采用視覺特征整合的紅外弱小目標(biāo)檢測

趙尚男，王靈杰*，張 新，吳洪波,2

(1.中國科學(xué)院 長春光學(xué)精密機(jī)械與物理研究所 中國科學(xué)院光學(xué)系統(tǒng)先進(jìn)制造技術(shù)重點(diǎn)實(shí)驗(yàn)室，吉林 長春 130033；2.中國科學(xué)院大學(xué)，北京 100049)

1 引 言

隨著遠(yuǎn)距離紅外光學(xué)系統(tǒng)的快速發(fā)展，紅外目標(biāo)檢測與跟蹤技術(shù)在交通、醫(yī)療、安防及軍事等領(lǐng)域得到了廣泛應(yīng)用。

目前，紅外目標(biāo)檢測與跟蹤領(lǐng)域存在兩個(gè)問題：目標(biāo)弱小和背景復(fù)雜。當(dāng)目標(biāo)所占像素不超過圖像總像素0.15%，且目標(biāo)與背景的信噪比低于4dB時(shí)，目標(biāo)則被視為弱小目標(biāo)[1]。弱小目標(biāo)與周圍背景的對(duì)比度較低，不具備形狀、紋理等特征，很難從復(fù)雜的背景中檢測出來[2]；另一方面，由于煙霧、云層、海面、目標(biāo)與載體的相對(duì)運(yùn)動(dòng)及人為因素的干擾，導(dǎo)致紅外圖像中出現(xiàn)噪聲、模糊、陰影，從而使得紅外背景雜波日益復(fù)雜[3-4]。

目前，基于常規(guī)的紅外目標(biāo)檢測方法(如：空域?yàn)V波方法、小波變換方法、Top-hat變換、馬爾科夫隨機(jī)場法[5]、主成分分析法等)多數(shù)存在先驗(yàn)條件要求過多、虛警率高、計(jì)算復(fù)雜等問題[6-8]。例如：傳統(tǒng)的基于小波變換的目標(biāo)檢測方法性能不穩(wěn)定，且不能有效地抑制不同復(fù)雜背景雜波。而改進(jìn)的基于小波變換的算法通常較為復(fù)雜，影響實(shí)時(shí)性。Top-hat變換方法的性能很大程度上依賴于選取的結(jié)構(gòu)元素，通過對(duì)結(jié)構(gòu)元素形狀、大小的調(diào)整才可以檢測不同類型的目標(biāo)。

另一方面，隨著神經(jīng)科學(xué)及腦科學(xué)的發(fā)展，人類視覺系統(tǒng)(Human Visual System, HVS)在紅外目標(biāo)檢測領(lǐng)域的應(yīng)用取得了一系列成果，基于HVS機(jī)制(如：側(cè)抑制、感受野、脈沖發(fā)放機(jī)制)的目標(biāo)檢測算法在提高紅外目標(biāo)檢測算法的魯棒性、背景雜波和噪聲抑制能力等方面取得了明顯進(jìn)步[9-11]例如：2012年，Wang X等人提出一種基于視覺注意的紅外弱小目標(biāo)檢測算法[12]。該算法采用高斯差分(Difference of Gaussian,DOG)濾波器計(jì)算顯著圖，而后通過“勝者為王”(Winner Take Au, WTA)競爭機(jī)制和“返回抑制”(Inhibition of Return, IOR)控制機(jī)制搜索提取出顯著圖中突出區(qū)域潛在的目標(biāo)，該算法的魯棒性較高，且檢測概率可達(dá)到94.68%；2014年，Dong X等人提出一種基于三種人類視覺機(jī)制(包括對(duì)比機(jī)制、視覺注意和眼球微動(dòng)機(jī)制)的紅外小目標(biāo)檢測算法[13]。該算法在復(fù)雜背景下具有較好的抗噪性和較低的虛警率。2017年，張葉等提出了一種基于多特征、多尺度視覺顯著性的目標(biāo)檢測方法，該方法利用了人眼對(duì)不同用大小的圖像關(guān)注目標(biāo)不同的特點(diǎn)對(duì)圖像進(jìn)行上下采樣，而后同時(shí)對(duì)各尺度圖像進(jìn)行顯著性檢測，避免了目標(biāo)漏檢和檢測重疊，該方法對(duì)目標(biāo)檢測的真正率達(dá)97.73%，虛警率為3.37%[14]。2018年，Yuwen C 提出了一種基于人眼視覺注意的目標(biāo)檢測方法，基于視覺對(duì)比機(jī)制和Pop-out 效應(yīng)，設(shè)計(jì)了一種可進(jìn)行加權(quán)調(diào)節(jié)尺度的局部對(duì)比測量方法，將弱小目標(biāo)從復(fù)雜背景中提取出來，實(shí)驗(yàn)獲得的平均背景抑制因子為30.82，信雜比增益為7.06，但其每幀圖像的平均處理時(shí)間為19.21 s[15]。盡管上述算法在強(qiáng)雜波背景下的紅外弱小目標(biāo)檢測方面取得了一定的進(jìn)展，但仍存在一些問題，包括：對(duì)復(fù)雜背景的抑制能力不足，算法過于復(fù)雜等。

