本發(fā)明屬于雷達信號處理技術(shù)領(lǐng)域，特別涉及一種基于傅里葉變換的雙參數(shù)CFAR艦船檢測方法，即基于傅里葉變換的雙參數(shù)恒虛警率(Constant False Alarm Rate，CFAR)艦船檢測方法，是一種合成孔徑雷達中的目標檢測方法，適用于高斯背景下合成孔徑雷達或逆合成孔徑雷達中的雷達動目標檢測。

背景技術(shù)：

在大場景高分辨合成孔徑雷達(Synthetic Aperture Radar，SAR)圖像檢測中，恒虛警率(Constant False Alarm Rate，CFAR)算法是SAR圖像目標檢測領(lǐng)域中應(yīng)用最廣泛的一類算法，包括傳統(tǒng)CFAR算法和雙參數(shù)CFAR檢測算法；其中傳統(tǒng)CFAR算法具體實現(xiàn)過程是：根據(jù)經(jīng)典的統(tǒng)計檢測理論，在給定的虛警概率條件下，首先根據(jù)目標所處周圍背景雜波的統(tǒng)計特性自適應(yīng)求取檢測閾值，然后將SAR圖像中的每一個待檢測像素與自適應(yīng)閾值分別進行比較，判斷其是否為目標點；雙參數(shù)CFAR檢測算法基于背景雜波是高斯分布的假設(shè)，適用于局部背景變化復雜的SAR圖像檢測，并通過設(shè)定目標窗口、保護窗口和背景窗口后以一定的步長在SAR圖像中滑動；其中保護窗口是為了防止目標窗口中的艦船部分泄漏到背景窗口中，然后通過計算背景窗口中所有像素的均值和方差得到局部窗口的檢測門限，從而將目標窗口中高于該門限的部分判定為艦船。

雙參數(shù)CFAR檢測算法的目標窗口、保護窗口和背景窗口尺寸分別需要通過經(jīng)驗學習取得，滑動步長也是經(jīng)驗取得；對于距離很近的艦船目標，保護窗口并不能保證艦船部分不會泄漏到背景窗口中，因此通過統(tǒng)計背景窗中雜波的均值和方差并不能代表雜波實際的值，在檢測過程中會出現(xiàn)虛警和漏檢。

CFAR檢測速度是決定目標檢測算法實用性的一個重要指標，雙參數(shù)CFAR檢測算法本質(zhì)上是局部滑窗的檢測方法，局部動態(tài)使SAR圖像中每一個像素分別多次參與了滑窗運算，導致CFAR算法運算量大且計算效率較低，并且目標檢測速度慢；由于檢測面對的是整幅SAR圖像場景，使得操作的數(shù)據(jù)量很大，如果計算效率低，勢必影響了SAR圖像目標檢測所在整個系統(tǒng)的性能，降低了其系統(tǒng)的實時性，也增加了硬件實現(xiàn)系統(tǒng)的要求。

技術(shù)實現(xiàn)要素：

針對現(xiàn)有技術(shù)存在的問題，即雙參數(shù)CFAR檢測器無法對近距離艦船目標精確檢測，并存在計算量大、檢測效率低的問題，本發(fā)明的目的在于提出一種基于傅里葉變換的雙參數(shù)CFAR艦船檢測方法，該種基于傅里葉變換的雙參數(shù)CFAR艦船檢測方法能夠快速檢測SAR圖像中的艦船目標，且計算量小、檢測效率高。

為達到上述技術(shù)目的，本發(fā)明采用如下技術(shù)方案予以實現(xiàn)。

一種基于傅里葉變換的雙參數(shù)CFAR艦船檢測方法，包括以下步驟：

步驟1，獲取SAR雷達回波數(shù)據(jù)，并對SAR雷達回波數(shù)據(jù)進行成像處理，得到SAR雷達成像數(shù)據(jù)矩陣I；然后對SAR雷達成像數(shù)據(jù)矩陣I進行閾值處理，得到閾值處理后的二值圖像矩陣I_bw；所述閾值處理后的二值圖像矩陣I_bw為包含艦船類目標以及偽目標的二值圖像；

步驟2，設(shè)置全1矩陣記為背景窗口；并根據(jù)閾值處理后的二值圖像矩陣I_bw，計算得到背景窗口內(nèi)的雜波個數(shù)統(tǒng)計矩陣N，進而計算得到取倒操作后背景窗口內(nèi)的雜波個數(shù)統(tǒng)計矩陣

