SAR图像小目标检测及目标方位角估计方法研究
1 SAR图像点目标检测
雷达图像上的点状目标，指的是以亮斑的形式出现在雷达图像上的那些目标。大多数战术目标，如坦克、战车、大炮、船只等，以及工业设施，如高压输电线塔、油井、孤立的小建筑物等，都呈现为点状目标。目标检测就是要找出什么是目标，它是目标识别和分类的基础,检测结果影响目标的特征提取，最终影响目标识别和分类的精度。其方法主要是根据目标在图像上的标记(特有的灰度特征和纹理特征，形状等)及其与相邻目标的相互关系，采用相应算法来进行检测。较典型的检测方法有恒虚警法和扩展分形法。
1.1恒虚警法
恒虚警处理技术(CFAR)是在雷达自动检测系统中给提供检测阈值，使杂波和干扰对系统的虚警概率影响最小的目标检测算法。
2000年万朋，王建国，赵志钦，黄顺吉在文献[1]中分析了在均匀杂波回波功率服从Gamma分布条件下SAR点目标检测，推导了点目标虚警概率和检测概率与阈值系数关系，提出了检测点目标阈值系数选择根据和方法。在杂波均值估计方面，提出了以全局均值代替局部动态均值。在检测效果方面，基于Gamma分布的全局均值检测算法优于基于Gamma分布的局部动态均值检测算法，它们都优于双参数恒虚警检测算法。在计算量方面，基于Gamma分布的全局均值检测算法比基于Gamma分布的局部动态均值检测算法小，在这方面也都优于双参数恒虚警检测算法。
UWB SAR图像中的目标检测通常指二面角目标检测,点目标检测由于没有发现军用车辆等人造目标这一直接效益而受到较少关注。为满足一些UWB SAR图像中检测点目标的需求(如图像融合时的配准,通过路灯和树木进行道路检测和为了抑制树干杂波而识别树干杂波等)，2004年方学立，梁甸农，王岩在文献[2]中研究了其中的点目标检测问题，通过综合运用方向依赖滤波、隐马尔可夫模型和恒虚警率检测技术，设计了一种用于机载UWB SAR图像中的点目标检测算法。实验结果表明用HMM描述二面角目标的正侧闪烁特性需要考虑目标与雷达航线之间的交角，而对点目标进行建模则不需考虑。因此用HMM对点目标进行建模检测点目标并进而抑制点目标，实现UWB SAR图像中的人造目标检测，比直接用HMM对二面角目标进行建模要更加行之有效。
1.2 扩展分形法
EF特征是一个用来做目标检测的统计量。它由计算图像像素点位置上多尺度的Hurst参数派生而来。Hurst参数以一个简单的数字提供了对于粗糙度具有尺度不变性和各向同性的纹理表面的完整刻画。多尺度Hurst参数则提供了一个简单自然的纹理特征来表达不同尺度下的粗糙度。通过对图像纹理粗糙程度的度量就可以从杂波背景中检测出目标。2007年李昱彤，周越等人在文献[3]中提出了一种新的用于海杂波SAR图像点目标检测的方法。传统方法一般是基于亮度差异的阈值分割，或者基于降噪之后的目标提取。然而它们处理强海杂波SAR图时，效果并不理想。将传统方法的本质加以提炼和融合，并将分形指数和独立成分分析(ICA, Independent ComponentAnalysis)相结合，提出了空间分离法，实现了海杂波SAR图的降噪和点目标检测。首先，求得点态指数图，并用二值模糊化技术对其处理；接着使用ICA技术得到基图像和独立成分；然后使用空间分离法，对独立成分进行分离，同时对基图进行对应分类，获得非噪声和噪声两个空间。最后在非噪声空间上进行独立成分增强，并复原图像。实验将该算法与传统算法进行对比，从视觉效果和量化指标两方面证实了该算法的有效性和优越性。
1.3 多分辨率统计能级法
小波变换被广泛用于光学和SAR图像的目标检测算法中，这些算法大多是利用小波变换来实现频率选择和多尺度分解，起到抑制背景噪声和增强目标的作用，提高信噪比，从而提高图像中目标的检测概率，降低误检测。由于SAR图像所固有的Speckle噪声严重影响了图像的质量，这使得SAR图像的目标检测变得异常困难。从理论上讲，由噪声引起的跳变和信号本身的跳变在幅度空间上具有相同的尺度，那么任何尺度上的信号特征都会被噪声所淹没，因此传统的小波变换分析方法对SAR图像的目标检测效果一般，特别是比较弱小的点目标无法较好的被识别和定位。针对弱目标的检测，杨文，陈嘉宇，孙洪，徐新在文献[4]中提出了基于小波多分辨率能级分析的检测方法。在复杂背景情况下，VAR，CFAR的性能有所下降，EF和小波能级的方法则具有较强的鲁棒性。其中小波统计多分辨率能级的方法能有效的区分目标和杂波背景，同时定态能级将尽可能的目标点检出，这对弱目标的检测尤其有利。
