CN103530636A - 一种基于Snakes模型的提取SAR图像目标轮廓方法 - Google Patents

Abstract

一种基于Snakes模型的提取SAR图像目标轮廓方法，包括以下步骤：基于斑点噪声模型，利用图像局部统计特性，选择一个窗口作为局部区域，使用Lee滤波法进行滤波；对杂波抑制后的图像的每个像素进行逐点运算，使用分段线性灰度变换法对图像进行灰度变换；对上述经过灰度变换后的图像，利用轮廓自身特征和图像特征建立能量函数，并通过求解能量函数极小化问题，得到目标轮廓曲线。该发明适合在各种杂波环境，特别是强杂波环境下检测人造目标的轮廓。

Description

一种基于Snakes模型的提取SAR图像目标轮廓方法

技术领域

本发明属于SAR图像处理领域，涉及一种基于Snakes模型的提取SAR图像目标轮廓方法。

背景技术

合成孔径雷达（Synthetic Aperture Radar，SAR）本身是一种利用微波感知的主动式传感器，它不受天气、光照等条件限制，可对感兴趣目标进行全天候、全天时的侦察；此外，由于微波具有一定的穿透探测能力，可以探测到一定深度地表下的或是其他经过伪装或掩盖的目标，这使得SAR在目标探测方面具有巨大的应用潜力。

经过SAR图像目标检测之后，我们可得到图中有意义目标的数目等初步信息，但要知道图像中目标的类别并识别具体目标名称，就需要得到具体的形状、尺寸等进一步信息，这就要对目标轮廓进行自动提取，而目标轮廓提取的关键是检测目标的边缘。由于局部像素灰度值不连续所以产生了图像的边缘，这在图像分析过程中作用非常重要。在光学图像的处理中，常用图像像素灰度的一阶或二阶导数来进行图像分割，这些边缘检测算子在对光学图像进行处理时，对具有尖锐的中灰度值过渡、加性噪声且较小的图像具有较好的检测效果。而SAR图像中，存在着由于严重的乘性相干斑噪声导致的图像边缘模糊、复杂，使得这些经典算子在应用于SAR图像提取边缘时，很难得到令人满意的效果。

发明内容

本发明的要解决的技术问题是：提供一种基于Snakes模型的提取SAR图像目标轮廓方法，该方法利用Lee滤波方法对SAR原始图像进行滤波，达到降噪的目的；使用灰度级变换提高边缘对比度，使模糊的SAR图像边缘变得清晰；使用气球力Snakes进行目标轮廓识别。

本发明的解决其技术问题所采用的技术方案为：在对SAR原始图像进行滤波和灰度变换之后，利用改进的Snakes模型提取目标轮廓，从而在大场景中检测出人造目标的轮廓，其具体步骤如下：

（1）基于斑点噪声模型，利用图像局部统计特性，选择一个窗口作为局部区域，使用Lee滤波法进行滤波；

（2）对杂波抑制后的图像的每个像素进行逐点运算，使用分段线性灰度变换法对图像进行灰度变换；

（3）对上述经过灰度变换后的图像，利用轮廓自身特征和图像特征建立能量函数，并通过求解能量函数极小化问题，得到目标轮廓曲线。

本发明与现有技术相比的优点在于：当直接对原始SAR图像进行轮廓提取，得到图2中的结果。这是因为SAR图像存在严重的相干斑噪声和边缘模糊，Snakes轮廓曲线在各种参数下均无法准确收敛轮廓。较之于对原始SAR图像进行轮廓提取的方法，本发明在轮廓提取之前，首先对SAR原始图像使用Lee滤波的方法进行滤波，并使用灰度级变换以提高边缘对比度。最后，较之于使用原始Snakes模型提取目标轮廓，本发明对经过处理之后的SAR图像使用气球力Snakes模型进行轮廓提取，得到更加精确、合理的轮廓曲线。

