第２４卷第６期信号处理Ｖ０１．２４．Ｎｏ．６ＳＡＲ图像目标检测研究综述
高贵１周蝶飞２蒋咏梅１匡纲要１
化工厂（１．国防科技大学电子科学与工程学院，湖南长沙４１００７３；２．湖南师范大学，湖南长沙４１００８１）
摘要：ＳＡＲ图像目标检测是ＳＡＲＡＴＲ（自动目标识别）的关键步骤，也是近年来ＳＡＲ图像解译应用的一大研究热点。在广泛文献调研的基础上，本文从ＳＡＲ图像目标检测的历史沿革、研究现状开始，综述了ＳＡＲ图像目标检测的研究进展及存在问题，指出了该技术领域的发展趋势。
关键词：合成孔径雷达；目标检测；恒虚警率
ＳｔｕｄｙｏｎＴａｒｇｅｔＤｅｔｅｃｔｉｏｎｉｎＳＡＲＩｍａｇｅ：ＡＳｕｒｖｅｙ
ＧＡＯＧｕｉｌＺＨＯＵＤｉｅ．ｆｅｉ２ＪＩＡＮＧＹｏｎｇ．ｒｅｅｌ—ＫＵＡＮＧＧａｎｇ．ｙａ０１
（１．ＳｃｈｏｏｌｏｆＥｌｅｃｔｒｏｎｉｃＳｃｉｅｎｃｅａｎｄＥｎｇｉｎ∞ｒｉｎｇ，ＮＵＤＴ，Ｃｈａｎｇｓｈａ，Ｈｕｎａｎ４１００７３，Ｃｈｉｎａ；
２．ＨｕｎａｎＮｏｒｍａｌＵｎｉｖｅｒｓｉｔｙ，Ｃｈａｎｇｓｈａ，Ｈｕｎａｎ４１００８１，Ｃｈｉｎａ）
Ａｂｓｔｒａｃｔ：ＴａｒｇｅｔＤｅｔｅｃｔｉｏｎ，ａ８ａｋｅｙｐｒｏｃｅｓｓｉｎＳＡＲＡＴＲ，ｉｓａｈｏｔ—ｓｐｏｔｏｆｔｈｅｒｅｓｅａｒｃｈｏｎＳＡＲｉｍａｇｅｉｎｔｅｒｐｒｅｔａｔｉｏｎ．Ｂａｓｅｄｏｎｔｈｅｅｘｔｅｎｓｉｖｅｉｎｖｅｓｔｉｇａｔｉｏｎｏｆｔｈｅｐｕｂｌｉｓｈｅｄｌｉｔｅｒａｔｕｒｅｓ，ｔｈｉｓｓｔｕｄｙｂｅｇｉｎｓｆｒｏｍｔｈｅｄｅｖｅｌｏｐｍｅｎｔａｎｄｃｕｒｒｅｎｔｓｔｕｄｙｏｆｔｈｅｔｅｃｈｎｏｌｏｇｉｅｓｏｆｔａｒｇｅｔｄｅｔｅｃｔｉｏｎ．Ｔｈｅｎ．ｔｈｅｃｕｒｒｅｎｔａｎｄｆｕｔｕｒｅｃｈａｌｌｅｎｇｅｓｏｆｔａｒｇｅｔｄｅｔｅｃｔｉｏｎ
ａ聆硎ｅｗｅｄｉｎｄｅｔａｉｌ．
Ｋｅｙｗｏｒｄｓ：ＳｙｎｔｈｅｔｉｃＡｐｅｒｔｕｒｅＲａｄａｒ；ＴａｒｇｅｔＤｅｔｅｃｔｉｏｎ；ＣｏｎｓｔａｎｔＦａｌｓｅＡｌａｒｍＲａｔｅ（ＣＦＡＲ）
１引言
自１９７８年以来，合成孔径雷达的出现业已掀起了波澜壮阔的雷达技术革命。其具有的无可比拟的
全天时、全天候等诸多优点以及由此产生的广泛应用前景，吸引了雷达科学界的无数目光。继之而来的风起云涌的ＳＡＲ相关研究构成了这次技术革命浪潮的主旋律，不同波段、不同极化乃至不同分辨率的ＳＡＲ系统如雨后春笋般地出现。无论是在一马平川的伊拉克美索不达米亚平原还是在山峦叠嶂的阿富汗，其上空都有ＳＡＲ的身影。勿庸置疑，这场伟大的变革已经影响到了军用和民用的各个领域。
今天，伴随着ＳＡＲ成像技术的成熟，一度喧嚣的ＳＡＲ图像获取问题尘埃落定。然而，人们却不得不面对这样一个尴尬的局面，即已有的图像分析处理能力根本无法满足收集到的海量数据的处理需求。于是，各国科学家们不得不再一次埋皓首于穷经，探求解决之道。这直接导致了又一新技术浪潮的酝酿、发展进而席卷全球。这场技术风暴的核心是：ＳＡＲ图像解译技术的发展。
ＳＡＲ图像解译技术内容丰富，针对不同的应用蔓延出很多的分支。其中引人注目的一个分支是：致力于解决从复杂的地物场景中有效获取并识别地面车辆目标（如坦克、装甲
收稿日期：２００７年ｌＯ月１１日；修回日期：无车、步兵战车、卡车等）的ＳＡＲＡＴＲ系统的研究。经过近２０
年艰苦卓绝的探索，科学界对于ＳＡＲＡＴＲ系统研究已经达成了一个共识，即采用分层注意机制的一般流程（如图１所示）才有可能使ＳＡＲＡＴＲ系统真正走向实用化¨刮。目标检测作为这种匠心独
具的流程设计中的第一步，其重要性不言而喻。
呲田－！。■删倘蕊‘ｊ．———＇分龚螭暴本文回顾了自
：二＿ｊ哥：二一．．．．－ｊ：ｉ｝－：．：…一１『…二ＳＡＲ图像目标检测
案等毖：墨翡：：言：怒赫嚣张兴起以来近２０年间Ｉ
老虎的英语不可能是日标和明显比目标城ｔ■／、脒Ｍ／卜“Ｔ
的医黛小的人造杂蕞
该方面研究的重要图１ＳＡＲ自动目标识别系统的一般流程成果。介绍了ＳＡＲ图像目标检测技术的研究进展。并结合作者在该领域的研究工作及实验过程对这些技术进行了分析比较。指出了目前存在的问题、展望了该技术领域的发展趋势。
２历史与现状