针对SAR图像点目标检测的困难,基于各层小波系数分布的统计特征，陈嘉宇，徐新，孙洪，管鲍在文献[5]中提出了一种在多分辨率统计能级上区分目标与杂波背景的方法。在非正交小波变换的基础上，定义各点的层间随机过程，进行各分辨率下的信息相关后，通过能量函数构造能量图像，并在能量图像上自适应地搜索合适的目标尺度窗口实现检测。实验结果表明，该方法适用于不同的杂波背景，能有效检测潜在的点目标，并在一定程度上保持了目标的形状。 1.4 其他方法
在SAR图像人工目标检测中,常用的方法是利用目标和背景杂波的强度不同，如传统的恒虚警率CFAR检测方法依赖于数据的幅度信息和杂波统计模型。然而在目标隐藏或者伪装的情形下，利用像素强度信息和杂波分布模型的方法不足以进行检测。为了改善2L-IHP目标点相干值和杂波相干值差别太小，以致于有时候不足以检测出目标的不足， 杨杰，杨然，李坤，秦前清在文献[6]中提出了利用二维互相干函数计算相干值，利用SAR图像的幅度和相位信息进行检测，也不需要杂波的分布模型的新方法。在研究2L-IHP方法的基础上，对相干值计算模块进行了改进，以二维互相关函数取代其内厄密积计算相干值，提出了2D-2L-CCF算法，并应用ADTS单视复数数据进行检测试验，把处理结果和2L-IHP算法的处理结果进行分析、比较，表明该方法获取的目标和背景相关值差别更大，能够更有效检测出SAR图像中的人工目标。
地物目标的物理结构、表面粗糙度或地物目标类型发生了变化，则其后向散射能量一般会发生相应的变化，对应的雷达散射截面(Radar Cross Section, RCS)也会发生变化，这将导致SAR图像的亮度和色泽发生变化。2010年黄世奇，刘代志，蔡欣华，王仕成在文献[7]中针对低分辨率SAR图像中点目标的变化检测进行了深入的研究，提出了一种新的基于RCS曲线特性的SAR图像目标变化检测算法，该算法不同于以往的基于图像域的变化检测算法，从目标的散射特性提取目标的变化信息，避免了不同时相的SAR图像对误配准所带来的错误。由于SAR图像与地物目标后向散射特性之间存在对应关系，所以从SAR图像的变化可以推出目标散射特性发生了变化，进一步推出目标的变化情况。RCS反映的是目标的零维散射特性，通过RCS曲线的变化，不仅可以获得目标的变化信息，而且还可以识别目标的真伪情况。
2 SAR图像动目标检测
合成孔径雷达是一种高分辨率成像雷达,已经广泛应用于各种领域。它采用匹配滤波技术对雷达回波信号进行脉冲压缩聚焦成像。通常距离向与方位向可以分别进行处理。距离向匹配滤波参数由雷达发射信号参数确定,而方位向匹配滤波参数则由雷达平台与目标的相对运动关系确定。因此,地面静止目标可以得到清晰的图像。而动目标由于自身运动,将不完全聚焦,形成模糊的图像,要得到运动目标的清晰的图像,必须检测出相应的运动参数。
运动目标检测研究作为雷达信号领域的一个重要发展方向，一直是人们关注的热点问题，在军事领域具有特殊重要的意义。目前在多孔径动目标检测的实现方法中，偏置相位中心天线(DPCA)，沿航迹干涉(ATI)技术以及空时二维自适应处理技术(STAP)是较为有效的运动目标检测方法。其中DPCA技术具有良好的杂波(地面静止目标)抑制能力，但经典DPCA处理对平台速度，孔径中心间距，脉冲重复频率提出了严格的限制条件。
2.1 基于DPCA技术的SAR动目标检测方法
DPCA技术使用两个或多个相位中心,补偿由于载机运动造成的多普勒展宽,使得杂波多普勒频宽变窄,进而能够检测出运动目标,尤其是慢速动目标。
DPCA方法往往采用2个相位中心，在相位中心间距，脉冲重复频率及载机速度满足一定关系的基础上方进行动目标检测，但是不能较全面地描述动目标位置信息及速度信息。干涉处理方法采用3个相位中心，通过对3路信号的相位进行补偿来实现动目标检测、定位及测速，但是在相位补偿时3路信号均需乘以不同的参考函数，大大增加了处理的复杂度；对于3孔径天线需要分成多个数据块处理，运算量很大。2003年郑明洁，杨汝良等人在文献[8]中通过对DPCA技术和干涉处理方法进行分析，提出了一种对三孔径机载SAR地面慢速运动目标进行检测、测速和定位的新方法。该方法首先用DPCA技术两两对消3个孔径杂波信号，获得两路杂波对消了的动目标信号，然后对这两路信号进行干涉处理，估计出运动目标参数。最后给出了典型的计算机模拟结果，证明该方法可以有效地抑制地杂波，增强被主瓣杂波遮掩的动目标的信杂比，而且能够对慢速动目标进行精确定位，并估计出目标的距离向速度分量。
