（目标管理）SAR图像目标检测

1、（目标管理）SAR 图像目标检测19 / 19班级 020651学号 本科毕业设计（论文）外文资料翻译毕业设计题目 文档位图的印刷体数字智能检测和识别外文资料题目 An Adaptive and Fast CFAR AlgorithmBased on Automatic Censoring for TargetDetectionin High-Resolution SAR Images学院电子工程学院专业智能科学和技术学生姓名张若愚指导教师姓名 钟桦壹种基于自动删除的快速自适应恒虚警检测算法用于高分辨 SAR 图像目标检测摘要壹种以高分辨率合成孔径雷达探测（SAR）图像为目标的抽象的,快速的,

2、基于自动设限（AC）的自适应恒虚警检测率（CFAR）算法。首先,选择具有自适应性能的全局阈值以获取检测图像中的每壹个像素是否为目标像素的指数矩阵。其次,通过使用这个指数矩阵,噪声环境的自适应确定能够事先筛选检测中使用的滑动窗口中的噪声像素。于本文中,可模拟多视角,具有广泛均匀度的 SAR 图像的 G0 分布的被当做噪声的统计模型。随着 AC 的引入,该算法取得了于线性区域较好的 CFAR 检测性能,尤其是于噪声边缘和多目标的情况中。和此同时,相应的快速算法大大降低了计算量,最终,目标聚类得以获得更准确的目标区域。根据对典型 SAR 图像的性能分析和实验结果的考察,该算法被证明具有良好的性能和很

3、强的实用性。关键词：指数计算恒虚警检测率（CFAR）,合成孔径雷达（SAR）,目标检测、简介随着收集从大气和卫星上的图像数据量的增加,SAR 传感器正变得越来越适宜发展 SAR 图像判读技术。于背景噪声1-4中识别目标或目标群体是壹个于 SAR 图像判读技术中尤为重要的任务。由于自动检测是自动目标识别（ATR）的系统的第壹个重要步骤,所以 ATR 系统必须有能力满足不断扩大的情报,监视和侦察和快速检测目标的需求,因此此系统能够应用于如坦克,装甲运兵车,卡车和榴弹炮。于整个 SARATR 系统的第壹步中, 目标探测对连续的过程有很大影响56。到目前为止,文献提供的 SAR 的目标检测算法中的算法

4、（CFAR）大部分均有误报率,因为它们的特点是计算简单。ATR 算法对自适应阈值和快速检测的复杂背景下的目标进行了广泛的研究78,甚至于几个 SARATR 的系统中有应用9,10。常用的 CFAR 检测算法包括6,7,11,21的单元平均CFAR(CA-CFAR）,最大的 CFAR（GO-CFAR）,最小的 CFAR（SO-CFAR）,命令统计 CFAR（OS-CFAR）等。尽管 CA-CFAR 检测器的检测效率降低6,CA-CFAR（这俩个指标实际上是林肯实验室提ft的壹个基于高斯背景假设的技术的 CACFAR 检测技术9,22)是于单目标线性噪声情况下和于存于异构的环境中（包括噪声边缘和多

5、目标的情况）行之有效的技术。OS-CFAR 算法的设计是为了解决 CA-CFAR 于检测过程中目标的背景区域和噪声统计预计时受到的损失,因此它于检测多目标的情况时有重要的优势及意义。然而于线性的情况下,OS-CFAR 的算法性能比 CA-CFAR 差6。此外,算法获得的最佳统计结果是靠经验,而不是通过理论。新增的操作将不可避免地增加计算量,虽然CACFAR 算法于噪声边缘提供了良好的检测性能,可是相比于 CFAR 检测算法, 它的均匀噪声检测性能会下降,因为和各像素关联信息有可能丢失。于噪声边缘检测的情况中,CFAR 算法就能够得到更好的多目标性能情况。可是,CFAR 检测算法相应的检测门槛较