２．１起源与发展
自上世纪５０年代合成孔径的概念出现以来，ＳＡＲ图像目标检测经历了从无到有的发展阶段。Ｆｉ
ｎｎ基于Ｂａｙｅｓ理论，在１９６６年将恒虚警率（ＣＦＡＲ）方法用于高斯背景噪声中的雷达信号检测。１９７３年，Ｇｏｌｄｓｔｅｉｎ将ＣＦＡＲ方法进一步拓
９７２信号处理第２４卷
展到对数正态分布和Ｗｅｉｂｕｌｌ分布的背景噪声中，即声名卓著的Ｇｏｌｄｓｔｅｉｎ检测器０７１。１９８３年，Ｒｏｈｌｉｎｇ提出了有序统计量ＣＦＡＲ（ＯＳ—ＣＦＡＲ）检测器的思想等¨Ｊ。这些技术为后续的ＳＡＲ图像目标检测研究提供了理论支持和技术积累。
真正的ＳＡＲ图像目标检测的研究最早可以上溯到上世纪８０年代的中末期。在那个ＳＡＲ图像的应用初现端倪的年代里，以麻省理工林肯实验室为代表的几位美国学者就开始了开创性的探索工作。他们是：Ｌ．Ｍ．Ｎｏｖａｋ、Ｇ．Ｊ．Ｏｗｉｒｋａ、Ｍ．Ｃ．Ｂｕｒｌ、Ｗ．Ｗ．Ｉｒｖｉｎｇ、Ｃ．Ｍ．Ｎｅｔｉｓｈｅｎ等人¨“”Ｊ。当时，美国ＤＡＲＰＡ的资助以及林肯实验室ＡＤＴＳ全极化、Ｋａ波段、０．３ｍ×０．３ｍ数据的成功获取对ＳＡＲ图像目标检测的研究起了推波助澜的作用ｕ钆驯。在这些得天独厚的条件下，上世纪８０年代末９０年代初，反映林肯实验室诸位学者集体智慧结晶的双参数ＣＦＡＲ检测器面世【ｎ璩Ｊ。该检测器把Ｇｏｌｄｓｔｅｉｎ检测器从一维的雷达信号推广到二维的ＳＡＲ图像，它的出现首开ＳＡＲ图像目标检测的研究先河，对于后续的发展具有里程碑意义。
双参数ＣＦＡＲ检测器的出现揭开了ＳＡＲ图像目标检测研究历史篇章。１９８９年Ｂｕｄ【１２１的文章首次提到了林肯实验室的双参数ＣＦＡＲ检测器，其中对实测数据处理结果的报道也属首次；此后的１９８９—１９９２短短三年间，林肯实验室以惊人的速度完成了双参数ＣＦＡＲ检测器设计、大样本实测数据的验证以及与其它检测器的性能对比与分析。这些成果不仅证实了双参数ＣＦＡＲ检测算法用于实际ＳＡＲ图像的良好性能，而且说明了如图ｌ所示的三级解译流程在ＳＡＲＡＴＲ处理中的优势。１９９３年，Ｎｏｖａｋ撰文详细总结了林肯实验室的阶段性研究成果拉Ｊ，标志着ＳＡＲ图像目标检测取得了巨大的成功，而双参数ＣＦＡＲ检测器也为１９９７年的ＳＡＩｌ＇系统¨ｕ所沿用。
自双参数ＣＦＡＲ检测器的提出以后。针对检测器的速度、精度等各个方面的提高问题，从不同角度切入的ＳＡＲ图像目标检测算法大量涌现∞¨¨。如在针对高分辨率下目标周围背景杂波均匀但不满足高斯分布时会产生较大ＣＦＡＲ损失方面，发展了基于不同背景分布的ＣＦＡＲ检测算法；在针对目标周围杂波非均匀（杂波边缘）以及多目标（目标间在空间很靠近）时算法不稳定方面，发展了ＯＳ—ＣＦＡＲ、ＶＩ—ＣＦＡＲ以及基于分割的速度偏慢方面，发展了并行ＣＦＡＲ技术以及全局ＣＦＡＲ算法。此外，在利用其它特征方面陆续发展了基于扩展分形特征的目标检测算法，利用多分辨率的目标检测算法以及结合各种数学工具如利用神经网络、隐马尔可夫模型，支持向量机等目标检测算法。这些算法虽然只是ＳＡＲ图像目标检测相关文献的冰山一角，但是它们仍然向人们展示了ＳＡＩｌ图像目标检测研究的巨大进展，同时也昭示了该领域研究仍然有巨大的发展潜力。
２．２国内外研究概况
自２０世纪９０年代ＳＡＲ图像目标检测兴起以来，鉴于其具有的巨大的应用价值和图像解译应用的迫切需求，该领域的研究受到世界范围的广泛关注，至今依然方兴未艾。在此期间，各国都投入了大量的资金用以资助ＳＡＲ图像目标检测技术的开发。目前很多著名的研究机构涉足ＳＡＲ图像目标检测的研究领域。如美国林肯实验室、陆军实验室（ＡＲＬ）、密西根环境研究所（ＥＰＪＭ）、怀特实验室（ＷＬ）、佛罗里达大学、亚特兰大大学Ｃｌａｒｋ学院、卡耐基梅隆大学、杜克大学、马里兰大学Ｐａｒｋ学院等都开展了广泛深入的联合研究。欧洲方面，从２０世纪中后期开始，欧洲各主要国家如英国、法国、德国、意大利、荷兰、西班牙、比利时等依托欧盟的一些研究机构也开展了较为广泛的ＳＡＲ图像目标检测的研究。此外，加拿大、澳大利亚、日本等也做了大量的研究工作。表一给出了国外一些著名的ＳＡＲ图像解译系统，在这些系统中，目标检测都作为一个主要的模块。