步驟3，根據(jù)閾值處理后的二值圖像矩陣I_bw與SAR雷達成像數(shù)據(jù)矩陣I，以及取倒操作后背景窗口內(nèi)的雜波個數(shù)統(tǒng)計矩陣計算得到背景窗內(nèi)的雜波均值統(tǒng)計矩陣M；

步驟4，根據(jù)取倒操作后背景窗口內(nèi)的雜波個數(shù)統(tǒng)計矩陣和背景窗內(nèi)的雜波均值統(tǒng)計矩陣M，計算得到背景窗內(nèi)的雜波方差統(tǒng)計矩陣V；

步驟5，根據(jù)背景窗內(nèi)的雜波均值統(tǒng)計矩陣M和背景窗內(nèi)的雜波方差統(tǒng)計矩陣V，計算得到艦船類目標判定矩陣F；

步驟6，根據(jù)SAR雷達成像數(shù)據(jù)矩陣I與艦船類目標判定矩陣F，檢測得到多個艦船目標。

本發(fā)明與現(xiàn)有方法相比，具有以下優(yōu)點：

本發(fā)明方法能夠在艦船目標精確檢測下，提高艦船目標的檢測效果，減少雙參數(shù)CFAR檢測算法的運算量，提高運算效率，并能夠快速實現(xiàn)SAR圖像中的艦船目標檢測。

附圖說明

下面結(jié)合附圖和具體實施方式對本發(fā)明作進一步詳細說明。

圖1為本發(fā)明的一種基于傅里葉變換的雙參數(shù)CFAR艦船檢測方法流程圖；

圖2(a)為合成孔徑雷達成像在C波段的示意圖，

圖2(b)為使用傳統(tǒng)雙參數(shù)CFAR算法對圖2(a)進行檢測后得到的結(jié)果示意圖；

圖2(c)為使用改進的SAR圖像雙參數(shù)CFAR艦船檢測算法對圖2(a)進行檢測后得到的結(jié)果示意圖；

圖2(d)為使用本發(fā)明方法對圖2(a)進行檢測后得到的結(jié)果示意圖；

圖3為使用傳統(tǒng)雙參數(shù)CFAR算法、改進雙參數(shù)CFAR算法和本發(fā)明方法對不同像素數(shù)的SAR圖像分別進行目標檢測所用時間的對比圖。

具體實施方式

參照圖1，為本發(fā)明的一種基于傅里葉變換的雙參數(shù)CFAR艦船檢測方法流程圖；所述下基于傅里葉變換的雙參數(shù)CFAR艦船檢測方法，包括以下步驟：

步驟1，獲取SAR雷達回波數(shù)據(jù)，并對SAR雷達回波數(shù)據(jù)進行成像處理，得到SAR雷達成像數(shù)據(jù)矩陣I，所述SAR雷達成像數(shù)據(jù)矩陣I中包含海面目標和非海面目標；然后對SAR雷達成像數(shù)據(jù)矩陣I進行閾值處理，即將SAR雷達成像數(shù)據(jù)矩陣I中的海面目標和非海面目標分離開，進而得到閾值處理后的二值圖像矩陣I_bw；所述閾值處理后的二值圖像矩陣I_bw為包含艦船類目標以及偽目標的二值圖像。

具體地，由于SAR雷達成像數(shù)據(jù)可能服從不同的分布模型，對應(yīng)的各種分布模型分別隨著SAR雷達成像的分辨率和成像參數(shù)變化而不同，高斯分布、負指數(shù)分布、對數(shù)正態(tài)分布、K分布都能夠用來擬合目標并檢測目標的背景雜波，本發(fā)明實例采用高斯分布擬合目標并檢測目標的背景雜波。

首先獲取SAR雷達回波數(shù)據(jù)，并對SAR雷達回波數(shù)據(jù)進行成像處理，得到SAR雷達成像數(shù)據(jù)矩陣I；所述SAR雷達成像數(shù)據(jù)矩陣I中包含海面目標和非海面目標；通過閾值處理實現(xiàn)SAR雷達成像數(shù)據(jù)矩陣I中海面目標與非海面目標的分離，得到閾值處理后的二值圖像矩陣I_bw；其中閾值處理使用最大類間方差算法(即大津閾值法)，大津閾值法是目前一種十分流行的閾值選取算法，其核心思想是：確定一個最佳閾值，在SAR雷達成像數(shù)據(jù)矩陣I完成二值化處理后，使得SAR雷達成像數(shù)據(jù)矩陣I的背景雜波類像素和目標類像素之間的類間方差最大，達到區(qū)別SAR雷達成像數(shù)據(jù)矩陣I中的背景雜波和目標的目的；其中，背景雜波為海面目標，目標為非海面目標；進而實現(xiàn)了將SAR雷達成像數(shù)據(jù)矩陣I中的海面目標和非海面目標的分離。

