【正文】 到。為了防止測試目標(biāo)像素泄漏到相應(yīng)的滑動窗口的混亂地區(qū)，圖 6（d）（h）顯示面積滑動選擇的結(jié)果窗口與h= 71的長度，長度為環(huán)窗口31，環(huán)形區(qū)域內(nèi)的寬度?= 20。這些參數(shù)是固定的整個圖像。局部閾值Tg為該算法得到的是信心水平1 φ= 90％。圖比較的結(jié)果6（d）和（e），因為同一理論的兩種算法CFAR概率，在線性檢測混亂地區(qū)和目標(biāo)目標(biāo)1在噪聲邊緣地區(qū)4，我們可以看到，無論是建議算法和薩拉薩爾有較好的算法檢測結(jié)果與派生目標(biāo)輪廓完整和明確的。而對多目標(biāo)的情況，例如，對目標(biāo)23，這是相互靠近，該算法明顯優(yōu)于薩拉薩爾算法。由于噪聲統(tǒng)計估計是受毗鄰的目標(biāo)像素，只有幾個像素的目標(biāo)2和3是由薩拉薩爾檢測算法與許多資料遺失，而另外兩個密切目標(biāo)，是非常的檢測算法。在其他換句話說，該算法還具有較好的性能目標(biāo)檢測的多目標(biāo)的情況。 圖之間的比較6（d）和（e），我們可以找出，雖然沒有更好的算法在檢測目標(biāo)，有較多的“小地方”的形象。這些微小的地方，主要是帶來的水泥塊約有較強的后向散射，大部分集中在噪聲邊緣之間的混凝土跑道和草坪。 圖6（f） （h）顯示，由于理論虛驚概率，使用薩拉薩爾算法，密切合作，位于兩個目標(biāo)都無所遁形的信息在線性區(qū)內(nèi)的目標(biāo)和噪聲邊緣流失到了或多或少的程度，而提出的算法可以保留更多的目標(biāo)信息，其結(jié)果是要好得多。這些結(jié)果強有力地說明，建議CFAR算法大大優(yōu)于薩拉薩爾算法。圖7 比較兩種算法的ROC曲線為了使薩拉薩爾進一步之間的比較算法和算法，假設(shè)目標(biāo)像素那些像素值大于局部閾值熱。如果所有這些目標(biāo)的像素數(shù)，以及圖像的大小是N m，則數(shù)噪聲像素的圖像。在發(fā)現(xiàn)目標(biāo)像素數(shù)量是釹，而且人數(shù)虛假警報像素的國家數(shù)據(jù)中心。然后，實際檢出率為定義為 （23） 實際的比率是假警報 （24） 如圖7所示，結(jié)合（23）（24），我們得到受試者工作特征（ROC）曲線薩拉薩爾并提出CFAR算法。這些曲線表明，建議的CFAR算法具有更好的性能比薩拉薩爾算法。 圖6（i）和（j）顯示，從指標(biāo)的聚類結(jié)果圖6（d） （e）分別規(guī)定。去除下的閾值地區(qū)的30。如圖6(d)所示，薩拉查的結(jié)果檢測密切位于兩個目標(biāo)算法差，和許多信息目標(biāo)CFAR檢測后丟失。目標(biāo)3是作為假警報和混亂過程中刪除在地區(qū)消除的過程。但是，所有四個目標(biāo)檢測該算法。概括地說，正與的情況下，例如，我們讓我們的最終檢測結(jié)果的綜合比較薩拉薩爾算法的目標(biāo)和所遵循聚類該算法由圖2所示。結(jié)果見表四。所有完成的實驗nonoptimized Matlab的代碼與硬件環(huán)境PIII 500米的CPU和512M高容量記憶。消化時間，薩拉薩爾算法，該算法無使用快速算法差不多有平等的運行時間。但是，通過使用快速算法，消耗的時間，這是1的薩拉薩爾算法和1 / 62次/ 61對沒有快速的戰(zhàn)略提出的算法的時間。從理論上說，通過使用期間提出的快速算法估計參數(shù)，這是主要的耗時過程中，提出快速算法的運算速度應(yīng)該4r = 80（該環(huán)形窗口的寬度為r = 20）倍速度，通過使用薩拉薩爾算法。