近年来，ＳＡＲ图像目标检测的研究取得了很大的进展，从现有收集到的资料来看，自１９８９年到２００６年以来，在一些有影响的国际杂志如ＩＥＥＥ—ＡＥＳ、ＩＥＥＥ－ＩＰ、ＩＥＥＥ—ＧＲＳ、ＩＥＥＥ—ＰＡ－ＭＩ、ＩＥＥＥ—ＲＳ、ＩＥＥ、ＰＲ等以及一些知名的国际会议如￥ＰＩＥ、ＩＧＲＡＳＳ、国际雷达会议等发表的关于￥ＡＲ图像目标检测的文章多达数百篇。从这些发表的文章来看，各国学者做了大量的创造性的研究工作。其中英国学者Ｏｌｉｖｅｒ在１９９８出版了专著¨ＨＵｎｄｅｒｓｔａｎｄ／ｒｉｇＳｙ，，ｔｈｅｔ／ｃＡｐｅｒｔｕｒｅＲａｄａｒＩｍａｇ
ｅｓ”，全书包含１４章，其中花了１章的篇幅讨论ＳＡＲ图像目标检测技术。此外，由主要包含北美各个大学和研究机构的博硕士论文库ＵＭＩ检索到近年来有关ＳＡＲ图像解译应用的２０多篇博士论文，绝大多数把ＳＡＲ图像目标检测作为其研究的一个主要内容。由
ＣＦＡＲ等检测器；在针对双参数ＣＦＡＲ的局部滑窗导致算法的此可见世界各国对于ＳＡＲ图像目标检测研究的重视。
表１国外的一些著名的￥ＡＲ图像解译系统
开发的系统所属地依托机构发布时间主要目标
ＳＡＩｐ［２１］美国林肯实验室牵头的若干机构１９９７年计算机辅助的ＳＡＲ图像解译系统
瞄准机载ＡＮ／ＡＰＧ－７６多模式高频ＳＡＩｌ对地观测ＮＧＮ［ｅ］美国美国Ｎｏｒｗａｌｋ的Ｇｒｅｅｎｓｐａｎ研究小组１９９８年
应用的ＳＡＩｌＡＴＲ系统
ＳＡＩｌＡＴＲｗｏ出ｂｅ∞ｈ［驯加拿大加拿大国防研究与发展中心牵头的若干机构２００２年能用于陆地和海洋目标实时监测的￥ＡＲＡＴＲ系统Ｉｌｌｆ０Ｐ缸．ｋ［２３１英国Ｏｌｉｖｅｒ研究小组１９９８钜ＳＡＲ图像解译软件
ＳＡＨＡＲＡ［拼１西欧比利时皇家军事研究院１９９７正半自动场景分析、目标检测识别系统
ＡＣｏＶｉ８［２５ｔ德国德国Ｆｒａａｎｈｏｆｅｒ学院（ＨＴＢ）２００４焦￥ＡＲＡＴＲ系统
第６期ＳＡＲ图像目标检测研究综述９７３
目前，国内的很多大学和研究所对于ＳＡＲ图像目标检测都开展了相关研究。从中国期刊网数据库文章的收集情况来看，ＳＡＲ图像目标检测的文献占了ＳＡＲ图像解译文献的很大部分。西安电子科技大学的保铮院士、北京航空航天大学的毛士艺教授、国防科技大学的匡纲要教授、武汉大学的孙洪教授等所在课题组做了许多卓有成效的工作。此外，中科院电子所、遥感所、中电集团１４所、３８所、南京航空航天大学等也取得了较大的研究进展。但总体而言，目前为止，国内还没有～个成熟的包含ＳＡＲ图像目标检测的ｓＡＲ图像解译系统，大多处于实验室验证阶段。
３算法巡礼
ＳＡＲ图像目标检测算法在过去的近二十年里得到了蓬勃的发展。今天，我们站在历史的制高点上，梳理流派纷呈、纷繁浩杂的ＳＡＲ图像目标检测文献，不难发现，ＳＡＲ图像目标检测的本质是根据目标和杂波的散射特性的不同所表现的特征差异来完成目标检测的。基于此，形形色色的ＳＡＲ图像目标检测算法可以归入如下脉络分明、有章可循的几类：（１）基于对比度的一类目标检测算法；（
２）基于图像的其它特征的一类目标检测算法；（３）基于复图像特征的一类目标检测算法。本文按次予以阐述。
３．Ｉ基于对比度的一类目标检测算法
主要由金属制成的感兴趣目标，由于其具有较强的雷达回波，在ＳＡＲ图像上表现为具有和周围环境相比较大的对比度，因此基于对比度进行目标检测算法的设计成为了—个自然的选择。基于对比度的目标检测算法主要有：（Ｉ）ＣＦＡＲ检测算法；（２）广义似然比检验（ＧＬＲＴ）检测算法；（３）能量环（ＰＲ）检测算法；（４）其它。
初恋英文
３．１．１ＣＦＡＲ检测算法
ＣＦＡＲ方法是ＳＡＲ图像目标检测领域研究最为广泛、最为深入．也是目前较为实用的一类方法。在实际情况中，由于目标所处的背景往往比较复杂，因此不可能使用固定阈值来检测目标，需要自适应确定阈值的检测算法。ＣＦＡＲ检测方法是一种像素级水平的目标检测方法，其前提是目标相对于背景具有较强的对比度。ＣＦＡＲ算法通过单个像素灰度和某一门限的比较达到检测目标像素的目的。在给定虚警率的情况下，检测门限由杂波的统计特性决定。ＣＦＡＲ方法具体实现过程是呤１：根据经典的统计检测理论，在给定的虚警概率条件下，首先根据目标所处周围背景杂波的统计特性自适应求取检测阈值，然后将待检测像素和自适应阈值进行比较，判断其是否为目标点。通过参考窗口