1a)設(shè)定SAR雷達成像數(shù)據(jù)矩陣I的灰度級為{0:K}分布，本實施例中K取255；其中灰度級為的像素個數(shù)為則SAR雷達成像數(shù)據(jù)矩陣I中的總像素個數(shù)為灰度級為的像素出現(xiàn)的概率為且進而計算得到SAR雷達成像數(shù)據(jù)矩陣I的總灰度平均值

1b)將SAR雷達成像數(shù)據(jù)矩陣I中灰度級為的像素閾值記為為

{0:K}個灰度級中的任意一個灰度級，并將SAR雷達成像數(shù)據(jù)矩陣I的像素灰度級分為兩類像素，記為類像素和類像素，其表達式分別為：其中類像素代表背景雜波，類像素代表目標，目標包含船艦目標和強海雜波產(chǎn)生的偽目標；K為大于1的正整數(shù)。

然后分別計算類像素產(chǎn)生的概率類像素產(chǎn)生的概率類像素的均值和類像素的均值其表達式分別為：

進而計算得到SAR雷達成像數(shù)據(jù)矩陣I的類間方差為其表達式為：

其中，為SAR雷達成像數(shù)據(jù)矩陣I的總灰度平均值。

1c)為了得到SAR雷達成像數(shù)據(jù)矩陣I的最大類間方差，需通過如下最優(yōu)化問題：

計算得到閾值處理后的二值圖像矩陣I_bw的最佳閾值T_opt；Arg表示為最大值時對應(yīng)的SAR雷達成像數(shù)據(jù)矩陣I中灰度級為的像素閾值的取值，Max表示求取最大值操作。

1d)根據(jù)所述閾值處理后的二值圖像矩陣I_bw的最佳閾值T_opt，對SAR雷達成像數(shù)據(jù)矩陣I進行閾值處理，得到閾值處理后的二值圖像矩陣I_bw；所述閾值處理后的二值圖像矩陣I_bw為包含艦船類目標以及由強海雜波產(chǎn)生的偽目標的二值圖像，且所述閾值處理后的二值圖像矩陣I_bw為m'×n'維矩陣；將閾值處理后的二值圖像矩陣I_bw中任意一個像素點的值記為I_bw(i',j')，其表達式為：

其中，SAR雷達成像數(shù)據(jù)矩陣I為m×n維矩陣，(i,j)為SAR雷達成像數(shù)據(jù)矩陣I中任意一個像素點坐標，i∈{1,2,…,m}，j∈{1,2,…,n}；(i',j')為閾值處理后的二值圖像矩陣I_bw中任意一個像素點坐標，i'∈{1,2,…,m'}，j'∈{1,2,…,n'}，m表示SAR雷達成像數(shù)據(jù)矩陣I的行數(shù)，n表示SAR雷達成像數(shù)據(jù)矩陣I的列數(shù)，m'表示閾值處理后的二值圖像矩陣I_bw的行數(shù)，n'表示閾值處理后的二值圖像矩陣I_bw的列數(shù)；閾值處理后的二值圖像矩陣I_bw的行數(shù)與SAR雷達成像數(shù)據(jù)矩陣I的行數(shù)取值相等，閾值處理后的二值圖像矩陣I_bw的列數(shù)與SAR雷達成像數(shù)據(jù)矩陣I的列數(shù)取值相等，且閾值處理后的二值圖像矩陣I_bw中的像素與SAR雷達成像數(shù)據(jù)矩陣I中的像素一一對應(yīng)；m、n、m'、n'分別為大于0的正整數(shù)。

步驟2，設(shè)置m″×n″維全1矩陣記為背景窗口；并根據(jù)閾值處理后的二值圖像矩陣I_bw，計算得到背景窗口內(nèi)的雜波個數(shù)統(tǒng)計矩陣N，進而計算得到取倒操作后背景窗口內(nèi)的雜波個數(shù)統(tǒng)計矩陣其中，0≤m″≤m,0≤n″≤n，m″、n″分別為正整數(shù)。

