大幅SAR圖像中,φ的取值較大,接近于1。由此利用直方圖統(tǒng)計(jì)就可以方便地得到全局閾值Lg。

故本文的檢測(cè)算法的步驟[14]為:

1)根據(jù)輸入的SAR圖像求取全局閾值Lg;

2)對(duì)圖像中的像素點(diǎn)進(jìn)行遍歷,根據(jù)全局閾值,進(jìn)行預(yù)篩選,對(duì)大于全局閾值的像素取值為1,小于全局閾值的像素取值為0,求取得到索引矩陣;

3)根據(jù)目標(biāo)大小設(shè)置目標(biāo)窗口、背景窗口的尺寸,并設(shè)置好求取的虛警率;

4)根據(jù)索引矩陣對(duì)滑動(dòng)窗口的雜波區(qū)域內(nèi)的M個(gè)目標(biāo)像素點(diǎn)進(jìn)行剔除,并以剩下的N-M個(gè)像素利用高斯分布模型進(jìn)行統(tǒng)計(jì)建模,求取局部閾值Lp;

5)將該目標(biāo)區(qū)域內(nèi)的像素與局部閾值進(jìn)行比較,并二值化比較之后的像素;

6)判斷是否處理完整個(gè)圖像,若無(wú)則以目標(biāo)區(qū)域的尺寸為步長(zhǎng),滑動(dòng)目標(biāo)滑窗與背景滑窗,回到步驟4),若是則繼續(xù);

7)對(duì)檢測(cè)后的二值化像素進(jìn)行目標(biāo)圖像聚類。

2.3 實(shí)驗(yàn)結(jié)果

本文選用Sandia實(shí)驗(yàn)室提供的原始SAR圖像如圖3所示,它的背景雜波服從高斯分布,對(duì)它分別利用本文提出的算法與艾加秋等[3]提出的改進(jìn)型CFAR檢測(cè)算法進(jìn)行檢測(cè)并做比較。圖4所示為本文算法所檢測(cè)的結(jié)果,設(shè)置虛警率相同均為pfa=10-8;為了評(píng)價(jià)檢測(cè)的效果,定義了檢測(cè)品質(zhì)因子FoM[15], 其中，Ntest為檢測(cè)出來(lái)的正確的目標(biāo)個(gè)數(shù),Nfa為虛警的目標(biāo)個(gè)數(shù),Nreal為實(shí)際目標(biāo)的個(gè)數(shù)。檢測(cè)的品質(zhì)因子能夠有效地反映檢測(cè)算法的效果,品質(zhì)因子越大表示其檢測(cè)的效果越好,檢測(cè)準(zhǔn)確率越高,虛警率越低。

(9)

由于大幅場(chǎng)景的雷達(dá)圖像獲取成本昂貴,故為了進(jìn)行研究實(shí)驗(yàn),可利用仿真的雷達(dá)圖像對(duì)算法進(jìn)行驗(yàn)證。美國(guó)國(guó)防部高級(jí)研究計(jì)劃局和空軍實(shí)驗(yàn)室聯(lián)合開(kāi)展的MSTAR計(jì)劃,公開(kāi)了實(shí)測(cè)的SAR地面靜止軍用目標(biāo)數(shù)據(jù)集和100幅自然場(chǎng)景下的SAR圖片,利用自然場(chǎng)景和地面靜止目標(biāo)的SAR進(jìn)行仿真合成可得到實(shí)驗(yàn)用的圖片如圖5所示。

對(duì)圖5進(jìn)行目標(biāo)檢測(cè),則可以得到圖6所示檢測(cè)結(jié)果。

圖5中包含9個(gè)目標(biāo),檢測(cè)結(jié)果為11個(gè)目標(biāo),包含2個(gè)虛警,執(zhí)行時(shí)間為1.54s。檢測(cè)品質(zhì)因子為0.82，大于傳統(tǒng)算法的0.75。

