0 引言

合成孔径雷达（synthetic aperture radar，SAR）作为一种高分辨率成像雷达系统，其信号能穿透云层、烟雾和部分植被，实现全天时、全天候的对地观测。特别是在军事应用中，SAR图像目标自动识别技术对于战场态势感知、目标打击效果评估等具有重要意义^[1]。随着SAR技术的不断发展，宽幅扫描成像模式已成为实现大面积区域监视的重要手段，能够在短时间内获取大范围的场景信息。然而，SAR图像目标自动识别仍面临着诸多挑战。首先，SAR图像的成像机理复杂，存在相干斑噪声、几何畸变等问题，进而影响图像质量^[2]。其次，复杂场景下的目标种类繁多，既包括军用车辆、坦克、火炮等军用装备，也涵盖大型建筑（如楼房、桥梁）等民用设施^[3]。这些目标在SAR图像中可能表现出相似的散射特性，导致虚警率高、识别准确率低的问题^[4]。此外，宽幅扫描模式下的SAR图像场景大、背景环境复杂，如何从复杂大场景中快速、准确提取目标感兴趣区域（region of interest，ROI），成为制约SAR图像目标识别效率的关键瓶颈。

虚警抑制是SAR图像目标识别系统中的关键环节，其主要功能是剔除非目标区域，减少后续处理的计算量，提高目标识别准确率。虚警主要来源于两个方面：一是人工及自然纹斑噪声、杂波等造成的虚假信号，这些信号在图像中呈现出随机性强、分布广泛且难以预测的特点，虽与真实目标的散射特性相似，但缺乏明确的几何结构和物理意义^[5]；二是大型建筑（如楼房、桥梁）等非感兴趣目标，由于其复杂的几何结构和多次散射效应，在SAR图像中表现出强散射点数量多、分布密集的特点，同时其高度形成的背坡阴影也容易被误判为目标特征。这些虚假信号和非感兴趣目标的存在不仅显著增加了目标检测与识别的计算复杂度和处理负担，更重要的是严重降低了目标识别的准确性和可靠性。特别是在复杂场景下，其特征还可能与真实目标特征相互混淆，导致算法难以区分，进而造成误判和漏检，最终影响系统的整体性能和实用价值^[6]。因此，如何在目标识别前期进行有效的场景鉴别和虚警剔除，成为提高SAR图像目标识别性能的关键问题^[7]。

针对上述问题，本文提出一种基于多特征融合的SAR图像目标区域快速筛选与场景鉴别方法，采用分层处理策略，逐步抑制各类虚警，以获取高质量的地面阵地ROI切片。

1 基于匀质杂波灰度特性的目标区域快速筛选方法

1.1 匀质杂波灰度特性分析

匀质杂波区域在SAR图像中表现出独特的灰度特性，这些特性是区分匀质杂波与目标区域的基础。匀质杂波区域的灰度统计特性主要表现为：其灰度均值相对稳定，不会出现剧烈波动，这是由于匀质杂波通常由同一类型的地物杂波组成，其散射特性相对一致；该区域的灰度方差较小，表明灰度值波动范围窄，这是由于匀质杂波内部结构相对简单，没有明显的散射中心；其灰度分布通常接近高斯分布或瑞利分布，这与SAR图像的成像机理密切相关；匀质杂波区域中灰度极大值和极小值的出现概率较低，其灰度直方图通常呈现单峰分布。匀质杂波区域的分布特性主要表现为空间连续分布、无孤立异常区域且占据较大面积，这与地物分布的自然特性密切相关^[2，8]。

匀质杂波的本质是其“均一性”。这种均一性既体现在灰度值的高度一致性（统计特性），也体现在空间分布的大面积连续性（空间特性）。正是这种统计特性稳定性和空间分布连续性相结合的特点，构成了匀质杂波区别于人造目标或复杂地形的根本依据^[9]。这种均一性为后续的SAR图像解译、目标检测与变化检测等任务提供了关键的先验知识和分析基础。

