A Bilateral CFAR Algorithm for Ship Detection in SAR Images
摘要
本文提出了一种用于合成孔径雷达（SAR）图像中船舶检测的双边恒定误报率（CFAR）算法。与标准CFAR算法相比，所提算法通过结合SAR图像的强度分布和空间分布，可以减少SAR模糊（ambiguities）和海洋杂波的影响。空间分布与强度分布起着同等重要的作用。该空间分布是在舰船检测前，通过本文提出的一种新的核密度估计算法来估计的。在典型SAR图像上的实验结果表明，该算法是有效的。
1. 引言
合成孔径雷达（SAR）图像中的舰船检测是全球海洋环境与海上交通监控的一项重要应用1_adaptive_sar](https://ieeexplore.ieee.org/abstract/document/6106905), [2_Hierarchical_ship](https://www.spiedigitallibrary.org/journals/journal-of-applied-remote-sensing/volume-8/issue-1/083623/Hierarchical-ship-detection-and-recognition-with-high-resolution-polarimetric-synthetic/10.1117/1.JRS.8.083623.short), [3_SAR_Imagery。由于其具有恒定的虚警概率和自适应阈值，恒虚警率（CFAR）检测是用于SAR图像舰船检测的最广泛使用的算法之一 3_SAR_Imagery](https://apps.dtic.mil/sti/tr/pdf/ADA426096.pdf), [4_ MLCC_and_CFAR。然而，传统的CFAR检测旨在搜索比周围海域异常明亮的像素，而SAR模糊或海杂波也可能满足此条件。即便统计模型能够准确拟合真实数据，这也会导致虚警。因此，对于CFAR检测而言，统计模型仅考虑 intensity distribution 是不够的。然而时至今日，许多研究仍致力于提升强度分布的准确性5_Statistical_modeling。
事实上，SAR图像中的一个像素有两个基本属性。一个是强度，另一个是空间性。SAR图像中船舶目标与海面的不同之处，不仅体现在强度域上，也体现在空间域上。舰船目标的明亮像素通常是连续的，集中在一个小区域内，而背景相对离散且不稳定。许多研究已经通过利用spatial特征来提高检测精度。然而，所有这些方法都是作为检测的补充判别方法，而非一种检测方法本身 6_high_resolution](https://ieeexplore.ieee.org/document/6512556), [7_Ship_Classification](https://ieeexplore.ieee.org/document/6553590), [8_Radiometric_spatial。SAR图像的空间分布也可以被用来检测舰船目标。在本文中，空间分布与强度分布扮演着同等重要的角色。
核密度估计（Kernel density estimation）是一种非参数密度估计模型[9_Kernel_Smoothing](https://books.google.co.jp/books/about/Kernel_Smoothing.html?id=GTOOi5yE008C)，它是一种能有效展示数据集结构的重要数据分析工具。