為驗(yàn)證算法的有效性,對(duì)另外的10張圖片進(jìn)行測(cè)試,結(jié)果如表2所示。

表2 測(cè)試結(jié)果

表2為10張測(cè)試圖片的檢測(cè)結(jié)果,品質(zhì)因子為0.82,大于傳統(tǒng)的0.75，表明了該算法可以適應(yīng)不同的場(chǎng)景下的目標(biāo)檢測(cè),具有魯棒性。在檢測(cè)時(shí)間上,對(duì)Sandia實(shí)驗(yàn)室提供的372×348大小的圖片進(jìn)行處理,其運(yùn)行時(shí)間為0.155s,運(yùn)行時(shí)間滿足實(shí)用性的要求。

3 改進(jìn)型CFAR算法的軟件應(yīng)用驗(yàn)證

SAR圖像處理管理及發(fā)布一體化平臺(tái),包含SAR成像定量處理與分析系統(tǒng)可用于機(jī)載、星載SAR傳感器數(shù)據(jù)的定量分析處理,影像管理系統(tǒng)提供數(shù)據(jù)入庫(kù)、數(shù)據(jù)瀏覽、數(shù)據(jù)查詢檢索、數(shù)據(jù)提取、數(shù)據(jù)庫(kù)維護(hù)管理功能,管理和發(fā)布的影像共享與服務(wù)系統(tǒng)提供對(duì)SAR成像定量處理與分析平臺(tái)生成和管理的數(shù)據(jù)產(chǎn)品進(jìn)行網(wǎng)絡(luò)發(fā)布和管理以及公告。目標(biāo)檢測(cè)軟件模塊是定量處理與分析系統(tǒng)的一個(gè)組成部分。SAR成像定量處理與分析系統(tǒng)的整體界面如圖7所示。定量處理與分析操作的菜單欄如圖8所示。該平臺(tái)支持SAR圖像的上傳查詢功能,故可以從數(shù)據(jù)庫(kù)中載入所需處理的SAR圖像,在定量處理與分析系統(tǒng)中對(duì)SAR圖像進(jìn)行目標(biāo)檢測(cè)。

該菜單欄顯示了SAR圖像定量分析系統(tǒng)的主要功能包含目標(biāo)檢測(cè)功能，還包含SAR圖像的基礎(chǔ)處理如圖像拉伸、邊緣檢測(cè)、直方圖統(tǒng)計(jì),小波分析圖像旋轉(zhuǎn)等操作。

3.1 軟件模塊的封裝

Java與Matlab可以通過(guò)JMatLink接口來(lái)建立二者之間的通信,這樣Java可以方便地調(diào)用Matlab中成熟的算法處理函數(shù)庫(kù)[16]。JMatLink是一個(gè)對(duì)java.lang.Thread的繼承。它是一個(gè)類,其方法都是用C語(yǔ)言進(jìn)行編寫實(shí)現(xiàn),最后以DLL庫(kù)的形式供Java調(diào)用的native方法。

Java應(yīng)用程序通過(guò)JMatLink來(lái)實(shí)現(xiàn)對(duì)Matlab引擎函數(shù)的調(diào)用，從而進(jìn)行一些相關(guān)的數(shù)值計(jì)算與處理。圖9所示為Java與Matlab之間的通信機(jī)制的原理。第一步是利用JavaJNI技術(shù)來(lái)對(duì)本地方法進(jìn)行調(diào)用和定位；第二步把jni.h文件和JMatLink文件引入JMatLink中,對(duì)C/C++文件進(jìn)行編譯,生成動(dòng)態(tài)鏈接庫(kù)JMatLink.dll,與此同時(shí)Matlab.lib文件被導(dǎo)入,Matlab.lib文件中包含Matlab的引擎函數(shù)。當(dāng)Java用戶程序與Matlab進(jìn)行通信時(shí),首先JMatLink.dll被裝載入內(nèi)存,然后Java應(yīng)用程序?qū)?nèi)存中的JMatLink.dll的函數(shù)進(jìn)行調(diào)用,實(shí)現(xiàn)JMatLink與Matlab引擎函數(shù)的通信,從而進(jìn)一步對(duì)Matlab的庫(kù)函數(shù)進(jìn)行調(diào)用,這樣間接實(shí)現(xiàn)了Java調(diào)用Matlab中的函數(shù)進(jìn)行數(shù)據(jù)處理和計(jì)算。

