1、与光学图像相比，SAR 图像视觉可读性较差，并且受到相干斑噪声及阴影、透视收缩、迎坡缩短、顶底倒置等几何特征的影响。因此对 SAR 雷达图像的图像增强与边缘检测将有别于一般的光学图像。首先，图像增强技术是指按特定的需要突出一幅图像中的某些信息，同时削弱或去除某些不需要的信息，它是一种将原来不清晰的图像变得清晰或强调某些感兴趣的特征，抑制不感兴趣的特征，使之改善图像质量，丰富信息量，加强图像判读和识别效果的图像处理方法。从纯技术上讲，图像技术分为频域处理法和空域处理法。空域图像增强是直接对图像中的像素进行处理，基本上是以灰度影射变化为基础的，所用的影射变换取决于增强的目的。具体来说，空域法包括点
2、运算和模板处理，其中点运算时针对每个像素点进行处理的，与周围的像素点无关。空域增强方法大致分为 3 种，它们分别是用于扩展对比度的灰度变换、清除噪声的各种平滑方法和增强边缘的各种锐化技术。灰度变换主要利用点运算来修改图像像素的灰度， 是一种基于图像变换的操作； 而平滑和锐化都是利用模板来修改像素灰度，是基于图像滤波的操作。频域处理法的基础是卷积定理。传统的频域法是将需要增强的图像进行傅里叶变换或者离散余弦变换，或者是小波变换，然后将其 与一个转移函数相乘，再将结果进行反变换得到增强的图像。在空域图像增强中，形态学的基本思想是使用具有一定形态的结构元素度量和提取图像中的对应形状， 从而达到图像进
3、行分析和识别的目的，利用不同的数学形态学变换滤波方法在对 S AR 图像直接进行平滑滤波的应用中取得较好的结果。算法简单， 物理意义明显 。形态学的基本思想是使用具有一定形态的结构元素度量和提取图像中的对应形状， 从而达到图像进行分析和识别 的目的。由于形态学算子实质上是表达物体或形状的集合与结构元素之间的相互作用， 结构元素的形态就决定了这种运算所提取的信号的形态信息 。 因此数学形态学对信号的处理具有直观上的简单性和数学上的严谨性，在描述信号形态特征上具有独特的优势。同时，形态学中的形态滤波器可借助于先验的几何特征信息，利用形态学算子有效地滤除噪声，又保留图像中的原有信息。因此在图像平滑滤
4、波、分割、识别、形状描述等方面得到了广泛的应用，它最显著的特点是直接处理图像表面的几何形状， 具有快速、 健壮和精确的特性。本文将开运算和闭运算的另外一种组合方法 交替顺序滤波运用到 s AR 图像增强处理 中。它是用一系列不断增大的结构元 素来执行 开闭滤 波。具体过程如下 ：本文开始使用的是一个 2 2 较小的结构元素， 然后增加其大小，直到其大小与获得单个开闭滤波器最佳 效果所用 的 3 3 结构元素的大小相同为止。在频域图像增强中，小波变换的时域与频域是具有多分辨率的时频分析方法，我们可以利用它的这个特性来对信号做高通滤波和低通滤波，得到原始信号的逼近信号和细节信号。对一幅图像 sar
5、 进行基于小波变换的增强处理，主要步骤：1、对图像用 mallat 快速算法进行小波分解；2、选取增强系数； 3、对处理后的小波系数进行小波逆变换，得到增强图像。多尺度积用于图像边缘检测。但小波变换各向同性的性质导致方向选择性差，不能有效地捕捉轮廓信息。其次图像边缘检测 边缘的种类分为两种，一种为阶跃性边缘，它两边的像素的灰度值有着显著的不同；另一种成为屋顶状边缘，它位于灰度值从增加到减少的变化转折点。边缘特征提取的常用方法有 Sobel 算子和 Cannny 算子，其中 canny 算子对高斯加性噪声有一定的抑制作用，提取的边缘方向和位置信息比较准确，但是 SAR 的噪声为 Gamma 分布