1.2 基于匀质杂波剔除的目标区域快速筛选方法

基于匀质杂波的灰度特性分析，将子图分割、像素级聚类和灰度阈值判别等策略相结合，本文提出一种基于匀质杂波剔除的目标区域快速筛选方法。该方法通过分层处理策略，剔除人工及自然纹斑噪声、杂波造成的虚警场景，保留可能包含目标的非匀质区域^[10]。

基于匀质杂波剔除的目标区域快速筛选流程图如图1所示，该方法处理步骤分为子图分割、像素级聚类、灰度特性分析和灰度阈值判别四个阶段。

首先，进行子图分割。其主要目的是将大尺寸的SAR图像分割为若干个子图。具体步骤为：a）对原始SAR图像进行幂变换，以压缩动态范围，增强弱目标区域的可见性^[11]；b）根据图像尺寸和处理需求，将图像划分为固定大小的子图；c）计算每个子图的灰度统计特征，便于后续子图筛选。

其次，进行像素级聚类。其主要目的是对保留的子图进行像素级分类，区分目标像素和背景像素。对每个子图提取像素级的特征向量并进行聚类，将像素分为目标类和背景类。通过像素级聚类，可以初步区分目标像素和背景像素，为后续的灰度阈值判别提供依据。

然后，进行灰度特性分析。其主要目的是通过分析SAR图像的灰度特性，区分真实目标和匀质杂波。具体步骤为：a）计算SAR图像聚类后的灰度统计特征；b）分析SAR图像的灰度分布特性，判断灰度分布是否符合匀质杂波特征以及是否存在明显灰度变化；c）计算目标类和背景类像素的灰度统计特性。通过灰度特性分析，可以初步区分真实目标和匀质杂波，为后续的空间分析提供依据。

最后，进行灰度阈值判别。其主要目的是快速区分匀质杂波区域和非匀质目标区域，为后续的场景鉴别提供可靠输入。

2 大型建筑鉴别技术

2.1 大型建筑在SAR图像中的特征表现

大型建筑在SAR图像中表现出独特的特征，这些特征是鉴别大型建筑的基础。本文从强散射点分布特征、阴影特征和几何形状特征等方面进行具体分析。

（1） 强散射点分布特征

大型建筑通常由多个结构部件组成，在SAR图像中表现为多个强散射点集合，其散射点数量远多于一般车辆目标。大型建筑的强散射点在空间上分布密集，形成了具有一定面积的目标区域，且散射点之间的距离通常小于几个像素^[12]。大型建筑的强散射点分布与其物理结构密切相关，且常表现出与建筑物的朝向和雷达入射方向相关的方向性。

（2） 阴影特征

大型建筑具有显著高度，会在SAR图像中形成明显的背坡阴影，这是鉴别大型建筑的重要依据。阴影长度与建筑高度和雷达入射角密切相关。在相同入射角条件下，建筑越高，其阴影越长。大型建筑的阴影方向与雷达照射方向相反，在SAR图像中通常表现为沿距离方向的暗区域。由于该区域与周围背景具有明显的对比度差异，因此在图像上通常表现为低回波区域。

（3） 几何形状特征

在SAR图像中，大型建筑占据面积通常远大于车辆目标，其轮廓为规则多边形，长宽比较大^[13-14]。特别是桥梁等线性结构，不仅边界比较清晰，而且与周围背景的对比度具有明显差异。

2.2 基于强散射点分析的大型建筑鉴别

本文针对大型建筑的强散射点分布特征，提出一种基于强散射点分析的大型建筑鉴别方法。该方法通过一系列图像处理与特征分析手段，实现大型建筑的高效鉴别^[15]。基于强散射点分析的大型建筑鉴别流程如图2所示，主要包括强散射点检测、特征提取和特征分析等步骤。其中：区域散射点能量门限基于图像全局区域的能量分布设定；区域空间大小门限需结合SAR图像分辨率与实际建筑尺寸设定；区域散射点数量及距离间隔门限根据建筑结构特点设定，其距离间隔门限通常在10m以内；ROI切片大小门限根据ROI切片大小、实际建筑尺寸以及滤波窗口大小等因素设定；ROI切片恒虚警（CFAR）门限需根据成像背景分布设定，通常在10~30 dB之间^[16-17]。

