Exponenta Banner
exponenta event banner

2-D Детектор CFAR

Двухмерный детектор постоянной частоты ложных аварийных сигналов (CFAR)

развернуть все на странице
  • Библиотека:

  • Панель инструментов системы фазированных массивов/обнаружение

  • 2-D CFAR Detector block

Описание

Блок 2-D CFAR Detector реализует детектор постоянной частоты ложной тревоги для двумерных данных изображения. Обнаружение объявляется, когда значение ячейки изображения превышает пороговое значение. Для поддержания постоянной частоты ложных аварийных сигналов пороговое значение устанавливается кратным мощности шума изображения. Детектор оценивает мощность шума от соседних ячеек, окружающих тестируемую ячейку (CUT), используя один из трех способов усреднения ячеек или способ статистики порядка. Способы усреднения клеток представляют собой усреднение клеток (CA), наибольшее усреднение клеток (GOCA) или наименьшее усреднение клеток (SOCA).

Для каждой испытательной ячейки детектор:

  1. оценивает статистику шума по значениям ячеек в обучающем диапазоне, окружающем соту CUT.

  2. вычисляет пороговое значение путем умножения оценки шума на пороговый коэффициент.

  3. сравнивает значение ячейки CUT с пороговым значением для определения наличия или отсутствия цели. Если значение больше порогового значения, то присутствует целевой объект.

Порты

Вход

развернуть все

Входное изображение, заданное как вещественная матрица M-на-N или вещественная матрица M-на-N-на-P. M и N представляют строки и столбцы матрицы. Каждая страница представляет собой отдельный сигнал 2-D.

Размер первого размера входной матрицы может изменяться для моделирования изменения длины сигнала. Изменение размера может происходить, например, в случае формы импульса с переменной частотой повторения импульса.

Размер первого размера входной матрицы может изменяться для моделирования изменения длины сигнала. Изменение размера может происходить, например, в случае формы импульса с переменной частотой повторения импульса.

Типы данных: double
Поддержка комплексного номера: Да

Местоположение тестируемых клеток, указанное как 2-by-L матрица положительных целых чисел, где L - количество тестируемых клеток. Каждый столбец idx задает индекс строки и столбца ячейки CUT. Местоположения ячеек CUT ограничены таким образом, что их тренировочные области полностью лежат внутри входных изображений.

Типы данных: double

Пороговый коэффициент, используемый для вычисления порога обнаружения, заданного как положительный скаляр.

Зависимости

Чтобы включить этот порт, установите для параметра метода Threshold factor значение 'Input port'

Типы данных: double

Продукция

развернуть все

Результаты обнаружения, формат которого зависит от Output Format собственность

  • Когда OutputFormat является 'Cut result', Y является матрицей D-by-P, содержащей результаты логического обнаружения для тестируемых ячеек. D - длина cutidx и P - количество страниц X. Строки Y соответствуют строкам cutidx. Для каждой строки, Y содержит 1 в столбце при обнаружении в соответствующей ячейке в X. В противном случае Y содержит 0.

  • Когда OutputFormat является Detection index, Y - матрица K-by-L, содержащая индексы обнаружений. K - число размеров X. L - количество обнаружений, обнаруженных во входных данных. Когда X является матрицей, Y содержит индексы строк и столбцов каждого обнаружения в X в форме [detrow;detcol]. Когда X является массивом, Y содержит индексы строк, столбцов и страниц для каждого обнаружения в X в форме [detrow;detcol;detpage]. Когда NumDetectionsSource свойство имеет значение 'Property', L равно значению NumDetections собственность. Если количество фактических обнаружений меньше этого значения, для столбцов без обнаружений устанавливается значение NaN.

Типы данных: double

Вычисленный порог обнаружения для каждой обнаруженной ячейки, возвращаемый в виде матрицы вещественных значений. Th имеет те же размеры, что и Y.