以帳戶的Matlab的本身和時間編譯的時間消耗與局部閾值比較，性能該快速算法與理論的協(xié)議分析。表四 整機性能之間的比較兩種算法：圖8 檢測結(jié)果的目標(biāo)，從城市特區(qū)現(xiàn)場。 （一）光學(xué)照片的測試場景無的放矢。 （二）地點指數(shù)13項指標(biāo)（T1 T13）。（三）特區(qū)的形象，與目標(biāo)場景。 （四）檢測結(jié)果與和1 φ= 95％。 （五）檢測結(jié)果的建議算法和1 φ= 99％。 （六）薩拉薩爾算法的檢測結(jié)果。除了圖6，我們給一些真正的特區(qū)更多結(jié)果圖像評估算法。圖8顯示另一測試載SAR圖像在復(fù)雜的城市雜亂車輛設(shè)置，它是在2005年收集的。在機載SAR平臺運行在X波段和搜集的數(shù)據(jù)條帶模式HH極化。圖8（a）顯示了一個光學(xué)（地面真理）的照片本文的場景。我們可以看到，有不少的樹木和建筑物，但沒有車的目標(biāo)。的對象編號1和2是兩個典型的建筑圖在 8（a）中。據(jù)圖8（b）項，左下角和右的形象山腳如圖8（a）是城市地區(qū)。有一個具體的跑道在圖8（a）。圖8（c）展示了相應(yīng)的SAR圖像在如圖13軍用車輛將這一場面。圖8（b）圖像尺寸為1375 1880像素。我們使用作為圖處理的相同的滑動窗口如圖 6。圖8（d）顯示了該算法的檢測結(jié)果與理論CFAR概率在截深度為1 φ= 95％。相應(yīng)地，圖8（e）顯示了具有相同算法的結(jié)果CFAR概率和截深度為1 φ= 99％。圖8（f）顯示薩拉薩爾算法的檢測結(jié)果與比較的結(jié)果。 8（d） （f），給予同樣的理論這兩種算法的CFAR概率，檢測針對T1 T12在均勻噪聲領(lǐng)域和目標(biāo)，在T13噪聲邊緣地區(qū)，我們可以看到，無論是提出的算法薩拉薩爾和算法有較好的檢測得出的結(jié)果和目標(biāo)輪廓完整的，明確的。鑒于建筑物編號1和2和市區(qū)它可以表示為多目標(biāo)的情況下，建議算法優(yōu)于薩拉薩爾算法。由于噪聲統(tǒng)計估計是受毗鄰的目標(biāo)像素，幾個像素的建筑物編號為1和2和市區(qū)被檢測到的信息與薩拉薩爾算法失去了，而他們也發(fā)現(xiàn)了該算法雖然截的深度不一從95％至99％。在其他換句話說，該算法還具有較好的性能目標(biāo)檢測的多目標(biāo)的情況。所有的實驗都取得了同樣的Matlab的守則和作為加工同樣的硬件環(huán)境如圖6。在耗時，薩拉薩爾算法和查看不使用快速算法提出的算法差不多是平等的運行時間。然而，使用快速算法，這是由薩拉薩爾算法的時間1/。注意到自己編譯的時間Matlab的帳戶并與局部的門檻比較耗費的時間，在快速算法的性能，是符合協(xié)議理論分析。Ⅶ 結(jié)論本文提出了一種基于交流自適應(yīng)快速CFAR算法。首先，全局性的自適應(yīng)閾值用于獲取指數(shù)矩陣，標(biāo)出每個像素中的潛在目標(biāo)。然后，在檢測過程中以指數(shù)矩陣的檢測結(jié)果決定滑動窗口的噪聲像素的噪聲環(huán)境適應(yīng)性。在分布中，可模擬多視角SAR圖像的線性程度和范圍并引入描述噪聲的統(tǒng)計特性。在與其它算法的對比過程中，探測器CFAR特點是在噪聲的邊緣和多目標(biāo)的情況中和在目標(biāo)檢測地區(qū)具有良好的線性性能。同時，相應(yīng)的快速算法可以大大減少的計算量。最后，該算法可以更準(zhǔn)確的提取目標(biāo)區(qū)域和可聚類過程的目標(biāo)。在典型的區(qū)域中實驗結(jié)果驗證了算法的有效性。