Superpixel-Based CFAR Target Detection for High-Resolution SAR Images - 指南

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，应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。该算法的有效性启用 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
    • 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途径通常无法区分来自相邻目标的像素。

所有这些缺点启发大家在 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；它可能揭示图像边界，并可用于计算局部图像特征 [5]。简单线性迭代聚类 (SLIC) [5] 是一种超像素分割技巧，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，大家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$T_R$，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$T_R$会更好地减少虚警，但真实目标可能会丢失。实验表明，对于大家使用的数据，$T_R$ 在 $[1\%,5\%]$的范围内会产生令人满意的结果。因此，在所有测试中，$T_R$被设置为 3%。

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就是来自同一目标的被检测超像素大多$d_{max}$。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。