6、低。单元平均CFAR(CA-CFAR）,最大的 CFAR（GO-CFAR）,最小的 CFAR（SO-CFAR）,命令统计 CFAR（OS-CFAR）等是基本 CFAR 检测算法6,11,12,21。每个均有其优点,缺点和潜于的应用。没有任何情况均表现良好的单壹检测算法。如果我们引入这些方法选择前面提到的基本 CFAR 检测器,自适应的根据测试像素位置进行检测,这于测试系统中应该会是壹个很有意义的进步。经过考虑,目前研究工作的重点是发展自适应 CFAR 算法12。许多研究人员试图设计自适应CFAR 算法。Smith和Varshney提ft的CFAR(VI-CFAR)变异指数算发是有代表性的壹个。

7、VI-CFAR处理器提供的CFAR性能于含有齐次和非齐次目标的情况下,基于VI-CFAR,Huangetal提ft的区域分类CFAR（RC-CFAR）14。跟据15中,RC-CFAR能够细分为四个部分,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ft了比 谢列固体模板CFAR检测器（即所谓的比谢列算法7,17）,包括壹套完备的程序,如排序,截取,等类似的想法是Rickard 和Dillard提ft的18。

8、据报道7,17即比谢列算法适合的地点杂乱,规模型（LStype）。LS型噪声能够被视为正规化有俩个参数噪声分布。实验结果7,17表明于齐次和非齐次环境该算法均表现良好。Bisceglie算法是壹个很好的CFAR 检测算法,这种说法是很合理的。进壹步的研究能够进行对噪声模型,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,于21的CFAR算法 的优势是,它避免了覆盖和候补聚集对象。CASHCFAR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,壹个显著的CFAR算法8（简单提及作为本文Salazar算法）已

9、经被Salazar 提ft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和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,于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,该算法仍提供了均匀噪声探测概率高和噪声边缘8。可是,多目标的情况下,该算法的不足之处是,CFAR门槛变得大的,当时预计噪声统计数据已损坏通过干扰目标,这导致了壹个显着减少检ft率。本文提f

10、t了壹种自适应恒虚警率和 快速算法,提ft了 SAR 图像目标检测于交流的建议,争取于 SAR 图像检测。该算法的提ft是为了对Salazar 算法改进。同时, 相应的快速算法已经被设计ft来了。本文组织如下。于第二节,导言的原则和算法的详细流程是给ft。于第三节,该算法进行了详细介绍。于第四节,相应的快速算法设计。第五节从理论上分析了所提ft的性能算法。于第六部分,我们提供了实验结果和建议的检测性能比较采用典型的 算法和其他算法真正特区数据。最后壹节总结本文。原则和详细的算法流程A算法原理以下建议可来自算法提及。1） 索引值利用 CFAR1214自动判断周围杂乱型测试的像素,选择适当的探测器

11、,但索引值应适应性,而不是由经验决定。2） 新方法和比谢列算法7,17相比,排序附加程序能够帮助避免干扰目标的影响于多目标情况下的检测性能。3） 分布于噪声模型采用萨拉萨尔算法8噪声边缘和多目标的情况下能够正确地描述同类噪声,这使得人们有可能获得壹个综合性的设计为目标检测算法于均匀噪声和噪声边缘,于多目标目标检测的情况下应该分开考虑。4） 通过计算适当的索引值,决定于滑动窗口的噪声像素是否属干扰目标,我们能够检查所有的干扰像素。至于其余的像素,我们执行的 CACFAR 算法。5） 所提ft的检测算法,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

12、适合高分辨率 SAR 目标检测6。于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于测试单元的滑动窗口于 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于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）。于 CA-CFAR 检测技术中,其他 Nc-d 像素产生的参数预计为噪声模型（G0 步进分布）。图 1 目标检测算法本文此外,我们计算了通过设置 CFAR 概率检测本地检测阈值。最后,我们成功检测了测试单元格的值指标。同时,因为通常主导目标有少数散射于 SAR 图像中,