考慮到人類視覺信息處理具有既平行又串行的特點(diǎn)，同時(shí)視覺信息的整合機(jī)制是個(gè)多級(jí)同步的過程，在人腦視覺系統(tǒng)中，視覺信息被分為形狀、空間頻率、方向和對(duì)比度等特征，在分別進(jìn)行平行處理后，屬于同一物體的各種視覺特征再被整合在一起進(jìn)行加工，從而形成完整的視知覺[16]。該機(jī)制使得HVS具有極強(qiáng)的目標(biāo)檢測與識(shí)別處理能力，在復(fù)雜背景下可迅速分辨出感興趣的目標(biāo)，可為紅外弱小目標(biāo)檢測問題提供嶄新的思路。

因此，為了提高弱小目標(biāo)檢測算法的檢測性能和穩(wěn)定性，將人類視覺特征整合機(jī)制應(yīng)用了到紅外目標(biāo)檢測領(lǐng)域，并建立了基于特征整合的信息處理模型。文中詳細(xì)給出了弱小目標(biāo)檢測算法的理論模型和計(jì)算步驟，并進(jìn)行了仿真對(duì)比實(shí)驗(yàn)，證明了算法的有效性。

2 基于特征整合的信息處理模型

1980年Treisman在Neisser理論的基礎(chǔ)上提出特征整合理論(Feature Integration Theory, FIT)，該理論認(rèn)為注意由預(yù)注意和集中注意兩個(gè)階段構(gòu)成，預(yù)注意階段將視覺場景按照顏色、方向、空間頻率、亮度等特征進(jìn)行分解，形成不同的特征圖(Feature Map, FM)，該階段并不能識(shí)別對(duì)象，只是對(duì)不同特征進(jìn)行并行處理[17]。集中注意階段也稱為特征整合階段，該階段將特征進(jìn)行整合，集成為對(duì)象，其中特征顯著的位置成為視覺注意的位置。

在特征整合理論的基礎(chǔ)上，建立了一種基于特征整合的信息處理模型，如圖1所示。首先，對(duì)輸入的視覺場景信息進(jìn)行初級(jí)信息處理，初步檢測出目標(biāo)。其中，初級(jí)信息處理的方法可為HVS對(duì)視覺信息的加工方法，如利用感受野、側(cè)抑制、同步脈沖方法機(jī)制等進(jìn)行目標(biāo)的初步檢測。而后，對(duì)于初級(jí)信息處理后的場景進(jìn)行特征分解，提取出場景的結(jié)構(gòu)信息、亮度信息、對(duì)比度信息等空域特征和場景的高頻信息、低頻信息等頻域特征。最后，對(duì)各通道獲得的特征信息進(jìn)行特征整合，從而輸出帶有顯著目標(biāo)的場景。

圖1 基于特征整合的信息處理模型Fig.1 Information processing model based on visual feature integration

3 算法設(shè)計(jì)

