許劍清,李君寶,馬云彤,彭 宇

(哈爾濱工業(yè)大學 自動化測試與控制研究所，哈爾濱 150001)

?

基于改進型CFAR的SAR圖像目標檢測算法

許劍清,李君寶,馬云彤,彭 宇

(哈爾濱工業(yè)大學 自動化測試與控制研究所，哈爾濱 150001)

針對傳統(tǒng)的雙參數(shù)恒虛警率(Constant False Alarm Rate, CFAR)算法存在的虛警率高、實現(xiàn)過程繁瑣、算法執(zhí)行效率低等問題,提出了一種改進型的CFAR檢測算法。該算法根據(jù)SAR圖像的統(tǒng)計直方圖,對可疑的目標像素進行預篩選,再用2個滑動窗口對像素進行判別。改進型的CFAR檢測算法簡化了原檢測算法的結(jié)構(gòu),降低了檢測結(jié)果的虛警率,提高了算法的計算效率,并在國際公開的雷達數(shù)據(jù)集上進行軟件與DSP硬件的應用驗證,測試表明該算法的有效性。

合成孔徑雷達;SAR圖像;目標檢測;恒虛警率; DSP

0 引言

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

針對SAR圖像目標檢測,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、準確[3]。其中包括MIT Lincoln實驗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、對數(shù)正態(tài)分布、韋布爾分布、瑞利分布等CFAR檢測算法。由于傳統(tǒng)雙參數(shù)CFAR算法的實現(xiàn)步驟比較繁瑣、檢測率低,基于K-分布的CFAR算法有著完整的理論基礎(chǔ),不過針對背景局部變化復雜的自然場景適應能力較差。因此艾加秋等提出了改進的雙參數(shù)CFAR檢測算法[4-5],在實際應用中取得了很好的檢測效果。

隨著 SAR 雷達技術(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)庫系統(tǒng)對雷達數(shù)據(jù)進行編目、管理、發(fā)布。因此在實際工作中,迫切需要一款針對 SAR 圖像管理、檢索以及包含自動目標識別(Auto Target Recognition, ATR)、方位角估計等多功能 SAR 圖像處理管理及發(fā)布一體化平臺。本文結(jié)合實際需求,將已取得的算法研究成果集中開發(fā)為一款SAR圖像自動目標檢測模塊,該模塊作為SAR 圖像處理管理及發(fā)布一體化平臺的一個重要組成部分[6]。該平臺的功能主要包括 SAR 目標檢測、目標方位角估計、坐標估計、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,實現(xiàn)SAR圖像實時采集、處理、決策系統(tǒng)成為一個必然趨勢。因此需要對SAR圖像目標檢測算法進行模塊化的硬件實現(xiàn),從而與其他功能模塊共同協(xié)作,形成機動便攜SAR ATR系統(tǒng)。DSP作為數(shù)字信號而設計的器件,其高速的數(shù)據(jù)運算能力使得對SAR圖像進行實時處理成為可能。本文主要是結(jié)合艾加秋提出的改進型的雙參數(shù)CFAR檢測算法和高貴提出的智能型CFAR檢測算法的優(yōu)點,以TI公司TMS320C6748 為處理器驗證該算法,并對其進行了硬件算法的優(yōu)化,算法處理速度提升4倍。

1 SAR圖像目標檢測算法比較

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

(1)基于對比度的一類目標檢測算法

由于合成孔徑雷達對金屬材料的車輛目標具有較強的雷達回波,在SAR圖像上的表現(xiàn)為具有和周圍環(huán)境相比較大的對比度,因此基于對比度進行目標檢測算法的設計就成為一個選擇。基于對比度的目標檢測算法主要包括CFAR檢測算法、廣義似然比檢驗(GLRT)檢測算法、能量環(huán)(PR)檢測算法[7]等。

(2)基于圖像的其他特征的一類目標檢測算法

基于圖像對比度的目標檢測算法,是根據(jù)目標與背景雜波之間的電磁散射特性而設計的檢測算法。而目標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完成目標的檢測。這類算法主要包括:基于目標聚類的檢測算法[8]、基于擴展分形特征的目標檢測算法(EF)[9]等。