的滑动，实现对所有像素的自适应检测。目标周围背景杂波的统计特性通常由目标像素周围参考窗口内的像素确定。滑动窗口分为空心和实心两种哺１，分别如图２和图３所示。实心滑窗是常规雷达ＣＦＡＲ检测窗口由一维到二维的扩展，在高分辨率ＳＡＲ图像中，由于感兴趣目标呈分布式，因而为了去除目标像素对杂波模型参数估计的影响，在参考滑窗中根据目标大小设立保护（警戒）区域的空心滑窗更受青睐，绝大多数ＣＦＡＲ算法是在空心滑窗的基础上发展而来的（以下提到的ＣＦＡＲ算法除特别说明都是指采用空心滑窗）。
图２空心ＣＦＡＲ滑动窗口图３实，ｔＬ，ＣＦＡＲ滑动窗口
图４给出了ＣＦＡＲ检测处理的通用形式。由图可知，ＣＦＡＲ检测有三个输入因素（如图４中的黑体表示）：虚警概率、描述杂波背景统计特性的杂波分布模型、ＣＦＡＲ检测器。其中虚警概率是检测前期望的虚警概率大小，是一个事先给定的常数；进行参数估计的滑窗内杂波像素序列由ＣＦＡＲ检测器确定；而杂波背景分布模型是所有ＣＦＡＲ算法的前提。
滑动亩ｒｌ内部分或全部杂波像蠢设定虚■概搴对应像素值
叠■图像检舅精暴
图４ＣＦＡＲ处理的通用形式
也就是说：一个完整的ＣＦＡＲ算法应该是基于某种分布采用某个ＣＦＡＲ检测器的算法。统计模型对杂波的建模能力和针对不同杂波环境应用的ＣＦＡＲ检测器都会影响到检测的精度。目前为止，以提高检测算法的速度和精度方面为目的，ＣＦＡＲ算法从四个角度入手，概述如下：10以内数的分解
（１）发展基于不同背景统计分布模型的ＣＦＡＲ检测
ＪｉａｎＬｉ［１９９７］认为ＳＡＲ图像目标检测中的一个关键问题是杂波背景统计特性的描述胆¨。诚如斯言，杂波统计模型的精确性对于ＣＦＡＲ算法的精度有重要影响”１．川。简单来讲，进行不同背景统计分布模型的ＣＦＡＲ检测研究的原因在于：实际待检测的ＳＡＲ图像中往往包含很多的地物植被覆盖类型，如果采用一种不合适的模型来对整个图像进行目标检测，模型的失配会导致产生较大的ＣＦＡＲ损失，使得检测器丧失ＣＦＡＲ能力，造成相应的检测性能下降（文献［５，２８］给出了详细的分析）。
成文宪法
发展基于不同统计分布模型的ＣＦＡＲ检测很早就引起了研究者们的注意。即为了提高检测的性能，研究者对于不同的实际杂波模型，发展了最优的ＣＦＡＲ检测。典型的研究如：林肯实验室假设背景杂波强度的统计分布服从高斯分布推导而得的双参数ＣＦＡＲ检测【２１（ＧｏｌｄｓｔｅｉｎＬ＿¨研究表明：通过一定的数学变换，该种形式的检测算法对于对数正态和Ｗｅｉｂｕ］ｌ杂波环境也具有ＣＦＡＲ性能）；Ｋｕｔｔｉｋｋａｄ［１９９４］提出的基于Ｗｅｉｂｕｌｌ分布和基于Ｋ分布
采用最大似然估计的ＣＦＡＲ检测旧１；ｓａｌａｚ盯［１９９９］等提出的基于∥分布的ＣＦＡＲ检测Ｈ１；Ｂｌａｃｋｎｅｌｌ
９７４信号处理第２４卷
［２０００］等提出的基于相关高斯分布的ＣＦＡＲ检测ｍ．３１１，Ｂｕｃ．ｃｉａｒｅｌｌｉ［１９９６］提出的最优ＣＦＡＲ检测ｍ１等等不一而足。文献［３３］较为全面地给出了目前存在的各种分布下的参数估计以及ＣＦＡＲ阈值的详细推导。
目前绝大多数ＣＦＡＲ算法都是在检测前先验确定图像杂波背景的统计分布。由于实际的检测局部滑窗可能面临种类多样的地物覆盖类型，这就对描述杂波统计特性的统计分布模型提出了很高的要求。简单的统计模型如高斯、Ｒａｙｌｅｉｇｈ、指数、Ｇａｍｍａ等具有参数估计简单、算法速度较快的优势，但是因为其对地物覆盖类型的建模能力不足，致使检测的精度不理想；反之，复杂的统计模型如Ｗｅｉｂｕｌｌ、Ｋ分布等虽然对地物覆盖类型的建模能力较高，相应的检测精度较高，但是由于其参数估计困难，计算量较大，导致算法的实用性大打折扣Ⅲ】。因此，发展一种参数估计简单且有良好的杂波统计建模能力的统计分布模型是ＣＦＡＲ算法的需要解决的一个重要问题。
（２）ＣＦＡＲ检测器
即便是已经得到了一个很好的杂波统计模型，但是ＣＦＡＲ算法仍然会遇到这样的问题，即：当ＣＦＡＲ滑动窗口在整幅图像上滑动时，进入滑窗内杂波区域的像素并不一定是均匀同质的，很多情况下是异质区域。
