張 帆 陸圣濤 項(xiàng)德良*② 袁新哲

①(北京化工大學(xué)信息科學(xué)與技術(shù)學(xué)院 北京 100029)

②(北京化工大學(xué)軟物質(zhì)科學(xué)與工程高精尖創(chuàng)新中心 北京 100029)

③(國家衛(wèi)星海洋應(yīng)用中心 北京 100081)

1 引言

合成孔徑雷達(dá)(Synthetic Aperture Radar,SAR)由于其高分辨率以及全天時(shí)、全天候特點(diǎn)，擁有很高的軍用和民用價(jià)值，被廣泛應(yīng)用于各種監(jiān)測任務(wù)中，海洋監(jiān)測也已成為SAR最重要的應(yīng)用之一。海洋監(jiān)測的一個(gè)關(guān)鍵方向是對海面艦船的檢測，這得到了很多學(xué)者的持續(xù)關(guān)注和研究。由于艦船目標(biāo)多為金屬材質(zhì)，其雷達(dá)反射回波相對較強(qiáng)，在SAR圖像上表現(xiàn)為具有較強(qiáng)的后向散射，這也成為當(dāng)前艦船目標(biāo)檢測方法的主要出發(fā)點(diǎn)。由于SAR圖像存在較強(qiáng)相干斑噪聲和海雜波，艦船目標(biāo)往往隱藏在噪聲或雜波中，使得高海況條件下的艦船目標(biāo)檢測成為難點(diǎn)。在當(dāng)前可獲取的高分辨率SAR圖像中，船的細(xì)節(jié)更為豐富，目標(biāo)像素也更為分散，旁瓣影響以及海雜波后向散射都給艦船檢測帶來了挑戰(zhàn)。

基于恒虛警率(Constant False Alarm Rate,CFAR)的目標(biāo)檢測方法由于算法簡單和自適應(yīng)等優(yōu)點(diǎn)，是目前被廣泛使用的目標(biāo)檢測方法之一[1-4]。由于背景雜波具有不同的統(tǒng)計(jì)分布，研究者提出了大量具有不同局部統(tǒng)計(jì)特性的CFAR檢測器，如雙參數(shù)CFAR檢測器[5]、OS-CFAR檢測器[6]、CA-CFAR檢測器[7]等。為了對背景雜波進(jìn)行更為準(zhǔn)確的建模，研究者也提出了許多復(fù)雜統(tǒng)計(jì)模型，如廣義伽馬分布[8]、K分布[9]和G0分布[10]等。相比于基于深度學(xué)習(xí)的艦船檢測方法[11-13]，CFAR可以進(jìn)行逐像素的檢測，不僅可以確定艦船在圖像中的位置，還可以檢測艦船內(nèi)部像素，這也是應(yīng)用CFAR進(jìn)行高分辨率SAR圖像艦船檢測的優(yōu)勢。盡管一些艦船實(shí)例分割的深度學(xué)習(xí)方法[14,15]可以實(shí)現(xiàn)逐像素的預(yù)測，但是需要大量的訓(xùn)練樣本，人工標(biāo)注的成本較大。此外，深度學(xué)習(xí)進(jìn)行逐像素的預(yù)測會受到噪聲、后向散射強(qiáng)度差異的影響，較難保持艦船內(nèi)部細(xì)節(jié)，對近岸艦船目標(biāo)檢測過程中，可能導(dǎo)致陸地區(qū)域存在大量虛警。

針對局部均勻雜波中單一目標(biāo)的情況，傳統(tǒng)的CFAR檢測方法得到了廣泛應(yīng)用。然而，當(dāng)使用局部滑動窗口估計(jì)海雜波的統(tǒng)計(jì)信息時(shí)，CFAR檢測器會面臨很多問題。首先，當(dāng)存在多個(gè)目標(biāo)時(shí)，滑窗尺寸的選擇變得極其敏感，難以準(zhǔn)確自適應(yīng)地分離目標(biāo)和雜波背景區(qū)域，獲得的海雜波估計(jì)樣本可能包含其他目標(biāo)像素，從而錯(cuò)誤估計(jì)雜波分布的參數(shù)，導(dǎo)致檢測性能降低[16,17]。為了克服這個(gè)缺點(diǎn)，許多研究者致力于改進(jìn)傳統(tǒng)的CFAR算法。Gao等人[18]提出了一種帶有初始檢測的預(yù)處理方法，從而獲得準(zhǔn)確的雜波分布參數(shù)，然而初始檢測的閾值很難自適應(yīng)確定。Cui等人[16]提出了一種用于SAR圖像目標(biāo)檢測的迭代處理方法，通過迭代更新目標(biāo)所在區(qū)域以達(dá)到優(yōu)化檢測的目的?；谶@一思想，An等人[17]提出了一種改進(jìn)的截尾迭代檢測方案，加速了CFAR檢測。這些方法雖然提高了檢測性能，但由于迭代和滑動窗口技術(shù)，導(dǎo)致計(jì)算效率過低，同時(shí)檢測結(jié)果對窗口參數(shù)仍然敏感。Hou等人[19]提出一種多層CFAR檢測方法，避免了傳統(tǒng)CFAR檢測結(jié)果中出現(xiàn)孔洞和裂縫的情況。該方法使用全局CFAR縮短檢測時(shí)間，但虛警率相對較高。Leng等人[20]提出了一種雙邊CFAR算法，通過考慮SAR圖像中艦船的空間分布，減小相干斑噪聲和海雜波對檢測的影響。艾加秋等人[21]提出了一種復(fù)雜環(huán)境下改進(jìn)的雙邊CFAR算法，通過強(qiáng)度與空間域信息融合，提高弱目標(biāo)的對比度，從而提升艦船檢測率。

隨著雷達(dá)成像傳感器的快速發(fā)展，當(dāng)前可獲取的SAR圖像分辨率越來越高，SAR圖像艦船檢測也迎來了新的挑戰(zhàn)?？紤]到高分辨率SAR圖像的特性，傳統(tǒng)CFAR檢測器會面臨許多問題。一方面，高分辨率SAR圖像的相干斑噪聲會增加檢測結(jié)果中的虛警。另一方面，艦船目標(biāo)在圖像中會顯現(xiàn)出多個(gè)強(qiáng)后向散射，這導(dǎo)致艦船目標(biāo)在檢測結(jié)果中無法形成連通區(qū)域，丟失了艦船的結(jié)構(gòu)信息。此外，僅考慮艦船和海雜波之間的像素強(qiáng)度差異，很難消除陸地區(qū)域人造目標(biāo)的虛警[22]。理論上來講，海面上同一艦船目標(biāo)的像素應(yīng)該共享相同的背景雜波統(tǒng)計(jì)參數(shù)，然而傳統(tǒng)CFAR方法沒有考慮待測像素的鄰域關(guān)系，采用滑窗策略選取雜波區(qū)域，這容易造成雜波參數(shù)估計(jì)不準(zhǔn)確。最后，傳統(tǒng)CFAR對每個(gè)像素點(diǎn)都要進(jìn)行一次雜波參數(shù)估計(jì)，這種策略較難適應(yīng)高分辨率SAR圖像的檢測效率需求。