(3)基于復圖像特征的一類目標檢測算法

前兩類算法都是利用實的幅度圖像檢測目標的。事實上,目標和雜波在實圖像上表現(xiàn)出的差異本質(zhì)上是由兩者的回波特性的不同造成的,而實圖像中僅僅包含回波幅度信息,損失了可用于檢測的回波相位信息。因此,從理論上來講,通過對二維SAR回波特性和成像機理的深入研究發(fā)展更為精確的目標檢測算法是可行的。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]。

目標檢測是實現(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)的處理過程,因此有必要對該環(huán)節(jié)算法執(zhí)行的實用性進行分析和比較,主要的算法評價性能指標如表1所示。

表1 算法評價指標

SAR 圖像地面車輛目標檢測的直接應用是在大幅面的場中快速定位出感興趣的目標。而面對這種海量的數(shù)據(jù),如果應用基于SAR圖像特征進行目標檢測則需要對圖像進行大量的數(shù)據(jù)處理,對于大幅的場景圖像來說難以滿足實用性的要求。而基于復圖像特征的一類檢測算法,利用發(fā)射波和回波數(shù)據(jù)的相位幅度相結(jié)合的信息進行處理,則涉及更大的計算量。并且這類算法的應用場景是對于低頻的雷達信號而進行的,在高頻的雷達信號中并不滿足這類算法的散射特性前提,故此類算法也無法滿足實用性的需求。

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

2 雙參數(shù)CFAR檢測算法

2.1 傳統(tǒng)CFAR算法原理

CFAR算法是像素級的目標檢測算法,其原理如圖1所示,設置3個滑動窗口：目標窗口T,保護窗口P,背景雜波窗口C。3個窗口同時在SAR原始圖像上進行滑動,遍歷整個圖像[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,它可以適應背景雜波變化。設高斯分布的概率密度函數(shù)為

(1)

式中,μc為雜波均值;σc為雜波的標準差,其分布函數(shù)為

(2)

(3)

設檢測閾值為T,給定虛警率為pfa,則

(4)

由式(4)可以求出檢測閾值T的表達式

T=σcΦ-1(1-pfa)+μc

(5)

假定目標窗口中某一像素的灰度值為It,則目標檢測準則為

It>T

(6)

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

It-μc>t·σc

(7)

其中，t為標稱化因子,通常為常數(shù),決定虛警率。由于3個滑動窗口以一定的步長在圖像上滑動,因此保護窗口并不能保證目標部分不會泄露到背景窗口中,所以通過計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際的值。這樣在檢測過程中會出現(xiàn)虛警和漏檢[13]。

2.2 改進型CFAR算法

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

由于人造的金屬目標對于雷達波的后向散射系數(shù)遠遠超過地面目標,故在雷達圖片中目標像素位于直方圖的拖尾部分,因此,可以根據(jù)圖像直方圖自適應確定一個全局閾值Lg。設I為對應的像素強度值的隨機變量,則在給定目標像素的置信度為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)驗值,其物理含義表明雜波像素在整個圖像中所占的比例,也即圖像中一個像素是目標像素的置信度。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)計就可以方便地得到全局閾值Lg。

故本文的檢測算法的步驟[14]為:

1)根據(jù)輸入的SAR圖像求取全局閾值Lg;

2)對圖像中的像素點進行遍歷,根據(jù)全局閾值,進行預篩選,對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)目標大小設置目標窗口、背景窗口的尺寸,并設置好求取的虛警率;

4)根據(jù)索引矩陣對滑動窗口的雜波區(qū)域內(nèi)的M個目標像素點進行剔除,并以剩下的N-M個像素利用高斯分布模型進行統(tǒng)計建模,求取局部閾值Lp;

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

6)判斷是否處理完整個圖像,若無則以目標區(qū)域的尺寸為步長,滑動目標滑窗與背景滑窗,回到步驟4),若是則繼續(xù);

7)對檢測后的二值化像素進行目標圖像聚類。

2.3 實驗結(jié)果

本文選用Sandia實驗室提供的原始SAR圖像如圖3所示,它的背景雜波服從高斯分布,對它分別利用本文提出的算法與艾加秋等[3]提出的改進型CFAR檢測算法進行檢測并做比較。圖4所示為本文算法所檢測的結(jié)果,設置虛警率相同均為pfa=10-8;為了評價檢測的效果,定義了檢測品質(zhì)因子FoM[15], 其中，Ntest為檢測出來的正確的目標個數(shù),Nfa為虛警的目標個數(shù),Nreal為實際目標的個數(shù)。檢測的品質(zhì)因子能夠有效地反映檢測算法的效果,品質(zhì)因子越大表示其檢測的效果越好,檢測準確率越高,虛警率越低。