为了简化性能分析，Ｒｏｌｄｉｎｇ［１９８３］将目标检测性能面临的背景杂波分为典型的三种¨ｊ：（１）均匀杂波背景；（２）杂波边缘；（３）多目标。杂波边缘是指：ＣＦＡＲ滑窗处于两种或几种不同地物覆盖类型的交界处，进入滑窗内杂波区域的像素点包含几种异质成分；多目标是指：当两个目标靠近时，一个目标的信号泄漏到另一个目标检测的滑窗杂波区域内。
不同的ＣＦＡＲ检测器就是为了适应上述三种情况下的目标检测而设计的。ＣＡ—ＣＦＡＲ（单元平均恒虚警率）检测器是最简单的ＣＦＡＲ检测器（林肯实验室双参数ＣＦＡＲ算法是一种基于高斯背景假设的空心滑窗ＣＡ－ＣＦＡＲ算法），它把滑窗内杂波区域中的所有像素用来估计相应的杂波统计模型的参数，对于均匀区域是最优的。然而，异质性环境（包括杂波边缘和多目标）在实际检测中经常遇到，在这些环境中，ＣＡ．ＣＦＡＲ检测器的性能将严重衰退。这主要是因为汹谬’３５】：
密码子名词解释●对于杂波边缘环境：由于滑窗杂波区域中含有两种
或以上的异质混合成分，早期认为（以ｃｏ分布Ⅲ１的
出现为分水岭），已有的统计模型即便是建模能力最
强的ｘ分布，也不足以描述异质混合不均匀区域的
统计特性，会引起统计模型的失配。因而。ＣＡ．ＣＦＡＲ
检测器用滑窗内杂波区域中的所有像素估计相应杂
波统计模型的参数是不妥的；
●对于多目标环境：一个或多个干涉目标在被检测目
标滑窗杂渡区域中的出现将破坏杂波的统计特性，
使得检测的信杂比降低，造成相应检测门限的提高，
虽然能够降低虚警率，但同时也会导致较低的检测
概率；
基于上述两种情况，各种ＣＦＡＲ检测器应运而生。Ｆｏｇｌｅｒ［１９９４］提出了Ｓｋｅｗｎｅｓｓ－ＣＦＡＲ（斜度ＣＦＡＲ）检测器ｐ“，该检测器根据目标和背景分布函数在对数域呈现的不同斜度来检测目标，人造目标正倾斜，自然背景负倾斜啪Ｊ。Ｒｉｔｃｅｙ［１９９０］基于Ｗｅｉｂ
Ｉｌｌｌ背景首先提出了用于ＳＡＲ图像目标检测的ＯＳ－ＣＦＡＲ（有序统计量ＣＦＡＲ）检测器惮Ｊ，该检测器将滑窗杂波区域中的样本点按升序排列，选择其中某一阶或某两阶的组合进行杂波分布参数的估计。Ｎｏｖａｋ［１９９１］在Ｒｉｔｃｅｙ工作的基础上提出了高斯背景下的空心滑窗和实心滑窗ＯＳ．ＣＦＡＲ检测器，并把它们与对应的双参数ＣＦＡＲ检测器进行性能的比较。得出的结论是哺Ｊ：１）无论是空心滑窗还是实心滑窗，在多目标环境下，０＇３－ＣＦＡＲ检测器性能都远远超过双参数ＣＦＡＲ检测器；２）在均匀环境下，两种检测器性能相当，双参数ＣＦＡＲ检测器稍优予０＇３一ＣＦＡＲ检测器；３）在滑窗内杂波像素相当的条件下，基于空心滑窗的检测器性能优于基于实心滑窗的检测器。此后，Ｋｕｔｔｉｋｋａｄ［１９９４］把ＯＳ－ＣＦＡＲ检测器扩展到Ｋ分布背景下，得出了同Ｎｏｖａｋ相似的结论憎】。Ｗｉｌｓｏｎ［１９９３］提出的ＧＯＯＳＥ（ｇｒｅａｔｅｓｔ—ｏｆｏｒｄｅｒｓｔａｔｉｓｔｉｃｅｓｔｉｍａｔｏｒ）ＣＦＡＲ和ＣＧＯ（ｃｅｎｓｏｒｅｄｇｒｅａｔｅｓｔｏｆ）ＣＦＡＲ两种扩展的ＯＳ－ＣＦＡＲ检测器也较好地解决了杂波边缘和多目标环境对目标检测性能的影响∽Ｊ。但总的来说，ＯＳ－ＣＦＡＲ检测器克服了：杂波统计量的估计被临近目标污染这一问题，对于多目标环境下的ＣＦＡＲ检测有很大优势，但是其缺点也同样明显。因为Ⅲ驯：该检测器的最优统计量很难理论推导而得，往往由经验获得，且该最优统计量对于不同的背景分布模型也会发生改变，同时排序的加入必然引起计算量的增加，这些都制约了该检测器的进一步应用。
此外，ＧＯ－ＣＦＡＲ（选大ＣＦＡＲ）和ＳＯ—ＣＦＡａ（选小ＣＦＡＲ）检测器等也取得了较大的应用旧Ｊ。ＧＯ－ＣＦＡＲ在杂波边缘环境下提供了较好的检测性能，但相对于ＣＡ·ＣＦＡＲ而言。在均匀区域损失了杂波像素相关性信息，检测性能反而下降；ＳＯ—ＣＦＡＲ在多目标环境下能取得好的性能，但在杂波边缘环境中由于使得相应的检测阈值降低，会比ＣＡ．ＣＦＡＲ产生更多的虚警。ＭｃＣｏｎｎｅｌｌ［１９９８］提出了ＳＥＧ－ＣＦＡＲＬ舭ｕ（基于分割的ＣＦＡＲ），其思想是将ＳＡＲ图像分割成一个个均匀的小区域，再在这些小区域中进行ＣＦＡＲ操作，这样就避免了杂波边缘和多目标环境对检测性能的影响。但是由于分割的引入势必极大增加了检测的计算代价，而且分割的精度也会影响检测的性能，因此该方法用于检测是得不偿失的。