近年來，超像素作為一種過分割處理方法被廣泛應(yīng)用于圖像處理，包括光學(xué)圖像和SAR圖像，取得了令人滿意的結(jié)果[23-26]。由于超像素實(shí)現(xiàn)相似像素的聚類并能很好地貼合目標(biāo)邊界進(jìn)而實(shí)現(xiàn)準(zhǔn)確分割，因此能反映目標(biāo)的邊界和局部細(xì)節(jié)特征。理論上，SAR圖像中的艦船目標(biāo)都可以用一個(gè)超像素或一些連通的超像素來描述。簡單線性迭代聚類(Simple Linear Iterative Clustering,SLIC)[27]是一種經(jīng)典的自然圖像超像素生成方法。但是，單通道SAR圖像只有灰度信息且存在固有的相干斑噪聲，將SLIC直接應(yīng)用于高分辨率SAR圖像并不能取得令人滿意的結(jié)果。為了應(yīng)對這個(gè)問題，一些基于SLIC的方法被提出并被證明適用于SAR圖像的超像素生成[28-31]。在這些方法中，研究者大多用SAR圖像像素的相異度代替原始SLIC中的歐氏距離，以此克服相干斑噪聲的干擾。例如，文獻(xiàn)[28]定義了SAR圖像的像素強(qiáng)度和局部信息相異度，即使在噪聲干擾下也能取得穩(wěn)定的超像素分割結(jié)果。一些方法在重新設(shè)計(jì)像素相異度的基礎(chǔ)上，將SAR圖像的同質(zhì)性引入到距離測度中，使得超像素的生成能夠適應(yīng)不同的SAR場景，例如文獻(xiàn)[31]中的方法。

目前，已有一些基于超像素的CFAR目標(biāo)檢測方法的研究。Cui等人[32]提出了一種基于超像素建模的CFAR算法，建立了超像素級混合伽馬分布來描述雜波統(tǒng)計(jì)模型，對陸地目標(biāo)的檢測具有較大優(yōu)勢。Yu等人[33]使用超像素估計(jì)雜波分布參數(shù)，結(jié)合改進(jìn)的雙參數(shù)CFAR方法進(jìn)行目標(biāo)檢測。Pappas等人[34]使用超像素代替矩形滑窗來定義CFAR保護(hù)區(qū)域和背景區(qū)域，以此減少誤檢。Li等人[35]以超像素代替單個(gè)像素作為基本處理單元進(jìn)行SAR圖像艦船檢測，在檢測性能和計(jì)算效率方面優(yōu)于傳統(tǒng)CFAR方法。Liu等人[36]采用多尺度超像素對SAR圖像進(jìn)行海陸分割，結(jié)合CFAR檢測器對岸邊艦船目標(biāo)進(jìn)行檢測。Li等人[37]將超像素進(jìn)行分類，自適應(yīng)選取足夠數(shù)量的純雜波超像素用于計(jì)算檢測閾值。Li等人[38]將超像素分割作為預(yù)處理過程，在伽馬分布的假設(shè)下，對背景窗口中的超像素進(jìn)行雜波自動截?cái)啵源吮Ａ粽鎸?shí)的海雜波樣本，對多目標(biāo)情況下的艦船檢測取得了較好的效果。盡管上述基于超像素的CFAR檢測方法可以提高艦船檢測的性能，但大多數(shù)方法仍是通過滑動窗口方案實(shí)現(xiàn)的，即將窗口設(shè)置在超像素上移動，檢測結(jié)果對窗口尺寸比較敏感。對于高分辨率SAR圖像而言，仍存在計(jì)算效率過低的問題。此外，大量的人造目標(biāo)虛警難以消除，檢測結(jié)果的虛警率較高。

為了解決上述問題，本文將超像素應(yīng)用到CFAR目標(biāo)檢測中，提出了一種針對SAR圖像艦船目標(biāo)的無窗快速CFAR檢測方法。該方法使用作者先前提出的基于密度的快速噪聲空間聚類(Density Based Spatial Clustering of Applications with Noise,DBSCAN)超像素生成方法[39]生成SAR圖像的超像素，該方法可以較好地克服相干斑噪聲干擾，對不同場景SAR圖像超像素分割具備魯棒性。同時(shí)，DBSCAN在融合階段將局部小超像素合并到其鄰域超像素中，使最終的超像素分割更為緊湊和準(zhǔn)確，有利于后續(xù)CFAR檢測較好地保留艦船目標(biāo)的邊界和內(nèi)部細(xì)節(jié)。在超像素生成之后，本文定義了超像素相異度，即使在多目標(biāo)的情況下也可以自適應(yīng)選取雜波超像素，從而估計(jì)每個(gè)像素的雜波分布參數(shù)。同時(shí)，超像素內(nèi)部像素的雜波分布參數(shù)共享，大大提升了CFAR檢測效率。此外，本文定義了局部超像素對比度來優(yōu)化CFAR檢測，從而消除大量陸地區(qū)域人造目標(biāo)虛警。

2 傳統(tǒng)CFAR檢測算法

CFAR檢測算法是一種適應(yīng)性閾值檢測方法，其工作原理是根據(jù)假設(shè)的背景概率密度函數(shù)p(x)估計(jì)目標(biāo)周圍的統(tǒng)計(jì)分布，從而保持恒定的虛警率Pfa。CFAR檢測算法將單個(gè)像素點(diǎn)的灰度值與某一門限進(jìn)行比較，從而判斷該像素點(diǎn)是否屬于目標(biāo)像素點(diǎn)。確定這一門限需要3個(gè)要素，分別是預(yù)先設(shè)定的虛警率Pfa、假定的雜波統(tǒng)計(jì)模型、CFAR滑窗檢測器。傳統(tǒng)CFAR檢測算法的流程如圖1所示。

圖1 傳統(tǒng)CFAR檢測算法通用流程Fig.1 General flow of the traditional CFAR detection algorithm