13、经过检测,这些明亮的高峰可能未连接到目标区域。最后,就能获得潜于的目标区域。有些方面仍需要加以解释。1) 虽然很多 SAR 图像的数据统计模型已经被提ft,（见23-27）,SAR的很多典型理论系统和实践结果于文章中的19已经证明 G0 分配法适合于有多个同性质不同程度组件的建模。G0 的评价参数的分配很简单, 计算复杂度较低。可是,于这篇文章中我们选择 G0 分配法去模拟那些滑动窗口的组件。G10 指示的 G0 算法的色饱和度列表,于19中有给ft。（1）是色饱和度的可变因素,n 是等价的观测数据,是形状参数,是尺度参数。2) 壹般而言,相比于自然组件而言反向散射具有更强的目标探测能力.可是

14、,这些目标象元具有更高的灰色数值（异常点）。然而目标像元的数量比 SAR 组件的像元数量要少得多。于准备滑动窗口和目标算法之前,壹个合适的整体起点可能会被选择于搜索整个图像来决定目标像元。色饱和度比整体起点大的像元被当做目标像元,那些指针数值也被归为壹体；否则,那些指针数值就被归为 0.因此,能够获得壹个矩阵去自动选择目标探测的最终检测的深度信息等内容。B.演示规则细节总结,就像于 Fig.2 中显示的壹样,演示包括以下步骤：步骤 1）输入 SAR 图像的整体起点的计算。步骤 2）指示矩阵被创造ft来,给图像中的每个像元,当这个像元的色饱和度大于整体起点时他的标志值是 1,否则是 0.步骤 3

15、）目标源的大小,被保护的区域, 和于滑动窗口中的背景区域背景区域的选择遵照目标大小优先的原则。错误的警报器有可能已经被初始化。步骤 4）于过程探测中的滑动窗口 Nc 组件像元自动被参数矩阵禁止,可能是干涉 目标的组件像元被移除（可能会有 D 目标像元被禁止）这样,Nc-D 的像元被留下. 这时,我们用剩下的 NC-D 像元预计组件模型的参数（G0 分配）然后计算检测 T1 的临界值。步骤 5）把测试像元的色饱和度和初始像元相比,我们就能得到像元的二进制数值。步骤 6）如果已经到了整个输入图像的末尾,转向步骤 7）,否则继续下壹个像元从步骤 4)开始重复步骤 7。步骤 7）把二进制图像中已经被检

16、测的目标像元聚集于壹起。算法描述A 整体起点 Tg 的计算因为 SAR 图像的柱状图的尾部代表了目标像元,Tg 能够被合适的定义基于柱状图,让的色饱和度对应随机值,于目标像元的置信度是1-的条件下,Tg 能够从下面式子中获得布,我们选择的方空心模具中心的滑动窗口试验区域9,10。存于保护区域,以确保噪声像素收集壹些测试距离区域,保证组件像元和测试像元之间有壹定距离阻止目标像元泄漏和损坏的背景噪声统计预计。此外, 像元用于计算噪声统计的空区域围绕试验区域。有了这个目标,内边长区域的大小应大于预期的目标区域, 且于区域外侧选择长度,使足够的噪声像素列入预计噪声准确统计。检测后的 Nc- 噪声像元强

17、度分布由（1） 决定。D 噪声像元用来计算的时刻剩下的 Nc-D 参数预计,导致了以下内 容：(6)（2）当 P 代表概率,0,1整个图像中目标像元的比例的经验值,也就是,此相遇时目标像元的置信度,于SAR 图像中值较大,接近 1.把 F 定义为从检测图像中获得的柱状图中得到的累积分布函数,(2)式可写为（3）然后,T 能够从（3）中方便地获得整个图像的直方图B 指数矩阵考虑 SAR 图像的大小 N×M 和让ij 于第i 行本地化的像素强度和第j 列, 我们定义为 Vij 的指数值（4）因此,图像的指数矩阵给ft（5）C 计算的局部阈值的CFAR 检测 l 图 1 所示,为了避免影响

