多阶段联合的SAR图像灵巧压制干扰检测方法

合成孔径雷达（Synthetic Aperture Radar，SAR）是一种主动式观测雷达成像系统，它通过发射宽带电磁信号实现高分辨成像。因其全天候、全天时、高分辨率和远距离侦察等特点，在军事领域应用广泛［1］。SAR 干扰作为一种电子对抗手段，其目的是抑制或者削弱SAR 对高价值目标或区域的侦察能力。随着干扰技术的不断发展，被干扰方有时难以检测甚至无法察觉成像结果已受到干扰。SAR 压制类干扰是重要的电子对抗手段，能够遮蔽真实场景或目标。结合相干性和干扰效果，可将其分为大功率压制干扰和灵巧压制干扰。其中，大功率压制干扰实现简单、覆盖范围大，但对功率要求高、易暴露干扰机位置［2］；灵巧压制干扰将普通噪声干扰和转发式干扰技术相结合，可以获得距离向的处理增益，对干扰功率要求变低，并且能够灵活控制干扰区域的形状、位置、能量和面积等，这也对SAR 图像解译的准确性造成较大影响［3-4］。

SAR 图像干扰检测能够定位图像中受到干扰的区域，为后续干扰抑制和SAR 图像解译等工作提供依据。同时，通过干扰检测还能发现SAR 干扰技术中的薄弱环节，从而为干扰方案的设计提供指导。根据现有文献资料，SAR 图像干扰检测的方法大致可分为两大类，一类是基于图像特征的方法，另一类则是基于深度学习的方法。图像特征主要涵盖对比度特征、几何特征、纹理特征等［5-8］；深度学习方法主要包括卷积神经网络、残差神经网络、Yolo 模型等［9-11］。上述两类方法各有其优势，图像特征法相对简单、实施方便。然而，在SAR 图像干扰检测中，所提取的特征与特征鉴别方法，均会对检测精度和效率产生影响，对关键特征的提取有待提升。深度学习方法在检测精度、自动化程度等方面表现出色，然而该方法的应用对训练样本的需求较高，需要大量的训练数据和计算资源。由于实际中SAR 干扰图像数据稀缺，且神经网络训练过程复杂、特征解释性较差，其在网络结构、网络特征的可解释性方面仍需进一步优化。

灵巧压制干扰的形态多变，使得干扰特征的鉴别性能受到限制，导致在复杂场景中灵巧压制干扰容易与其他目标产生混淆，增加了鉴别干扰的难度。此外，干扰特征的提取、鉴别等处理流程也会对干扰检测的结果产生影响从而难以满足快速、精确和鲁棒性的实际需求。为解决上述问题，本文将围绕SAR 图像干扰特征提取和鉴别等内容，研究SAR 图像灵巧压制干扰的快速、有效检测方法，为提高SAR 图像解译能力和发展SAR 有源干扰技术提供思路。

1 压制干扰关键特征提取

在干扰检测过程中，干扰特征种类的选取和数量的设定对检测结果具有较大影响:若使用过多特征或者特征维度偏高，将导致运算量大幅增加、检测效率降低；如果特征选取不当或有效特征数量不足，将导致虚警增多、检测精度降低。压制干扰关键特征指的是能反映干扰物理特性，特征数目尽可能少的同时又能够准确区分干扰和非干扰信息的差异化特征。本文提取的压制干扰关键特征包括灰度特征、尺寸特征以及纹理特征。

1.1 灰度特征

由有源干扰原理可知，在受到干扰的SAR 成像结果中，干扰区域的像素幅度值由真实场景回波的幅度和干扰信号的幅度共同决定。压制干扰作为一种加性噪声，其像素幅度值通常高于背景杂波。在SAR 图像中，压制干扰区域的灰度值较大，在视觉上呈现为高亮区域；干扰区域内的灰度值分布则比较均匀。

常用的灰度特征有均值和方差，均值能够反映目标后向散射特性的强度，方差能够反映灰度值的离散程度［12］。灰度均值μ 和方差δ2 分别定义如下:

式中，M × N 为中心像素点的邻域窗口尺寸，Iij 为图像在(i, j)处的灰度值。

图1所示为基于灰度特征的干扰检测结果，依据灰度特征能够区分干扰区域与弱散射目标或区域，初步筛选出图像中的疑似干扰区域，在二值图像中呈现为亮像素。然而，SAR 图像中还存在其他散射特性较强的目标，如车辆、飞机、建筑物、植被等。多数情况下难以直接鉴别干扰和非干扰，需要进一步提取其他关键特征。