具體地，在SAR雷達成像數(shù)據(jù)矩陣I中的海面目標和非海面目標的分離之后，得到了包含艦船類目標以及由強海雜波產(chǎn)生的偽目標的二值圖像；為了達到對艦船類目標以及由強海雜波產(chǎn)生的偽目標的分離，設(shè)置背景窗口，通過所述背景窗口中雜波的精確統(tǒng)計，來實現(xiàn)分離，其過程為：

設(shè)置m″×n″維全1矩陣記為背景窗口；并對背景窗口進行二維傅里葉變換到二維頻域，得到二維頻域濾波矩陣H；對閾值處理后的二值圖像矩陣I_bw進行二維傅里葉變換操作，得到經(jīng)過二維傅里葉變換操作的二值圖像矩陣；將經(jīng)過二維傅里葉變換操作的二值圖像矩陣與二維頻域濾波矩陣H進行點乘，得到點乘后的矩陣S；然后對點乘后的矩陣S進行二維逆傅里葉變換，得到背景窗口內(nèi)的雜波個數(shù)統(tǒng)計矩陣N；對背景窗口內(nèi)的雜波個數(shù)統(tǒng)計矩陣N中的每一個元素分別進行取倒操作，得到取倒操作后背景窗口內(nèi)的雜波個數(shù)統(tǒng)計矩陣所述取倒操作后背景窗口內(nèi)的雜波個數(shù)統(tǒng)計矩陣用于統(tǒng)計背景窗口內(nèi)雜波的均值和方差；其中，0≤m″≤m,0≤n″≤n，m″、n″分別為正整數(shù)。

2a)設(shè)置m″×n″維全1矩陣記為背景窗口，0≤m″≤m,0≤n″≤n，m″、n″分別為正整數(shù)；并對背景窗口進行二維傅里葉變換到二維頻域，得到二維頻域濾波矩陣H；對閾值處理后的二值圖像矩陣I_bw進行二維傅里葉變換操作，得到經(jīng)過二維傅里葉變換操作的二值圖像矩陣；將經(jīng)過二維傅里葉變換操作的二值圖像矩陣與二維頻域濾波矩陣H進行點乘，得到點乘后的矩陣S；然后對點乘后的矩陣S進行二維逆傅里葉變換，得到背景窗口內(nèi)的雜波個數(shù)統(tǒng)計矩陣N，其表達式為：

N＝IFFT2(H×FFT2(I_bw))

其中，背景窗口內(nèi)的雜波個數(shù)統(tǒng)計矩陣N為維矩陣，表示背景窗口內(nèi)的雜波個數(shù)統(tǒng)計矩陣N的行數(shù)，表示背景窗內(nèi)的雜波個數(shù)統(tǒng)計矩陣N的列數(shù)，背景窗口內(nèi)的雜波個數(shù)統(tǒng)計矩陣N的行數(shù)與閾值處理后的二值圖像矩陣I_bw的行數(shù)取值相等，背景窗口內(nèi)的雜波個數(shù)統(tǒng)計矩陣N的列數(shù)與閾值處理后的二值圖像矩陣I_bw的列數(shù)取值相等；FFT2(·)為二維傅里葉變換函數(shù)，IFFT2(·)為二維逆傅里葉變換函數(shù)。

2b)對背景窗口內(nèi)的雜波個數(shù)統(tǒng)計矩陣N中的每一個元素分別進行取倒操作，得到取倒操作后背景窗口內(nèi)的雜波個數(shù)統(tǒng)計矩陣所述取倒操作后背景窗口內(nèi)的雜波個數(shù)統(tǒng)計矩陣為維矩陣；將取倒操作后背景窗口內(nèi)的雜波個數(shù)統(tǒng)計矩陣中的任意一個像素點值記為其表達式為：