3.1 基于感受野的初級(jí)信息處理

在人類視覺系統(tǒng)HVS中，神經(jīng)元上對(duì)于不同刺激所產(chǎn)生響應(yīng)的區(qū)域稱為感受野(RF, Receptive Field)。感受野分為同心圓式對(duì)稱型感受野、簡單細(xì)胞感受野及復(fù)雜細(xì)胞感受野，其中，位于視覺通路中的視網(wǎng)膜和側(cè)膝體上的感受野是同心圓式對(duì)稱型感受野。同心圓式對(duì)稱型感受野分為on-中心型和off-中心型感受野，其中on-中心型視網(wǎng)膜神經(jīng)節(jié)細(xì)胞感受野模型的中心機(jī)制是興奮性的，且作用相對(duì)較強(qiáng)，具有更高的峰敏感度，而周邊機(jī)制是抑制性的，作用相對(duì)較弱，但作用面積更大。off-中心型視網(wǎng)膜神經(jīng)節(jié)細(xì)胞的感受野模型則與此相反。不論哪種類型的同心圓型感受野模型，其中心機(jī)制和周邊機(jī)制的方向是相反的，故是相減的關(guān)系。同心圓式對(duì)稱型感受野位于視覺通路的開端，可對(duì)外界場景信息進(jìn)行初步的感知，具有抑制背景雜波和突出目標(biāo)的功能。

1965年，Rodieck提出使用髙斯差分模型即DOG模型來模擬同心圓式對(duì)稱型感受野，DOG模型的表達(dá)式為：

DOG(x,y,σ1,σ2)=

(1)

其中σ1和σ2為高斯函數(shù)的均方差。σ1和σ2分別決定了低截止頻率flow和高截止頻率fhigh。

感受野模型對(duì)圖像的處理過程可通過卷積濾波過程實(shí)現(xiàn)，DOG模型可視為帶通濾波器，利用卷積模板對(duì)圖像各像素點(diǎn)進(jìn)行濾波，濾波處理過程為：

R(x,y)=DOG(x,y)*I(x,y)=

(2)

其中：DOG(x,y)為DOG濾波器，I(x,y)為輸入圖像的灰度分布，R(x,y) 為輸出圖像的灰度分布。

3.2 特征分解與特征整合

根據(jù)建立的基于特征整合的信息處理模型，在進(jìn)行初級(jí)信息處理后進(jìn)行特征分解，在空域和頻域通道分別分解出弱小目標(biāo)的結(jié)構(gòu)特征和高頻分量特征。在空域通道，利用圖像信息構(gòu)造二階微分Hessian矩陣，計(jì)算Hessian矩陣的直跡與行列式進(jìn)行局部極值的判定，進(jìn)而提取出含有弱小目標(biāo)的結(jié)構(gòu)分量特征；在頻域通道，利用小波變換對(duì)圖像頻域進(jìn)行二級(jí)分解，進(jìn)而提取出含有弱小目標(biāo)的高頻分量特征。

在空域通道中，利用獲得初級(jí)信息處理后的圖像，根據(jù)其像素信息構(gòu)造二階微分Hessian矩陣，如公式(3)所示：

(3)

式中：Dxx(x,y)為水平方向的二階微分算子，Dyy(x,y)為垂直方向的二階微分算子，Dxy(x,y)為45°方向的二階微分算子。

而后，計(jì)算Hessian矩陣的直跡Tr_H與行列式Det_H，如公式(4)所示：

(4)

式中λ1和λ2是Hessian矩陣的特征值。

根據(jù)Dxx(x,y)和Det_H可進(jìn)行局部極值的判定：若Det_H>0且Dxx(x0,y0)<0，則點(diǎn)(x0,y0)為局部極大值點(diǎn)，即圖像中的點(diǎn)目標(biāo)；若Det_H>0且Dxx(x0,y0)>0，則該(x0,y0)為局部極小值點(diǎn)；若Det_H<0，則該(x0,y0)為鞍點(diǎn)；若Det_H<0，則點(diǎn)(x0,y0)為臨界點(diǎn)。

最后，利用公式(5)提取出含有弱小目標(biāo)的結(jié)構(gòu)分量特征。

Q(x,y)=

(5)

式中Q(x,y)是結(jié)構(gòu)分量特征圖像的灰度值。

在頻域通道中，利用獲得初級(jí)信息處理后的圖像，利用小波變換對(duì)該圖像的頻域進(jìn)行二級(jí)分解，分解后該圖像的小波變換系數(shù)向量包括：一個(gè)近似系數(shù)矩陣和兩組行、列、對(duì)角線細(xì)節(jié)系數(shù)矩陣，其中近似系數(shù)矩陣代表圖像的低頻背景部分，行、列、對(duì)角線細(xì)節(jié)系數(shù)矩陣代表圖像的高頻部分。而后，將小波變換系數(shù)向量中的近似系數(shù)矩陣設(shè)為0，再計(jì)算小波變換系數(shù)向量的反變換，取其絕對(duì)值，從而獲得含有弱小目標(biāo)的高頻分量特征圖像F(x,y)。