(9)

由于大幅場景的雷達圖像獲取成本昂貴,故為了進行研究實驗,可利用仿真的雷達圖像對算法進行驗證。美國國防部高級研究計劃局和空軍實驗室聯(lián)合開展的MSTAR計劃,公開了實測的SAR地面靜止軍用目標數(shù)據(jù)集和100幅自然場景下的SAR圖片,利用自然場景和地面靜止目標的SAR進行仿真合成可得到實驗用的圖片如圖5所示。

對圖5進行目標檢測,則可以得到圖6所示檢測結(jié)果。

圖5中包含9個目標,檢測結(jié)果為11個目標,包含2個虛警,執(zhí)行時間為1.54s。檢測品質(zhì)因子為0.82，大于傳統(tǒng)算法的0.75。

為驗證算法的有效性,對另外的10張圖片進行測試,結(jié)果如表2所示。

表2 測試結(jié)果

表2為10張測試圖片的檢測結(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不同的場景下的目標檢測,具有魯棒性。在檢測時間上,對Sandia實驗室提供的372×348大小的圖片進行處理,其運行時間為0.155s,運行時間滿足實用性的要求。

3 改進型CFAR算法的軟件應用驗證

SAR圖像處理管理及發(fā)布一體化平臺,包含SAR成像定量處理與分析系統(tǒng)可用于機載、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、數(shù)據(jù)瀏覽、數(shù)據(jù)查詢檢索、數(shù)據(jù)提取、數(shù)據(jù)庫維護管理功能,管理和發(fā)布的影像共享與服務系統(tǒng)提供對SAR成像定量處理與分析平臺生成和管理的數(shù)據(jù)產(chǎn)品進行網(wǎng)絡發(fā)布和管理以及公告。目標檢測軟件模塊是定量處理與分析系統(tǒng)的一個組成部分。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。該平臺支持SAR圖像的上傳查詢功能,故可以從數(shù)據(jù)庫中載入所需處理的SAR圖像,在定量處理與分析系統(tǒng)中對SAR圖像進行目標檢測。

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檢測功能，還包含SAR圖像的基礎(chǔ)處理如圖像拉伸、邊緣檢測、直方圖統(tǒng)計,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JMatLink接口來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[16]。JMatLink是一個對java.lang.Thread的繼承。它是一個類,其方法都是用C語言進行編寫實現(xiàn),最后以DLL庫的形式供Java調(diào)用的native方法。

Java應用程序通過JMatLink來實現(xiàn)對Matlab引擎函數(shù)的調(diào)用，從而進行一些相關(guān)的數(shù)值計算與處理。圖9所示為Java與Matlab之間的通信機制的原理。第一步是利用JavaJNI技術(shù)來對本地方法進行調(diào)用和定位；第二步把jni.h文件和JMatLink文件引入JMatLink中,對C/C++文件進行編譯,生成動態(tài)鏈接庫JMatLink.dll,與此同時Matlab.lib文件被導入,Matlab.lib文件中包含Matlab的引擎函數(shù)。當Java用戶程序與Matlab進行通信時,首先JMatLink.dll被裝載入內(nèi)存,然后Java應用程序?qū)?nèi)存中的JMatLink.dll的函數(shù)進行調(diào)用,實現(xiàn)JMatLink與Matlab引擎函數(shù)的通信,從而進一步對Matlab的庫函數(shù)進行調(diào)用,這樣間接實現(xiàn)了Java調(diào)用Matlab中的函數(shù)進行數(shù)據(jù)處理和計算。

上述原理解釋了Java與Matlab兩個異構(gòu)對象的通信過程,參數(shù)傳遞是二者之間通信的形式。而參數(shù)傳遞的過程是通過JMatLink創(chuàng)建的engine完成的。首先創(chuàng)建對象,然后由engine執(zhí)行其方法來實現(xiàn)對Matlab引擎函數(shù)的調(diào)用。首先建立一個引擎連接,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Matlab工作空間之后,Matlab開始正常地調(diào)用本身自帶的庫函數(shù)和數(shù)據(jù)包,對數(shù)據(jù)進行處理。數(shù)據(jù)處理完畢,Matlab再次通過引擎函數(shù)對結(jié)果進行傳遞,傳給Java應用程序,應用程序在獲取結(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)用的全部內(nèi)容。