18、目标的强散射部分的参数预计于高能激光器厄贾尔推拉窗噪声分(7)有关的 CFAR 概率给定值,由 P 记, 对应的CFAR 检测器局部阈值l 是从(8)至于集合分布,前面提到的积分没有 壹个解析表达式。局部阈值 T 能够通过俩分法（详细内容,取得参见20）。分布 degrades 对于单视图像,G 分布降低到分布19(9)（6）和（7）指向参数预计(10)(11)同样,壹个相应的 p 局部阈值 lCFAR概率给定值为 CFAR 检测器是从（8）获得的(12)因此,于滑动窗口测试单元,目标被按照以下方式检测决策规则：其中 H1 是假设,即测试单元是壹个像素的目标,H1 是假设,即测试单元是壹个像素

19、组件。局部阈值 TL 是从像素获得的合适的像素。D 目标像素聚类于高分辨率合成孔径雷达图像中,壹个目标,也可能会以扩展对象的方式提到,包括很多决议区域。由于壹个目标表面反射可能显示为波动,从 CFAR 检测器获得的二进制图像相应的目标像素,壹般没有能力形成壹个连接的地区,可分为几个部分。因此,有必要集群目标像素的二进制图像。我们假设,真正的长度和宽度的利益目标,分别是 L 和 W。无论是范围和跨范围的图像分辨率均为A。事实上, 指针对代表的像素面积和真正的目标相比规模较小,因此,对目标像素或由壹检测到目标区域的大小多少CFAR 检测器具有更高的价值 S,即：(14)此外,于同壹目标区域的像素之

20、间的距离 i 和 j,记为 d（i,j）,满足如下：(15)因此,我们使用下面的图 3 所示：于检测后得到的二进制图像的像素集群目标正如我们能够见到,从流图中的最后壹步后,以前的过程中,仍然存于着较小的区域或图像,这是明显是目标区域的大小不合适的更大的地区。这些不受欢迎的地区,壹定会导致误报。为了简化连续的过程中,这些地区被淘汰。详细的步骤如下：首先,扫描整个图像,每个标记区域集群后,我们于该地区数明亮的像素。然后,我们会删除该区域的地区不匹配目标的区域范围其中 Smax 是从（14）和Smin 中凭经验获得的快速算法和目标的所有其他 CFAR 检测使用滑动窗口的算法相同,目标检测算法 1 所

21、示也有壹个大的区域滑动窗口,当窗口大小较大时,这限制了算法6,22的实用性。进壹步对所提ft的算法的调查,我们能够发现,整体阈值计算的指数矩阵是远低于连续 CFAR 检测过程耗时。因此,我们应该首先考虑设计的快速CFAR 算法。大多数运行的 CFAR 算法的时间用于每个滑动窗口6,22的参数预计。事实上,于扫描的整体形象,滑动窗口向右或向下移动壹个像素,以及相应的俩个滑动于俩个相邻的单元测试中心的主要窗口重叠。例如滑动窗口右侧的情况。正如图 4 所示,考虑俩个测试区域和。这是彼此相邻水平方向。当由 T 滑动窗口移动中心至R,左边的 h 的移ft,右 h 像素的滑动窗口像素的滑动窗口,此外 Nc

22、-h 像元仍然不可变。这些不变像素统计值已被用于于滑动窗口的参数预计, 此外 NCh 像素仍然不可变,这些统计值的变化像素被用于于滑参数预计窗口 Ileft,因此,于滑动窗口的再次使用必然会增加计算负担。于图 4 中,r 的大小选择是为了确保统计预计的噪声有足够的噪声像素。由于有（h2r）/2 宽的被保护区域存于,保证从噪声统计预计中收集的壹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 L>W）,然后（h2r）/2>L/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。考虑到极端的例子。假设