1.2 尺寸特征

灵巧压制干扰能够灵活控制干扰区域的形状、位置和面积等，导致在干扰检测过程中其尺寸特征的可利用性有限。如图2 所示，（a）为小尺寸压制干扰；（b）为较大尺寸压制干扰；（c）为大尺寸压制干扰。为了确保压制干扰效果，干扰区域的尺寸应当大于防护目标。SAR 图像中的一些小尺寸区域无法满足压制干扰的尺寸条件，以此作为鉴别压制干扰的关键特征能够减少疑似干扰虚警［12］。

尺寸特征主要由SAR 图像中目标的物理尺寸、轮廓、分辨率以及观测视角等因素决定，能够反映目标的几何属性，通常在二值图像中统计像素点获得。由于SAR 图像分割算法的性能差异，二值图像中的某些目标并非完全连续的区域，可能存在间隔或者是断裂。本文采用一定区域内亮像素的比例作为尺寸特征，定义如下:

式中，M × N 为目标区域总像素数，nums 为像素灰度值大于分割阈值Tg的像素数。

1.3 纹理特征

在干扰检测过程中，需提取干扰区域的关键特征，以便进行准确鉴别，从而消除尽可能多的干扰虚警。尤其是在处理单极化的SAR 图像时，由于其他特征的鉴别性能有限，纹理特征显得尤为重要。通过灰度空间分布特性描述纹理的方法如灰度共生矩阵，适用于纹理较为单一的图像［13］。由于SAR 图像中干扰的局部灰度分布不规则且不具有简单的重复周期，其纹理具有随机性和复杂性，因此传统的空间域分析方法存在纹理信息表达不全、特征鉴别效能欠佳等问题。

Gabor 滤波器是由高斯函数与正弦波调制得到的乘积，其感知结构与人类视觉系统类似。在SAR 图像处理中，Gabor 滤波器能够有效地提取局部空间信息和频域特征，并且运算复杂度低，速度较快，广泛应用于纹理分析［14］。图3 为Gabor 滤波器和某一切片图像的频域示意图。

通过Gabor 滤波器处理后，能够反映多尺度、多方向的频域特征信息，滤波器主要通过二维Gabor小波函数实现，其数学表示为［15］

式中:参数σx 和σy 分别为高斯包络沿X 轴和Y 轴方向的标准差；参数ω0 为Gabor 小波的中心频率。将g(x,y)作为基本单元，对其进行膨胀和旋转操作，可以生成具有不同方向和尺度的滤波器［15］。即

式中，

为方向因子，a-1 为尺度因子，m 和n 分别为尺度和方向因子的个数。

经过Gabor 滤波器处理后，SAR 图像的频域能量信息表示为

式中，M × N 为切片图像尺寸，Imn 为频域图像在(i, j)处的系数。

能量均值μ(m,n)和方差δ(m,n)分别表示为

以图1（b）中的疑似干扰区域中的车辆、植被和干扰区域为样本，滑窗尺寸为25×25，尺度参数为2。比较3 种不同类型样本的8 个不同方向的Gabor特征值，统计结果如表1所示。由表可知，干扰样本和非干扰样本的Gabor 特征值的类内差异较小且类间差异较为明显，可用于干扰检测的纹理鉴别过程。但m 和n 的不同组合能够衍生出不同的纹理特征值，如果不进行特征选择，特征值过多可能会引发维度灾难，导致运算效率低下。此外，各特征值之间可能存在相关性，会产生冗余信息，这不利于提高鉴别精度。

为确保纹理特征鉴别性能的稳定性与准确性，本文将方向参数设为方向参数候选值为0°、45°、90°、135°，尺度设为4、8、16、32，共有16 组Gabor 滤波器，以频域均值和方差作为特征值，能够得到32维特征向量。纹理特征向量的提取过程如图4所示，多尺度和多方向纹理特征向量表示为

式中，m和n的取值均为4。

2 分阶段干扰特征提取和鉴别

基于上述分析，SAR 图像干扰的关键特征主要包括灰度特征、尺寸特征和纹理特征。在干扰检测过程中，并行处理这些特征的运算量较大。为了提高干扰检测效率，本文提出了一种分阶段的SAR图像干扰检测方法。如图5所示，通过分阶段的处理方式，将干扰检测过程划分为干扰预筛选和干扰鉴别两个阶段。干扰检测过程中，前一阶段的输出将作为后一阶段的输入，能够逐步减少各种杂波和干扰虚警，使得后一阶段特征鉴别的计算量减少。