2003年张英，李景文在文献[9]中提出了在机载SAR模式下应用三孔径DPCA技术对地面慢速运动目标进行检测与定位的方法。从回波模型入手对此方法进行了理论分析并给出了计算机仿真结果仿真结果表明，在满足DPCA条件的情况下，系统可以得到理想的主瓣杂波抑制效果和良好的测速定位性能。最后给出由于雷达平台的运动误差而导致DPCA条件不满足的情况下该方法的检测、定位性能。
偏置相位中心天线技术可用于星载SAR/GMTI中地杂波的抑制，有时域和频域两种实现方式。2004年孙娜，周荫清，李景文等人在文献[10]中给出了一种基于频域DPCA技术实现星载合成孔径雷达动目标检测及动目标测速和定位的方法。该方法首先建立星载SAR三孔径天线信号模型，分析星载SAR/GMTI三孔径天线机理及信号特性，然后分析并推导基于频域DPCA技术实现地面背景杂波淹没的运动目标检测、径向速度分量估计以及目标定位的方法。最后，通过计算机仿真验证了该方法的有效性。
使用偏置相位中心天线(DPCA)理论，对运动目标进行处理，系统结构简单，运算量小，易于工程实现。2006年李兆军，娄晓光等人在文献[11]中首先分析了基于DPCA技术的SAR动目标检测原理，然后在分析DPCA原理的基础上，给出了一种新的双通道DPCA模型，并使用真实雷达数据叠加模拟运动点目标的合成数据，对该模型进行验证。证明基于该模型的DPCA算法可以有效地抑制地杂波，增强动目标的信杂比，并可以精确地估计出目标的距离向速度。
基于DPCA的三孔径动目标检测方法在对消杂波后，采用快速傅里叶变换(FFT)技术确定目标运动参数。但由于分辨率低，在目标运动参数估计上效果较差，尤其是动目标在SAR图像中会产生方位位置偏移，导致不同径向速度的目标在SAR图像中处于一个分辨单元内。这时采用FFT不能分辨出不同目标，从而造成方位向坐标和速度的错误估计。因此2007年曾磊，曾斌，韩迪等人在文献[12]中建立了分布式卫星SAR系统动目标检测定位和测速模型，提出了一种基于超分辨成像算法(ESPRIT)的多通道目标检测定位方法。该方法用DPCA技术检测动目标，再利用改进的ESPRIT算法确定动目标数并定位，提取运动参数。理论和仿真结果表明该方法能正确检测动目标并确定运动参数，该方法与DPCA和ATI中所采用的FFT方法比较，其优势在于：能够分辨出处于SAR图像中同一分辨单元的几个动目标，且能获得更准确的目标运动参数。
图像域DPCA方法可显著抑制双孔径合成孔径雷达的静止杂波，但对消处理后的剩余杂波和噪声仍可严重影响微弱目标检测性能。鉴于此，2007年王力宝，许稼，向家彬，彭应宁在文献[13]中提出采用二维多分辨分析在DPCA处理后图像域进一步抑制干扰，显著改善了SAR微弱运动目标的检测性能。首先通过DPCA实现双通道(空间处理)图像对消，进而在差图像上运用MRA检测进一步抑制了背景的干扰。相对于现有DPCA方法，该方法优势在于MRA的引入能够进一步提高了信杂噪比(SCNR)。
对于单通道SAR系统数据，已有成熟的检测快速运动目标的方法，但对于淹没在强主瓣杂波中的慢速运动目标检测尚待研究。针对这个问题，2009年洪伟在文献[14]中提出了一种有效的方法，来实现单通道SAR-GMTI对地面低速运动目标的检测。该方法通过对单通道SAR数据合理抽取和补偿，获得近似满足DPCA条件的两幅SAR复图像，然后进行复图像域DPCA处理。针对仿真数据和实测数据，利用DPCA方法实现杂波抑制和动目标检测。在没有多通道数据的情况下，该方法为利用单通道数据进行强杂波背景下地面低速运动目标检测提供了一种思路。
2.2 基于STAP技术的SAR动目标检测方法
针对小天线带来的距离/多普勒模糊，以及超稀疏阵带来的高旁瓣问题，2005年李真芳，保铮，王彤在文献[15]中研究了分布式小卫星SAR系统的地面运动目标检测(GMTI)方法，该方法的主要思想是利用空时自适应处理(STAP)把地面运动目标谱与杂波谱分离开，然后再