傳統(tǒng)CFAR檢測器通過滑動窗口遍歷SAR圖像中所有像素點(diǎn)，實(shí)現(xiàn)逐像素的目標(biāo)檢測。目前最常用的CFAR滑動窗口是空心滑窗，由內(nèi)而外可分為3個(gè)組成部分，分別是目標(biāo)區(qū)域、保護(hù)區(qū)域和背景雜波區(qū)域，如圖2所示。

圖2 傳統(tǒng)CFAR檢測器滑動窗口示意圖Fig.2 Schematic diagram of the sliding window in the traditional CFAR detector

設(shè)定虛警率為Pfa，背景雜波區(qū)域的概率密度函數(shù)為p(x)，則可以得到：

此時(shí)根據(jù)CFAR檢測原理，判別依據(jù)可以表示為

其中，x為被檢測像素點(diǎn)灰度值，T為依據(jù)式(1)求出的檢測閾值。傳統(tǒng)CFAR算法對滑窗尺寸的選擇極其敏感，難以準(zhǔn)確自適應(yīng)地分離目標(biāo)和局部背景區(qū)域，從而難以得到準(zhǔn)確有效的雜波分布參數(shù)。同時(shí)，傳統(tǒng)CFAR方法對每個(gè)像素點(diǎn)都要進(jìn)行一次雜波參數(shù)估計(jì)，這種逐像素滑窗策略的檢測效率過低。

CFAR檢測器中使用的典型統(tǒng)計(jì)模型包括高斯分布、瑞利分布、K分布和G0分布等。為了提高背景雜波擬合精度，一些復(fù)雜分布模型被提出，例如廣義重尾瑞利分布模型[40]、廣義伽馬分布模型以及廣義伽馬混合分布模型[41]?；旌先鹄植伎筛咝?zhǔn)確地用于高分辨率SAR圖像的雜波建模[42]，在文獻(xiàn)[42]中，作者通過海雜波真實(shí)數(shù)據(jù)擬合分析，詳細(xì)驗(yàn)證了混合瑞利分布適用于各種復(fù)雜SAR場景的雜波建模。同時(shí)將混合瑞利分布應(yīng)用于CFAR目標(biāo)檢測中，證明了其在海雜波建模和CFAR檢測中的有效性。在混合瑞利分布中，每個(gè)瑞利分布按其區(qū)間內(nèi)的數(shù)據(jù)量成比例加權(quán)，因此概率密度函數(shù)和累積分布函數(shù)形式如下：

式中，Ma為混合模型中瑞利分布的數(shù)量，k為混合瑞利分布指代參數(shù)，wk為第k個(gè)瑞利分布的權(quán)重，λk為第k個(gè)瑞利分布的比例參數(shù)?；旌夏Ｐ椭袡?quán)重計(jì)算方式如下：

3 基于超像素的快速CFAR艦船目標(biāo)檢測算法

本文在傳統(tǒng)CFAR檢測算法的基礎(chǔ)框架上，提出了一種基于超像素?zé)o窗快速CFAR的目標(biāo)檢測算法，避免了傳統(tǒng)CFAR算法的滑窗設(shè)計(jì)，提升了CFAR檢測的性能，具體流程如圖3所示。首先，利用作者先前提出的快速DBSCAN超像素生成方法對SAR圖像進(jìn)行分割。由于陰影超像素沒有雷達(dá)回波，會干擾后續(xù)的雜波參數(shù)估計(jì)，因此本文在超像素生成之后進(jìn)行了陰影超像素的去除。之后，通過聚類將超像素分為潛在目標(biāo)超像素與背景超像素，后續(xù)的CFAR檢測只針對篩選出的潛在目標(biāo)超像素，這大大提升了檢測效率。為了自適應(yīng)選取純雜波超像素，本文定義了超像素相異度，即使在多目標(biāo)的情況下也可以準(zhǔn)確估計(jì)待測像素的雜波分布參數(shù)。由于同一超像素中的待測像素共享相同的雜波背景像素，因此不需要逐像素地估計(jì)雜波分布參數(shù)，從而提高了檢測效率。此外，基于SAR圖像變異系數(shù)，本文定義了一種局部超像素對比度來優(yōu)化CFAR檢測，以此消除大量人造目標(biāo)虛警。

圖3 本文提出的基于超像素?zé)o窗快速CFAR的目標(biāo)檢測算法流程Fig.3 Flow chart the proposed superpixel non-window fast CFAR strategy

3.1 SAR圖像快速DBSCAN超像素分割

文獻(xiàn)[39]中的快速DBSCAN超像素生成算法包括聚類和融合兩個(gè)階段。在聚類階段，針對SAR圖像的特性對DBSCAN策略進(jìn)行了優(yōu)化，提出了一種新的自適應(yīng)像素相異度計(jì)算方法。融合階段，在初始超像素的基礎(chǔ)上，定義了一種新的超像素相異度，將局部小超像素融合到其鄰域超像素中，使最終的超像素分割更為緊湊和規(guī)則。值得指出的是，為了使生成的超像素可以較好地保持圖像邊界，文獻(xiàn)[39]中像素相異度和超像素相異度均考慮了SAR圖像的邊緣信息。然而，為了簡化過程，同時(shí)提升超像素分割的效率，本文沒有考慮超像素生成的邊緣損失，因此像素相異度Ω(i,j)可以定義為

式中，像素點(diǎn)i與j的強(qiáng)度相異值δ(i,j)可以由其為中心的5×5像素塊Pi與Pj的似然比檢驗(yàn)統(tǒng)計(jì)量定義，數(shù)學(xué)形式如下：

聚類階段是一種區(qū)域生長過程，在獲得足夠多具有不同標(biāo)簽的像素后，生成了初始的超像素。融合階段將超像素進(jìn)行合并以消除局部小超像素，如果一個(gè)初始超像素內(nèi)的像素?cái)?shù)小于一個(gè)閾值，將此超像素與其相異度最低的鄰接初始超像素合并，得到最終的超像素結(jié)果。超像素相異度Ω(SPm,SPn)定義為

式中，size(·)代表超像素大小。從式(9)可以看出，超像素相異度考慮了強(qiáng)度值與同質(zhì)性信息，因此兩個(gè)具有相似均勻度和散射強(qiáng)度的超像素很容易被合并。有關(guān)實(shí)現(xiàn)快速DBSCAN超像素生成的更多詳細(xì)信息，請參見作者先前工作文獻(xiàn)[39]。

3.2 陰影超像素去除

SAR圖像中的陰影區(qū)域沒有雷達(dá)回波，無法顯現(xiàn)出目標(biāo)散射回波成像的紋理信息，如果將其作為背景雜波則會干擾統(tǒng)計(jì)分布參數(shù)的估計(jì)，導(dǎo)致CFAR檢測性能降低。因此，本文在選擇雜波超像素之前應(yīng)先消除沒有雷達(dá)回波的陰影超像素。通過設(shè)定一個(gè)超像素平均強(qiáng)度閾值Tsh來判斷該超像素是否屬于陰影區(qū)域，平均像素強(qiáng)度低于Tsh則被視為陰影超像素，將其從超像素集中去除。