由于在空域和頻域通道中被判定為背景的圖像灰度值都已置為0，因此，接下來采用點(diǎn)乘的方式將結(jié)構(gòu)分量特征圖像Q(x,y)和頻域分量特征圖像F(x,y)整合為輸出圖像Out(x,y)，從而將兩個(gè)通道中的背景進(jìn)一步去除，降低檢測結(jié)果的虛警率，換言之，只有在兩個(gè)通道中均被判定為弱小目標(biāo)的像素值才可被保留下來，進(jìn)而達(dá)到通過結(jié)合各通道的不同特征實(shí)現(xiàn)增強(qiáng)目標(biāo)、抑制背景的效果，其特征整合過程如公式(6)所示。

Out(x,y)=Q(x,y)·F(x,y),

(6)

式中：Q(x,y)表示在空域通道中獲得的結(jié)構(gòu)分量特征圖像，F(xiàn)(x,y)表示在頻域通道中獲得的含有弱小目標(biāo)的高頻分量特征圖像，Out(x,y)表示將空域通道與頻域通道的分量特征整合后的輸出圖像。

3.3 算法流程

圖2 算法流程Fig.2 Process of proposed method

提出的一種基于視覺特征整合的弱小目標(biāo)檢測算法的主要思路是：首先，利用視網(wǎng)膜神經(jīng)節(jié)細(xì)胞感受野的數(shù)學(xué)模型DOG對(duì)紅外圖像進(jìn)行初級(jí)信息處理，初步檢測出弱小目標(biāo)。而后，進(jìn)行特征分解，分為空域和頻域通道并行處理，分別提取出含有弱小目標(biāo)的結(jié)構(gòu)特征和高頻分量特征。最后，將空域通道與頻域通道的分量特征整合，提取出復(fù)雜背景下的弱小目標(biāo)。算法總體流程如圖2所示。

根據(jù)圖2，算法的具體步驟如下：

步驟1：利用DOG模型進(jìn)行初級(jí)信息處理。

首先根據(jù)公式(1)建立DOG濾波器模板，而后利用濾波模板根據(jù)公式(2)對(duì)圖像進(jìn)行卷積濾波處理。為了降低計(jì)算量，利用如公式(7)所示的DOG帶通濾波器對(duì)原始圖像進(jìn)行卷積處理。

S(i,j)=|Iflow(i,j)-Ifhigh(i,j)|,

(7)

其中flow和fhigh分別為DOG濾波器的低通和高通模板。

為了增強(qiáng)顯著域，flow設(shè)為很低，為均值濾波模板，fhigh設(shè)為很高，同時(shí)，考慮到頻率很大的噪聲需要被消除，fhigh為5×5的高斯核，flow和fhigh的濾波模板如公式(8)所示。

(8)

步驟2：特征分解。

將初級(jí)信息處理后的原始圖像進(jìn)行特征分解，在空域和頻域通道分別分解出弱小目標(biāo)的結(jié)構(gòu)特征和高頻分量特征。

步驟2.1:在空域通道，利用圖像信息根據(jù)公式(3)構(gòu)造二階微分Hessian矩陣，根據(jù)公式(4)計(jì)算Hessian矩陣的直跡與行列式，而后再利用公式(5)進(jìn)行局部極值的判定，進(jìn)而提取出含有弱小目標(biāo)的結(jié)構(gòu)分量特征；

步驟2.2:在頻域通道，利用‘sym’小波，對(duì)圖像頻域進(jìn)行二級(jí)分解，將小波變換系數(shù)向量中的近似系數(shù)矩陣設(shè)為0，再計(jì)算小波變換系數(shù)向量的反變換，取其絕對(duì)值，從而獲得含有弱小目標(biāo)的高頻分量特征圖像F(x,y)，從而提取出含有弱小目標(biāo)的高頻分量特征。

步驟3：將空域通道與頻域通道的分量特征整合。

將所述步驟2.1獲得的含有弱小目標(biāo)的結(jié)構(gòu)分量特征圖像和步驟2.2獲得的含有弱小目標(biāo)的高頻分量特征圖像進(jìn)行點(diǎn)乘，如公式(6)所示。