  • Когда OutputFormat является 'CUT result', Th возвращает порог обнаружения всякий раз, когда элемент Y является 1 и NaN всякий раз, когда элемент Y является 0.

  • Когда OutputFormat является Detection index, th возвращает порог обнаружения для каждого соответствующего обнаружения в Y. Когда NumDetectionsSource свойство имеет значение 'Property', L равно значению NumDetections собственность. Если количество фактических обнаружений меньше этого значения, для столбцов без обнаружений устанавливается значение NaN.

Зависимости

Чтобы включить этот порт, установите флажок Output detection threshold.

Типы данных: double

Оцененная мощность шума для каждой обнаруженной ячейки, возвращенная в виде матрицы вещественных значений. noise имеет те же размеры, что и Y.

  • Когда OutputFormat является 'CUT result', noise возвращает мощность шума всякий раз, когда элемент Y является 1 и NaN всякий раз, когда элемент Y является 0.

  • Когда OutputFormat является 'Detection index', noise возвращает мощность шума для каждого соответствующего обнаружения в Y. Когда NumDetectionsSource свойство имеет значение 'Property', L равно значению NumDetections собственность. Если количество фактических обнаружений меньше этого значения, для столбцов без обнаружений устанавливается значение NaN.

Зависимости

Чтобы включить этот порт, установите флажок Output estimated noise power.

Типы данных: double

Параметры

развернуть все

Алгоритм оценки мощности шума, указанный как CA, GOCA, SOCA, или OS. Для CA, GOCA, SOCAмощность шума представляет собой среднее значение выборки, полученное из обучающей полосы. Для OSмощность шума является значением k-ой ячейки, полученным из численного порядка всех значений обучающей ячейки. Устанавливается параметром Rank of order statistic k. См. раздел Учебные ячейки.

Метод усредненияОписание
CA - Алгоритм усреднения ячеек

Вычисляет среднее значение выборки всех обучающих ячеек, окружающих ячейку CUT.

GOCA - Алгоритм наибольшего усреднения ячеек

Разделение 2-D учебного окна, окружающего ячейку CUT, на левую и правую половины. Затем алгоритм вычисляет среднее значение выборки для каждой половины и выбирает наибольшее среднее значение.

SOCA - Алгоритм усреднения наименьших ячеек

Разделение 2-D учебного окна, окружающего ячейку CUT, на левую и правую половины. Затем алгоритм вычисляет среднее значение выборки для каждой половины и выбирает наименьшее среднее значение.

OS - Алгоритм статистики порядка

Сортировка обучающих ячеек в порядке возрастания числовых значений. Затем алгоритм выбирает значение k из списка. k - ранг, указанный Rank параметр.

Укажите ранг статистики порядка, используемой в алгоритме 2-D CFAR как положительное целое число. Значение этого параметра должно лежать между 1 и Ntrain, где Ntrain - количество тренировочных ячеек. Значение 1 выбирает наименьшее значение в области обучения.

Зависимости

Чтобы включить этот параметр, установите для параметра алгоритма CFAR значение OS.

Количество ячеек защиты строк и столбцов на каждой стороне тестируемой ячейки в виде неотрицательных целых чисел. Первый элемент определяет размер защитной полосы вдоль размера строки. Второй элемент определяет размер защитной полосы вдоль размера строки. Задание размера в ячейках диапазона защитной области в качестве скаляра эквивалентно заданию вектора с одинаковым значением для обоих размеров. Например, значение [1 1], указывает, что имеется область в пределах одной защитной ячейки, окружающая каждую соту CUT.

Размер в ячейках полосы обучающей области, определяемый как неотрицательное целое число или матрица 1 на 2 неотрицательных целых чисел. Первый элемент определяет размер обучающей области вдоль размера строки, а второй - вдоль размера столбца. Задание параметра Размер (Size) в ячейках области обучения в качестве скаляра эквивалентно заданию вектора с одинаковым значением для обоих размеров. Например, значение [1 1] указывает, что для каждой тестируемой ячейки имеется зона, охватывающая одну тренировочную ячейку.

