合成孔径雷达SAR成像检测与分析工具箱

资 源 简 介

本项目是一个基于MATLAB开发的完整的合成孔径雷达（SAR）图像处理与分析平台，旨在为相关研究人员提供从原始信号成像到图像解译的全流程解决方案。系统功能涵盖了四个主要方面：首先是SAR成像处理，实现了经典的距离多普勒算法（RDA）和Chirp Scaling算法（CSA），能够将模拟的或实测的雷达原始回波数据聚焦成像，生成单视复数图像（SLC）；其次是斑点噪声抑制，内置了Lee滤波、Frost滤波、Kuan滤波以及增强型Lee滤波等多种自适应斑点滤波器，能够在有效抑制SAR图像特有的相干斑噪声的同时保留纹理和边缘信息；第三是目标检测功能，集成了多种恒虚警率（CFAR）检测算法（如CA-CFAR, GO-CFAR, SO-CFAR），用于在复杂背景杂波下自动识别舰船或车辆等高价值目标；最后是特征提取与分析，支持基于灰度共生矩阵（GLCM）的纹理特征计算以及基于小波变换的图像增强和边缘检测，便于进行后续的地物分类和场景理解。整个代码库采用模块化设计，注释详尽，便于用户针对特定应用场景进行算法参数调整和功能扩展。

详 情 说 明

SAR感知与图像处理综合工具箱

项目简介

本项目是一个基于MATLAB开发的合成孔径雷达（SAR）数据仿真与图像处理综合平台。该工具箱旨在提供从底层的雷达信号回波仿真成像，到上层的图像增强、特征分析及目标检测的全流程演示。代码采用模块化设计，通过一个主程序串联起SAR系统的关键处理环节，适合用于理解SAR成像机制、验证斑点滤波算法效果以及测试CFAR目标检测性能。

主要功能特性

本项目在单一流程中集成了以下核心功能：

• SAR成像仿真 (RDA)：基于距离多普勒算法（Range Doppler Algorithm），模拟点目标的原始回波信号，并执行距离向压缩和方位向压缩，生成单视复数（SLC）图像。
• 复杂场景构建：为了弥补简单的点目标仿真在纹理分析上的不足，系统内置了合成场景生成器，能够创建包含海面（低均值）、陆地（纹理区）和高亮舰船目标的幅度图像，并叠加符合Gamma分布的相干斑噪声。
• 自适应斑点抑制：实现了多种经典的自适应滤波算法（Lee, Frost, Kuan），能够根据局部图像统计特性（均值、方差）自适应调整滤波权重。
• 特征提取与增强：

* 小波去噪：利用二维离散小波变换（Symlets小波）进行软阈值去噪。 * 纹理分析：基于灰度共生矩阵（GLCM）提取对比度、相关性、能量和同质性特征。

• CFAR目标检测：集成了三种恒虚警率检测器（CA-CFAR, GO-CFAR, SO-CFAR），支持自定义保护单元、参考单元和虚警概率。
• 全方位可视化与评估：自动生成包含12个子图的综合展示界面，并计算等效视数（ENL）和边缘保持指数（EPI）等质量评价指标。

系统要求

• MATLAB R2018b 或更高版本
• Image Processing Toolbox（图像处理工具箱）
• Signal Processing Toolbox（信号处理工具箱）
• Wavelet Toolbox（小波工具箱）
• Statistics and Machine Learning Toolbox（用于分布生成）

使用方法

1. 将所有文件下载到MATLAB的工作目录中。
2. 直接运行 main.m 文件。
3. 程序将依次执行参数初始化、回波仿真、图像生成、滤波处理、特征提取和目标检测。
4. 运行结束后，会弹出一个包含12个子图的综合窗口，展示处理前后的图像对比及数据分析结果。

详细功能与实现逻辑

以下是 main.m 文件中实际包含的代码逻辑的详细解析：

1. 系统参数与场景仿真

程序首先定义了机载SAR系统的关键参数，包括载波频率（5.3GHz）、带宽（30MHz）、采样率、平台速度和高度等。随后定义了空间中的三个理想点目标，用于后续的RDA成像算法验证。

2. RDA成像处理算法

通过内部函数 run_rda_simulation 实现成像逻辑：

• 回波生成：根据几何的距离历程计算相位历程，生成二维原始回波数据。
• 距离压缩：生成线性调频信号的匹配滤波器，在频域完成脉冲压缩。
• 方位压缩：计算方位调频率，生成方位向匹配滤波器，完成聚焦成像。
• *注：代码主要演示了距离和方位压缩的核心步骤。*

3. 合成场景构建

为了展示高级图像处理功能，程序并未直接使用RDA生成的简单点目标图，而是构建了一个256x256像素的合成幅度图：

• 背景合成：模拟了海面（低反射率）和陆地（正弦纹理变化）区域。
• 目标植入：在特定位置添加了舰船等高亮目标。
• 噪声叠加：通过生成服从Gamma/Rayleigh分布的随机噪声矩阵，以乘性噪声的形式模拟SAR图像特有的相干斑。

4. 斑点噪声抑制 (Despeckling)

程序调用 filter_sar_adaptive 函数对含噪图像进行处理。该函数实现了基于局部窗口统计特性的自适应滤波：

• Lee滤波：基于局部均值和方差计算权重，在均匀区域主要进行平滑，在边缘区域保留原值。
• Frost滤波：利用指数阻尼因子，根据局部变异系数调整滤波核的形状。
• Kuan滤波：基于MMSE准则的另一种线性近似形式。

5. 特征提取与图像增强

• 小波变换：使用 sym4 小波基进行2层分解，计算惩罚阈值，并应用软阈值（Soft Thresholding）策略去除高频噪声，最后重构图像。
• GLCM特征：首先将滤波后的图像量化为16级灰度，然后计算其灰度共生矩阵。基于该矩阵计算出四个关键纹理统计量：对比度（Contrast）、相关性（Correlation）、能量（Energy）和同质性（Homogeneity）。

6. CFAR目标检测

程序针对同一幅图像执行了三种不同的CFAR检测策略，参数设置为：保护单元2个，参考单元10个，虚警概率1e-4。

• CA-CFAR (Cell Averaging)：取参考单元的平均值作为噪声基底，适合均匀背景。
• GO-CFAR (Greatest Of)：取参考窗口左右两侧均值的较大者，用于处理杂波边缘。
• SO-CFAR (Smallest Of)：取参考窗口左右两侧均值的较小者，用于处理多目标干扰。

程序输出了检测掩膜（Mask）和目标列表。

7. 结果可视化

main 函数最后构建了一个 3行4列 的大型Figure窗口，详细展示了以下内容：

1. RDA成像的点目标结果（dB标度）。
2. 含噪的合成SAR原图。
3. Lee滤波结果。
4. Frost滤波结果。
5. Kuan滤波结果。
6. 小波去噪结果。
7. GLCM纹理特征数值展示。
8. CA-CFAR检测结果（在原图上标记红十字）。
9. GO-CFAR的二值掩膜。
10. SO-CFAR的二值掩膜。
11. 原图与Lee滤波后的灰度直方图对比。
12. 边缘保持指数（EPI）的柱状图对比。