3.3 雜波超像素選取與局部對比度圖計(jì)算

滑動窗口策略在傳統(tǒng)CFAR算法中非常普遍，然而滑窗策略導(dǎo)致CFAR檢測算法對窗口參數(shù)十分敏感，并且逐像素的檢測過程效率較低。此外，隨著SAR圖像分辨率的提高，像素級CFAR很難在保持目標(biāo)形狀完整的同時(shí)抑制虛警。針對這些問題，本文使用超像素代替?zhèn)鹘y(tǒng)方法中的滑窗，有利于雜波區(qū)域的選取。

雜波超像素的選取對雜波分布參數(shù)估計(jì)至關(guān)重要，如何選擇純凈的雜波區(qū)域是本文重點(diǎn)要解決的問題。如圖4所示，對于待測超像素，通常有3種方法可以選取雜波超像素，其中雜波超像素在圖4中以灰色表示。如圖4(a)所示，Pappas等人[34]提出了一種拓?fù)浣Y(jié)構(gòu)，其中超像素的大小遠(yuǎn)大于艦船目標(biāo)，以此確定相應(yīng)的保護(hù)區(qū)域和背景雜波區(qū)域。這種方法保證了艦船目標(biāo)包含在一個(gè)超像素中，僅能處理單一目標(biāo)的情形，局限性較大。Yu等人[33]提出了一種與傳統(tǒng)CFAR方法類似的局部滑窗，如圖4(b)所示。這種方法需要根據(jù)SAR圖像中的目標(biāo)大小確定窗口尺寸，無法自適應(yīng)地選取雜波區(qū)域且計(jì)算效率較低。如圖4(c)所示，Li等人[35,38]提出使用鄰域策略選取雜波超像素，根據(jù)巴氏距離來確定相鄰的超像素是否為雜波區(qū)域。

圖4 雜波超像素選取策略Fig.4 Strategies for clutter superpixels determination

本文考慮到雜波超像素的選取效率，同時(shí)為了消除滑窗對CFAR檢測的影響，選擇以鄰域策略來選取雜波超像素。為了使得雜波分布參數(shù)的估計(jì)更準(zhǔn)確，我們提出用式(9)中的超像素相異度來選取純凈的雜波超像素。為了進(jìn)一步驗(yàn)證該超像素相異度的有效性，本文選取SAR圖像中的一艘艦船目標(biāo)進(jìn)行分析，圖5給出了超像素相異度示意圖。超像素①分割出了部分艦船目標(biāo)，超像素④為背景區(qū)域，它們之間的平均強(qiáng)度值Iˉ有較大差異，導(dǎo)致式(10)的強(qiáng)度差異度量值σ較大，同時(shí)超像素同質(zhì)性度量值H之間的差值也會受到影響，導(dǎo)致超像素相異度Ω具有較大的值。與此相反，超像素①與超像素②、超像素③與超像素④之間的強(qiáng)度值差異較小，最終得到較小的超像素相異度值。因此，根據(jù)超像素相異度可以選取純凈的雜波超像素，從而可以提升雜波分布參數(shù)估計(jì)的準(zhǔn)確性。此外，一個(gè)超像素內(nèi)的像素共享相同的雜波分布參數(shù)，這進(jìn)一步加速了CFAR檢測。

圖5 超像素相異度有效性分析示意圖Fig.5 Schematic diagram of superpixel dissimilarity effectiveness analysis

在生成超像素之后，得到了全體超像素集Rall，然后采用K-means聚類算法，根據(jù)每個(gè)超像素的平均強(qiáng)度值將Rall分成兩個(gè)子集Rtarget和Rbackground。我們認(rèn)為艦船目標(biāo)與陸地區(qū)域人造目標(biāo)都被包含在平均強(qiáng)度值相對較高的超像素集Rtarget中，所以將Rtarget作為潛在目標(biāo)超像素集。背景海雜波區(qū)域或者陸地上的裸地、道路等被包含在平均強(qiáng)度值較低的超像素集Rbackground中，在后續(xù)的CFAR檢測中不對其進(jìn)行處理。

對Rtarget中每一個(gè)潛在目標(biāo)超像素SPi，本文定義了一個(gè)空集Sclutter去存儲雜波超像素。對SPi的每一個(gè)屬于Rbackground的鄰接超像素計(jì)算其與SPi的相異度，如果相異度值大于預(yù)設(shè)值Thclu，那么將該鄰接超像素視為雜波超像素，添加進(jìn)Sclutter。找到所有鄰接雜波超像素后，以鄰接的雜波超像素作為中心，計(jì)算其與鄰域的屬于Rbackground的超像素之間的相異度，將相異度值小于Tlclu的超像素作為新的雜波超像素添加進(jìn)Sclutter。這個(gè)迭代過程直到滿足預(yù)設(shè)的Sclutter中超像素?cái)?shù)量最大值條件時(shí)停止。對于每個(gè)超像素，可以通過以下方式獲取鄰接的超像素：對于當(dāng)前超像素中的每個(gè)像素，選取其鄰域的8個(gè)像素，如果它們與中心像素具有相同的超像素標(biāo)簽，則移動到下一個(gè)像素，否則，具有不同超像素標(biāo)簽的鄰域像素可以被視為鄰接超像素中的像素。雜波超像素選取的算法流程如表1所示。

表1 雜波超像素選取算法Tab.1 The algorithm of clutter superpixels selection

本文雜波超像素選取方法與Li等人[35,38]的策略存在區(qū)別，本文方法首先將生成的超像素分類為潛在目標(biāo)超像素和背景超像素，因此只對潛在目標(biāo)超像素進(jìn)行目標(biāo)檢測，這可以避免對背景超像素的計(jì)算，從而加速目標(biāo)檢測。與圖4(c)不同，本文方法在選取雜波超像素時(shí)不僅考慮了潛在目標(biāo)超像素的鄰接超像素，還考慮了潛在目標(biāo)超像素的非鄰接超像素。因此，在處理多目標(biāo)情形時(shí)，雜波超像素可以包含更多非局部信息，從而估計(jì)出更準(zhǔn)確的雜波模型參數(shù)。