其中，背景窗口內(nèi)的雜波個數(shù)統(tǒng)計矩陣N為維矩陣，表示背景窗口內(nèi)的雜波個數(shù)統(tǒng)計矩陣N的行數(shù)，表示背景窗口內(nèi)的雜波個數(shù)統(tǒng)計矩陣N的列數(shù)，為背景窗口內(nèi)的雜波個數(shù)統(tǒng)計矩陣N中任意一個像素點值，表示取倒操作后背景窗口內(nèi)的雜波個數(shù)統(tǒng)計矩陣的行數(shù)，表示取倒操作后背景窗口內(nèi)的雜波個數(shù)統(tǒng)計矩陣的列數(shù)；背景窗口內(nèi)的雜波個數(shù)統(tǒng)計矩陣N的行數(shù)與取倒操作后背景窗口內(nèi)的雜波個數(shù)統(tǒng)計矩陣的行數(shù)取值相等，背景窗口內(nèi)的雜波個數(shù)統(tǒng)計矩陣N的列數(shù)與取倒操作后背景窗口內(nèi)的雜波個數(shù)統(tǒng)計矩陣的列數(shù)取值相等，且背景窗口內(nèi)的雜波個數(shù)統(tǒng)計矩陣N中的像素與取倒操作后背景窗口內(nèi)的雜波個數(shù)統(tǒng)計矩陣中的像素一一對應(yīng)；分別為大于0的正整數(shù)。

步驟3，根據(jù)閾值處理后的二值圖像矩陣I_bw與SAR雷達成像數(shù)據(jù)矩陣I，以及取倒操作后背景窗口內(nèi)的雜波個數(shù)統(tǒng)計矩陣計算得到背景窗口內(nèi)的雜波均值統(tǒng)計矩陣M。

具體地，將閾值處理后的二值圖像矩陣I_bw與SAR雷達成像數(shù)據(jù)矩陣I進行點乘操作，得到點乘操作的第一結(jié)果矩陣；對點乘操作的第一結(jié)果矩陣進行二維傅里葉變換，得到二維傅里葉變換后的第一結(jié)果矩陣S′；將二維傅里葉變換后的第一結(jié)果矩陣S′與二維頻域濾波矩陣H進行點乘操作，得到點乘操作后的第二結(jié)果矩陣；對點乘操作后的第二結(jié)果矩陣進行二維逆傅里葉變換，得到二維逆傅里葉變換后的第二結(jié)果矩陣；將二維逆傅里葉變換后的第二結(jié)果矩陣與取倒操作后背景窗口內(nèi)的雜波個數(shù)統(tǒng)計矩陣進行點乘，得到背景窗口內(nèi)的雜波均值統(tǒng)計矩陣M，其計算表達式為：

其中，F(xiàn)FT2(·)為二維傅里葉變換函數(shù)，IFFT2(·)為二維逆傅里葉變換函數(shù)。

步驟4，根據(jù)取倒操作后背景窗口內(nèi)的雜波個數(shù)統(tǒng)計矩陣和背景窗口內(nèi)的雜波均值統(tǒng)計矩陣M，計算得到背景窗口內(nèi)的雜波方差統(tǒng)計矩陣V。

具體地，對點乘操作的第一結(jié)果矩陣進行平方操作，得到平方操作后的結(jié)果矩陣；對平方操作后的結(jié)果矩陣進行二維傅里葉變換，得到平方操作后經(jīng)過二維傅里葉變換的結(jié)果矩陣S″；將平方操作后經(jīng)過二維傅里葉變換的結(jié)果矩陣S″與二維頻域濾波矩陣H進行點乘，得到點乘操作后的第三結(jié)果矩陣；對點乘操作后的第三結(jié)果矩陣進行二維逆傅里葉變換，得到二維逆傅里葉變換后的第三結(jié)果矩陣；然后將二維逆傅里葉變換后的第三結(jié)果矩陣與取倒操作后的雜波個數(shù)統(tǒng)計矩陣進行點乘操作，得到點乘操作后的第四結(jié)果矩陣；將點乘操作后的第四結(jié)果矩陣與背景窗口內(nèi)的雜波均值統(tǒng)計矩陣M的平方相減，得到點乘操作后的第五結(jié)果矩陣；最后對點乘操作后的第五結(jié)果矩陣進行平方根求解操作，進而得到背景窗口內(nèi)的雜波方差統(tǒng)計矩陣V，其計算表達式為：