上述原理解釋了Java與Matlab兩個(gè)異構(gòu)對(duì)象的通信過(guò)程,參數(shù)傳遞是二者之間通信的形式。而參數(shù)傳遞的過(guò)程是通過(guò)JMatLink創(chuàng)建的engine完成的。首先創(chuàng)建對(duì)象,然后由engine執(zhí)行其方法來(lái)實(shí)現(xiàn)對(duì)Matlab引擎函數(shù)的調(diào)用。首先建立一個(gè)引擎連接,然后engine以字符串的數(shù)據(jù)格式傳遞要執(zhí)行的命令和數(shù)據(jù)到Matlab的工作空間。在該參數(shù)全部到達(dá)Matlab工作空間之后,Matlab開(kāi)始正常地調(diào)用本身自帶的庫(kù)函數(shù)和數(shù)據(jù)包,對(duì)數(shù)據(jù)進(jìn)行處理。數(shù)據(jù)處理完畢,Matlab再次通過(guò)引擎函數(shù)對(duì)結(jié)果進(jìn)行傳遞,傳給Java應(yīng)用程序,應(yīng)用程序在獲取結(jié)果之后關(guān)閉Matlab引擎函數(shù)，從而完成了參數(shù)傳遞和調(diào)用的全部?jī)?nèi)容。

本文介紹了一種簡(jiǎn)單的Matlab與Java進(jìn)行混合編程的方法,它是直接把Matlab代碼編譯打包為一個(gè)Java包,然后通過(guò)Java應(yīng)用程序?qū)ava包中的方法和類進(jìn)行調(diào)用[26]。

1)輸入命令deploytool,彈出Matlab Compiler面板,選擇Library Compiler；

2)輸入編譯項(xiàng)目的名稱及選擇存儲(chǔ)路徑,并選擇編譯類型為Java Package；

3)選擇添加類,輸入類的名稱,然后處理函數(shù)的m文件；

4)添加完成之后點(diǎn)擊面板上的Package按鍵，對(duì)要打包的函數(shù)進(jìn)行打包編譯生成jar文件包。

打包編譯完成之后在項(xiàng)目路徑distrib目錄下,存在一個(gè)jar文件,該文件便是Java調(diào)用的文件包。由此Matlab部分的工作就全部完成了。

Java對(duì)打包生成的jar文件中類和方法的調(diào)用過(guò)程如下:

1)把編譯生成的jar文件導(dǎo)入Java的工程中,放在路徑classpath下，使得函數(shù)包中的類在當(dāng)前工程下是可調(diào)用的；

2)把Matlab編譯生成的Java類文件和com.mathworks.toolbox.javabuilder.*導(dǎo)入Java類文件，該文件是用來(lái)調(diào)用Matlab算法的類文件，import com.mathworks.toolbox.javabuilder.*，import SARdetection_package.*;

3)最后對(duì)編譯生成的jar文件中的類進(jìn)行調(diào)用。

3.2 軟件功能

本軟件中支持SAR典型地面目標(biāo)檢測(cè)模塊是其重要的運(yùn)用,下面介紹該軟件模塊的使用方法:載入所需處理的SAR圖像,在功能中選擇目標(biāo)檢測(cè)，輸入用戶定義的參數(shù),如圖10所示。

該檢測(cè)參數(shù)為SAR的分辨率以m為單位,決定了檢測(cè)時(shí)的目標(biāo)滑窗大小。需要用戶進(jìn)行定義，而后輸出檢測(cè)的結(jié)果如圖11所示。

