Двухмерный детектор CFAR
phased.CFARDetector2D Система object™ реализует постоянный детектор частоты ложных аварийных сигналов (CFAR) для выбранных элементов (называемых ячейками) 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 для тестируемой ячейки (CUT) из окружающих ячеек, 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:
оценивает статистику шума по значениям ячеек в обучающем диапазоне, окружающем соту CUT.
вычисляет пороговое значение путем умножения оценки шума на пороговый коэффициент.
сравнивает значение ячейки CUT с пороговым значением для определения наличия или отсутствия цели. Если значение больше порогового значения, то присутствует целевой объект.
Запуск детектора
Определите и настройте детектор 2-D CFAR. Можно установить phased.CFARDetector2D Свойства системного объекта при создании объекта или оставить для них значения по умолчанию. См. раздел Строительство. Некоторые свойства, заданные во время конструирования, могут быть изменены позже. Эти свойства можно настроить.
Найдите обнаруженные угрозы, позвонив в step способ. Выходные данные этого метода зависят от свойств phased.CFARDetector2D Системный объект.
Примечание
В качестве альтернативы вместо использования step для выполнения операции, определенной объектом System, можно вызвать объект с аргументами, как если бы это была функция. Например, y = step(obj,x) и y = obj(x) выполнять эквивалентные операции.
detector = phased.CFARDetector2Ddetector.
detector = phased.CFARDetector2D(Name,Value)detector, с каждым указанным свойством Name установить в указанное значение Value. Можно указать дополнительные аргументы пары имя-значение в любом порядке как (Name1,Value1,...,NameN,ValueN).
| сброс | Сброс состояний объекта System |
| шаг | Двухмерное обнаружение CFAR |
| Общие для всех системных объектов | |
|---|---|
release | Разрешить изменение значения свойства объекта системы |
В этом примере показано, как установить пороговое значение 2-D CFAR на основе требуемой вероятности ложного аварийного сигнала (pfa).
Примечание.Каждый вызов функции можно заменить эквивалентным step синтаксис. Например, заменить myObject(x) с step(myObject,x).
Выполнение обнаружения CFAR с усреднением ячеек на матрице 41 на 41 ячеек, содержащих гауссовый шум. Оцените эмпирический pfa и сравните его с требуемым pfa. Чтобы получить хорошую оценку, выполните это моделирование для 1000 аналогичных матриц. Сначала задайте пороговое значение, используя требуемый pfa. В этом случае нет мишеней, и pfa можно оценить по количеству клеток, которые превышают порог. Предположим, что данные обрабатываются с помощью квадратного детектора и что интеграция импульсов не выполняется. Используйте полосу обучающих ячеек шириной 3 ячейки и высотой 4 ячейки. Используйте защитную полосу из 3 ячеек в ширину и 2 ячеек в высоту, чтобы отделить тестируемые ячейки (CUT) от тренировочных ячеек. Укажите требуемый pfa 5,0e-4.
p = 5e-4; rs = RandStream.create('mt19937ar','Seed',5); N = 41; ntrials = 1000; detector = phased.CFARDetector2D('TrainingBandSize',[4,3], ... 'ThresholdFactor','Auto','GuardBandSize',[2,3], ... 'ProbabilityFalseAlarm',p,'Method','SOCA','ThresholdOutputPort',true);
Создайте изображение 41 на 41, содержащее случайные комплексные данные. Затем выполните возведение данных в квадрат для моделирования квадратного детектора.
x = 2/sqrt(2)*(randn(rs,N,N,ntrials) + 1i*randn(rs,N,N,ntrials)); x2 = abs(x).^2;
Обработайте все ячейки в каждом изображении. Для этого найдите строку и столбец каждой ячейки CUT, область обучения которой полностью находится внутри каждого изображения.
Ngc = detector.GuardBandSize(2); Ngr = detector.GuardBandSize(1); Ntc = detector.TrainingBandSize(2); Ntr = detector.TrainingBandSize(1); cutidx = []; colstart = Ntc + Ngc + 1; colend = N - ( Ntc + Ngc); rowstart = Ntr + Ngr + 1; rowend = N - ( Ntr + Ngr); for m = colstart:colend for n = rowstart:rowend cutidx = [cutidx,[n;m]]; end end ncutcells = size(cutidx,2);
Отображение ячеек CUT.
cutimage = zeros(N,N); for k = 1:ncutcells cutimage(cutidx(1,k),cutidx(2,k)) = 1; end imagesc(cutimage) axis equal
Выполните обнаружение всех ячеек CUT. Возвращает классификацию обнаружения и пороговое значение, используемое для классификации ячейки.
[dets,th] = detector(x2,cutidx);
Найдите и отобразите изображение с ложным сигналом тревоги для иллюстрации.
di = []; for k = 1:ntrials d = dets(:,k); if (any(d) > 0) di = [di,k]; end end idx = di(1); detimg = zeros(N,N); for k = 1:ncutcells detimg(cutidx(1,k),cutidx(2,k)) = dets(k,idx); end imagesc(detimg) axis equal
Вычислите эмпирический pfa.
pfa = sum(dets(:))/ntrials/ncutcells
pfa = 4.5898e-04
Эмпирический и указанный pfa согласны.