附图说明

图1基于Snakes模型的提取SAR图像目标轮廓方法的流程图；

图2使用气球力Snakes模型直接对SAR原始图像进行轮廓提取的效果；

其中：a为原始图像；b进行轮廓提取的结果图；

图3Lee滤波器设计流程图；

图4对实例进行滤波、灰度变换和轮廓提取的效果图；

其中：a为原始图像；b为Lee滤波后结果图；c为灰度变换后的结果图；d轮廓提取结果图。

具体实施方式

下面结合附图及具体实施方式详细介绍本发明。

如图1所示，本发明的基于Snakes模型的提取SAR图像目标轮廓方法的具体实施步骤如下：

（1）、根据输入的SAR待测图像，使用Lee滤波的方法进行滤波。SAR相干噪声是一种乘性噪声，即有：(k,l)是图像像素的坐标，I(k,l)是实际得到的图强强度（含有噪声），x(k,l)是一个平稳随机过程，描述了地面目标的雷达散射特性即原始信号，v(k,l)即为相干斑噪声，它是一个均值为1，方差为

的平稳白噪声。乘性相干斑模型如下：

y(k,l)=x(k,l)v(k,l)    (1)

E(v)＝1    (2)

$\mathrm{Var}\left(v\right)={\mathrm{\σ}}_v^2---\left(3\right)$

Lee滤波是利用图像局部统计特性进行SAR图像斑点滤波的典型方法之一，其是基于完全发育的斑点噪声模型，选择一定长度的窗口作为局部区域，使用局部均值和局部方差var(y)来估计信号的先验均值和方差。根据乘性噪声模型，假定先验均值和方差可以通过计算局域的均值和方差得到。Lee滤波器的形式是：

$\hat{x}=\stackrel{\‾}{y}+b(y-\stackrel{\‾}{y})---\left(4\right)$

其中，

为经过Lee滤波器滤波后的图像， $b=\frac{\mathrm{var}\left(x\right)}{\mathrm{var}\left(y\right)},$ $\mathrm{var}\left(x\right)=\frac{\mathrm{var}\left(y\right)-{{\mathrm{\σ}}_v}^2{\stackrel{\‾}{y}}^2}{1+{{\mathrm{\σ}}_v}^2},$ ${{\mathrm{\σ}}_v}^2=\frac{1}{N},$

表示窗口的局部均值，var(y)表示窗口的局部方差。式(4)表示，在均匀区域，即var(x)＝0，滤波后的像素值

（窗口内像素的平均值）；对于高反差区域，var(x)较大，

（像素本身的值）。

Lee滤波器设计流程图如图3。具体处理如下：

1）读取长宽比为的m×n图像数据矩阵，得到<x_kl>_m×n；

2）设待滤波的像素点位置是(i,j)，在其周围设定7×7的滑动窗口<u_ij>_7×7，并计算窗口的局部均值和窗口的局部方差var(y)；

3）代入Lee滤波公式，输出滤波结果，并继续对下一像素点进行滤波。

对如图4中的(a)所示的T72坦克原始SAR图像，使用Lee滤波方法对图像进行滤波，可得到如图4中(b)所示的滤波结果。

（2）、使用灰度级变换，提高边缘对比度，使模糊的SAR图像边缘变得清晰。灰度级变换不依赖于像素在图像中的位置，而是逐个像素点进行条件判断和幅度调整。设原图像像素的灰度值D＝f(x,y)，处理后图像像素的灰度值D'＝g(x,y)，则灰度增强可表示为：

g(x,y)＝T(f(x,y))    (5)

使用分段线性灰度变换法对图像进行灰度变换，其变换函数表达式是：

$T\left(r\right)=\left\{\begin{array}{cc}\frac{s_1}{r_1}r& r<r_1\\ \frac{s_2-s_1}{r_2-r_1}(r-r_1)& r_1\&le;r\&le;r_2\\ \frac{255-s_2}{255-r_2}(r-r_2)& r>r_2\end{array}\right.---\left(6\right)$

r表示原始灰度值，r₁和r₂表示设定的一个阈值，变换函数的运算结果是将原图在r₁和r₂之间的灰度拉伸到s₁和s₂之间，有效地改善输出图像。对图4中的(b)进行灰度级变换，结果如图4中(c)所示，可见经过灰度变换之后物体轮廓与周围背景对比更加明显，有利于下一步进行轮廓提取，得到更加精确地结果。