針對陸地區(qū)域人造目標(biāo)等虛警問題，本文提出一種局部超像素對比度計(jì)算方法來增強(qiáng)目標(biāo)超像素。假設(shè)艦船目標(biāo)位于局部超像素強(qiáng)度值相對較低的海域，而陸地區(qū)域人造目標(biāo)的周圍則是強(qiáng)度值相對較高的超像素?；谶@一假設(shè)，本文在像素層面與超像素層面結(jié)合，考慮SAR圖像變異系數(shù)，定義了局部超像素對比度來增強(qiáng)艦船目標(biāo)與背景之間的差異，從而優(yōu)化CFAR檢測結(jié)果，去除陸地虛警。針對潛在目標(biāo)超像素SPm中的像素點(diǎn)x計(jì)算局部對比度值，定義為

式中，Ω(SPm,SPn)代 表超像素相異度，ζ(x)代表像素點(diǎn)的局部變異度，將其定義為

式中，CoV表示SAR圖像像素點(diǎn)局部變異系數(shù)，由局部像素點(diǎn)強(qiáng)度值的標(biāo)準(zhǔn)差與均值計(jì)算得出，本文中局部區(qū)域大小設(shè)定為7 pixel×7 pixel。κspatial為空間因子，在本文中設(shè)定為0.4。從式(11)中對Clocal(x)的定義可以看出，像素點(diǎn)x的局部對比度與其所在超像素的相異性和其自身局部變異性有關(guān)。對于海域中的艦船，超像素相異性值大，變異性度量值大，導(dǎo)致局部對比度較大。對于陸地上的人造目標(biāo)，由于其像素點(diǎn)局部的變異系數(shù)CoV很大，導(dǎo)致其變異性度量值較小，最終得到相對較低的局部對比度值。根據(jù)上述分析，局部對比度圖對潛在艦船目標(biāo)的檢測具有顯著增益效果。

3.4 像素到超像素檢測決策

在獲得每個(gè)潛在目標(biāo)超像素的雜波超像素后，可以進(jìn)行后續(xù)的CFAR檢測。由于混合瑞利分布適用于高分辨率SAR圖像建模，所以本文雜波統(tǒng)計(jì)模型采用Ma=3的混合瑞利分布。混合瑞利分布的權(quán)重和比例參數(shù)可以通過式(5)與式(6)來估計(jì)，其中用于估計(jì)的像素來自選取到的雜波超像素。

針對每一個(gè)待測超像素SPm，相應(yīng)的檢測閾值Tcfar可以通過預(yù)設(shè)的虛警率Pfa求得，具體形式為

式中，(x)代表混合瑞利分布的概率密度函數(shù)，形式如式(3)所示，F(xiàn)(x)是對應(yīng)的分布函數(shù)。基于CFAR檢測標(biāo)準(zhǔn)，每個(gè)待測超像素SPm中像素點(diǎn)x可以判定為

式中，I(x)為像素x的強(qiáng)度值?；谕怀袼刂械南袼鼐哂邢嗨茝?qiáng)度信息的假設(shè)，因此可以使用相同的檢測閾值來判斷SPm中的像素，可顯著提升決策效率。為了消除陸地區(qū)域人造目標(biāo)的虛警，將提出的局部超像素對比度考慮進(jìn)CFAR檢測中，以此優(yōu)化檢測結(jié)果。優(yōu)化過程如式(16)所示：

由于陸地區(qū)域人造目標(biāo)具有相對較低的局部對比度值，因此，式(16)中的決策可以進(jìn)一步抑制虛警并增益艦船目標(biāo)檢測。超像素中像素具有相似的后向散射強(qiáng)度，基于此，本文認(rèn)為同一個(gè)超像素應(yīng)被標(biāo)記為同一個(gè)類別，所以我們設(shè)計(jì)一種后處理方法將像素級檢測結(jié)果映射到超像素層面。具體做法如下：如果在式(16)中被檢測為目標(biāo)像素的像素?cái)?shù)量超過一個(gè)閾值，則對應(yīng)的超像素被視為目標(biāo)超像素，其中的所有像素被標(biāo)記為目標(biāo)，否則，超像素被視為背景。通過將像素檢測結(jié)果映射到超像素層面，可以進(jìn)一步消除孤立的虛警像素，降低虛警率。

4 實(shí)驗(yàn)與分析

4.1 實(shí)驗(yàn)數(shù)據(jù)介紹

本文使用5幅真實(shí)SAR圖像進(jìn)行實(shí)驗(yàn)驗(yàn)證。第1幅圖像是分辨率為1 m的星載TerraSAR X波段SAR數(shù)據(jù)，圖像大小為625 pixel×515 pixel，如圖6(a)所示。第2幅SAR圖像同樣是星載TerraSAR數(shù)據(jù)，分辨率為1 m，圖像大小為2522 pixel×1411 pixel，如圖6(b)所示。第3幅SAR圖像是高分3號(GF-3)C波段數(shù)據(jù)，分辨率為3 m，圖像大小為2012 pixel×1721 pixel，如圖6(c)所示。第4幅SAR圖像同樣是分辨率為3 m的GF-3 C波段數(shù)據(jù)，圖像大小為1041 pixel×894 pixel，如圖6(d)所示。第5幅圖像由C波段Sentinel-1A星載SAR傳感器采集，分辨率為20 m，圖像大小為680 pixel×690 pixel，如圖6(e)所示。

值得指出的是，5幅圖像都包含部分陸地區(qū)域，其中，圖6(d)陸地區(qū)域散射強(qiáng)度較大，圖6(c)中存在一些小型船只，圖6(e)中艦船目標(biāo)較密集，部分艦船存在較強(qiáng)的旁瓣干擾，可以用于驗(yàn)證本文方法對多尺度艦船檢測和存在旁瓣影響下密集目標(biāo)檢測的性能。圖7展示了5幅圖像的真值圖，白色區(qū)域代表真實(shí)的艦船像素。本文真值圖由專家在SAR圖像上手動標(biāo)記。

圖6 實(shí)驗(yàn)采用的不同波段不同分辨率的SAR圖像Fig.6 The SAR images with different bands and different resolutions in the experiment

