Exponenta Banner

2-D CFAR Detector

Двумерный детектор постоянного ложного сигнального уровня (CFAR)

расширьте все на странице
  • Библиотека:

  • Phased Array System Toolbox / обнаружение

  • 2-D CFAR Detector block

Описание

Блок 2-D CFAR Detector реализует постоянный ложно-сигнальный детектор уровня для двумерных данных изображения. Обнаружение объявляется, когда значение ячейки изображений превышает порог. Чтобы обеспечить постоянный ложный сигнальный уровень, порог устанавливается к кратному степени шума изображения. Детектор оценивает шумовую мощность от соседних ячеек, окружающих ячейку под тестом (CUT) с помощью одного из трех методов усреднения ячейки или метода статистики порядка. Методы усреднения ячейки являются усреднением ячейки (CA), самым большим - ячейки, составляющей в среднем (GOCA), или самый маленький - ячейки, составляющей в среднем (SOCA).

Для каждой тестовой ячейки, детектора:

  1. оценивает шумовую статистическую величину от значений ячеек в учебной полосе, окружающей ячейку CUT.

  2. вычисляет порог путем умножения шумовой оценки порогового фактора.

  3. сравнивает значение ячейки CUT с порогом, чтобы определить, присутствует ли цель или отсутствует. Если значение больше порога, цель присутствует.

Порты

Входной параметр

развернуть все

Введите изображение в виде действительного M-by-N матричный или действительный M-by-N-by-P массив. M и N представляют строки и столбцы матрицы. Каждая страница является различным 2D сигналом.

Размер первой размерности входной матрицы может варьироваться, чтобы симулировать изменяющуюся длину сигнала. Изменение размера может произойти, например, в случае импульсного сигнала с переменной импульсной частотой повторения.

Размер первой размерности входной матрицы может варьироваться, чтобы симулировать изменяющуюся длину сигнала. Изменение размера может произойти, например, в случае импульсного сигнала с переменной импульсной частотой повторения.

Типы данных: double
Поддержка комплексного числа: Да

Местоположение тестовых ячеек в виде 2-by-L матрица положительных целых чисел, где L является количеством тестовых ячеек. Каждый столбец idx задает индекс строки и столбца ячейки CUT. Местоположения ячеек CUT ограничиваются так, чтобы их учебные области легли полностью во входных изображениях.

Типы данных: double

Пороговый фактор раньше вычислял порог обнаружения в виде положительной скалярной величины.

Зависимости

Чтобы включить этот порт, установите параметр Threshold factor method на 'Input port'

Типы данных: double

Вывод

развернуть все

Результаты обнаружения, формат которых зависит от Output Format свойство

  • Когда OutputFormat 'Cut result'Y D-by-P матрица, содержащая логические результаты обнаружения для ячеек под тестом. D является длиной cutidx и P является количеством страниц X. Строки Y соответствуйте строкам cutidx. Для каждой строки, Y содержит 1 в столбце, если существует обнаружение в соответствующей ячейке в X. В противном случае, Y содержит 0.

  • Когда OutputFormat Detection indexY K-by-L матрица, содержащая индексы обнаружений. K является количеством размерностей X. L является количеством обнаружений, найденных во входных данных. Когда X матрица, Y содержит индексы строки и столбца каждого обнаружения в X в форме [detrow;detcol]. Когда X массив, Y содержит строку, столбец и индексы страницы каждого обнаружения в X в форме [detrow;detcol;detpage]. Когда NumDetectionsSource свойство установлено в 'Property', L равняется значению NumDetections свойство. Если количество фактических обнаружений меньше этого значения, столбцы без обнаружений установлены в NaN.

Типы данных: double

Вычисленный порог обнаружения для каждой обнаруженной ячейки, возвращенной как матрица с действительным знаком. Th имеет те же размерности как Y.

  • Когда OutputFormat 'CUT result'th возвращает порог обнаружения каждый раз, когда элемент Y 1 и NaN каждый раз, когда элемент Y 0.

  • Когда OutputFormat Detection indexth возвращает порог обнаружения для каждого соответствующего обнаружения в Y. Когда NumDetectionsSource свойство установлено в 'Property', L равняется значению NumDetections свойство. Если количество фактических обнаружений меньше этого значения, столбцы без обнаружений установлены в NaN.

Зависимости

Чтобы включить этот порт, установите флажок Output detection threshold.

Типы данных: double

Предполагаемая шумовая мощность для каждой обнаруженной ячейки, возвращенной как матрица с действительным знаком. noise имеет те же размерности как Y.

  • Когда OutputFormat 'CUT result', noise возвращает шумовую мощность каждый раз, когда элемент Y 1 и NaN каждый раз, когда элемент Y 0.

  • Когда OutputFormat 'Detection index', noise возвращает шумовую мощность для каждого соответствующего обнаружения в Y. Когда NumDetectionsSource свойство установлено в 'Property', L равняется значению NumDetections свойство. Если количество фактических обнаружений меньше этого значения, столбцы без обнаружений установлены в NaN.

Зависимости

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

Типы данных: double

Параметры

развернуть все

Алгоритм оценки шумовой мощности в виде CA, GOCA, SOCA, или OS. Для CA, GOCA, SOCA, шумовая мощность является демонстрационным средним значением, выведенным из учебной полосы. Для OS, шумовой мощностью является k th значение ячейки, полученное из числового упорядоченного расположения всех учебных значений ячеек. Установите k параметром Rank of order statistic. Ячейки See Training.

Метод усредненияОписание
CA — Составляющий в среднем ячейку алгоритм

Вычисляет демонстрационное среднее значение всех учебных ячеек, окружающих ячейку CUT.

