本文深入浅出地介绍了恒虚警率（CFAR）方法，该方法最初应用于雷达系统，旨在动态变化的杂波或噪声背景下稳定检测目标。文章详细解释了CFAR的基本原理，包括如何设置随背景杂波自动变化的阈值，以及虚警率（PFA）的恒定性。通过实例和公式，阐述了CA-CFAR算法的原理和实现过程，并提供了Python代码示例。最后，展示了CFAR方法在高分三号卫星数据中舰船目标检测的应用效果，帮助读者理解CFAR方法的实际应用价值。

🎯**CFAR核心原理**：CFAR通过设置一个能跟随背景杂波自动变化的阈值，从而在动态环境中区分目标回波信号与背景杂波信号，实现稳定检测。

⚙️**关键概念解析**：文章解释了Cell Under Test (CUT)、Guard Cells和Background Cells等关键概念，强调保护单元的作用是防止目标本身对背景估计的影响，参考单元用于估计局部背景统计特性。

📊**CA-CFAR算法详解**：以CA-CFAR为例，详细介绍了算法的实现过程，包括背景噪声的均值计算、检测阈值的设定以及目标检测的判断标准，并给出了比例系数k的计算公式。

🐍**Python代码实现**：提供了CA-CFAR算法的Python代码示例，方便读者理解和应用该方法，代码中包含了背景窗口的提取、阈值计算和目标检测等关键步骤。

一、引言

恒虚警率（Constant False Alarm Rate，CFAR）方法最早是用于雷达系统中，用于在动态变化的杂波或噪声背景下较为稳定地检测目标。

场景：雷达系统在接收信号时，会接收到一系列信号，包含目标自身的回波信号和环境背景的杂波信号，而我们知道：

环境背景中的杂波信号往往随着时空等条件的变化而不断变化；检测目标本身是一个二分类问题，我们以某一种物理量衡量是否存在目标时，一般是对这个物理量设置一个阈值T，在阈值T的两边则代表是否存在目标。

在雷达检测目标这个二分类问题中，要判断目标是否存在，毫无疑问，我们选择的物理量就是接收到的信号，而该信号可以由下面的式子表示：

针对接收信号这个物理量，我们就需要设定一个阈值T，由于背景杂波信号是一直存在的，而目标回波信号根据实际情况偶尔才出现，因此我们设定的阈值T应该能做到区分出：单独的背景杂波信号和目标回波信号+背景杂波信号两部分。

如果是一般的二分类问题，我们直接设置一个固定的阈值T当然没问题，但是现在的背景杂波一直有变动，要是阈值T定死了，就很容易检测出错，好比A、B两国要是国界线一直变动，那么今天放在国界线上的石头墩子明天到底属于谁，那就很难知道了，但是如果每次国界线变动的时候，我们都把这个石头墩子重新移动一下，那便没有问题了。因此针对雷达检测目标的问题，我们要是能设置一个能跟随背景杂波自动变化的阈值T，理论上就能很好地解决问题了。

现在我们回到标题上来：恒虚警率里面这个“恒”是否和我们刚刚提到“变化”有冲突？为什么虚警率要恒定？

首先，我们得知道，虚警率（PFA）的虚警就是“指鹿为马”的过程，也就是把错的认成对的，把不是非目标对象认成目标对象，那么PFA就好理解了，就是指：我们错误判断为正例的概率，用公式表达为：

FP:错误认成正例的个数TP:正确认成正例的个数FP+TP:总正例个数

现在就很好理解了，当雷达能稳定检测目标时，实际上稳定的就是错误判断为正例的概率，也即是PFA，而前文提到的变化只是指的阈值T的变化，和PFA的恒定是不冲突的。

二、CFAR的使用

在检测目标时，CFAR既可以用于一维，也可以用于二维，本文以二维为例，最常见的就是针对二维矩阵数据来检测某一目标。

对于CFAR有几个关键概念：

Cell Under Test (CUT) ：当前待检测的像素或小区域Guard Cells：保护单元，防止目标本身影响背景估计Background Cells (Training Cells) ：参考单元，用于估计局部背景统计特性

如图：上图来源：干货 | FMCW雷达信号处理的二维CFAR（2D -CFAR）检测算法_51CTO博客_雷达cfar检测算法

图中灰色格子及以内部分代表整幅数据，橙色部分及以内是当次正在检测的区域，假设现在中间的黄色小格（接收信号/参考单元）≥阈值T，那我们就能很好地区分出CUT就是我们要的目标了，而我们现在则需要表示出阈值T。

在此之前，那么请问：图中绿色部分的保护单元有什么用呢？这就不得不提到理论和实践的差距了，理论上来说，我们只要有CUT和背景的参考单元就可以了，但是实际上，CUT区域的临近区域可能会有目标的“能力扩散”现象，也就是目标本身可能不止占一格，或者存在雷达成像特征形成的“旁瓣”，可以粗浅地理解为油滴落在纸巾上后会有一圈油晕，关于旁瓣的知识可以参考这篇文章：雷达的旁瓣与副瓣 - 程序员大本营

前面提到阈值T是一个跟随背景信号进行变化的量，根据阈值T的表示方式不同，前辈们提出了许多不同的CFAR方法，常见的方法如下：

算法类型	背景统计方式	适用场景
CA-CFAR（Cell-Averaging）	取所有背景单元平均值	背景均匀
GO-CFAR（Greatest-Of）	分左右背景区域，取较大的平均	背景有干扰或一侧目标
SO-CFAR（Smallest-Of）	分左右区域，取较小平均	多目标密集
OS-CFAR（Order Statistic）	排序后选第k大的数	抗杂波能力强、适应性好

以CA-CFAR为例，如果背景噪声服从指数分布，设背景像素值为$x_1, x_2, ..., x_N$，N为背景参考单元个数，其均值为：

设比例系数为k,则检测阈值T为：

若$x_{CUT}>T$，则认为检测到目标。

到目前为止，PFA仍未亮相，那肯定就和k有关系了，但是这里的比例系数k推导较为复杂，感兴趣的bro可以查查相关资料，方便起见我们直接给出：

那么，PFA是“恒定”的，那么肯定是预先设置的，我们应该设置为多少呢？或者应该说，多大的PFA是我们所预期的呢？这个就得见仁见智了，根据自己的能接受程度，1e-3、5e-4等等都是可以的，当然，这里我们也能看出CFAR方法的缺点，就是检测效果很依赖PFA等参数的设置。

最后附上GPT友情提供的python代码：

def ca_cfar(image, guard_cells=2, training_cells=10, P_fa=1e-3):    output = np.zeros_like(image)    rows, cols = image.shape    total_cells = 2 * training_cells    k = total_cells * (P_fa**(-1/total_cells) - 1)        for i in range(training_cells + guard_cells, rows - training_cells - guard_cells):        for j in range(training_cells + guard_cells, cols - training_cells - guard_cells):            background = []            # 提取背景窗口（排除CUT与保护单元）            for m in range(-training_cells - guard_cells, training_cells + guard_cells + 1):                for n in range(-training_cells - guard_cells, training_cells + guard_cells + 1):                    if abs(m) > guard_cells or abs(n) > guard_cells:                        background.append(image[i+m, j+n])            threshold = k * np.mean(background)            if image[i, j] > threshold:                output[i, j] = 1  # 检测目标    return output

下面是一张高分三号卫星数据图片，通过CFAR方法得到的舰船目标结果：