其中，F(xiàn)FT2(·)為二維傅里葉變換函數(shù)，IFFT2(·)為二維逆傅里葉變換函數(shù)。

步驟5，根據(jù)背景窗口內(nèi)的雜波均值統(tǒng)計矩陣M和背景窗口內(nèi)的雜波方差統(tǒng)計矩陣V，計算得到艦船類目標判定矩陣F。

5a)基于高斯分布的CFAR方法假定背景窗口內(nèi)的雜波服從高斯分布，其中高斯分布的概率密度函數(shù)為f(x)，其表達式為：

其中，u為背景窗口內(nèi)的雜波均值，σ為背景窗口內(nèi)的雜波標準差，exp表示指數(shù)函數(shù)，x為函數(shù)變量；進而得到背景窗口內(nèi)的雜波累計積分函數(shù)F(x)，其表達式為：

f(t)表示積分函數(shù)，t表示積分變量，積分變量t得積分區(qū)間為{-∞,x}，-∞為負無窮，dt表示t的微分；作變量代換則得到背景窗口內(nèi)的雜波優(yōu)化累計積分函數(shù)F'(x)，其表達式為：

其中，Φ(·)表示標準正態(tài)分布函數(shù)。

設(shè)定虛警率P_fa，0≤P_fa≤1，通常虛警率P_fa的取值范圍為[10^-8,10^-2]；然后根據(jù)以下公式求得目標檢測閾值T_cfar：

簡化可得：

進而計算得到目標檢測閾值T_cfar，其計算表達式為：

T_cfar＝Φ^-1(1-P_fa)×σ+u

其中，Φ^-1(·)表示標準正態(tài)分布函數(shù)的反函數(shù)。

5b)根據(jù)背景窗內(nèi)的雜波均值統(tǒng)計矩陣M和背景窗內(nèi)的雜波方差統(tǒng)計矩陣V，以及目標檢測閾值T_cfar的計算表達式，計算得到艦船類目標判定矩陣F，所述艦船類目標判定矩陣F為維矩陣，其表達式為：

F＝Φ^-1(1-P_fa)×V+M

步驟6，根據(jù)SAR雷達成像數(shù)據(jù)矩陣I與艦船類目標判定矩陣F，檢測得到多個艦船目標。

具體地，將SAR雷達成像數(shù)據(jù)矩陣I中的每一個像素點值分別與艦船類目標判定矩陣F中對應(yīng)的像素點值逐個進行像素值比較，具體判定過程為：

如果SAR雷達成像數(shù)據(jù)矩陣I中任意一個像素點坐標(i,j)對應(yīng)的像素點值I(i,j)大于目標判定矩陣中任意一個像素點坐標對應(yīng)的像素點值則將像素點值I(i,j)對應(yīng)的像素點坐標(i,j)作為檢測到的艦船目標像素；反之，如果SAR雷達成像數(shù)據(jù)矩陣I中任意一個像素點坐標(i,j)對應(yīng)的像素點值I(i,j)小于目標判定矩陣中任意一個像素點坐標對應(yīng)的像素點值則將像素點值I(i,j)對應(yīng)的像素點坐標(i,j)作為由強海雜波產(chǎn)生的偽目標像素。

其中，S AR雷達成像數(shù)據(jù)矩陣I為m×n維矩陣，(i,j)為SAR雷達成像數(shù)據(jù)矩陣I中任意一個像素點坐標，I(i,j)為SAR雷達成像數(shù)據(jù)矩陣I中任意一個像素點坐標(i,j)對應(yīng)的像素點值，i∈{1,2,…,m}，j∈{1,2,…,n}；為目標判定矩陣中任意一個像素點坐標，為目標判定矩陣中任意一個像素點坐標對應(yīng)的像素點值，為艦船類目標判定矩陣F的行數(shù)，為艦船類目標判定矩陣F的列數(shù)，艦船類目標判定矩陣F的行數(shù)與SAR雷達成像數(shù)據(jù)矩陣I的行數(shù)取值相等，艦船類目標判定矩陣F的列數(shù)與SAR雷達成像數(shù)據(jù)矩陣I的列數(shù)取值相等，且艦船類目標判定矩陣F中的像素點與SAR雷達成像數(shù)據(jù)矩陣I中的像素點一一對應(yīng)。

然后，分別遍歷SAR雷達成像數(shù)據(jù)矩陣I和艦船類目標判定矩陣F中的每一個像素點，并依次記錄檢測到的SAR雷達成像數(shù)據(jù)矩陣I中的每一個艦船目標像素點坐標，進而得到多個艦船目標各自像素，此時檢測到了多個艦船目標，每一個檢測到的船艦目標分別為感興趣艦船目標，至此完成了海面目標以及非海面目標(即感興趣的艦船目標以及由強海雜波產(chǎn)生的偽目標)的分離，進而完成了感興趣艦船目標檢測。

