phased.CFARDetector2D
Двумерный CFAR-детектор
Описание
phased.CFARDetector2D Система object™ реализует постоянный детектор скорости ложных предупреждений (CFAR) для выбранных элементов (называемых камерами) двумерных данных изображения. Обнаружение объявляется, когда значение камеры изображения превышает порог. Чтобы поддерживать постоянную частоту ложных предупреждений, порог устанавливается на значение, кратное степени шума изображения. Детектор оценивает степень шума для тестируемой (CUT) ячеек из окружающих камер с помощью одного из трех методов усреднения камер или метода статистики порядка. Среднее по ячейкам представляют собой среднее по камерам (CA), самое большое среднее по камерам (GOCA) или самое маленькое среднее по камерам (SOCA).
Для каждой тестовой камеры детектор:
оценивает статистику шума из значений камер в обучающей полосе, окружающей камеру CUT.
вычисляет порог путем умножения оценки шума на пороговый коэффициент.
сравнивает значение камеры CUT с порогом, чтобы определить, присутствует ли цель или отсутствует. Если значение больше порога, присутствует цель.
Чтобы запустить детектор
Определите и настройте 2-D детектор CFAR. Можно задать
phased.CFARDetector2DСвойства системного объекта при создании объекта или оставлении их равными значениям по умолчанию. См. «Конструкция». Некоторые свойства, заданные во время конструкции, могут быть изменены позже. Эти свойства настраиваются.Найдите обнаружения по вызову
stepспособ. Выход этого метода зависит от свойствphased.CFARDetector2DСистемный объект.
Примечание
Кроме того, вместо использования step метод для выполнения операции, заданной системным объектом, можно вызвать объект с аргументами, как если бы это была функция. Для примера, y = step(obj,x) и y = obj(x) выполнять эквивалентные операции.
Конструкция
detector = phased.CFARDetector2Ddetector.
detector = phased.CFARDetector2D(Name,Value)detector, с каждым заданным свойством Name установить на заданную Value. Можно задать дополнительные аргументы пары "имя-значение" в любом порядке как (Name1, Value1..., NameN, ValueN).
Свойства
Методы
| сброс | Сброс состояний системного объекта |
| шаг | Двумерное обнаружение CFAR |
| Общий для всех системных объектов | |
|---|---|
release | Разрешить изменение значения свойства системного объекта |
Примеры
Установите 2-D CFAR Порога для данных только для шума
Этот пример показывает, как задать 2-D порог CFAR на основе необходимой вероятности ложного предупреждения (pfa).
Примечание: Можно заменить каждый вызов функции эквивалентным step синтаксис. Для примера замените myObject(x) с step(myObject,x).
Выполните среднее по ячейкам обнаружение CFAR на матрице 41 на 41 камерах, содержащей Гауссов шум. Оцените эмпирический pfa и сравните его с необходимым pfa. Чтобы получить хорошую оценку, выполните эту симуляцию на 1000 подобных матрицах. Сначала установите порог, используя необходимую pfa. В этом случае нет целей, и pfa может быть оценена из числа камер, которые превышают порог. Предположим, что данные обрабатываются через детектор квадратного закона и что никакое интегрирование импульсов не выполняется. Используйте полосу обучающих ячеек шириной 3 ячейки и высотой 4 ячейки. Используйте защитную полосу из 3 камер в ширину и 2 камеры в высоту, чтобы отделить тестируемые камеры (CUT) от обучающих камер. Укажите необходимый 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 квадрат данных для симуляции детектора квадратного закона.
x = 2/sqrt(2)*(randn(rs,N,N,ntrials) + 1i*randn(rs,N,N,ntrials)); x2 = abs(x).^2;
Обработайте все камеры на каждом изображении. Для этого найдите строку и столбец каждой камеры CUT, область обучения которой полностью находится в каждом изображении.
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);
Отобразите камеры 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 камер CUT. Возвращает классификацию обнаружения и порог, используемый для классификации камеры.
[dets,th] = detector(x2,cutidx);
Найдите и отобразите изображение с ложным предупреждением для рисунка.
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 эмпирическую pfa.
pfa = sum(dets(:))/ntrials/ncutcells
pfa = 4.5898e-04
Эмпирический и указанный pfa согласен.