2.1 干扰预筛选阶段

干扰预筛选阶段的目的是快速检测出SAR 图像中的疑似干扰，主要包括预处理、灰度特征检测和尺度特征鉴别3 个步骤。预处理通过滤波算法对SAR 图像进行降噪处理，能够增强图像特征，减少相干斑噪声的影响；灰度特征检测将灰度特性显著的疑似干扰从背景杂波中分割出来；尺度特征鉴别利用SAR 图像目标和干扰的尺寸特征，剔除疑似干扰中的小尺寸区域，减少虚警。

2.1.1 基于阈值分割的干扰预筛选

在干扰预筛选阶段，对于检测方法的性能要求必须确保疑似干扰无遗漏，并能迅速进行初步判断。考虑到基于局部阈值的恒虚警率（Constant False Alarm Rate, CFAR）算法运算复杂度较高，耗时较长，导致检测效率偏低。同时，灵巧压制干扰在SAR 图像中占据的像素比例相对较小，对整体灰度分布特性的影响有限。因此，我们可以在局部阈值的基础上将CFAR 算法中的背景杂波区域扩展至整个SAR图像。

首先设定基本参数，包括虚警率和灰度分布模型；然后将背景杂波窗口为整个SAR 图像，计算全局阈值Tg；最后将所有像素与Tg 进行比较，从而得到疑似干扰矩阵J，如下所示:

式中:M、N 为SAR 图像尺寸；(i, j)为中心像素坐标；I(i, j)为中心像素灰度值。

2.1.2 疑似干扰矩阵索引优化

为了确保压制干扰效果，在SAR 图像中，干扰区域的尺寸相对其他目标较大。因此，在疑似干扰矩阵中，单个像素、由少量像素组成的小面积区域均无法满足压制干扰的尺寸条件，应当剔除。另外，为降低疑似干扰矩阵的数据存储量和后续索引计算量，可选用连通区域质心作为代表，以替代疑似干扰的感兴趣区域（Region of Interest, ROI）内所有像素点的位置信息。具体优化流程如图6所示。

2.2 干扰鉴别阶段

在干扰鉴别阶段，主要目的是利用分类器对纹理特征进行精确鉴别，得出最终的干扰检测结果。在此过程中，待检测的疑似干扰切片图像包含两类:干扰和非干扰。因此，对于切片图像中干扰纹理的鉴别，实质上是一个二分类问题。目前常用的二分类方法包括二次距离分类器、神经网络以及支持向量机（Support Vector Machine, SVM）等。其中，二次距离分类器与待分类的数据分布有关联，通用性较差；神经网络对于样本数量和丰富度要求较高，并且对于图像特征的可解释性较差；SVM 在样本数目受限的条件下能够呈现出较优的泛化性能，其计算复杂度取决于支持向量数量而不是样本空间维数，具有较好的鲁棒性［16］。由于SAR 有源干扰图像数据有限，在样本数量较少的情况下，SVM 分类效果一般强于神经网络等分类器。因此，本文采用SVM 对干扰纹理特征进行鉴别。

干扰纹理鉴别过程如图7 所示。首先提取疑似干扰区域中各个像素点的纹理特征；然后将训练样本特征划分为多个特征向量集，分别对特征集进行SVM样本训练；接着，利用训练好的SVM分类器判定输入特征向量是否属于干扰纹理，如果“是”则判定该像素点为干扰区域，反之判定为非干扰区域。

3 实验结果分析

3.1 实验数据

本文所使用无干扰实测数据为美国Sandia 实验室采集的MiniSAR 数据。MiniSAR 工作在Ku 波段、聚束模式，其距离和方位分辨率均达到了0.1 m。原始图像大小为1 638×2 510像素，雷达参数如下:载波频率为10 GHz，信号带宽为200 MHz，脉冲宽度为10 μs，雷达成像中心斜距为5 km，平台速度为200 m/s。干扰图像则通过实测数据和仿真实验相结合的方式构建，基于SAR 对抗仿真软件实现［17］。其中，干扰信号调制方式为基于模板调制的干扰，可修改的干扰参数包括干扰区域的位置、形状和干信比等，通过调整干扰参数可以控制压制干扰的效果。

如图8 所示，本文选择4 幅具有较大差异的实测数据用于生成4 组干扰图像，成像场景包括沙地、城市、森林、机场等，场景中包含诸多人造目标，如车辆、飞机和建筑物等。先从每幅图像中裁取尺寸为800×800的矩形区域，假设仅有单干扰机发挥作用。干扰中心位置共有5处，分别为场景中心（0，0）、左上角（-200，-200）、左下角（-200，200）、右上角（200，-200）和右下角（200，200）；干信比共有3 种，分别为30 dB、40 dB 和50 dB；干扰模板共有3 种，分别为矩形、圆形和高斯光斑压制面；干扰区域尺寸共有3 种，直径分别为50、100 和200。灵巧压制干扰图像数据集中合计4 组，每组数据中包含5×3×3×3=135幅干扰图像。