部门法
ＣＡ—ＣＦＡＲ、ＯＳ—ＣＦＡＲ、ＧＯ·ＣＦＡＲ、ＳＯ—ＣＦＡＲ构成了最基本的四个ＣＦＡＲ检测器，后续发展的检测器大多是这些检测器的组合或变体。这四个ＣＦＡＲ检测器，各有其适用场合和优劣之处，独立应用于场景内容千变万化的ＳＡＲ图像目标检测时并不能取得很好的性能。如果把上述四种ＣＦＡＲ检测器融合在一起使用，根据滑窗所在位置智能选择其中的一种ＣＦＡＲ检测器，则无疑会极大提高检测的性能。Ｓｍｉｔｈ［１９９７］提出的Ⅵ·ＣＦＡａ（智能索引ＣＦＡａ）渺刨正是基于这一思想。该检测器在
第６期ＳＡＢ图像目标检测研究综述９７５
均匀和非均匀杂波背景中都能保持ＣＦＡＲ检测性能，但是其缺点是：该检测器涉及到大量的判断条件，操作繁琐，计算效率较低。黄祥［２００４］等基于ＶＩ—ＣＦＡＲ提出了ＲＣ—ＣＦＡＲ（区域分类ＣＦＡＲ）Ⅲ’，文［２８］认为该检测器把参考单元分为上下左右四个区域，导致每个区域包含的样本过少，对于非均匀性判断的鲁棒性会变差。Ｂｉｓｃｅｇｌｉｅ［２００１］以Ｗｅｉｂｕｌｌ背景为前提，提出了一种综合排序、筛选（Ｃｅｎｓｏｒｅｄ）等手段的实心滑窗ＣＦＡＲ检测器，据称该检测器对ＬＳ（１０ｃａｔｉｏｎ－ｓｃａｌｅ）型的杂波背景都适用‘舒嘶Ｊ。实际上，Ｌｓ型杂波背景可以看作具有两个参数的杂波背景分布的正则化。从实验结果Ｌ晒郴１来看，该检测器对于均匀、非均匀的杂波环境性能都较好。Ｂｉｓｃｅｇｌｉｅ检测器具备了—个优秀ＣＦＡＲ检测器的雏形，其涉及到的杂波分布模型、筛选的深度选择的自动性、滑窗类型的选择都有进一步发展的空间。
以上提到的ＣＦＡＲ检测器本质上都是局部动态滑窗的检测方法，它们是通过局部的对比度完成目标检测的。显然，检测结果受目标周围局部环境的影响很大，典型的如位于阴影区域附近的较暗的物体，在阴影的衬托下也可能被检测出来。因此，为了提高检测的精度，ｗａｎｇ［１９９４］和Ｐｈａｍ［１９９７］提出了Ｇｌｏｂａｌ—ＣＦＡＲ（全局ＣＦＡＲ）检测器和局部ＣＦＡＲ检测器结合的目标检测算法Ｍ侧；Ａｎｍｏｚｅｇａｒ［１９９４］提出了一种基于神经网络的ＮＮ—ＣＦＡＲ检测器旧Ｊ，但是其计算代价太高，在后续的研究鲜有应用。
（３）增强型ＣＦ从算法
基于对比度进行目标检测的结果很大程度上取决于图像的信杂比（Ｔ／Ｃ）。增大Ｔ／Ｃ意味着增强目标信号，压制背景噪声。Ｔ／Ｃ的提高将使检测算法更轻松地检测到目标，实现目标信号和干扰杂波的有效分离。
增强型ＣＦＡＲ算法就是一类围绕如何提高信杂比并且使目标检测具有恒虚警率的检测算法。增强型ＣＦＡＲ算法的常规处理惮驯是：首先对图像进行预处理，以增加信杂比，然后再对增强后的图像进行基于阈值的检测，其中用ＣＦＡＲ算法获得阈值占了绝大多数。典型的预处理操作惮刮如：多视处理、最小方差处理、多信源分类处理、各种滤波器如Ｗｉｎｎｅｒ滤波、中值滤波以及针对极化图像的极化白化滤波（ＰＷＦ）和针对ＵＷＢ图像的ＬＭＳ滤波器等等。这些方法的主要缺点是经过预处理后，增强后的图像和原图像的统计特性有所不同，且很多预处理方法得到的增强后的图像其统计特性无法从理论上推导而得，导致后续的ＣＦＡＲ检测很难进一步开展。
有别于上述常规增强型的ＣＦＡＲ算法，Ｐｒｉｎｃｉｐｅ［１９９８］等人给出了基于二次Ｇａｍｍａ核的目标检测算法［６７删。该算法采用了一个Ｃ，ａｎ．ｎａ核模板对图像的像素幅度或强度进行加权，增强了目标相对于背景的信杂比水平，因此改善了检测的性能。该方法的难点在于ｍ】：目前尚无有效的自动的获取最优的Ｇａｍｍａ核模板参数的手段。而且检测阈值确定过程中训练数据
的加入也需要很多的先验信息，算法的计算复杂度较大，难以实用化。为了增加该算法的自动性，Ｐｒｉｎｃｉｐｅ［１９９８］做出了一些改进，给出了基于神经网络的非线性二次Ｇａｍｍａ核目标检测算法ＮＬ－ＱＧＤｏ驯，但是先验信息的需要、算法耗时等闾题仍未解决。
（４）快速ＣＦＡＲ算法