下面結(jié)合仿真實驗對本發(fā)明效果作進一步驗證說明。

(一)實測數(shù)據(jù)采集系統(tǒng)參數(shù)

艦船目標檢測實驗中，本發(fā)明方法將與傳統(tǒng)雙參數(shù)CFAR算法、改進的雙參數(shù)CFAR檢測方法分別進行比較，仿真采用平穩(wěn)海況下合成孔徑雷達成像在C波段的圖像進行檢測，其雜波分別服從高斯分布；截取大小為720×869點像素的SAR圖像。

為了去除其他目標對檢測像素的干擾，并考慮SAR圖像中艦船目標尺寸和場景分辨率，實驗中將保護窗的大小設(shè)為21×21，背景數(shù)據(jù)窗的大小為51×51；，檢測中設(shè)定的虛警率Pfa取值為10^-3。

(二)實測數(shù)據(jù)目標檢測處理內(nèi)容及結(jié)果

圖2(a)為合成孔徑雷達成像在C波段的示意圖，圖2(b)為使用傳統(tǒng)雙參數(shù)CFAR算法對圖2(a)進行檢測后得到的結(jié)果示意圖，圖2(c)為使用改進的SAR圖像雙參數(shù)CFAR艦船檢測算法對圖2(a)進行檢測后得到的結(jié)果示意圖，圖2(d)為使用本發(fā)明方法對圖2(a)進行檢測后得到的結(jié)果示意圖。

其中，圖2(c)的保護窗口中沒有艦船部分泄漏到背景窗口中，檢測過程利用滑窗實現(xiàn)；圖2(b)–圖2(d)中白色方框為正確檢測到的艦船目標，黑色圓框中為檢測中漏掉的艦船目標，黑色矩形框中為檢測中虛假的艦船目標。

為了衡量檢測效果，定義了艦船目標檢測的品質(zhì)因子FoM，N_tt為檢測后包含的正確船艦目標數(shù)，N_fa為虛警船艦目標數(shù)，N_gt為實際船艦目標數(shù)；表1列出了平靜海面合成孔徑雷達成像在C波段圖像使用3種檢測方法的指標對比；合成孔徑雷達成像在C波段圖像中實際艦船目標的個數(shù)為18。

表1

圖3為使用傳統(tǒng)雙參數(shù)CFAR算法、改進雙參數(shù)CFAR算法和本發(fā)明方法對不同像素數(shù)的SAR圖像分別進行目標檢測所用時間的對比圖；其中分別包含256×256、512×512、1024×1024、2048×2048個像素數(shù)的SAR圖像使用傳統(tǒng)雙參數(shù)CFAR算法、改進的雙參數(shù)CFAR算法和本發(fā)明方法分別進行艦船目標檢測所用時間對比效果圖。

(三)檢測結(jié)果分析

從圖2(b)、圖2(c)、圖2(d)，以及圖3中可以看出，本發(fā)明方法和傳統(tǒng)雙參數(shù)算法相比：本發(fā)明方法對相距很近的艦船目標不會發(fā)生漏檢，這是由于雜波統(tǒng)計時是提取了背景窗口中的艦船部分，使得保護窗口中沒有艦船部分泄漏到背景窗口中，大大提升了檢測的效果。

本發(fā)明方法和改進雙參數(shù)算法相比，其共同點都是采用了提取背景窗口中的艦船部分進行雜波統(tǒng)計，有著相同的檢測效果；但是本發(fā)明方法是通過二維頻域操作來實現(xiàn)CFAR算法中滑窗的過程，能夠大大降低時間復雜度，有效減少CFAR檢測算法的運算量，降低了檢測時間；因此，本發(fā)明方法在精確得到背景雜波的分布模型統(tǒng)計參數(shù)的同時，快速實現(xiàn)SAR圖像中艦船目標檢測，對于復雜海況的艦船檢測具有很好的實用性。

顯然，本領(lǐng)域的技術(shù)人員可以對本發(fā)明進行各種改動和變型而不脫離本發(fā)明的精神和范圍；這樣，倘若本發(fā)明的這些修改和變型屬于本發(fā)明權(quán)利要求及其等同技術(shù)的范圍之內(nèi)，則本發(fā)明也意圖包含這些改動和變型在內(nèi)。