Отобразите среднее эмпирическое пороговое значение по всем изображениям.
mean(th(:))
ans = 31.7139
Вычислите теоретический пороговый коэффициент для необходимого pfa.
threshfactor = npwgnthresh(p,1,'noncoherent');
threshfactor = 10^(threshfactor/10);
disp(threshfactor)7.6009
Теоретический пороговый коэффициент, умноженный на отклонение шума, должен совпадать с измеренным порогом.
noisevar = mean(x2(:)); disp(threshfactor*noisevar);
30.4118
Теоретический порог и эмпирический порог согласны в пределах приемлемого различия.
Обнаружение целей в фоновом шуме
Выполните среднее обнаружение CFAR ячейки на матрице 41 на 41 камерах, содержащей пять тесно расположенных целей в Гауссовом шуме. Выполните это обнаружение на симуляции 1000 изображений. Используйте два детектора с различными защитными полосами областей. Установите пороги вручную с помощью Custom пороговый коэффициент. Предположим, что данные обрабатываются через квадратный детектор закона и что никакое импульсное интегрирование не выполняется. Используйте обучающую полосу камер из 2 камер в ширину и 2 камеры в высоту. Для первого детектора используйте защитную полосу из 1 камеры по всему кругу, чтобы отделить камеры CUT от обучающих камер. Для второго детектора используйте защитную полосу из 8 камер повсюду.
Примечание.Этот пример выполняется только в R2016b или более поздней версии. Если вы используете более ранний релиз, замените каждый вызов функции на эквивалентный step синтаксис. Для примера замените myObject(x) с step(myObject,x).
p = 5e-4; rs = RandStream.create('mt19937ar','Seed',5); N = 41; ntrials = 1000;
Создайте 1000 изображений комплексного случайного шума 41 на 41 со стандартным отклонением 1.
s = 1; x = s/sqrt(2)*(randn(rs,N,N,ntrials) + 1i*randn(rs,N,N,ntrials));
Установите значения целевых камер равными 1,5. Затем квадрат значений камер.
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 камер.
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 камеры CUT в качестве целевых камер.
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 камер CUT с помощью двух детекторов 2-D CFAR. Первый детектор имеет небольшую защитную полосу области. Область обучения может включать в себя соседние цели, которые могут влиять на расчет степени шума. Второй детектор имеет большую защитную полосу области, которая препятствует использованию целевых камер в шумовой расчет.
Создайте два детектора 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 пороги, используемые для классификации камер. 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 защитной областью имеет более высокую pfa, потому что шум более точно оценен.
Подробнее о
Обучение камер
CFAR 2-D требует оценки степени шума. Степень шума вычисляется из камер, которые приняты, что не содержат никакого целевого сигнала. Эти камеры являются training cells. Обучающие камеры образуют полосу вокруг тестируемой ячейки (CUT), но могут быть отделены от CUT камеры защитной полосой. Порог обнаружения вычисляется путем умножения степени шума на пороговый коэффициент.
Для усреднения GOCA и SOCA степень определяется средним значением одной из левой или правой половин области обучающей камеры.
Поскольку количество столбцов в области обучения нечетно, камеры в среднем столбце присваиваются равной либо левой, либо правой половине.
При использовании метода order-statistic ранг не может быть больше, чем количество камер в области обучающих камер, Ntrain. Можно вычислить Ntrain.
NTC - количество обучающих полосных столбцов.
NTR - количество обучающих строк полосы.
NGC - количество защитных полосных столбцов.
NGR - количество строк защитной полосы.
Общее количество камер в объединенной области обучения, защитной области и камере CUT Ntotal = (2NTC + 2NGC + 1)(2NTR+ 2NGR + 1).
Общее количество камер в объединенной защитной области и камере CUT Nguard = (2NGC + 1)(2NGR + 1).
Количество обучающих камер Ntrain = Ntotal – Nguard.
По конструкции количество обучающих камер всегда ровное. Поэтому для реализации медианного фильтра можно выбрать ранг Ntrain/2 или Ntrain/2 + 1.
Алгоритмы
Ссылки
[1] Mott, H. Antennas for Radar and Communications. Нью-Йорк: John Wiley & Sons, 1992.
[2] Ричардс, М. А. Основы обработки радиолокационных сигналов. Нью-Йорк: McGraw-Hill, 2005.
[3] Skolnik, M. Introduction to Радиолокационные Системы, 3rd Ed. New York: McGraw-Hill, 2001.