GOCA — Самый большой - составляющего в среднем ячейку алгоритма

Разделяет 2D учебное окно, окружающее ячейку CUT в левые и правые половины. Затем алгоритм вычисляет демонстрационное среднее значение для каждой половины и выбирает самое большое среднее значение.

SOCA — Самый маленький - составляющего в среднем ячейку алгоритма

Разделяет 2D учебное окно, окружающее ячейку CUT в левые и правые половины. Затем алгоритм вычисляет демонстрационное среднее значение для каждой половины и выбирает самое маленькое среднее значение.

OS — Закажите статистический алгоритм

Сортировки учебных ячеек в порядке возрастания числовых значений. Затем алгоритм выбирает k th значение из списка. k является рангом, заданным Rank параметр.

Задайте ранг статистической величины порядка, используемой в 2D алгоритме CFAR в качестве положительного целого числа. Значение этого параметра должно находиться между 1 и Ntrain, где Ntrain является количеством учебных ячеек. Значение 1 выбирает наименьшее значение в учебной области.

Зависимости

Чтобы включить этот параметр, установите параметр CFAR Algorithm на OS.

Количество строки и столбца охраняет ячейки на каждой стороне ячейки под тестом как неотрицательные целые числа. Первый элемент задает размер защитной полосы по измерению строки. Второй элемент задает размер защитной полосы по измерению строки. При определении Size in cells of the guard region band, когда скаляр эквивалентен определению вектора с тем же значением для обеих размерностей. Например, значение [1 1], указывает, что существует одна защитная ячейка широкая область, окружающая каждую ячейку CUT.

Размер в ячейках учебной полосы области в виде неотрицательного целого числа или 1 2 матрицы неотрицательных целых чисел. Первый элемент задает учебный размер полосы по измерению строки и второе по измерению столбца. При определении Size in cells of the training region band, когда скаляр эквивалентен определению вектора с тем же значением для обеих размерностей. Например, значение [1 1] указывает, что существует одна учебная ячейка широкая область, окружающая защитную область для каждой ячейки под тестом.

Метод, чтобы определить пороговый фактор в виде Auto, Input port, или Custom.

  • Когда вы выбираете Auto, пороговый фактор определяется из предполагаемой шумовой статистической величины и вероятности ложного предупреждения.

  • Когда вы выбираете Input Port, установитесь пороговый коэффициент использование K входной порт.

  • Когда вы выбираете Custom, установитесь пороговый коэффициент использование параметра Custom threshold factor.

Пользовательский пороговый фактор в виде положительной скалярной величины.

Зависимости

Чтобы включить этот параметр, установите параметр Threshold factor method на Custom.

Вероятность ложного предупреждения в виде действительного скаляра между 0 и 1. Можно вычислить пороговый фактор от необходимой вероятности ложного предупреждения.

Зависимости

Чтобы включить этот параметр, установите свойство Threshold factor method на Auto.

Формат обнаружения заканчивается в виде CUT result или Detection index.

  • Когда установлено в 'CUT result', результатами обнаружения являются логические значения обнаружения (1 или 0) для каждой протестированной ячейки.

  • Когда установлено в 'Detection index', результаты формируют вектор или матрицу, содержащий индексы протестированных ячеек, которые превышают порог обнаружения.

Установите этот флажок, чтобы включить выход порогов обнаружения через Th выходной порт.

Установите этот флажок, чтобы включить выход предполагаемой шумовой мощности через N выходной порт.

Источник количества обнаружений в виде Auto или Property. Когда вы выбираете Auto, количество индексов обнаружения, о которых сообщают, является общим количеством ячеек под тестом, которые имеют обнаружения. Если вы выбираете Property, количество обнаружений, о которых сообщают, определяется значением параметра Maximum number of detections.

Зависимости

Чтобы включить этот параметр, установите параметр Output format на Detection index.

Типы данных: char

Максимальное количество индексов обнаружения, чтобы сообщить в виде положительного целого числа.

Зависимости

Чтобы включить этот параметр, установите параметр Output format на Detection index и параметр Source of the number of detections к Property.

Типы данных: double

Алгоритмы

2D CFAR требует оценки шумовой мощности. Шумовая мощность вычисляется из ячеек, которые приняты, чтобы не содержать любой целевой сигнал. Этими ячейками является training cells. Учебные ячейки формируют полосу вокруг ячейки ячейки под тестом (CUT), но могут быть разделены от ячейки CUT защитной полосой. Порог обнаружения вычисляется путем умножения шумовой мощности пороговым фактором.

Для GOCA и усреднения SOCA, шумовая мощность выведена из среднего значения одной из левых или правых половин учебной области ячейки.

Поскольку количество столбцов в учебной области является нечетным, ячейки в среднем столбце присвоены одинаково любому левая или правая половина.

При использовании статистического порядком метода ранг не может быть больше, чем количество ячеек в учебной области ячейки, Ntrain. Можно вычислить Ntrain.

  • NTC является количеством учебных столбцов полосы.

  • NTR является количеством учебных строк полосы.

  • NGC является количеством столбцов защитной полосы.

  • NGR является количеством строк защитной полосы.

Общим количеством ячеек в объединенной учебной области, защитной области и ячейке CUT является Ntotal = (2NTC + 2NGC + 1)(2NTR+ 2NGR + 1).

Общим количеством ячеек в объединенной защитной области и ячейки CUT является Nguard = (2NGC + 1)(2NGR + 1).

Количеством учебных ячеек является Ntrain = Ntotal – Nguard.

Конструкцией количество учебных ячеек всегда ровно. Поэтому, чтобы реализовать средний фильтр, можно выбрать ранг Ntrain/2 или Ntrain/2 + 1.

Смотрите также

Функции

Объекты

Блоки

Введенный в R2017b

Документация Phased Array System Toolbox

Поддержка