圖7 5幅SAR圖像的真值圖Fig.7 The ground truth map of the SAR images

4.2 不同方法對比實(shí)驗(yàn)分析

圖8--圖12展示了本文方法對不同SAR圖像的檢測結(jié)果，包括最終的結(jié)果圖和中間結(jié)果圖。圖8展示了第1幅TerraSAR X波段SAR圖像的檢測結(jié)果，實(shí)驗(yàn)設(shè)置生成的超像素?cái)?shù)量為5000，分割結(jié)果如圖8(a)所示。從分割結(jié)果圖可以看出，快速DBSCAN超像素生成方法可以生成精細(xì)的超像素，這些超像素很好地附著在圖像邊界上，保留艦船目標(biāo)形狀。圖8(b)展示了本文方法篩選出的潛在目標(biāo)超像素，從中可以看出，本文方法中并不是所有的像素都參與檢測，而是通過聚類將平均強(qiáng)度值較高的超像素篩選出來進(jìn)行后續(xù)CFAR檢測，所以與傳統(tǒng)的CFAR檢測器相比，本文方法檢測過程更高效。圖8(c)展示了局部對比度圖，從中可以看出，艦船的對比度較高，而陸地區(qū)域的對比度相對較低，這有利于去除陸地區(qū)域人造目標(biāo)虛警。圖8(d)展示了最終的超像素級檢測結(jié)果圖，從中可以看出，艦船的細(xì)節(jié)被很好地檢測出來，陸地上的樹林以及具有較強(qiáng)后向散射的人造建筑等目標(biāo)被很好地消除，有效抑制了虛警。

圖8 TerraSAR X波段SAR圖像1檢測結(jié)果圖Fig.8 The results of TerraSAR X band SAR image 1 with the proposed method

TerraSAR X波段SAR圖像2為艦船停靠碼頭的場景，同時(shí)陸地上存在較多人造建筑與植被。本文方法的檢測結(jié)果如圖9所示，其中超像素?cái)?shù)量設(shè)置為12000。圖9(b)展示了聚類得到的潛在目標(biāo)超像素結(jié)果圖，從中可以看到，一些較強(qiáng)后向散射的目標(biāo)被判斷為潛在目標(biāo)進(jìn)行后續(xù)的檢測。通過局部對比度圖的約束，在最終的超像素級CFAR檢測結(jié)果中較好地消除了虛警，如圖9(c)和圖9(d)所示。

圖9 TerraSAR X波段SAR圖像2檢測結(jié)果圖Fig.9 The results of TerraSAR X band SAR image 2 with the proposed method

圖10展示了GF-3 C波段SAR圖像1的艦船檢測結(jié)果，圖像場景中包含一片城市區(qū)域和8艘多尺度近海艦船目標(biāo)，實(shí)驗(yàn)設(shè)置超像素?cái)?shù)量為10000。如圖10(b)所示，在CFAR檢測之前將大部分背景超像素篩除，凸顯出船與陸地區(qū)域具有較強(qiáng)后向散射的人造目標(biāo)，以便提升檢測的效率。通過計(jì)算局部對比度進(jìn)行約束，最終得到如圖10(d)所示的艦船檢測結(jié)果。由于超像素分割的準(zhǔn)確性，小型船只均被檢測出來，驗(yàn)證了本文方法對多尺度艦船檢測的能力。

圖10 GF-3 C波段SAR圖像1檢測結(jié)果圖Fig.10 The results of GF-3 C band SAR image 1 with the proposed method

圖11展示了GF-3 C波段SAR圖像2的艦船檢測結(jié)果，圖像場景中包含一片城市區(qū)域和一艘海上船只，實(shí)驗(yàn)設(shè)置超像素?cái)?shù)量為9000。如圖11(b)所示，在CFAR檢測之前將大部分背景超像素篩除，凸顯出船與陸地區(qū)域具有較強(qiáng)后向散射的人造目標(biāo)，以便提升檢測的效率。由于城市多為異質(zhì)區(qū)域，通過計(jì)算局部對比度進(jìn)行約束，最終得到如圖11(d)所示的艦船檢測結(jié)果。

圖11 GF-3 C波段SAR圖像2檢測結(jié)果圖Fig.11 The results of GF-3 C band SAR image 2 with the proposed method

圖12展示了Sentinel-1A C波段SAR圖像的檢測結(jié)果，圖像場景包含一些不同大小的艦船和兩座島嶼，實(shí)驗(yàn)設(shè)置超像素?cái)?shù)量為6000。在圖12(b)中，通過潛在目標(biāo)超像素的篩選，消除了大部分背景區(qū)域。在局部對比度圖中，島上的虛警被抑制，從而優(yōu)化檢測結(jié)果。從圖12(d)可以看出，由于超像素的約束，本文方法可以有效抑制旁瓣干擾。

圖12 Sentinel-1A C波段SAR圖像檢測結(jié)果圖Fig.12 The results of Sentinel-1A C band SAR image with the proposed method

為了驗(yàn)證本文方法的有效性，這里采用傳統(tǒng)雙參數(shù)CFAR檢測方法，SP-CFAR方法[34]以及基于截?cái)噘ゑR分布的超像素CFAR方法(SP-CFAR-TG)[38]作為對比方法。傳統(tǒng)雙參數(shù)CFAR的滑動窗口大小是根據(jù)不同圖像的信息和用戶經(jīng)驗(yàn)選擇的。為保持一致性，SP-CFAR方法和SP-CFAR-TG方法超像素分割結(jié)果與本文方法相同，其余參數(shù)根據(jù)參考文獻(xiàn)設(shè)定。3種對比方法針對上述5幅SAR圖像的檢測結(jié)果如圖13-圖17所示。

圖14 3種對比方法對TerraSAR X波段SAR圖像2的檢測結(jié)果Fig.14 The detection results of TerraSAR X band SAR image 2 with three compared methods

圖15 3種對比方法對GF-3 C波段SAR圖像1的檢測結(jié)果Fig.15 The detection results of GF-3 C band SAR image 1 with three compared methods

圖16 3種對比方法對GF-3 C波段SAR圖像2的檢測結(jié)果Fig.16 The detection results of GF-3 C band SAR image 2 with three compared methods

圖17 3種對比方法對Sentinel-1A C波段SAR圖像的檢測結(jié)果Fig.17 The detection results of Sentinel-1A C band SAR image with three compared methods

從檢測結(jié)果中可以看出，傳統(tǒng)雙參數(shù)CFAR檢測方法屬于逐像素檢測策略，不能很好地捕捉目標(biāo)細(xì)節(jié)、消除虛警，因此，檢測結(jié)果中目標(biāo)由裂縫和孔洞組成。傳統(tǒng)雙參數(shù)CFAR方法僅考慮像素強(qiáng)度值，這對相干斑噪聲、陸地區(qū)域人造目標(biāo)和具有較高后向散射的森林區(qū)域非常敏感，因此檢測結(jié)果中存在許多虛警。此外，由于滑動窗口大小應(yīng)根據(jù)圖像分辨率和目標(biāo)大小進(jìn)行設(shè)置，所以該方法檢測效果對局部滑動窗口大小非常敏感。超像素可以有效地分割出均勻的區(qū)域，所以SP-CFAR和SP-CFARTG檢測結(jié)果中目標(biāo)的形狀和細(xì)節(jié)被保留下來。然而，一些強(qiáng)后向散射的超像素在檢測過程中被視為艦船目標(biāo)，所以在密集艦船和近岸艦船場景中，存在漏檢和虛警。本文方法中雜波超像素是通過迭代的方式選擇的，這樣可以更精確地選擇雜波區(qū)域去估計(jì)雜波分布參數(shù)。此外，本文提出的局部對比度可以有效抑制陸地虛警。因此，與上述3種方法相比，本文方法取得了較好的艦船檢測效果。