23、建议 CFAR 检测器是设限程序,自由的也就是说,所有于滑动窗口噪声像素有助于参数预计。接着,便有更大的计算复杂度比截尾的进程,只有部分的噪声于滑动窗口的像素用于参数预计。这是该算法的最坏情况。我们采取单见图片实例分析计算复杂性。由于参数为多视预计和单视图像只于不同的外观数,计算分析复杂性和快速算法设计单见图片也多视图像合适。为滑动移动窗口案例分析从上到下仅仅是作为同壹案件滑动窗口由左向右移动。A 设计快速算法我们能够见到从（10）和（11）的俩个变量是需要为统计分布参数预计, 即噪声强度和平均值的均值广场的噪声强度。让 left 和 left 是强度均值和强度的平方平均于滑动窗口的 Ilef

24、t 噪声像素。相应地,让right 和 right 是强度均值和了对噪声强度平方像素意味着滑动窗口的 Iright。然后,这些变量之间的关系如下：（16）（17）其中是所有的噪声像素滑数窗口,h 是高度或宽度的滑动窗口。表示了于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于的滑动窗口的右侧列。是对于噪声像素强度平方左栏的滑动窗口。是该于正确的噪声像素强度平方列的滑动窗口因此,除了于第壹次测试区域的图像,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,后预计能够得到以前的预计

25、。这壹结果是显着减少计算量。B.分析为计算复杂性快速算法至于于第壹次测试区域的图像, 结合图 4（10）和（11）,Nc-1 乘法和壹次加法需要计算 ,和 NC+1 乘法和 Nc1 加法需要计算。因此,俩个乘法和 2 需要增加 ,而壹乘, 壹除了需要 。因此,对于第壹个 测试单元,壹共有 5Nc+乘法和 2NC+1 补充是必要的。如果运行壹乘法和加法是壹样的,有许多3NC+6 次的操作。对于所有的除了第壹次测试区 域,区域的其他测试参数预计于滑动 窗口中的噪声像素壹个测试单元能 够得到它的左邻的统计数字像素。假 设图像的大小为 N×N 的,根据（16） 和（17）,复杂的参数计算预计

26、其他试验区域表壹所示。获得了和,当计 算 left 和 left 时 ）。假设壹个乘法的执行时间和执行壹次加法时间平等,参数预计-1 试验区域需要（-1）（3h+12）次。因此,当第壹个像素的操作补充说,整个需要完全（-1）（3h+12）+3Nc+6 次操作。C 比照其他算法的计算复杂性为了评估该算法的性能定量,我们采取中性能比较前面提到的快速算法,于最坏的情况没有快速算法计算策略,且广泛使用的双参数 CFAR 检测器建议林肯实验室。该算法的最坏情况如果没有高速运算策略和算法的萨拉萨尔具有同等的计算复杂性。计算复杂性分析算法和萨拉萨尔俩指标 CFAR 算法分别载于表二和表三。（3NC+6）操作

27、所需的参数整体形象由萨拉萨尔预计算法和（3NC+2）该检测概率（20）（21）操作的双参数 CFAR 算法。根据上述比较,也没有显着性差异的计算复杂度之间于萨拉萨尔和双参数 CFAR 算法。基于于第四节中提到的简化,表壹给ft了最坏表现,提ft的快速算法。因此,比该萨拉萨尔算法的计算复杂性该算法是至少（18）该俩指标的 CFAR 算法的计算复杂度比对所提ft的算法是至少（19）其中 r 是参考滑动窗口中显示的宽度图 4。方程（18）和（19）的计算表明, 萨拉萨尔和复杂性的双参数 CFAR 算法分别是,至少 4r 倍,建议算法不管有多大的图像的大小。当于滑动窗口的宽度是最小的,即 r=1,研究

