基于Ｗｅｄｇｅｌｅｔ的ＳＡＲ圖像多尺度快速分割方法

摘要：為了解決基于Wedgelet變換的多尺度分割算法在楔形方向的選擇上需要計(jì)算所有分解楔形系數(shù)，且沒有利用上層分解的結(jié)果，計(jì)算量特別大的問題，提出一種從圖像的幾何結(jié)構(gòu)出發(fā)，在圖像四分樹的基礎(chǔ)上加以楔形區(qū)域分割，在矩形區(qū)域的楔形方向選取上建立多分辨分析的算法。該算法在上層分割的基礎(chǔ)上，只需計(jì)算八個(gè)方向的Wedgelet，而不是所有方向，既避免了窗口初始化，降低了分割過程特征抽取的復(fù)雜性，又減少了迭代次數(shù)。經(jīng)試驗(yàn)比較，本文方法優(yōu)于同類方法。 

關(guān)鍵詞：合成孔徑雷達(dá)圖像;Wedgelet變換; 多尺度分析; 圖像分割

中圖分類號：TP391文獻(xiàn)標(biāo)志碼：A

文章編號：1001－3695(2007)08－0226－02

0引言

SAR圖像受到相關(guān)斑點(diǎn)噪聲（乘法噪聲）的影響，圖像信噪比低(通常小于1)。分割對于SAR圖像處理來說是一個(gè)非常重要的步驟，可以幫助人們發(fā)現(xiàn)感興趣的目標(biāo)區(qū)域，為目標(biāo)識別提供條件。人們已經(jīng)提出了許多SAR圖像分割方法[1~4]并取得了一定的效果。這些方法可以分為兩類。一類是首先對SAR圖像濾波[1]，以減少斑點(diǎn)噪聲的影響，然后運(yùn)用與處理光學(xué)圖像相似的方法來對SAR圖像進(jìn)行分割。這種方法對于視數(shù)較多的SAR圖像可以取得較好的效果，但在噪聲很強(qiáng)的情況下，為了獲得比較平滑的濾波圖像，會增大濾波的程度，導(dǎo)致圖像細(xì)節(jié)特征的丟失，使得分割效果下降。另一類則利用SAR圖像的統(tǒng)計(jì)特性對其進(jìn)行分割，如基于矩陣特征的MUM分割方法[5]。它將SAR圖像分割成小塊，并計(jì)算各個(gè)區(qū)域的一階和二階統(tǒng)計(jì)特性等特征；然后根據(jù)特征向量的不同將圖像分成不同區(qū)域。這類分割算法都沒有考慮圖像區(qū)域的幾何結(jié)構(gòu)，分割精度差，對于細(xì)小目標(biāo)的識別影響太大。而基于像素鄰域的特征分割依賴于操作窗口，為求分割準(zhǔn)確往往借助于迭代，計(jì)算量巨大，且當(dāng)像素處于幾個(gè)區(qū)域的邊界附近時(shí)，該方法無法準(zhǔn)確判別像素所屬的區(qū)域。由D. Donoho等人提出的Wedgelet為具有一定幾何形狀的圖像區(qū)域提供了稀疏準(zhǔn)確的表示方法，為圖像的多尺度分割開辟了新途徑。

1Wedgelet變換

Wedgelet變換是由D. Donoho等人提出的對圖像區(qū)域邊緣描述的表示方法。其基礎(chǔ)假設(shè)是：圖像是由分片恒值函數(shù)構(gòu)成的，即在同一勻質(zhì)區(qū)域圖像像素的灰度色調(diào)不變；在一個(gè)分辨單元（矩形區(qū)域內(nèi))，圖像僅有兩個(gè)不同的勻質(zhì)區(qū)域；對于二進(jìn)矩形區(qū)域圖像（圖像的大小為2的整數(shù)次冪），圖像不同區(qū)域的邊界是一個(gè)端點(diǎn)在矩形邊界上的線段。如圖1所示，在一個(gè)4×4的矩形內(nèi)有兩個(gè)楔形區(qū)域A和B，其邊界為V0V1，上邊區(qū)域的均值為Ra，下面的均值為Rb。這兩個(gè)楔形區(qū)域和均值就構(gòu)成Wedgelet變換的基元。Wedgelet w是一個(gè)正方形區(qū)域S上的分片恒值函數(shù)，其在通過矩形的線段l兩邊取不同的值。因此一個(gè)Wedgelet w由四個(gè)參數(shù)，即線段端點(diǎn)V0、V1和兩個(gè)楔形區(qū)域的均值Ra、Rb表示w(V0，V1，Ra，Rb)。(V0，V1)決定了w的方向，如果w在整個(gè)方形區(qū)域是恒定不變的，則稱其為退化的Wedgelet。

4分割結(jié)果的比較與分析

SAR圖像由于受斑點(diǎn)噪聲的影響，其最小尺度塊的尺寸不能太小，經(jīng)過試驗(yàn)初始塊的尺寸為n0×m0(n0≥4，m0≥2)。SAR圖像的分割分為兩步：首先對圖像I(xiàn)進(jìn)行最佳Wedgelet逼近；然后再對相鄰的同質(zhì)（均值和方差差別較小）楔形區(qū)域進(jìn)行合并。DMWA和FMWA的分割結(jié)果如圖5所示。可以看出，本文提出的FMWA分割效果在分割區(qū)域邊緣的連續(xù)性上明顯優(yōu)于DMWA方法。其主要原因是DMWA在優(yōu)化時(shí)有可能進(jìn)入局部極小值；然而本文的FMWA方法不需要預(yù)先估計(jì)區(qū)域分割的統(tǒng)計(jì)特征參數(shù)，它會隨著像素灰度分布變化的大小而合理分割，從而避免了

“雞和蛋”的矛盾。但本算法當(dāng)初始分塊的尺寸太大時(shí)，分割會出現(xiàn)楔塊效應(yīng)。

參考文獻(xiàn)：

［1］OLIVER C J， BLACKNEL D，WHITE R G. Optimum edge detection in SAR [J]. IEEE Proc Radar Sonar Navig， 1996，143(1):31－40.

[2］OLIVER C J，LOMBARDO P. Simultaneous mean and texture edge detection in SAR clutter[J].IEEE Proc Radar Sonar Navig， 1996，143(6):391－340.

[3］WHITE R G. Change detection in SAR imagery[J].Int J Remote Sensing，1991，12(2):339－360.

[4］NIKIL S. Segmentation based on measures of contrast， homogeneity and region size [J]. IEEE Trans on System， Man and Cyberne￣tics， 1987，17(5):858－864.

[5］COOK R. MUM segmentation for SAR images[C]//Proc of SPIE. 1994:92－103.

[6］DONOHO D. Wedgelets: nearlyminmax estimation of edges [J]. Annals of Stat， 1999，27:859－897.[7］DO M N， DRAGOTTI P L， SHUKLA R， et al. On the compression of twodimensional piecewise smooth functions[C]//Proc of IEEE Int Conf on Image Processing.2001:14－17.

[8］ROMBERG J K， WAKIN M B， BARANIUK R G. Multiscale Wedgelet image analysis: fast decompositions and modeling[C]//IEEE Int Conf on Image Proc (ICIP’02).NY:IEEE， 2002: 585－588.

注：“本文中所涉及到的圖表、注解、公式等內(nèi)容請以PDF格式閱讀原文”