復雜場景下的SAR圖像水域邊緣特征提取

吳 戌,葉 偉

(裝備學院 a.研究生管理大隊； b.信息裝備系， 北京 101416)

【信息科學與控制工程】

復雜場景下的SAR圖像水域邊緣特征提取

吳 戌a,葉 偉b

(裝備學院 a.研究生管理大隊； b.信息裝備系， 北京 101416)

合成孔徑雷達(SAR)圖像中的水域具有極高的遙感應用及地理應用價值；針對SAR圖像固有的相干斑以及復雜場景下SAR圖像水域邊緣檢測算法受到建筑物等人造地物強散射點干擾造成虛假邊緣的問題，提出了復雜場景下SAR圖像水域邊緣特征提取方法；該方法通過構建SAR圖像的二維灰度直方圖對SAR圖像進行預處理，一定程度抑制了相干斑噪聲對邊緣檢測的影響，并在分析SAR圖像中建筑物等人造地物與水域散射特性差異基礎上利用二維灰度直方圖對SAR圖像進行分割，抑制強散射點；通過實驗驗證，該方法有效抑制了相干斑以及建筑物等人造地物強散射點的干擾，實現了復雜場景下的SAR圖像水域邊緣特征自動提取。

合成孔徑雷達(SAR)圖像；二維灰度直方圖；圖像分割；相干斑抑制；邊緣檢測；ROEWA算子

SAR(synthetic aperture radar)圖像中的水域目標在軍事和民用上具有重要的意義，多應用于目標識別、船舶導航、地圖更新、災害檢測等，而水域邊緣的檢測是實現這些應用的基礎[1]。

SAR不同于光學衛星，在成像時為側視，水域表面平整，發生鏡面反射的回波強度較弱，因此在高分辨率SAR圖像中，水域呈現暗區域。然而在對水域邊緣提取的過程中，由于SAR圖像固有的相干斑噪聲，造成水域邊緣模糊；并且SAR圖像覆蓋范圍較大，場景較為復雜，除水域外還有建筑等其他地物。而建筑物等人造地物對雷達入射波形成強反射，造成亮白色干擾，產生虛假邊緣。目前，在針對SAR圖像水域邊緣特征提取算法研究中，存在應用場景相對簡單，邊緣檢測算法適用范圍較小的缺陷。

本文針對上述問題，通過構建待檢測SAR圖像的二維灰度直方圖，對相干斑噪聲以及建筑物等強散射點分割并抑制，采用由Fjortoft等人提出的符合SAR圖像多邊緣模型的指數加權均值比率(Ratio of Exponentially Weighted Averages,ROEWA)算子來進行邊緣檢測，采用數學形態學對邊緣做進一步處理得到結果。

1 構建二維灰度直方圖對SAR圖像預處理

在一幅場景較為復雜的SAR圖像中，除去水域外還有建筑物等其他人造地物，因此直接應用邊緣檢測算子還需要人為判斷檢測結果是水域或建筑物的邊緣，這樣不利于邊緣檢測的自動化。因此，根據SAR圖像中不同地物散射特性的不同而導致的灰度值不同，并且考慮到SAR圖像受到相干斑噪聲的影響，本文通過構建二維灰度直方圖對SAR圖像進行預處理，達到抑制相干斑及建筑邊緣的目的，避免了邊緣檢測中的虛警。

在高分辨率SAR圖像中，建筑物等人造地物主要表現為亮線和亮點的集合[2]。由于人造地物具有表面結構復雜，材質特殊，易形成角反射或二次散射等特點，因此建筑物等人造地物在圖像上的灰度要明顯高于其他地區。而SAR圖像中的水域由于表面平整，鏡面反射回波較弱，在圖像中表現為暗區域。因此可以通過閾值分割的方法對建筑物等人造地物目標和水域進行區分。

一維閾值分割是簡單的分割方法。由于該方法只考慮像素自身灰度，沒有利用像素與其鄰域空間的相關性和統計信息，對于SAR圖像的分割效果并不理想。

本文構建SAR圖像的二維灰度直方圖對建筑物、水域及噪聲進行區分。該方法以像素灰度和鄰域均值表示二維直方圖，同時考慮像素自身灰度信息與像素的鄰域空間灰度信息，抗噪性有了很大增強。

設一幅灰度級為L的圖像，在像素點(x0,y0)處的灰度值為f(x0,y0)，該點周圍N×N鄰域空間的平均灰度值為g(x0,y0)。設滿足f=i和g=j的像素個數為h(i,j)，構建二維直方圖圖像H(f,g)[3]。