以场景1 图像为例，图9 为不同干扰模板、不同功率、不同位置和不同覆盖范围的SAR 干扰图像。经过预筛选阶段后，可将4组干扰图像中疑似干扰区域划分为25×25像素大小的切片，最终获得的样本数量为1 620，按照8∶2 的比例分为训练集和测试集。

3.2 干扰检测结果

在预筛选阶段，将虚警率设为Pf = 0.05，将疑似干扰区域质心索引作为干扰鉴别阶段的输入数据。本文采用3种对比方法进行干扰检测验证，包括全局CFAR 检测方法［18］、级联CFAR 检测方法［19］以及PCA降维特征检测方法［20］。

图10 为基于不同方法的干扰检测结果，实验图像为图9（h）。在该图像中，防护目标为车辆，干扰区域为混合压制面，包括矩形、高斯光斑和圆形。图10（a）为全局CFAR 检测结果，先以虚警率Pf = 0.05计算全局阈值，以此阈值分割图像得到疑似干扰；结合车辆目标的尺寸和图像分辨率，当以区域质心为中心，尺寸为25×25 的邻域内，亮像素数超过100 个时，该区域被判定为疑似干扰；若不满足此条件，则被视为虚警进行剔除；最后再通过形态学滤波进一步剔除其他非干扰区域。由图可知，该方法的漏检数较少，但是干扰虚警较多，这表明仅依靠灰度特征鉴别干扰的性能较差。图10（b）为级联CFAR 检测结果，先以全局虚警率Pf = 0.05筛选疑似干扰区域，再以局部虚警率Pf = 0.01，遍历滑窗尺寸设为150×150确定目标，最后对检测结果进行形态学处理；该方法虚警有所减少，但也增加了漏检数，且参数设置较为复杂。图10（c）为PCA 特征检测结果，使用PCA 降维提取特征矩阵的主成分代替本文所提取的纹理特征，并使用SVM 分类器鉴别疑似干扰；该方法检测到的干扰虚警数较少，但在提取干扰特征主成分的过程中，存在部分信息丢失的问题，导致出现干扰漏检的情况。图10（d）为本文所提的基于关键特征的分阶段干扰检测结果，从图中可以看出该方法在减少虚警和提高干扰检测精度方面均表现出色，实现了对SAR图像中灵巧压制干扰的有效检测。

3.3 实验结果分析

本节采用干扰检测率和干扰虚警率作为量化指标以评估4 种方法的干扰检测结果，如表2 所示。其中，干扰检测率Pd 是干扰存在并且被检测到的概率；干扰虚警率Pf 表示干扰不存在而认为其存在的概率。计算公式如下:

式中，P 表示实际干扰数，TP 表示被正确检测为干扰的数目，FP表示非干扰但被误认为干扰的数目。

在检测速度方面，全局CFAR 的运算复杂度由Ο(n3)（局部参数运算Ο(n)×遍历比较运算Ο(n2)）降为Ο(n2)（全局参数运算Ο(n2)×比较运算Ο(1)+局部参数运算Ο(n)×比较运算Ο(n)），运算速度得到显著提升。而级联CFAR 检测首先进行全局CFAR 运算，确定疑似干扰区域，随后进行局部CFAR 检测，整体的运算速度也得到一定程度的提升，但上述两种方法的检测精度均不够理想。在进行PCA 特征降维时，需将多维数据转换为一维数据，此过程的运算时间与数据的复杂度紧密相关。由表可知，全局CFAR 方法耗时最短，但干扰虚假率较高；本文所提方法耗时仅次于全局CFAR算法，且干扰检测率最高。因此综合来看本文所提方法具有最优时效性。

在检测精度方面，当采用CFAR 及其改进算法进行SAR 图像干扰检测时性能表现并不理想，这是由于灰度特征的鉴别性能有限，无法区分压制干扰和其他强散射目标。PCA 特征降维提取切片图像的主成分，并使用SVM 分类器鉴别疑似干扰；该方法检测到的干扰虚警数较少，但在提取主成分的过程中，存在部分信息丢失的问题，导致出现干扰漏检的情况。本文提出的算法在全局CFAR检测的基础上，对疑似干扰的尺寸和纹理特征进行鉴别，Gabor 滤波器能捕获图像详细结构信息，利用SVM 对Gabor 滤波器提取的纹理特征进行训练和鉴别，既保证了检测速度，又提升了检测精度。