為了定量評估上述艦船檢測算法的效果，本文采用FPR (False Positive Rate)與TPR (True Postive Rate)作為定量評價(jià)指標(biāo)，兩者定義如下：

式中，Nclutter-pixel和Nobject-pixel分別代表背景像素總數(shù)和目標(biāo)像素總數(shù)，Nfalse-object和Ntrue-object分別代表背景像素誤檢為目標(biāo)像素的個(gè)數(shù)和正確檢測到的目標(biāo)像素的個(gè)數(shù)。FPR越小表明檢測結(jié)果虛警率越低，TPR越高表明檢測結(jié)果準(zhǔn)確率越高。4種方法的定量性能比較如表2所示。

從表2可以看出，由于不能處理陸地上的人造目標(biāo)虛警，傳統(tǒng)的雙參數(shù)CFAR檢測器的虛警率遠(yuǎn)遠(yuǎn)高于其他方法，尤其是對于具有復(fù)雜陸地場景的第1幅TerraSAR數(shù)據(jù)。在SP-CFAR和SP-CFAR-TG的評估結(jié)果中，高分辨率TerraSAR數(shù)據(jù)仍然存在一些虛警，這表明兩種方法對港口、城市、森林等陸地區(qū)域人造目標(biāo)的虛警消除存在一些缺陷。相比之下，由于局部對比度圖和準(zhǔn)確的雜波區(qū)域選擇過程，本文方法獲得了較好的結(jié)果。

表2 4種目標(biāo)檢測算法性能比較Tab.2 Quantitative comparisons of four target detection algorithms

接收機(jī)性能(Receiver-Operating-Characteristic,ROC)曲線顯示了TPR隨FPR的變化情況，可以衡量檢測器的工作性能，本文實(shí)驗(yàn)的方法在設(shè)置不同虛警率的情況下對TerraSAR X波段SAR圖像1艦船檢測的ROC曲線如圖18所示。由FPR與TPR的定義可知，ROC曲線越接近左上角的(0,1)點(diǎn)，算法在衡量準(zhǔn)確率與虛警率之間的性能更好。通過ROC曲線可以看出，本文方法在較低FPR的情況下仍然可以取得較高的TPR值，相比其他3種方法，所提出的方法具有較好的檢測性能。

圖18 不同方法對TerraSAR X波段SAR圖像1艦船檢測的ROC曲線Fig.18 The ROC curve of ship detection in TerraSAR X band SAR image 1 by different methods

4.3 概率密度擬合性能分析

為了驗(yàn)證本文采用的Ma=3混合瑞利分布可以有效地?cái)M合真實(shí)海雜波數(shù)據(jù)，本節(jié)將混合瑞利分布與其他3種常用的分布模型進(jìn)行對比，選取如圖19(a)所示的大小為256 pixel×256 pixel的真實(shí)海面區(qū)域進(jìn)行直方圖擬合測試，結(jié)果如圖19(b)與圖19(c)所示。

高分辨率SAR圖像的細(xì)節(jié)豐富，海雜波數(shù)據(jù)統(tǒng)計(jì)直方圖顯現(xiàn)出重尾特性。圖19(b)中，4種統(tǒng)計(jì)分布模型在一定程度上都可以擬合海雜波數(shù)據(jù)，而混合瑞利分布與真實(shí)海雜波數(shù)據(jù)的統(tǒng)計(jì)直方圖更為接近，驗(yàn)證了其對高分辨率SAR圖像海雜波具有更好的概率擬合性能。進(jìn)一步計(jì)算各統(tǒng)計(jì)分布的K-S因子、絕對值誤差、KL距離和Pearson檢驗(yàn)統(tǒng)計(jì)量并進(jìn)行歸一化處理，以便對擬合性能進(jìn)行定量分析，結(jié)果如圖19(c)所示。從結(jié)果中可以看出，高斯分布由于形式簡單，在4種統(tǒng)計(jì)分布模型中的效果較差?；旌先鹄植加捎谄漭^強(qiáng)的適應(yīng)能力，可以對高分辨率SAR圖像中的海雜波進(jìn)行精確建模，在4種統(tǒng)計(jì)分布模型中取得了較好的效果。

4.4 參數(shù)敏感性分析

本文方法涉及的參數(shù)包括生成超像素的數(shù)量，陰影超像素去除閾值Tsh，雜波超像素相異度閾值Thclu與Tlclu，Sclutter中超像素?cái)?shù)量最大值和后處理中超像素內(nèi)部目標(biāo)像素的數(shù)量。如前所述，陰影超像素去除閾值Tsh很容易確定，可以根據(jù)數(shù)據(jù)中陰影區(qū)域的平均像素強(qiáng)度進(jìn)行設(shè)置。Sclutter中超像素?cái)?shù)量最大值會影響雜波分布參數(shù)估計(jì)的準(zhǔn)確性，在犧牲時(shí)間成本的情況下，設(shè)置較大的數(shù)值可以估計(jì)出更準(zhǔn)確的雜波模型參數(shù)。本文通過權(quán)衡雜波模型參數(shù)估計(jì)的準(zhǔn)確性和檢測的時(shí)間成本，設(shè)置Sclutter中超像素?cái)?shù)量最大值為10。在后處理階段，超像素內(nèi)部目標(biāo)像素的數(shù)量會影響到最終的檢測結(jié)果圖。考慮到每個(gè)超像素大小不一，公平起見，設(shè)置了一個(gè)比率作為后處理的閾值，即檢測到的目標(biāo)像素在超像素內(nèi)所有像素中所占的比重。實(shí)驗(yàn)結(jié)果表明，這個(gè)比率閾值設(shè)置為0.7可以適應(yīng)絕大多數(shù)SAR圖像。

雜波超像素相異度閾值Thclu與Tlclu與式(9)和式(10)中超像素大小和平均強(qiáng)度有關(guān)，應(yīng)根據(jù)SAR圖像實(shí)際的場景確定。在實(shí)驗(yàn)中，本文選擇了一些典型區(qū)域來計(jì)算超像素相異度，以此來輔助Thclu與Tlclu的設(shè)定，從而選擇更準(zhǔn)確的雜波超像素。通常來講，Thclu設(shè)置相對較高的數(shù)值，同時(shí)Tlclu設(shè)置相對較低的數(shù)值比較符合實(shí)際需要。