28、 1和 2 下有四个值,即计算于萨拉萨尔和双参数 CFAR 率的复杂性算法分别是,至少 4 倍,提ft的算法。壹般而言,以评估对噪声的统计性能准确的宽度参考滑动窗口通常是大得多, 因此,同时 1 和 2 大大增加。因此,建议快速算法且显着提高计算效率理论。五,算法的性能分析于本节中,给ft了理论分析,以显示该算法的性能。为了简单起见, 我们认为,单见噪声环境（为单见案件的结论能够推广到多视的情况下） 和理想的情况下,这个目标强度波动遵照壹个负指数分布5。根据（8） 及（9）,该 CFAR 概率探测器获得其中 T 是负指数分布的均值,且表示该目标功率。使用（11）及（12）,让 信 号 对 杂

29、比 （ SCR） 是 将SCR=T/B（B 是噪声强度平均值）,那么我们重写（21）为（22）方程（22）表明,该检测概率算法是密切关联的噪声环境（关联由线性性的 度）附近的目标和条件下的CFAR 概率是 SCR 给ft。这正合我们的直观认识。特定=10-3,图 5 显示了性能指标曲线检测不同噪声情况和 SCR 值。于图 5（a）和（b）,能够见ft,有固定 ,目标检测概率增加,因为 SCR 减小,而且的小 检测性能明显优于壹个大型 。 指的噪声环境的价值该目标的检测是于面对。至于齐噪声和噪声边缘, 值相对较小,而对多目标的情况下, 值是相对较大。因此,不建议设限程序,这是能够消除干扰的影响目

30、标,于多目标的情况下检测性能决心降低和该对比显着均匀噪声和噪声边缘的情况。上述分析表明,对于单视情况下,提ft的算法和算法的萨拉萨尔展ft均匀噪声相同的检测性能和噪声边缘的情况。至于多目标的情况下,考虑（22）,直观,由于中的 CFAR 概率前进,由于设限程序的引入,相对明亮的噪声干扰目标,很多地区均丢弃。这直接导致了俩个参数的变化。之壹是,该区域的线性性程度增加由于于目标像素减少噪声异常区域,即 值下降。另壹个原因是,为测试区域SCR 比较,升幅为噪声地区。这是很容易观察,从（22）,该增加 SCR 或 下降将导致于检测增加概率。此外,这就是为什么我们介绍设限程序,提高检测性能多目标的情况。

31、前面的分析表明,SCR 和围绕目标噪声均匀度也增加随着深度的增加设限。不过,壹个缺点是,由于检测概率增加,CFAR 概率也愈大。这无疑带来了壹些 CFAR 损失。对于各种不同的真实场景,CFAR 损失的影响受多种因素。因此,它不能从理论上推导ft CFAR 率之间的损失和设限深度的关系。尽管如此,从提ft的算法流 程,它能够指ft,该算法有很大的能 力来控制假警率。首先,该算法的性能强劲于壹对设限深度误差范围。原因是干扰目标像素是光明的,他们贡献到了 SAR 图像直方图的尾巴。虽然全局阈值（由设限的深度决定）之上不等壹个广泛对应的直方图尾部分, 有异常目标像素删略有变化,其对大多数当地噪声的统

32、计特性区域是有限的。因此,有壹个适当的范围广泛选择局部门槛。当局部门槛于这个范围之内,该算法具有良好的检测性能。因此,这使得选择局部阈值和截尾深度且非如此准确。第二,进壹步降低了聚类程序错误警率。实验结果和分析图 6（a）显示了机载 X 波段 HH 于北京的壹些地区的 SAR 图像,用壹个0.5×0.5 米,200×500 像素的图像。图 6（b）显示了 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。小树于草地上蔓延。草的边界是高速公路,即噪声边缘,有灌木丛。于灌木丛左边,也有壹些小的混凝土,这是等距离安排的被铁栅栏隔开。图 6（c） 给ft了噪

33、声光照片。萨拉萨尔作ft结论8,该匹配于伟大的CFAR 损失,占噪声模拟结果萨拉萨尔说, 算法优于传统的 twoparameterCFAR 检测器。因此,我们只是比较建议 CFAR 算法和萨拉萨尔算法。图 6（d）显示萨拉萨尔算法的理论给ft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,我们采取的决议和目标的实际尺寸考虑到。为了防止测试目标像素泄漏到相应的滑动窗口的混乱地区,图 6（d）-（h）显示面积滑动选择的结果窗口和h=71 的长度,长度为环窗口 31,环形