4 结束语

本文对SAR 图像灵巧压制干扰检测方法进行了研究，针对灵巧压制干扰形态多变、干扰特征鉴别能力低下的问题，提出了一种多阶段联合的SAR 图像压制干扰检测方法。在预筛选阶段，利用灰度和尺寸关键特征初步筛选出疑似干扰区域，减少杂波和干扰虚警；在干扰鉴别阶段，基于Gabor 滤波器，提取纹理关键特征鉴别干扰和非干扰，最终实现对灵巧压制干扰的检测。实验结果表明，本文所提方法能够有效检测出SAR 图像中的灵巧压制干扰，还能降低虚警数和运算复杂度，具有较高的检测精度和检测效率。

［1］邢世其.人造目标极化雷达三维成像理论与方法研究［D］.长沙:国防科技大学，2012.

［2］李永祯，黄大通，邢世其，等.合成孔径雷达干扰技术研究综述［J］.雷达学报，2020，9（5）:753-764.

［3］黄大通，邢世其，刘业民，等.基于噪声卷积调制的SAR虚假信号生成新方法［J］.雷达学报，2020，9（5）:898-907.

［4］刘立新.对波形捷变SAR和GMTI时频交叉乘积欺骗干扰方法研究［D］.长沙:国防科技大学，2019.

［5］张学攀，赵嘉懿，刘晓宁，等.一种SAR射频干扰检测方法:中国，CN115128548A［P］.2022-09-30.

［6］赵培杰.SAR 有源转发式干扰抑制与目标检测研究［D］.长沙:国防科技大学，2022.

［7］ZHANG Haoyu, QUAN Sinong, XING Shiqi, et al.Shadow-Based False Target Identification for SAR Images［J］.Remote Sensing, 2023, 15（21）:5259-5272.

［8］ZHANG Haoyu, XING Shiqi, QUAN Sinong.A SAR Active Jamming Detection Method Based on Image Grayscale Features［C］// 2023 International Applied Computational Electromagnetics Society Symposium , Hangzhou, China:IEEE, 2023:1-3.

［9］陈思伟，崔兴超，李铭典，等.基于深度CNN模型的SAR图像有源干扰类型识别方法［J］.雷达学报，2022，11（5）:897-908.

［10］陶臣嵩，陈思伟，肖顺平.基于深度学习模型的SAR图像间歇采样转发干扰检测［J］.系统工程与电子技术，2023，45（11）:3465-3473.

［11］梁怿清，王小华，陈立福.基于深度学习的SAR目标检测方法［J］.雷达科学与技术，2019，17（5）:579-586.

［12］黄大通，邢世其，李永祯，等.基于乘积调制的SAR 灵巧干扰方法［J］.系统工程与电子技术，2021，43（11）:3160-3168.

［13］ERSOY O K,OZCAN C, OGUL I U.Fast Texture Classification of Denoised SAR Image Patches Using GLCM on Spark［J］.Journal of Electrical Engineering & Computer Sciences, 2020（28）:182-195.

［14］THIYAGARAJAN A, GUNASEKAR K.An Improved Feature Selection Based Classifier for Prediction of Different Regions in SAR Images［J］.Multimedia Tools and Applications, 2021,80（25）:33641-33662.

［15］付仲良，张文元，孟庆祥.灰度和纹理特征组合的SAR影像SVM分类［J］.应用科学学报，2012，30（5）:498-504.

［16］PERIASAMY S, RAVI K P, TANSEY K.Identification of Saline Landscapes from an Integrated SVM Approach from a Novel 3-D Classification Schema Using Sentinel-1 Dual-Polarized SAR Data［J］.Remote Sensing of Environment, 2022, 279: 113-144.

［17］张皓宇，邢世其.SAR 有源干扰对抗仿真软件设计与实现［J］.舰船电子对抗，2023，46（6）:102-110.

［18］曾丽娜.SAR 图像特征提取与检测、配准算法研究［D］.西安:西北工业大学，2017.

［19］陈博通.基于CFAR 和两阶段候选区域网络的SAR 舰船目标检测方法研究［D］.西安:西安电子科技大学，2022.

［20］LU Zhengwu, JIANG Guosong, GUAN Yurong, et al.A SAR Target Recognition Method Based on Decision Fusion of Multiple Features and Classifiers［J］.Scientific Programming, 2021（9）:1-9.