（3）、使用Cohen提出的气球力Snakes模型进行目标轮廓识别，得到最终的输出结果。Snakes模型的初始轮廓曲线由一系列控制点v(s)＝[x(s),y(s)]，s∈(0,1)组成。这些点首尾以直线相连构成轮廓线，其中x(s)和y(s)分别表示每个控制点在图像中的坐标位置，s是以傅立叶变换形式描述边界的自变量。在Snakes控制点上定义能量函数为：

$E_{\mathrm{snake}}=\underset{0}{\overset{1}{\&Integral;}}\left\{\frac{1}{2}\right[\mathrm{\&alpha;}\left(s\right)|v^{\&prime;}\left(s\right){|}^2+\mathrm{\&beta;}\left(s\right)|v^{\&prime;\&prime;}\left(s\right){|}^2]+E_{\mathrm{ext}}\left(v\left(s\right)\right)\}\mathrm{ds}---\left(7\right)$

其中，s是以傅里叶变换形式描述边界的自变量。能量函数的第一项是一阶导数，为弹性能量，控制轮廓曲线的连续性；第二项是二阶导数，为刚性能量，它控制轮廓曲线的光滑性。一阶导数和二阶导数项构成了能量函数中的内部能量E_int，控制轮廓曲线的收缩与弯曲。E_ext为外部能量项，由图像能量和约束能量组成，引导轮廓曲线向目标边缘处运动。当能量函数最小时，轮廓曲线为目标边缘的最佳解。由欧拉方程可知，最终问题的答案等价于求解一组差分方程：

-α'v'(s)-(α-β")v"(s)+2β'v"'(s)+βv""(s)＝-▽P(v)    (8)

记外部力F_ext＝-▽P。在气球力Snakes模型中，定义外力（气球力）为：

$F_{\mathrm{ext}}=k_1\stackrel{\&OverBar;}{n}\left(s\right)-k_2\frac{\&dtri;E_{\mathrm{img}}}{\left|\right|\&dtri;E_{\mathrm{img}}\left|\right|}---\left(9\right)$

其中：

▽E_img＝[▽L]²

L＝I(x,y)

是轮廓线上控制点v(s)的单位法向量，▽为梯度算子，k₁是膨胀力的幅值，取正值或者负值就可以使轮廓线具有膨胀或者收缩的行为能力。一般选取k₂略大于k₁，使得边界点刚好可以抵消膨胀力。对式(9)进行迭代求解，即可以得到目标轮廓。对图4中的(c)进行轮廓提取，结果如图4中(d)所示。

本发明说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。

尽管为说明目的公开了本发明的最佳实施例和附图，但是本领域的技术人员可以理解：在不脱离本发明及所附的权利要求的精神和范围内，各种替换、变化和修改都是可能的。因此，本发明所保护的技术方案不应局限于最佳实施例和附图所公开的内容。

Claims (4)

1.一种基于Snakes模型的提取SAR图像目标轮廓方法，其特征在于：包括以下几个步骤：

（1）基于斑点噪声模型，利用图像局部统计特性，选择一个窗口作为局部区域，使用Lee滤波法进行滤波；

（2）对杂波抑制后的图像的每个像素的灰度值进行条件判断和幅度调整，使用分段线性灰度变换法对杂波抑制后的图像进行灰度变换；

（3）利用轮廓自身特征和经过灰度变换后图像的特征建立能量函数，并通过求解能量函数极小化问题，得到目标轮廓曲线。

2.根据权利要求1所述的基于Snakes模型的提取SAR图像目标轮廓方法，其特征在于：所述的步骤（1）中，根据输入的SAR待测图像，使用Lee滤波的方法进行滤波;SAR相干噪声是一种乘性噪声，即有：(k,l)是图像像素的坐标，I(k,l)是实际得到的图强强度,其中含有噪声，x(k,l)是一个平稳随机过程，描述了地面目标的雷达散射特性即原始信号，v(k,l)即为相干斑噪声，它是一个均值为1，方差为