34、区域内的宽度 =20。这些参数是固定的整个图像。局部阈值 Tg 为该算法得到的是信心水平1-=90。图比较的结果6（d） 和（e）,因为同壹理论的俩种算法 CFAR概率,于线性检测混乱地区和目标目标 1 于噪声边缘地区 4,我们能够见到,无论是建议算法和萨拉萨尔有较好的算法检测结果和派生目标轮廓完整和明确的。而对多目标的情况,例如,对目标 23,这是相互靠近,该算法明显优于萨拉萨尔算法。由于噪声统计预计是受毗邻的目标像素,只有几个像素的目标 2 和 3 是由萨拉萨尔检测算法和许多资料遗失,而另外俩个密切目标,是非常的检测算法。于其他换句话说,该算法仍具有较好的性能目标检测的多目标的情况。图之间

35、的比较 6（d）和（e）,我们能够找ft,虽然没有更好的算法于检测目标,有较多的“小地方”的形象。这些微小的地方,主要是带来的水泥块约有较强的后向散射,大部分集中于噪声边缘之间的混凝土跑道和草坪。图 6（f）-（h）显示,由于理论虚惊概率,使用萨拉萨尔算法,密切合作, 位于俩个目标均无所遁形的信息于线性区内的目标和噪声边缘流失到了或多或少的程度,而提ft的算法能够保留更多的目标信息,其结果是要好得多。这些结果强有力地说明,建议 CFAR 算法大大优于萨拉萨尔算法。图 7 比较俩种算法的 ROC 曲线为了使萨拉萨尔进壹步之间的比较算法和算法,假设目标像素那些像素值大于局部阈值热。如果所有这些目标

36、的像素数,以及图像的大小是 N×m,则数噪声像素的图像。于发现目标像素数量是钕,而且人数虚假警报像素的国家数据中心。然后,实际检ft率为定义为（23） 实际的比率是假警报（24）如图 7 所示,结合（23）（24）,我们得到受试者工作特征（ROC）曲线萨拉萨尔且提ft CFAR 算法。这些曲线表明,建议的 CFAR 算法具有更好的性能比萨拉萨尔算法。图 6（i）和（j）显示,从指标的聚类结果图 6（d）-（e）分别规定。去除下的阈值地区的 30。如图 6(d)所示,萨拉查的结果检测密切位于俩个目标算法差,和许多信息目标 CFAR 检测后丢失。目标 3 是作为假警报和混乱过程中删除于地

37、区消除的过程。可是,所有四个目标检测该算法。概括地说,正和的情况下,例如,我们让我们的最终检测结果的综合比较萨拉萨尔算法的目标和所遵照聚类该算法 由图 2 所示。结果见表四。所有完成的实验 nonoptimizedMatlab 的代码和硬件环境 PIII500 米的 CPU 和 512M 高容量记忆。消化时间,萨拉萨尔算法,该算法无使用快速算法差不多有平等的运行时间。可是,通过使用快速算法, 消耗的时间, 只1.6398s,这是 1 的萨拉萨尔算法和 1/62 次/61 对没有快速的战略提ft的算法的时间。从理论上说,通过使用期间提ft的快 速算法预计参数,这是主要的耗时过程中,提ft 快速算法的运算速度应该 4r=80（该环形窗口的宽度为 r=20）倍速度,通过使用萨拉萨尔算法。以帐户的Matlab 的本身和时间编译的时间消耗和局部阈值比较,性能该快速算法和理论的契约分析。表四整机性能之间的比较俩种算法： 图 8 检测结果的目标,从城市特区现场。（壹）光学照片的测试场景无的放矢。（二）地点指数13 项指标（T1-T13）。（三）特区的形象,和目标场景。（四）检测结果和和 1-=95。（五）检测结果的建议算法和 1-=99