计算速度是决定目标检测算法实用性的一个重要指标。在基于局部滑窗的ＣＦＡＲ算法中，局部动态使每—个像素值参与了多次滑窗运算，算法的计算速度普遍不高，因此，为增加这些算法的实用性，需要设计有针对的快速算法。快速ＣＦＡＲ算法的实现主要有两种思路：（１）从算法本身考虑；（２）从算法硬件实现上。
第一种思路中，Ｎｏｖａｋ［１９９１］在文献［２６］中最早提到了该方面的研究，他指出：“Ｔｈｅｂａｓｅｌｉｎｅｔｗｏ－ｐａｒａｍｅｔｅｒＣＦＡＲｗａｓｉｍ－ｐｌｅｍｅｎｔｅｄｕｓｉｎｇｒｅｃｕｒｓｉｖｅｃａｌｃｕｌａｔｉｏｎｏｆ
ｎＭ柚ａｎｄｓｔａｎｄａｒｄｄｅｖｉａ－ｔｉｏｎ…”。但是他并未给出“ｒｅｃｕｒｓｉｖｅｃａｌｃｕｌａｔｉｏｎ”的具体流程，在后续的论文中也从未再提到过。此后类似的工作还有：Ｓａｉｏｗｅ［１９９６］提出的快速算法【７４Ｊ，该算法的主要贡献是指出了检测模板形状对于快速算法的构建是比较重要的，他们的算法据称对于适当大小的图像在传统工作站条件下能够以秒级的速度
完成检测任务。张翠［２００５］给出了一种基于Ｒａｙｌｅｉｇｈ分布的ＣＦＡＲ快速检测算法０７ｓ］，也取得了较好的性能。前文提到的Ｇｌｏｂａｌ－ＣＦＡＲ算法也是一种快速的ＣＦＡＲ算法，作者在文献［７６］中曾详细分析该算法的计算量，但该检测算法把整幅图像用一个分布来建模，存在理论缺陷。
态度第一第二种思路中，Ｐｈｉｌｌｉｐｓ［１９９７］针对ＣＡ—ＣＦＡＲ和ＯＳ—ＣＦＡＲ在Ｗｅｉｂｕｌｌ背景条件下的目标检测问题，给出了在硬件上采用ＳＩＭＤ（单固定点数字单元）线阵并行计算的快速ｃＦＡＲ算法‘”Ｊ。据称该并行计算系统已经服役于载有ＴＥＳＡＲ传感器的无人侦察机中ｏ”Ｊ。
当然，从经济实用的角度考虑，第一种思路下的快速算法的构建往往是人们的首选，但总体而言，现有的快速ＣＦＡＲ算法都并没有给出—个可信服的计算量节省的理论分析，研究仍有待于进一步完善。
３．１．２ＧＬＢＴ检测算法
上文的ＣＦＡＲ检测算法都只基于背景统计模型，目标是作为背景统计特性中的异常点来检测的。ＣＦＡＲ检测算法由于没有考虑目标的统计特性，是一种次优的统计检测方法。如果能够把目标的概率分布函数考虑进去，则由此得到的检测算法无疑能得到理论的Ｂａｙｅｓｉａｎ最优解，ＧＬＢＴ正
是基于这一思想提出的。ＧＬＲＴ的具体表达形式为ＪｉａｎＬｉＥ１９９６］详细推导归”。
ＧＬＲＴ检测算法需要知道目标和背景的统计分布，而实际的目标的统计分布是无法知道的＂ｊ，而且由于实际目标的形状、大小、方向等存在差异，建立统一的目标统计模型的难度较大，因此该算法并未得到广泛的应用。
３．１．３ＶＲ（能量环）检测算法
ＰＲ检测算法的设计是基于这样—个事实ｍＪ：目标像素～
９７６信号处理第２４卷
定大小邻域内的均值ｐ，和周围背景环形区域内的杂波均值
舭之比应该在某—个阈值九之上。其中ｐ，／ｋ反映了图像的
图５ＰＲ检测算法原理局部信杂比。ＰＲ算法的原理ⅢＪ副如图５所示。理论上来讲，该检测算法利用图像的局部对比度信息，如果参数选择合适，该算法能够取得较好的性能。但是，很明显。九无法自适应选择，而且图５中目标区域的大小等如何合适选择制约了该算
法的进一步应用，很难推广。
３．１．４其它
前面三节的方法可以看作严格的统计检测方法。为了提高目标检测的性能，在利用对比度特征方面，研究者们做了一些其它的尝试，典型的如：Ｌｅｕｎｇ［２００２］等采用ＧＡ－ＲＢＦ神经网络进行目标检测ｍｊ，通过ＲＢＦ构建杂波背景的混沌模型，利用遗传算法来调整ＲＢＦ的参数，用该模型预测当前像素值，异常点则为潜在的目标像素。Ｌａｍｐｒｏｐｏｕ］ｏｓ［１９９９］详细比较了基于ＢＢＦ算法和ＣＡ—ＣＦＡＲ、ＯＳ·ＣＦＡＲ以及ＯＷ－ＣＦＡＲ（ｏｐ－ｔｉｍａｌＷｅｉｂｕｌｌ－ＣＦＡＲ）的性能，指出ｍＪ：在实际的杂波环境中，基于ＲＢＦ算法其检测精度明显优于上述基于统计的三种ＣＦＩＡＲ检测器。
类似的研究还有Ｐｅｒｌｏｖｓｋｙ［１９９７］提出的基于神经网络的目标检测算法哺¨。Ｙｅｎ［１９９８］提出的基于Ｌ丑ｇｕｅｎ℃网络以及子空间的目标检测算法。Ｆｉｌｉｐｐｉｄｉｓ［２０００］提出的综合神经网络、模糊决策等多种手段的目标检测算法Ｈ叫等。
