海面风云变幻，雷达如何智能“看”船？PGA‑CFAR 的巧妙设计【附MATLAB代码】

来源：市场资讯

（来源：EW Frontier）

【EW Frontier】——雷达通信AI科研人的一站式技术平台！

✅ 超1000+实战代码：DOA/调制识别/ISAC/抗干扰/无人机等雷达、通信、电子战全方向（MATLAB+Python）

✅ 专属科研辅导：论文专利选题/仿真/写作、项目定制全程答疑

✅ 优质社群资源：985/211硕博同行交流，最新技术干货实时同步

资源获取通道

知识星球（全部资源无限看）：https://wx.zsxq.com/group/15554455154582

面包多（单个代码精准购）：https://mbd.pub/o/EWFrontier/work

辅导/答疑：

‍客服微信： EWFrontier

海面风云变幻，雷达如何智能“看”船？PGA‑CFAR 的巧妙设计

当海况从风平浪静转为波涛汹涌，传统雷达目标检测方法往往“眼花缭乱”——要么漏掉真船，要么把浪花误报成目标。今天解读一项来自 VIT Chennai 团队的开源工作，他们给 CFAR 检测器装上“海况感知”的眼睛，还把检测窗口变成了会变形的椭圆。

01 海上“找船”为什么这么难？

合成孔径雷达（SAR）是海上舰船监视的利器，但它看到的海洋并非均匀的画布。风浪变化会剧烈改变海面粗糙度，反映在雷达图像上就是杂波统计特性忽高忽低。

传统的恒虚警率（CFAR）检测器有一个致命假设：背景杂波是均匀的。于是它用一个固定大小的方形窗口去估计局部杂波强度，再用一个固定阈值系数 k 去判断目标。一旦窗口恰好跨越平静海面和粗糙海面的边界，里面就混入了两种截然不同的杂波，阈值要么被拉高导致漏检，要么被压低产生大量虚警。

有没有一种方法，让检测器自己知道此刻身处何种海况，并主动调整阈值和窗口形状？

02 第一重创新：给雷达装上“海况指数”——PSSI

研究团队首先提出了一个极化海况指数（Polarimetric Sea-State Index, PSSI）。它不依赖风速、浪高等外部数据，而是直接从全极化 SAR 数据中计算出 0~1 的连续值，描绘每一个像素处的海面粗糙程度。

PSSI 融合了三个物理意义明确且相互正交的极化特征：

• 熵 H：衡量散射的随机性。平静海面以布拉格散射为主，熵很低；海浪破碎、泡沫增多时，散射机制变得复杂，熵升高。

• 共极化相位差 Φ：表征 HH 和 VV 通道的相位关系。理想布拉格散射下相位差≈0°；海面越粗糙，越偏离布拉格模型，相位差趋近±180°。

• 布拉格比率偏差 ΔB：实测 HH/VV 功率比与布拉格散射理论预测值的归一化偏离程度。

三者加权求和：

PSSI(m,n) = 0.4×H + 0.3×Φ + 0.3×ΔB

这个公式最妙的地方在于舰船目标反而不会产生高 PSSI。舰船多为二面角散射，虽然 Φ 和 ΔB 很大，但熵 H 极低（散射机理单一且相干），而熵的权重刚好被设为最大（0.4）。于是舰船 PSSI 值被压制在中等水平，远低于真正的高海况区域。PSSI 因此成为一个“海洋专属”的粗糙度指标，而不是泛泛的异常探测器。

启发：用一个有物理意义的融合指数来描述环境状态，并利用目标与背景在某个维度上的固有差异（这里是低熵）来避免目标污染指数本身——这是一种优雅的自监督环境感知设计。

03 第二重创新：让 CFAR 窗口“顺波逐流”

有了 PSSI，就有了局部海况的连续图谱。接下来研究者做了一件更颠覆的事情：让 CFAR 的背景窗口变成自适应椭圆。

思路是这样：海面杂波并非各向同性。波浪传播方向上，海面粗糙度变化剧烈；而沿着波峰方向，统计特性大致均匀。理想情况下，我们只应该从“同类海面”采集背景像素。

他们计算了 PSSI 的梯度方向和幅度。梯度方向近似垂直于波峰，即指向波浪传播方向。基于此，椭圆窗口被设计为：

• 长轴（沿波峰方向）拉长 —— 尽可能多地纳入统计均匀的像素；

• 短轴（沿波浪传播方向）压缩 —— 避免跨入另一片海况区域。

椭圆拉伸程度由 PSSI 梯度幅度决定，风平浪静时窗口自动退化回圆形（传统 CFAR），海况变化剧烈处椭圆长宽比可达 4:1。椭圆面积保持不变，因此参与估算的像素数恒定，无需担心统计稳定性。

同时，CFAR 的阈值系数 k 也不再是全局固定值，而是随 PSSI 动态变化：平静海域 k 自动降低以保持对弱目标的敏感性，粗糙海域 k 自动升高以压制杂波虚警。

这就是完整的 PGA‑CFAR（PSSI‑Guided Adaptive CFAR）：自适应阈值 × 自适应椭圆窗口 × 极化预筛选。

启发：利用场景本身的结构信息（梯度场）来动态扭曲处理算子的支持域，使算法永远工作在“局部平稳”的假设成立之处。这套“几何自适应”思想完全可以迁移到其他非均匀场景的图像分析任务中。

04 效果如何？合成场景见真章

团队在合成全极化 SAR 场景上进行消融实验，场景中藏有 8 艘已知位置的仿真船只，并设置了平静/粗糙两种海面区域和过渡带。

来看关键数据：

检测器

检测率 Pd

虚警像素数

虚警率 Pfa

CA‑CFAR（传统）

75%

324

Full PGA‑CFAR100%890.00034

• 检测率从 75% 提升到 100%，8 艘船无一漏网。

• 虚警率下降 72.6%，虚警像素数仅为传统方法的约 1/4。

• 在同样检测率（87.5%）下，PGA‑CFAR 所需的虚警率仅为 CA‑CFAR 的 1/48。

消融实验还揭示：单纯改用自适应阈值已经能提升性能，但加上自适应椭圆窗口后，恰好位于海况过渡带的那艘最难检测的船被成功救回——这正是椭圆窗口规避边界杂波混合的威力。

另外，极化预筛选（只保留散射角 α>40° 且熵 H<0.6 的像素进入 CFAR）直接砍掉了约 93% 的候选点，大幅降低计算量并堵住了虚假目标的源头。

05 不止于检测：我们可以从中学到什么？

PGA‑CFAR 不仅是一套好用算法，其设计哲学对做遥感、雷达、甚至通用目标检测的研究者都有启发：

1. 1

   物理先验驱动，而非数据驱动所有权重、阈值都基于电磁散射模型设定，不依赖任何训练样本，零样本迁移到 C 波段和 L 波段卫星都适用。

2. 2

   多维度信息的“互抑”融合PSSI 的精髓在于让三个特征互相制衡，利用舰船低熵这一“弱点”使目标在环境指数中自然消隐，免除了显式目标剔除步骤。

3. 3

   让算子的支持域跟随场景结构变形椭圆窗口相当于一个“结构感知”的局部邻域，它总是指向杂波统计最平稳的方向。这个想法可以推广到任何需要局部统计估计且场景存在方向性梯度的场合。