4 改進(jìn)型CFAR算法的DSP應(yīng)用驗(yàn)證

現(xiàn)代雷達(dá)圖像處理系統(tǒng)的設(shè)計(jì)中,不僅要考慮運(yùn)算量、運(yùn)算速度、數(shù)據(jù)傳輸速度、體積的要求,還要考慮系統(tǒng)的標(biāo)準(zhǔn)化、通用性、模塊化、可擴(kuò)展性及其相關(guān)的技術(shù)。本文選用TMS320C6748作為SAR目標(biāo)檢測(cè)硬件模塊的核心處理器，利用LCDK6748開(kāi)發(fā)板對(duì)本文提出的改進(jìn)型CFAR算法進(jìn)行實(shí)現(xiàn)和優(yōu)化。該硬件模塊的主要處理流程如圖12所示。

對(duì)圖3中的SAR原始圖像進(jìn)行處理,得到如圖13所示的處理結(jié)果。

處理結(jié)果為檢測(cè)出16個(gè)目標(biāo),檢測(cè)虛警3個(gè),目標(biāo)13個(gè),FoM為0.81,大于傳統(tǒng)的雙參數(shù)CFAR檢測(cè)算法的檢測(cè)品質(zhì)因子0.75[18]。處理該圖片耗時(shí)2.53s,可以實(shí)現(xiàn)秒級(jí)別的大幅SAR圖像目標(biāo)的檢測(cè)。

5 結(jié)論

本文針對(duì)目前廣泛運(yùn)用的CFAR檢測(cè)算法進(jìn)行研究,提出一種改進(jìn)型的CFAR檢測(cè)算法,該算法對(duì)于復(fù)雜的背景雜波具有較強(qiáng)的適應(yīng)性,并且運(yùn)行速度快。針對(duì)該算法開(kāi)展的SAR圖像自動(dòng)目標(biāo)檢測(cè)模塊在海量數(shù)據(jù)的輔助檢測(cè)系統(tǒng)中是有效可行的。最后以DSP為處理平臺(tái),實(shí)現(xiàn)改進(jìn)型的目標(biāo)檢測(cè)算法,并對(duì)算法進(jìn)行優(yōu)化后,執(zhí)行效率提高,可實(shí)現(xiàn)秒級(jí)的SAR圖像的檢測(cè)。但是本文所采取的檢測(cè)算法比較單一,可利用多種檢測(cè)算法結(jié)合,實(shí)現(xiàn)信息融合,以提高檢測(cè)算法的精度和魯棒性。

[1] Cerutti-Maori D, Sikaneta I, Gierull C.Ship detection with spaceborne multi-channel SAR/GMTI radars[C]//European Conference on Synthetic Aperture Radar， 2012:400-403.

[2] Wang J, Sun L.Study on ship target detection and recognition in SAR imagery[C]//International Conference on Information Science and Engineering.IEEE, 2009:3154-3160.

[3] 艾加秋, 齊向陽(yáng), 禹衛(wèi)東.改進(jìn)的SAR圖像雙參數(shù)CFAR艦船檢測(cè)算法[J].電子與信息學(xué)報(bào), 2009, 31(12):2881-2885.

[4] 艾加秋, 齊向陽(yáng).一種基于局部K-分布的新的SAR圖像艦船檢測(cè)算法[J].中國(guó)科學(xué)院大學(xué)學(xué)報(bào), 2010, 27(1):36-42.

[5] Xing X W, Ji K F, Zou H X, et al.A fast ship detection algorithm in SAR imagery for wide area ocean surveillance[C]//Proceedings of the IEEE National Radar Conference,2012:0570 - 0574..

[6] Oliver C, Quegan S.Understanding synthetic aperture radar images[M].Sci Tech Publishing, 2004.