．总得来说，尽管这些算法一般能取得较好的检测结果，但是目标先验信息的需要，复杂训练过程的加入会导致这些算法的计算速度较慢，离实用化仍然有较大的距离。
３．２基于图像的其它特征的一类目标检测算法
正如前文所述：各种目标检测算法的构建本质上都是围绕目标与杂波电磁散射特性的差别进行的。对比度仅仅是能够发掘两者电磁散射特性差异的一种特征，当然也存在图像的其它特征能够揭示这种差异。
理论上，目标和杂波虚警在图像上表现出尺寸、形状、纹理等特征的差异可以被用来完成目标的检测。该类算法中最简单的是Ｌａｎｄｏｗｓｋｉ［１９８９］基于目标聚类的检测算法坤’…，该算法把经过预处理和分割后二值图中满足一定尺寸和形状的强像素点的聚类作为目标。它的缺点在于预处理中尺度、分割采用的阈值等很难自动确定。但是，该算法的思想认为对后续的研究有重要指导价值。方学立［２００６］提出的基于位置相关的检测算法Ⅲ１采用的就是这种思想。
Ｋａｐｌａｎ［２００１］提出了一种基于扩展分形特征（ＥＦ）的目标检测算法瞪ｊ，该算法通过计算图像点位置上多尺度的Ｈｕｒｓｔ指数以量化在不同尺度下图像表征出来的纹理粗糙程度，由图像的纹理粗糙程度的度量来检测目标的存在与否，从实验结果来看，该算法的检测性能较好。然而，ＥＦ特征对于目标的对比度和尺度非常敏感，这种敏感性会带来“负值效应”问题，即：在正确检测出目标的同时把一些和目标具有相似形状而灰度值较低的区域也检测出来。此外，从我们的对该算法的实现过程来看，该算法检测的阈值选择并不具备自动性，依赖于被检测的图像的对比度等先验信息，制约了该算法的实用性。
多分辨方法渺啦！应用于ＳＡＲ图像的目标检测也引入注目。该类方法利用目标和杂波的多分辨率特征差异进行检测。其假设前提是：感兴趣目标和杂波的散射特性在不同分辨率尺度上是不同的，且感兴趣目标的散射较杂波更为持久，如果能够利用一定的方法揭示这种差异，则有可能实现目标的检测。Ｓｕｂｏｔｉｃ［１９９５］较早提出了ＳＡＲ图像目标检测的多分辨率方法一¨，他们发现杂波的多分辨过程是一个布朗运动过程。运用布朗运动过程是独立增量过程的性质，可以用一个简单的取样方法获得一系列低分辨图像。基于上述思想，又发展了一系列的多分辨检测算法，如Ｔｅｌｌｏ［２００５］提出的基于小波变换的多分辨率算法哪！，Ｓｕｂｏｔｉｃ［１９９５］提出的基于ＧＬＲＴ的多分辨率算法旧１等。
此外，Ｂｌａｃｋｎｅｌｌ［２００１］、Ｍａｒｎｉ［１９９７］提出的基于上下文的目标检测算法旧’舛Ｊ、Ｇｒｅｉｇ［２００３］提出的基于目标所在环境知识的目标检测算法哺Ｊ、Ｐａｇｅｔ［２００１］提出的基于目标所在地域识别的检测算法等惮．１叫均有一定的代表性。
由于—个特征只能反映目标或杂波的一方面信息，多个特征的联合应用应该更能准确地检测出目标。因此，多特征联合的检测方法得到了广泛的发展。Ｋａｐｌａｎ［１９９８］的ＣＦＡＲ、方差特征、分形特征联合的检测方法惮Ｊ“、Ｌｏｍｂａｒｄｏ［２００１］的对比度特征和阴影特征分别采用ＣＦＡＲ、ＧＬＲＴ、ＰＲ操作在三种不同联合规则下的检测方法ⅢＪ、Ｐｈｉｌｌｉｐｓ［１９９７］的上下文特征和对比度特征联合的检测方法。丌３等等都属此研究之列。从大量的实验结果来
看，如果联合的规则选择合适，多个特征的联合应用通常能够得到比只利用单个特征更好的性能。
作者以为：在实际应用的多数情况下，目标检测直接面临的是输入的大图像，采用一些比像素强度（对比度）更为高级的特征（如尺寸、形状、ＥＦ、上下文、多分辨率等上文提到的特征）进行检测算法的设计，由于这些特征并不容易获取且处理的数据量较大，其检测的计算耗时必然惊人。若把这些算法移到直接面对小数据量（潜在目标切片）的鉴别阶段更为合适，这也符合图１的三级解译系统设计的初衷。因此，从节省资源、提高系统的效率方面考虑，本小节所讨论的算法更适用于实际ＳＡＲＡＴＲ系统中的目标鉴别。这从林肯实验室的ＳＡＲＡＴＲ系统以及张翠［２００５］在其博士学位论文一¨中把ＥＦ等特征作为鉴别算子等文献都可以看出。
３．３基于复图像特征的一类目标检测算法
基于复图像特征的目标检测算法是更为广义上的ＳＡＲ图像目标检测算法。前两类目标检测算法都是在图像生成