的平稳白噪声;乘性相干斑模型如下：

y(k,l)=x(k,l)v(k,l)

E(v)＝1

$\mathrm{Var}\left(v\right)={\mathrm{\&sigma;}}_v^2$

Lee滤波是利用图像局部统计特性进行SAR图像斑点滤波的方法，其是基于完全发育的斑点噪声模型，选择一定长度的窗口作为局部区域，使用局部均值

和局部方差var(y)来估计信号的先验均值和方差;根据乘性噪声模型，假定先验均值和方差可以通过计算局域的均值和方差得到;Lee滤波器的形式是：

$\hat{x}=\stackrel{\&OverBar;}{y}+b(y-\stackrel{\&OverBar;}{y})$

其中，

为经过Lee滤波器滤波后的图像，

表示窗口的局部均值，var(y)表示窗口的局部方差。

3.根据权利要求1所述的基于Snakes模型的提取SAR图像目标轮廓方法，其特征在于：所述的步骤（2）中，采用如下方式进行灰度变换：

灰度级变换不依赖于像素在图像中的位置，而是逐个像素点进行条件判断和幅度调整;一个变换T，将原来在范围[p₀,p_k]内的亮度p变换为一个新的范围[q₀,q_k]内q的亮度，由下式给出：

q＝T(p)

本发明步骤（2）使用分段线性灰度变换法对杂波抑制后的图像进行灰度变换，其变换函数表达式是：

$T\left(r\right)=\left\{\begin{array}{cc}\frac{s_1}{r_1}r& r<r_1\\ \frac{s_2-s_1}{r_2-r_1}(r-r_1)& r_1\&le;r\&le;r_2\\ \frac{255-s_2}{255-r_2}(r-r_2)& r>r_2\end{array}\right.$

r表示原始灰度值，r₁和r₂表示设定的一个阈值，变换函数的运算结果是将原图在r₁和r₂之间的灰度拉伸到s₁和s₂之间，有效地改善输出图像。

4.根据权利要求1所述的基于Snakes模型的提取SAR图像目标轮廓方法，其特征在于：所述的步骤（3）中，采用Cohen提出的气球力Snakes模型；

Cohen提出的Snakes模型的初始轮廓曲线由一系列控制点v(s)＝[x(s),y(s)]，s∈(0,1)组成，并定义以下能量函数为：

$E_{\mathrm{snake}}=\underset{0}{\overset{1}{\&Integral;}}\left\{\frac{1}{2}\right[\mathrm{\&alpha;}\left(s\right)|v^{\&prime;}\left(s\right){|}^2+\mathrm{\&beta;}\left(s\right)|v^{\&prime;\&prime;}\left(s\right){|}^2]+E_{\mathrm{ext}}\left(v\left(s\right)\right)\}\mathrm{ds}$

其中，s是以傅里叶变换形式描述边界的自变量；能量函数的一阶导数项为弹性能量，控制轮廓曲线的连续性，若仅在弹性能量的作用下轮廓曲线会收缩到一点;二阶导数项为刚性能量，它控制轮廓曲线的光滑性;α(s)为弹性权重系数，控制轮廓的“应力”，能够调节轮廓的收缩力;β(s)为刚性权重系数，控制弹性能量与刚性能量在能量函数中的比重，控制轮廓的刚度;一阶导数和二阶导数项构成了能量函数中的内部能量E_int，控制轮廓曲线的收缩与弯曲;外部能量项为E_ext，由图像能量和约束能量组成，引导轮廓曲线向目标边缘处运动；其中，约束能量一般根据具体问题而定；而图像能量取：

E_ext＝-k(s)|▽I(x,y)|²

其中：I(x,y)为灰度图像，k(s)为权重系数，▽为梯度算子；

当能量函数最小时，轮廓曲线为目标边缘的最佳解；由变分法可知，当上式满足以下欧拉-拉格朗日方程时：

αv"(s)-βv""(s)-▽E_ext＝0

能量函数最小。

Images