摘要 ------本文提出了一种新的基于超像素的恒虚警率 (CFAR) 目标检测算法，用于高分辨率合成孔径雷达 (SAR) 图像。该检测算法包括三个阶段，即分割、检测和聚类。在分割阶段，利用超像素生成算法对 SAR 图像进行分割。在检测阶段，基于生成的超像素，可以自适应地估计每个像素的杂波分布参数，即使在多目标情况下也是如此。然后，可以采用双参数 CFAR 测试统计量进行检测。在聚类 阶段，使用层次 聚类 来对检测到的超像素进行聚类，以获得候选目标。该算法的有效性使用 miniSAR 数据进行了验证。
索引术语------恒虚警率 (CFAR)，超像素，合成孔径雷达 (SAR)，目标检测。
文章目录
-
-
-
- [Step 7](#Step 7)
- [C. Clustering Results](#C. Clustering Results)
-
-
尽管上述方法被广泛使用，但它们仍然存在一些缺点。
- 首先，仅基于像素强度，很难为待测像素准确地、自适应地选择杂波区域。
- 其次，来自同一目标的像素共享相同的背景杂波参数更为合理。然而，现有的 CFAR 方法没有考虑被测试的像素是否来自同一目标。是否是同一目标。
- 第三，在对检测结果进行聚类以获得候选目标时，没有任何结构信息，传统的基于像素的聚类方法通常无法区分来自相邻目标的像素。
所有这些缺点启发我们在 SAR 观测中采用一种在光学图像中广泛使用的技术，即超像素（superpixel）。
超像素是一个感知上有意义的局部相干区域；它可以揭示图像边界，并可用于计算局部图像特征 [5]。简单线性迭代聚类 (SLIC) [5] 是一种超像素分割方法，在光学图像上表现出良好的性能。一些工作已经致力于使 SLIC 适应 SAR 图像 [6], [7], [11]。在 [11] 中，作者将 SLIC 应用于极化 SAR 图像，然后专注于提取超像素级特征用于船舶检测。他们表明，通过超像素分割，一个船舶目标可以被视为一个或多个连接区域，而不是一组像素。在这封信中，超像素将与双参数 CFAR 检测器相结合。我们将专注于利用超像素反映的结构信息，在多目标情况下自适应地选择杂波像素并消除来自相邻目标的像素，从而提高检测和聚类性能。
Step 7
基于二值检测结果，检测到的像素通常会进一步聚类到不同的簇中，以获得候选目标 [4]。聚类后，每个簇中心意味着一个目标位置。在 [4] 中，介绍了一种典型的聚类方法。当检测到的像素之间的距离小于目标的最大长度时，它会将这些像素聚类。然而，有时来自相邻目标的像素可能会被聚类成一个目标，这会降低其性能。
为了处理上述问题，我们首先将被检测像素转化为被检测超像素。对于每个超像素，如果其内部被检测像素数与总像素数的比率大于一个阈值 T R T_R TR ，它就被视为一个被检测超像素。否则，它被视为空 clutter (杂波)。较大的 T R T_R TR 会更好地减少虚警，但真实目标可能会丢失。实验表明，对于我们使用的数据， T R T_R TR 在 [ 1 % , 5 % ] [1\%, 5\%] [1%,5%] 的范围内会产生令人满意的结果。因此，在所有测试中， T R T_R TR 被设置为 3%。
来自同一目标的被检测超像素大多是连接的，并且对于属于这些超像素的像素，最大像素距离应小于目标的最大长度 d m a x d_{max} dmax 。因此，基于层次聚类 [12]，该聚类算法在图 3 中进行了总结。
C. Clustering Results
在这一部分，我们比较了所提出的算法和传统聚类算法 [4] 的聚类结果。这些结果如图 8 所示。在图 8(a) 中，灰色部分表示检测到的超像素，白点是簇中心。在图 8(b) 中，灰色部分表示检测到的像素，白点是簇中心。值得注意的是，图 8(b) 中的簇中心通常不在车辆上，并且簇中心的数量少于车辆的真实数量。然而，在图 8(a) 中，对于大多数车辆，每个车辆上都有一个唯一的簇中心，这与地面真实情况更加一致。改进的基于超像素的聚类结果可能归因于以下原因。
对于传统的聚类算法，如果两个被检测像素之间的距离小于目标的最大长度，即使这些像素来自不同的目标，它们也将会被聚类成一个簇，如图 8(b) 所示。结果，在多目标情况下其性能会下降。所提出的算法将检测到的像素转化为超像素，这部分地保留了车辆的形状。因此，它可以减少来自相邻目标的干扰并提高聚类性能。