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

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

2)輸入編譯項目的名稱及選擇存儲路徑,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)添加完成之后點擊面板上的Package按鍵，對要打包的函數(shù)進行打包編譯生成jar文件包。

打包編譯完成之后在項目路徑distrib目錄下,存在一個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對打包生成的jar文件中類和方法的調(diào)用過程如下:

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

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

3)最后對編譯生成的jar文件中的類進行調(diào)用。

3.2 軟件功能

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

該檢測參數(shù)為SAR的分辨率以m為單位,決定了檢測時的目標滑窗大小。需要用戶進行定義，而后輸出檢測的結(jié)果如圖11所示。

4 改進型CFAR算法的DSP應用驗證

現(xiàn)代雷達圖像處理系統(tǒng)的設計中,不僅要考慮運算量、運算速度、數(shù)據(jù)傳輸速度、體積的要求,還要考慮系統(tǒng)的標準化、通用性、模塊化、可擴展性及其相關(guān)的技術(shù)。本文選用TMS320C6748作為SAR目標檢測硬件模塊的核心處理器，利用LCDK6748開發(fā)板對本文提出的改進型CFAR算法進行實現(xiàn)和優(yōu)化。該硬件模塊的主要處理流程如圖12所示。

對圖3中的SAR原始圖像進行處理,得到如圖13所示的處理結(jié)果。

處理結(jié)果為檢測出16個目標,檢測虛警3個,目標13個,FoM為0.81,大于傳統(tǒng)的雙參數(shù)CFAR檢測算法的檢測品質(zhì)因子0.75[18]。處理該圖片耗時2.53s,可以實現(xiàn)秒級別的大幅SAR圖像目標的檢測。

5 結(jié)論

本文針對目前廣泛運用的CFAR檢測算法進行研究,提出一種改進型的CFAR檢測算法,該算法對于復雜的背景雜波具有較強的適應性,并且運行速度快。針對該算法開展的SAR圖像自動目標檢測模塊在海量數(shù)據(jù)的輔助檢測系統(tǒng)中是有效可行的。最后以DSP為處理平臺,實現(xiàn)改進型的目標檢測算法,并對算法進行優(yōu)化后,執(zhí)行效率提高,可實現(xiàn)秒級的SAR圖像的檢測。但是本文所采取的檢測算法比較單一,可利用多種檢測算法結(jié)合,實現(xiàn)信息融合,以提高檢測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, 禹衛(wèi)東.改進的SAR圖像雙參數(shù)CFAR艦船檢測算法[J].電子與信息學報, 2009, 31(12):2881-2885.

[4] 艾加秋, 齊向陽.一種基于局部K-分布的新的SAR圖像艦船檢測算法[J].中國科學院大學學報, 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ROI自動獲取技術(shù)研究[D].長沙：國防科學技術(shù)大學, 2007.

[8] 晉瑞錦, 周偉, 楊健.大場景下的極化SAR機場檢測[J].清華大學學報:自然科學版, 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圖像機動目標檢測的兩種CFAR算法對比研究[J].信號處理, 2008, 24(1):78-82.

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

[14] 匡綱要, 計科峰, 粟毅,等.SAR圖象自動目標識別研究[J].中國圖象圖形學報, 2003, 8(10):1115-1120.

[15] 何友.雷達目標檢測與恒虛警處理[M].北京：清華大學出版社, 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].電子設計工程, 2013, 21(2):16-18.

[18] 汪煒.高分辨率SAR圖像 海上艦船目標檢測方法研究[D].上海交通大學, 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

教育部新世紀人才計劃(NCET-13-0168)；國家自然基金(61371178)；廣西自動檢測技術(shù)與儀器重點實驗室基金(YQ16201)

許劍清(1994-)，男，碩士，研究方向為圖像處理及目標檢測。E-mail:xujianqinghit@163.com

10.19306/j.cnki.2095-8110.2017.04.011

V448.2

A

2095-8110(2017)04-0074-08