Отображение среднего эмпирического порогового значения для всех изображений.
mean(th(:))
ans = 31.7139
Вычислите теоретический пороговый коэффициент для требуемого значения pfa.
threshfactor = npwgnthresh(p,1,'noncoherent');
threshfactor = 10^(threshfactor/10);
disp(threshfactor)7.6009
Теоретический пороговый коэффициент, умноженный на дисперсию шума, должен соответствовать измеренному пороговому значению.
noisevar = mean(x2(:)); disp(threshfactor*noisevar);
30.4118
Теоретический порог и эмпирический порог соответствуют допустимой разнице.
Выполните обнаружение cell-avering CFAR на матрице ячеек 41 на 41, содержащей пять близко расположенных целей в гауссовом шуме. Выполните это обнаружение при моделировании 1000 изображений. Используйте два детектора с различными областями защитной полосы. Установка пороговых значений вручную с помощью Custom пороговый коэффициент. Предположим, что данные обрабатываются с помощью квадратного детектора закона и что интеграция импульсов не выполняется. Используйте учебную полосу ячеек шириной 2 ячейки и высотой 2 ячейки. Для первого детектора используйте защитную полосу из 1 ячейки вокруг, чтобы отделить клетки CUT от тренировочных ячеек. Для второго детектора используйте защитную полосу из 8 ячеек.
Примечание.Этот пример выполняется только в R2016b или более поздних версиях. При использовании более ранней версии замените каждый вызов функции эквивалентным step синтаксис. Например, заменить myObject(x) с step(myObject,x).
p = 5e-4; rs = RandStream.create('mt19937ar','Seed',5); N = 41; ntrials = 1000;
Создайте 1000 изображений сложных случайных шумов со стандартным отклонением 1 по 41.
s = 1; x = s/sqrt(2)*(randn(rs,N,N,ntrials) + 1i*randn(rs,N,N,ntrials));
Установите значения целевых ячеек 1,5. Затем возведите значения ячеек в квадрат.
A = 1.5; x(23,20,:) = A; x(23,18,:) = A; x(23,23,:) = A; x(20,22,:) = A; x(21,18,:) = A; x2 = abs(x).^2;
Отображение целевых ячеек.
xtgt = zeros(N,N); xtgt(23,20,:) = A; xtgt(23,18,:) = A; xtgt(23,23,:) = A; xtgt(20,22,:) = A; xtgt(21,18,:) = A; imagesc(xtgt) axis equal axis tight
Установите ячейки CUT в качестве целевых ячеек.
cutidx(1,1) = 23; cutidx(2,1) = 20; cutidx(1,2) = 23; cutidx(2,2) = 18; cutidx(1,3) = 23; cutidx(2,3) = 23; cutidx(1,4) = 20; cutidx(2,4) = 22; cutidx(1,5) = 21; cutidx(2,5) = 18;
Выполните обнаружение всех ячеек CUT с помощью двух детекторов 2-D CFAR. Первый детектор имеет небольшую область защитной полосы. Область обучения может включать в себя соседние цели, которые могут влиять на вычисление мощности шума. Второй детектор имеет большую область защитной полосы, которая предотвращает использование целевых ячеек при вычислении шума.
Создайте два датчика CFAR.
detector1 = phased.CFARDetector2D('TrainingBandSize',[2,2], ... 'GuardBandSize',[1,1],'ThresholdFactor','Custom','Method','CA', ... 'CustomThresholdFactor',2,'ThresholdOutputPort',true); detector2 = phased.CFARDetector2D('TrainingBandSize',[2,2], ... 'GuardBandSize',[8,8],'ThresholdFactor','Custom','Method','CA', ... 'CustomThresholdFactor',2,'ThresholdOutputPort',true);
Возвращает классификации обнаружения и пороговые значения, используемые для классификации ячеек. Затем вычислите вероятности обнаружения.
[dets1,th1] = detector1(x2,cutidx); ndets = numel(dets1(:)); pd1 = sum(dets1(:))/ndets
pd1 = 0.6416
[dets2,th2] = detector2(x2,cutidx); pd2 = sum(dets2(:))/ndets
pd2 = 0.9396
Детектор с большей областью защитного диапазона имеет более высокий pfa, поскольку шум оценивается более точно.
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 в равной степени 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.
[1] Мотт, Х. Антенны для радаров и связи. Нью-Йорк: John Wiley & Sons, 1992.
[2] Ричардс, М. А. Основы обработки радиолокационных сигналов. Нью-Йорк: Макгроу-Хилл, 2005.
[3] Скольник, М. Введение в радиолокационные системы, 3-й ред. Нью-Йорк: Макгроу-Хилл, 2001.