Detecção de alvos escondidos em florestas utilizando imagens SAR de baixa frequência

Abstract

A detecção de alvos ocultos sob a vegetação continua sendo um dos principais desafios enfrentados por sistemas de radar de abertura sintética (SAR) operando em bandas de frequência com resolução compatível ao comprimento de onda. A presença de vegetação densa dificulta a distinção entre o retorno do alvo e o ruído de fundo, exigindo modelagens estatísticas mais precisas para o clutter. Neste contexto, este artigo propõe a utilização da distribuição Gamma bivariada como modelo estatístico do clutter, demonstrando que ela se apresenta como um modelo mais adequado para imagens de intensidade diferença obtidas por sistemas SAR VHF UWB. A abordagem foi implementada em algoritmos de detecção de mudança (CD), tanto na forma iterativa quanto na não iterativa, ambos fundamentados no Teorema de Bayes. A eficácia do modelofoi avaliada por meio de curvas ROC, obtendo-se probabilidades de detecção de 98.94% para o método não iterativo e 98.99% para o método iterativo, ambos com uma taxa de falso alarme fixada em um falso alarme por quilômetro quadrado. Os resultados mostram que o modelo proposto oferece desempenho superior às distribuições tradicionalmente adotadas na literatura, com destaque para a aplicação no algoritmo não iterativo.The detection of concealed targets under foliage remains one of the main challenges faced by synthetic aperture radar (SAR) systems operating at frequency bands with wavelength-resolution. Dense vegetation makes it difficult to distinguish target returns from background clutter, demanding more accurate statistical modeling. In this context, this paper proposes the use of the bivariate Gamma distribution as a statistical clutter model, demonstrating that it provides a better fit for intensity difference images obtained from VHF UWB SAR systems. The approach was implemented in both iterative and non-iterative change detection (CD) algorithms based on Bayes’ Theorem. The effectiveness of the model was evaluated using ROC curves, yielding detection probabilities of 98.94% for the non-iterative method and 98.99% for the iterative method, both at a fixed false alarm rate of one false alarm per square kilometer. The results show that the proposed model outperforms traditional statistical distributions used in the literature, with notable advantages in the non-iterative implementation.