如圖1所示，對角線上的兩個區域Ⅰ和Ⅱ分別對應于背景和目標，遠離對角線的區域Ⅲ和Ⅳ對應于邊緣和噪聲。

圖1 二維灰度直方圖

圖2為待處理的高分辨率SAR圖像，可以看出，除去水域外，還有許多建筑物等人造地物亮白色強散射點，這些區域在邊緣檢測中具有較大的邊緣強度，造成虛警。

圖2 待處理高分辨率SAR圖像

本文以5×5窗口作為像素的鄰域計算該幅SAR圖像每個像素鄰域的均值構建二維灰度直方圖，如圖3所示。可以看出，直方圖的亮點幾乎都分布在對角線附近的一個條帶內，根據直方圖的定義條帶外的點為邊緣像素點和噪聲像素點。

任潔看了我很久，忽然點點頭說：“哦，我想起來了，我媽和我說過你，她說你是個好人……我有很多東西，都能帶上嗎？”

圖3 構建二維灰度直方圖

首先確定條帶的寬度c，參見圖4直方圖對角線附近區域，對應像素點的噪聲或邊緣不明顯，對后續邊緣檢測處理影響不大；而越遠離直方圖對角線的點，說明噪聲越明顯，對后續處理影響越大。為了對噪聲較好抑制，條帶寬度應盡量小，但這樣增大了運算量，也損失了圖像的信息。綜合考慮，本文以條帶內的點數占總點數的95%為例，求得條帶寬度c。

圖4 條帶與垂直直線分割

為獲得更好地分割及相干斑抑制效果，對條帶外的像素點作中值濾波處理[4]。中值濾波法是一種非線性平滑技術，它用某一像素點周圍鄰域空間的所有像素灰度的中值來代替該像素，在去除噪聲的同時，可以保留圖像的邊緣信息。

在一維形式下，設輸入序列為{xi,i∈I}，則中值濾波后輸出為yi=Med{xi}。在二維圖像中，中值濾波器的窗口為方形，近似圓形或十字形。本文選取以條帶外的點對應的原圖像的像素點為中心5×5的方形窗口為例，選取該窗口內的像素的中值，用這個中值來代替該像素點的灰度。

對條帶外的點進行濾波后，該區域的點將會向對角線接近。隨后在條帶內選擇一條垂直直線對圖像進行分割，該直線橫坐標μ為整幅圖像灰度的均值，將大于該閾值的像素視為建筑物等人造目標，并進行硬限幅處理，減少建筑等強散射點的強度以減小邊緣強度，為后續處理做準備。圖5是預處理后的SAR圖像，有效抑制了建筑物等強散射點以及相干斑，保留了邊緣信息。

圖5 預處理后的SAR圖像

2 利用ROEWA算子對SAR圖像邊緣檢測

SAR圖像不同于光學圖像，受相干斑的影響嚴重。由于相干斑噪聲的隨機特性，基于單邊緣的算子已經不再適用。雖然上文已經對待檢測圖像進行了相干斑的抑制，在一定程度上克服了相干斑造成的多邊緣效應，但為了獲得更好的效果，仍舊需要采用適合于SAR圖像的多邊緣檢測算子。

由Fjortoft等人提出的ROEWA算子[5]，本質上是一種基于線性最小均方誤差的指數平滑濾波器，使用這種濾波器計算出的均值不是算術均值，而是根據經過指數加權處理后的均值。該算子采用多邊緣模型，并且具有恒虛警特性，因此適合于SAR圖像的邊緣檢測。

一維情形下，該濾波器的表達式為

在離散情況下，f(x)可以通過一個因果濾波器f1(n)和一個非因果濾波器f2(n)實現：

其中，0

因此，該濾波器在離散情況下通過下式實現：

其中，c=(1-b)(1+b)。

輸入圖像序列e(n)與濾波器f1(n)與f2(n)卷積s1(n)、s2(n)可用如下的簡單迭代表達式求得：

為計算點(x,y)在水平方向指數加權均值比rXmax(x,y)，首先在垂直方向用f與圖像I(x,y)卷積濾波，然后在水平方向分別用因果濾波器f1(n)和非因果濾波器f2(n)進行卷積濾波，并將結果代入上式：

同理可得到rYmax(x,y)：

則點(x,y)的邊緣強度為

對進行預處理后的SAR圖像進行ROEWA算子邊緣檢測，得到邊緣強度圖。在得到邊緣強度圖后，對邊緣強度圖進行二值分割如圖6所示。

圖6 邊緣檢測結果

3 利用數學形態學增強邊緣特征

在得到二值邊緣后，邊緣圖像中有許多孤立亮點，并且邊緣存在斷裂以及特征不明顯的情況，本文利用數學形態學運算來對邊緣檢測結果做進一步處理，去除孤立亮點，并增強水域邊緣特征。