强散射点检测是大型建筑鉴别的基础，其主要目的是从SAR图像中检测出所有可能的强散射点。先对原始SAR图像进行子图分割和幂变换，再对检测到的强散射点进行聚类和关联处理，最后形成强散射点区域。

强散射点特征提取是大型建筑鉴别的核心步骤，其主要目的是从强散射点区域中提取能够有效区分大型建筑与其他目标的特征^[18]。具体包括：统计SAR图像区域内强散射点数量，计算强散射点密度（即强散射点数量与区域面积的比值），分析强散射点数量在区域内的分布情况，以及计算强散射点所在切片的面积和CFAR值等特征信息，并判断这些特征是否满足大型建筑的散射特征。

特征分析是大型建筑鉴别的最后一步，其主要目的是通过分析散射点关联区域的空间、能量等特性^[19-20]，进一步区分大型建筑和其他目标。该过程会剔除位于大型建筑区域内的目标切片，同时保留可能是地面阵地目标的目标切片。

3 分析验证

为验证所提方法的有效性，分别对匀质杂波场景以及桥梁和车辆场景的SAR图像进行仿真。设置仿真参数：SAR图像分辨率为1m×1m，SAR图像预处理的幂变换参数为0.3。

匀质杂波以及桥梁和车辆场景下的SAR图像及其灰度特性分布直方图分别如图3和图4所示。对比可知：匀质杂波场景下的SAR图像高亮像素（即强散射点）的占比要远高于桥梁和车辆场景的，且分布特性也有较大差异。具体而言，匀质杂波场景下的SAR图像其灰度分布接近高斯分布，而桥梁和车辆场景下的SAR图像灰度直方图通常呈现单峰分布。实验结果表明，采用基于匀质杂波剔除的目标区域快速筛选方法能够有效剔除由人工及自然纹斑噪声、杂波造成的虚警场景，同时保留可能包含目标的非匀质区域。

针对基于强散射点分析的大型建筑鉴别方法进行仿真验证，桥梁和车辆场景的SAR图像标记图如图5所示。

首先，对SAR图像中的高亮像素进行聚类，并标记为桥梁像素；然后，基于已标记的桥梁像素生成桥梁区域；接着，计算该区域面积、强散射点数量、强散射点间距以及强散射点密度等，并将这些计算结果与门限进行对比分析；最后，根据门限条件，进一步对区域内ROI切片的面积、CFAR值、能量差等特征信息进行判断，从而准确鉴别桥梁目标。实验结果表明，该鉴别方法能够快速剔除地物干扰，提高车辆目标的识别效率和概率。

4 结论

针对SAR图像目标识别中存在的虚警率高、识别效率低的问题，本文提出了一种基于多特征融合的SAR图像目标区域快速筛选与场景鉴别方法。该方法采用分层处理策略，结合匀质杂波剔除与大型建筑鉴别技术，有效提升了复杂场景下目标识别的准确性和鲁棒性。

本文分析了匀质杂波场景的SAR图像灰度统计特性与空间分布特征，提出了一种基于子图分割、像素级聚类和灰度阈值判别的匀质杂波剔除方法。同时，利用大型建筑在SAR图像中表现出的强散射点密集、阴影显著、几何形状规则等特征，提出了一种基于强散射点分析的大型建筑鉴别方法。为验证所提方法的有效性，对匀质杂波以及桥梁和车辆场景的SAR图像进行了仿真验证。实验结果表明，在匀质杂波以及桥梁、车辆场景下，所提方法能够有效区分匀质杂波区域和非匀质目标区域；在桥梁和车辆场景下，所提方法也能准确鉴别出桥梁区域范围，快速剔除非目标区域，并保留真实目标切片。

综上所述，本文所提方法在SAR图像目标区域快速筛选与场景鉴别中具有较好的适用性和实用性，能够显著降低虚警率，提高目标识别的效率与准确率，为后续目标分类与识别提供技术支撑。未来研究可进一步结合深度学习等先进技术，以提升复杂场景下目标的自适应识别能力。

参考文献