[7] 高貴.SAR圖像目標(biāo)ROI自動(dòng)獲取技術(shù)研究[D].長(zhǎng)沙：國(guó)防科學(xué)技術(shù)大學(xué), 2007.

[8] 晉瑞錦, 周偉, 楊健.大場(chǎng)景下的極化SAR機(jī)場(chǎng)檢測(cè)[J].清華大學(xué)學(xué)報(bào):自然科學(xué)版, 2014(12):1588-1593.

[9] Kaplan L M.Improved SAR target detection via extended fractal features[J].IEEE Transactions on Aerospace & Electronic Systems, 2001, 37(2):436-451.

[10] Wang C, Zhong X, Zhou P, et al.Man-made target detection in SAR imagery[C]//Geoscience and Remote Sensing Symposium, 2005.IGARSS ’05.IEEE,2005:1721-1724.

[11] Jao J K, Lee C F, Ayasli S.Coherent spatial filtering for SAR detection of stationary targets[J].IEEE Transactions on Aerospace Electronic Systems, 1999, 35(2):614-626.

[12] 張軍, 高貴, 周蝶飛,等.SAR圖像機(jī)動(dòng)目標(biāo)檢測(cè)的兩種CFAR算法對(duì)比研究[J].信號(hào)處理, 2008, 24(1):78-82.

[13] 林旭, 洪峻, 孫顯,等.一種基于自適應(yīng)背景雜波模型的寬幅SAR圖像CFAR艦船檢測(cè)算法[J].遙感技術(shù)與應(yīng)用, 2014, 29(1):75-81.

[14] 匡綱要, 計(jì)科峰, 粟毅,等.SAR圖象自動(dòng)目標(biāo)識(shí)別研究[J].中國(guó)圖象圖形學(xué)報(bào), 2003, 8(10):1115-1120.

[15] 何友.雷達(dá)目標(biāo)檢測(cè)與恒虛警處理[M].北京：清華大學(xué)出版社, 2011:56-70.

[16] 李文趨.Java與Matlab混合編程在圖像處理中的應(yīng)用[J].信息與電腦:理論版, 2009(10):69.

[17] 周小娟.Java-Matlab混合編程的研究[J].電子設(shè)計(jì)工程, 2013, 21(2):16-18.

[18] 汪煒.高分辨率SAR圖像 海上艦船目標(biāo)檢測(cè)方法研究[D].上海交通大學(xué), 2014.

SAR Image Target Detection Algorithm Based on Improved CFAR

XU Jian-qing ,LI Jun-bao,MA Yun-tong, PENG Yu

(Automatic Test and Control Institute, Harbin Institute of Technology, Harbin 150001, China)

The traditional CFAR algorithm has the disadvantages of high false alarm rate, low efficiency, cumbersome realization process, etc. In order to solve the above problems, an improved CFAR detection algorithm is proposed. According to the statistical histogram of the SAR images, the proposed algorithm can perform pre-screening for suspected target pixels. Then the detected pixels are distinguished by two sliding windows. The improved CFAR detection algorithm simplifies the structure of the traditional detection algorithm. At the same time, it reduces the false alarm rate and improves the efficiency of the algorithm. Experiments based on the international public radar data-sets for application verification are done on software and DSP platform respectively, which show effectiveness of the proposed algorithm.

Synthetic Aperture Radar(SAR);SAR image;Target detection;Constant False Alarm Rate(CFAR);DSP

2016-06-22；

2016-09-22

教育部新世紀(jì)人才計(jì)劃(NCET-13-0168)；國(guó)家自然基金(61371178)；廣西自動(dòng)檢測(cè)技術(shù)與儀器重點(diǎn)實(shí)驗(yàn)室基金(YQ16201)

許劍清(1994-)，男，碩士，研究方向?yàn)閳D像處理及目標(biāo)檢測(cè)。E-mail:xujianqinghit@163.com

10.19306/j.cnki.2095-8110.2017.04.011

V448.2

A

2095-8110(2017)04-0074-08