Метод определения порогового коэффициента, указанный как Auto, Input port, или Custom.

  • При выборе Autoпороговый коэффициент определяется из оцененной статистики шума и вероятности ложной тревоги.

  • При выборе Input Port, задайте пороговый коэффициент с помощью K входной порт.

  • При выборе Customзадайте пороговый коэффициент с помощью параметра Custom threshold factor.

Пользовательский пороговый коэффициент, заданный как положительный скаляр.

Зависимости

Чтобы включить этот параметр, установите для параметра метода Threshold factor значение Custom.

Вероятность ложной тревоги, заданная как действительный скаляр между 0 и 1. Пороговый коэффициент можно рассчитать по требуемой вероятности ложного аварийного сигнала.

Зависимости

Чтобы включить этот параметр, установите для свойства метода Threshold factor значение Auto.

Формат результатов обнаружения, указанный как CUT result или Detection index.

  • Если установлено значение 'CUT result', результаты обнаружения являются логическими значениями обнаружения (1 или 0) для каждой тестируемой ячейки.

  • Если установлено значение 'Detection index'результаты образуют вектор или матрицу, содержащую индексы тестируемых клеток, которые превышают порог обнаружения.

Установите этот флажок, чтобы включить вывод пороговых значений обнаружения через Th выходной порт.

Установите этот флажок, чтобы включить вывод расчетной мощности шума через N выходной порт.

Источник количества обнаружений, указанный как Auto или Property. При выборе Auto, количество сообщенных индексов обнаружения - это общее число проверяемых ячеек, имеющих обнаруженные ячейки. При выборе Propertyколичество обнаружений определяется значением параметра Maximum number of detections.

Зависимости

Чтобы включить этот параметр, установите для параметра Формат вывода значение Detection index.

Типы данных: char

Максимальное число индексов обнаружения для отчета, указанное как положительное целое число.

Зависимости

Чтобы включить этот параметр, установите для параметра Формат вывода значение Detection index и источник параметра количества обнаружений для Property.

Типы данных: double

Алгоритмы

CFAR 2-D требует оценки мощности шума. Мощность шума вычисляется из ячеек, которые, как предполагается, не содержат никакого целевого сигнала. Эти клетки являются тренировочными. Тренировочные клетки образуют полосу вокруг тестируемой ячейки (CUT), но могут быть отделены от ячейки CUT защитной полосой. Порог обнаружения вычисляется путем умножения мощности шума на пороговый коэффициент.

Для усреднения GOCA и SOCA мощность шума получают из среднего значения одной из левой или правой половин области обучающей ячейки.

Поскольку количество столбцов в учебной области нечетное, ячейки в среднем столбце одинаково назначаются левой или правой половине.

При использовании метода order-statistic ранг не может быть больше, чем количество клеток в области тренировочных клеток, Ntrain. Можно вычислить Ntrain.

  • NTC - количество столбцов обучающей полосы.

  • NTR - количество строк обучающей полосы.

  • NGC - количество столбцов полосы защиты.

  • NGR - количество строк защитной полосы.

Общее число ячеек в комбинированной тренировочной области, защитной области и ячейке CUT равно Ntotal = (2NTC + 2NGC + 1) (2NTR + 2NGR + 1).

Общее число ячеек в объединенной защитной области и ячейке CUT равно Nguard = (2NGC + 1) (2NGR + 1).

Количество тренировочных ячеек - Ntrain = Ntotal - Nguard.

По конструкции количество тренировочных ячеек всегда ровное. Поэтому для реализации медианного фильтра можно выбрать ранг Ntrain/2 или Ntrain/2 + 1.

См. также

Функции

Объекты

Блоки

Представлен в R2016b

Документация по панели инструментов системы поэтапной обработки массивов

Поддержка