4.5 陰影超像素去除效果分析

陰影超像素沒有雷達(dá)回波，無法顯現(xiàn)出紋理信息，若將其放入雜波超像素的選取過程中，則會干擾統(tǒng)計(jì)分布參數(shù)估計(jì)的準(zhǔn)確性，影響最終的艦船檢測結(jié)果。為了討論陰影超像素對檢測性能的影響，本文設(shè)置陰影超像素去除閾值Tsh=10，對上述5幅圖像進(jìn)行陰影超像素去除前后的目標(biāo)檢測對比實(shí)驗(yàn)，結(jié)果如表3所示。

表3 本文方法對5幅SAR圖像陰影超像素去除前后的檢測性能比較Tab.3 Quantitative measures of the proposed method for five SAR images with and without shadow superpixels removal

由于本文方法只針對篩選出的潛在目標(biāo)超像素進(jìn)行檢測，因此檢測虛警率對陰影超像素并不敏感，去除陰影超像素前后的FPR指標(biāo)基本持平。若不進(jìn)行陰影超像素去除，部分陰影超像素被篩選成雜波超像素，導(dǎo)致統(tǒng)計(jì)分布參數(shù)估計(jì)不準(zhǔn)確，部分艦船像素被漏檢，從而導(dǎo)致TPR值降低。因此，陰影超像素去除作為選擇雜波超像素之前的處理步驟，對算法性能提升具有必要性。

4.6 艦船檢測對超像素分割結(jié)果的依賴性分析

DBSCAN超像素生成方法可以較好地克服相干斑噪聲的干擾，生成精細(xì)的超像素，這些超像素很好地附著在圖像邊界上，保留艦船目標(biāo)形狀。文中設(shè)置的超像素?cái)?shù)量決定了對圖像進(jìn)行分割的精細(xì)程度，它對艦船檢測的結(jié)果存在較大影響。一般來說，超像素?cái)?shù)量越多，獲得的均勻區(qū)域也越多，從而更好地保留艦船目標(biāo)細(xì)節(jié)，但是也會帶來一些缺點(diǎn)。一方面，更多的超像素將導(dǎo)致參數(shù)估計(jì)和CFAR檢測計(jì)算量增加。另一方面，目標(biāo)會存在過分割的情況，在計(jì)算過程中會導(dǎo)致一些漏檢。為了討論超像素?cái)?shù)量對最終艦船檢測的影響，本文選擇了第1幅TerraSAR圖像，進(jìn)行了超像素?cái)?shù)為3000,4000,5000,6000的超像素分割，然后使用本文方法進(jìn)行艦船檢測并計(jì)算相應(yīng)的FPR和TPR值，結(jié)果如表4所示。隨著超像素個(gè)數(shù)從3000增加到5000，F(xiàn)PR降低，TPR逐漸增高，當(dāng)超像素?cái)?shù)量為5000時(shí)，可以達(dá)到最佳效果。但是，如果將超像素?cái)?shù)增加到6000，TPR表現(xiàn)穩(wěn)定，F(xiàn)PR則出現(xiàn)增高的情況。分析其原因，超像素?cái)?shù)量太多則會出現(xiàn)一些過分割錯(cuò)誤，由此導(dǎo)致漏檢和虛警。

表4 本文方法在不同超像素?cái)?shù)量情況下對TerraSAR X波段SAR圖像1檢測性能比較Tab.4 Quantitative measures of the proposed method for TerraSAR X band SAR image 1 with different superpixel numbers

4.7 時(shí)間效率分析

如前文所述，由于超像素的數(shù)量明顯少于像素?cái)?shù)量，所以基于超像素的CFAR檢測方法可以加速艦船檢測。表5給出了不同方法對5幅SAR圖像檢測時(shí)間的比較。需要說明的是，SP-CFAR,SP-CFAR-TG以及本文方法都采用相同的超像素結(jié)果，因此其超像素生成時(shí)間都是相同的，這里主要比較CFAR檢測算法效率。所有實(shí)驗(yàn)均在Windows操作系統(tǒng)，MATLAB軟件環(huán)境下進(jìn)行。傳統(tǒng)的雙參數(shù)CFAR檢測器比其他方法花費(fèi)了更長的檢測時(shí)間，相比之下，SP-CFAR和SP-CFAR-TG方法由于引入了超像素，顯著縮短了檢測時(shí)間。本文方法所設(shè)計(jì)的潛在目標(biāo)超像素篩選和同一超像素參數(shù)共享策略顯著加速了檢測過程，因此與其他兩個(gè)基于超像素的方法相比，本文方法仍然具有較大的時(shí)間優(yōu)勢。

本文還討論了在不同超像素?cái)?shù)量下的檢測效率，結(jié)果如表6所示。由4.6節(jié)分析得知，超像素?cái)?shù)量的增多將導(dǎo)致更多次數(shù)的雜波超像素選取與雜波分布參數(shù)估計(jì)，所以當(dāng)超像素?cái)?shù)量從3000增加到6000時(shí)，檢測時(shí)間有一個(gè)很大的增量，但與其他3種方法相比，本文方法仍具有快速性的優(yōu)勢。

表6 本文方法在不同超像素?cái)?shù)量情況下對TerraSAR X波段SAR圖像1檢測時(shí)間比較Tab.6 Time costs of the proposed method for TerraSAR X band SAR image 1 with different superpixel numbers

5 結(jié)語

本文提出了一種基于超像素的無窗快速CFAR目標(biāo)檢測算法，用于檢測高分辨率SAR圖像中的艦船目標(biāo)。本文方法通過快速DBSCAN超像素生成方法生成超像素，然后定義了超像素相異度，不僅考慮了超像素的鄰域信息，還考慮了超像素的非局部信息，即使在多目標(biāo)的情況下也能準(zhǔn)確選取潛在目標(biāo)超像素的純凈雜波區(qū)域，從而獲得準(zhǔn)確的雜波分布參數(shù)，克服了傳統(tǒng)CFAR方法中滑窗的弊端。此外，本文提出了一種局部超像素對比度計(jì)算方法來優(yōu)化CFAR檢測，以此消除大量城市區(qū)域人造目標(biāo)虛警。與其他基于超像素的CFAR檢測器相比，本文提出的檢測方法具有更快的檢測時(shí)間，能夠更好地保持艦船目標(biāo)的形狀和細(xì)節(jié)，且虛警較少。