數學形態學在數字圖像處理具有廣泛應用。其利用具有一定形態的結構元素去度量或提取圖像中的對應形狀以實現圖像中特定目標的識別或分析[6]。

數學形態學運算的基本運算為膨化和腐蝕，定義如下，其中E為待處理圖像，B為結構元素：

膨化：E⊕B={(x,y)∶B(x,y)∩E≠Φ}

腐蝕：E!B={(x,y)∶B(x,y)?E}

膨化即把結構元素B平移(x,y)后使B與E的交集非空的所有點構成的集合，而腐蝕即把結構元素B平移(x,y)后B包含于E的所有點構成的集合。通常結構元素選擇元素為1的方陣：

本文利用Matlab提供的數學形態學族函數bwmorph對二值邊緣圖做數學形態學運算[7-8]。

BW2=bwmorph(BW1,operation,n)

其中參數operation為對二值圖像的形態學操作，包括dilate腐蝕運算，erode膨化運算，clean清除孤立亮點等，參數n為對其操作的次數。本文首先對二值邊緣圖像做腐蝕運算消除毛刺等，再清除孤立亮點，最后做膨化運算增強邊緣特征。

經過數學形態學處理得到最終邊緣檢測結果如圖7所示，沒有進行預處理而直接進行邊緣檢測的結果如圖8。

圖7 數學形態學處理結果

圖8 直接邊緣檢測結果

4 結論

本文研究了復雜場景下的SAR圖像水域邊緣特征提取方法，該方法有效解決了當SAR圖像中同時存在水域、建筑等多種地物時水域邊緣檢測出現的虛警問題。該方法在ROEWA算子邊緣檢測前對SAR圖像構建二維灰度直方圖進行預處理，抑制建筑物等強散射點及相干斑噪聲，擴大了邊緣檢測算法的適用場景。通過實驗驗證，與未進行預處理而直接進行邊緣檢測的結果相比，該方法可以有效抑制建筑物等邊緣。

[1] 侯彪,胡育輝,焦李成.SAR圖像水域的改進Shearlet邊緣檢測[J].中國圖象圖形學報,2010,15(10):1549-1554.

[2] 王國軍,張風麗,徐旭,等.幾何模型約束的SAR圖像建筑物提取[J].紅外與毫米波學報,2013,32(5):444-449..

[3] 朱俊,王世唏,計科峰,等.一種適用于SAR圖像的二維Otsu改進算法[J].中國圖象圖形學報,2009,14(1):14-18.

[4] 劉珩.SAR圖像去噪方法研究[D].蘇州：蘇州大學,2013.

[5] FJORTOFT R,MARTHON P,LOPES A,et al.Multiedge Detection in SAR Images[C]//IEEE International Conference on Acoustics,Speech,and Signal Processing.IEEE Computer Society,1997:2761.

[6] 陳立福,文俊,肖紅光,等.一種融合MRF分割與數學形態學的道路提取算法[J].中國空間科學技術,2015,35(2):17-24.

[7] 楊文海． 應用星載 SAR輻射的定標算法[J].重慶理工大學學報(自然科學)，2014(1)：75-79.

[8] 潘建平,鄔明權.基于數學形態學的道路提取[J].計算機工程與應用,2008,44(11):232-233.

(責任編輯 楊繼森)

Water Area Edge Extraction of SAR Images in Complex Scene

WU Xua， YE Weib

(a.Department of Graduate Management; b. Department of Information Equipment,Academy of Equipment, Beijing 101416, China)

The water area of synthetic aperture radar (SAR) images have very high remote sensing and geographical application value. Aiming at the speckle and strong scattering in SAR images, the edge feature extraction method of the SAR image in the complex scene is proposed. This method prepares the SAR image by constructing a two-dimensional histogram of the SAR image, which suppresses the influence of the speckle noise. Based on the different scattering characteristics between the man-made objects and the water area in the SAR image, strong scattering points are suppressed. The results show that the method can effectively reduce the interference of the strong scattering points and the speckle of man-made objects such as buildings.

synthetic aperture radar(SAR) image; 2-D gray histogram; image segmentation; despeckling; edge detection; ROEWA operator

2017-03-11；

2017-04-10

吳戌(1992—)，男，碩士研究生，主要從事雷達圖像處理研究。

葉偉(1969—)，男，博士，教授，主要從事空間信息處理研究。

10.11809/scbgxb2017.08.029

format:WU Xu，YE Wei.Water Area Edge Extraction of SAR Images in Complex Scene[J].Journal of Ordnance Equipment Engineering,2017(8):136-139.

TN957.52

A

2096-2304(2017)08-0136-04

本文引用格式：吳戌,葉偉.復雜場景下的SAR圖像水域邊緣特征提取[J].兵器裝備工程學報，2017(8):136-139.