4 實(shí)驗(yàn)結(jié)果

4.1 實(shí)驗(yàn)方法

本實(shí)驗(yàn)的硬件平臺(tái)為臺(tái)式計(jì)算機(jī)，CPU主頻為2.7 GHz，內(nèi)存4 GB，軟件平臺(tái)為MATLAB 2017a，實(shí)驗(yàn)對(duì)象是：弱小目標(biāo)。選取6幅帶有復(fù)雜背景、噪聲及不規(guī)則干擾的單幀紅外圖像作為測試對(duì)象，如圖4第1列所示。表1是原始圖像的基本信息，可以看出本實(shí)驗(yàn)中的原始圖像均滿足復(fù)雜背景和弱小目標(biāo)的要求，即：目標(biāo)尺寸小于總像素的0.15%，信噪比小于4 dB以及對(duì)比度小于15%。

表1 實(shí)驗(yàn)中原始圖像的基本信息

采用信雜比增益(SCRG, Signal to Clutters Ratio Gain)和背景抑制系數(shù)(BSF, Background Suppression Factor)作為算法性能的評(píng)價(jià)參數(shù)。其中，信雜比增益定義為處理后的輸出圖像信雜比與輸入圖像信雜比的比值，其表達(dá)式如公式(9)所示。

(9)

式中Rsci和Rsco分別表示輸入和輸出圖像的信雜比。信雜比的表達(dá)式如公式(10)所示:

(10)

式中：T為目標(biāo)的灰度值，B為整幅圖像的灰度平均值，δ為圖像的平均方差。

背景抑制因子反映算法對(duì)背景的抑制程度，其表達(dá)式如公式(11)所示：

(11)

其中Cin，Cout分別代表輸入、輸出圖像的標(biāo)準(zhǔn)差。

此外，繪制ROC曲線(Receiver Operation Characteristic，ROC)測試輸出結(jié)果的檢測概率。ROC曲線的橫軸為負(fù)正類率(False Postive Rate，F(xiàn)PR)，即虛警率；縱軸為真正類率(True Postive Rate，TPR)，即檢測概率。

在實(shí)驗(yàn)中，將所提出的算法與形態(tài)學(xué)(Top-hat)算法，Max-mean算法，Max-median算法，TDLMS算法及Shi′s算法[18]進(jìn)行了比較，其中前3種方法是常用來評(píng)估新算法的經(jīng)典算法，TDLMS算法具有很好的背景抑制能力，Shi′s算法為基于HVS側(cè)抑制機(jī)制的目標(biāo)檢測算法。

為了獲得紅外目標(biāo)檢測應(yīng)用下的最佳性能，本實(shí)驗(yàn)中每種算法的參數(shù)設(shè)定如下：Top-hat算法的結(jié)構(gòu)元素大小為12×12；Max-mean和Max-median算法的濾波尺寸為9×9[19]；TDLMS算法的步長和濾波窗口設(shè)置為：0.5×10-7和5×5[20]。

4.2 實(shí)驗(yàn)結(jié)果

圖3顯示了輸入場景信息經(jīng)過基于特征整合的信息處理模型的處理結(jié)果，從輸入視覺場景和顯著目標(biāo)的圖像信息和三維灰度信息可以看出，視覺場景信息經(jīng)初級(jí)信息處理后，可初步提取出目標(biāo)，但會(huì)殘余大量背景雜波及噪聲；而后，再經(jīng)過空域結(jié)構(gòu)特征和高頻信息特征提取，再將其進(jìn)行整合，可輸出顯著目標(biāo)。該模型可通過初級(jí)信息處理、空域頻域特征提取與整合的處理機(jī)制將復(fù)雜背景中的弱小目標(biāo)提取出來，且背景雜波得到了較好地抑制。

圖3 基于特征整合模型的處理結(jié)果Fig.3 Processing results based on visual feature integration model

圖4中顯示了不同算法的檢測結(jié)果圖像，同時(shí)，圖5是相應(yīng)的SCRG和BSF結(jié)果，圖6是相應(yīng)的ROC曲線。從圖4第2列的結(jié)果可以看出，Top-hat算法對(duì)復(fù)雜背景的抑制效果較好，但在目標(biāo)亮度十分微弱時(shí)(圖4(e)～圖4(f))，目標(biāo)增強(qiáng)效果較差；根據(jù)第3列和第4列可以看出，與Max-mean和Max-median法相比，所提出的方法具有較強(qiáng)的增強(qiáng)目標(biāo)和抑制背景能力；根據(jù)圖4第5列，TDLMS的檢測結(jié)果通常會(huì)具有較好的背景抑制能力，然而由于TDLMS算法的檢測效果嚴(yán)重依賴于算法中的權(quán)值矩陣的步長，因此當(dāng)背景十分復(fù)雜時(shí)(圖4(a)～圖(b))檢測結(jié)果會(huì)殘留較多的背景雜波。根據(jù)第6列，Shi′s可以在復(fù)雜背景下較好地提取小目標(biāo)。然而，當(dāng)原始圖像有大量的噪聲時(shí)如圖4(a)～圖(b)和圖4(d)，檢測結(jié)果會(huì)殘留大量的噪聲。根據(jù)第7列，由于提出的算法利用DOG濾波器初步檢測出目標(biāo)后，分為空域和頻域兩個(gè)通道分別提取出含有弱小目標(biāo)的結(jié)構(gòu)特征和高頻分量特征并整合輸出，從而使得弱小目標(biāo)從復(fù)雜的背景中準(zhǔn)確提取出來，并且檢測結(jié)果雜波和噪聲相對(duì)較少。

圖5為不同算法弱小目標(biāo)檢測結(jié)果的SCRG和BSF，根據(jù)圖5的實(shí)驗(yàn)結(jié)果，提出的算法相比于其他5種對(duì)比算法在圖4(a)～圖4(f)中獲得了最高的SCRG和BSF。同時(shí)，Shi′s算法在圖5(a)～圖5(d)中的SCRG和BSF高于提出的算法，說明當(dāng)原始圖像具有較少的噪聲時(shí)Shi′s算法可以在復(fù)雜背景下提取出弱小目標(biāo)。然而，如圖5(a)～圖5(b)和圖5(d)當(dāng)原始圖像存在較多的噪聲時(shí)，Shi′s算法的SCRG和BSF明顯降低。

圖4 原圖和不同方法的目標(biāo)檢測結(jié)果Fig.4 Original images and target detection results of different methods

圖5 不同方法弱小目標(biāo)檢測結(jié)果的SCRG 和BSFFig.5 SCRG and BSF of dim small target detection results of different methods

另一方面，根據(jù)圖6的ROC曲線圖，在虛警率Pf為10-3的情況下，提出的算法與Top-hat算法、Max-mean算法、Max-median算法、TDLMS算法、Shi′s算法的平均檢測概率分別為：95.17%，63.50%，39.17%，17.08%，51.67%，74.33%。可以看出，提出的基于自適應(yīng)感受野及側(cè)抑制的紅外目標(biāo)檢測算法的檢測概率Pd最高，其次依次是Shi′s算法，Top-hat算法和TDLMS算法，Max-mean 和Max-median算法在相同虛警率下低于其他算法。

圖6 不同方法弱小目標(biāo)檢測結(jié)果的ROC曲線Fig.6 ROC curves of dim small target detection results of different methods

5 結(jié) 論

針對(duì)復(fù)雜背景下的弱小目標(biāo)檢測問題，利用人眼視覺系統(tǒng)的特征整合機(jī)制，提出了一種基于視覺特征整合的目標(biāo)檢測算法。首先，利用視網(wǎng)膜神經(jīng)節(jié)細(xì)胞感受野的數(shù)學(xué)模型DOG對(duì)紅外圖像進(jìn)行初級(jí)信息處理，初步檢測出弱小目標(biāo)。而后，分為空域和頻域兩個(gè)通道分別提取出含有弱小目標(biāo)的結(jié)構(gòu)特征和高頻分量特征。最后，將空域通道與頻域通道的分量特征整合，提取出復(fù)雜背景下的弱小目標(biāo)。對(duì)比實(shí)驗(yàn)結(jié)果表明，相比于形態(tài)學(xué)方法、Max-mean，Max-median，TDLMS，Shi′s方法，提出的算法具有較強(qiáng)的背景抑制和目標(biāo)增強(qiáng)能力，當(dāng)虛警率為10-3時(shí)，平均檢測概率為95.17%，基本滿足了弱小目標(biāo)檢測的要求。