6、的乘性噪声，canny 算子的边缘检测容易产生大量错误和虚假检测结果。常用的边缘检测算子有梯度算子，拉普拉斯高斯算子，和 CANNY 算子。梯度算子是一阶导数算子，算子运算时采取类似卷积的方式，将模板在图像上移动并在每个位置计算对应中心像素的梯度值，所得的结果是一副梯度图，比较常见的有 Roberts 算子，Prewitt 算子，Sobel 算子。Roberts 算子是一种利用局部差分算子寻找边缘的算子，计算简单，对噪声很敏感。Sobel 算子有两个卷积核，主要针对阶跃边缘。拉普拉斯高斯算子（LOG）是一种二阶边缘检测算法。通过寻找图像灰度值中的二阶微分过零点，来检测边缘点。 ，是一个线性移不
7、变算子，它的传递函数在频域空间的原点是零，因此经拉普拉斯滤波过的图像具有零平均值。Canny 边缘检测算子利用高斯函数的一阶微分，在噪声抑制和边缘检测之间寻求较好的平衡，表达式近似于高斯函数的一阶导数。Canny 边缘检测算子对受加性噪声影响的边缘检测时较优的。Radon 变换和 Hough 变换是直线边缘检测的经典算法，但是运算量较大，另外还有一些方法就是组合使用各算法。R a t i o s 算子具有较高的检测率， 但是 R a t i o s 算子的定位精度较差，主要表现在实际边缘点附近总存在一定的错检， 难以判别真实边缘的位置， 运用针对 R a t i o s 算法漏检 的改进算法，
8、可得到稳定、可靠的实验结果。 Ra t i o s 方法利用的是相邻区域的强度均值 ，因此降低了 由于斑点噪声引起的单个像素的强度波动，获得比较可靠的边缘结果。SA R 图像中含有大量相干斑乘性噪声， 很难区分出弱小的边缘和噪声。本文分析了在 N S c T 域边缘和噪声对应的系数规律，与小波变换类似，对图像进行 N s c T 变换，高频子带边缘信息和噪声对应的系数都具有较大的值。但随着尺度的增加， 边缘信息的系数也增大，而噪声信息的系数衰减得很快。这样边缘信息的系数乘积结果会成倍增加而噪声信息的系数会成倍减少，且 N s c T 变换具有良好的方向滤波性，分别在不同尺度的相同位置和方向的系
9、数相乘，从而可以增强边缘特征且抑制噪声。由此，本文提出基于 N s c T 的多尺度积的 s A R 图像的目标检测算法，根据各个不同方向的高频子图信噪比最大来自动地选取阈值 ， 可以有效地区分出噪声点和边缘点。图像分割：SAR 图像分割技术已经取得了一些研究成果，常用的方法有基于直方图的最值分割算法、基于边缘检测的算法、基于纹理特征分割的算法，还有的是基于灰度信息的分割方法；在割裂分割中，基于算子的特征计算较为简单，但大多数方法抗噪声能力差；基于统计的特征计算量大、分割精度差，同样受到噪声的影响。描述纹理的特征很多，但目前还没有提出一种纹理特征可以描述所有纹理。实际中针对不同的应用寻找合适的
10、某纹理的特征，由此得到满意的分割时切实可行的。 ；分型模型使用范围较小，只在个别分辨率下有分割纹理的能力，分数维门限值确定困难，分割精度差。基于随机场的模型对大尺寸、灰度较多的图像分割计算量是很大的；多分辨率小波的纹理特征具有先天的缺点（逐点采样造成的纹理信息不全） ，很难得到稳定的纹理特征，并且计算量较大；结构法仅适合规则纹理。聚类分割法根据某个聚类准则划分区域属性所在的特征空间，使得每类区域中的属性特征值只落在一个划分空间中，从而可按其属性特征值所在的划分空间标记其所的区域类型。区域增长法和分开合并法都属于局部分割法。区域增长法从像元出发，研究像元的相似性，将具有足够相似程度的相邻像元连接
11、起来。分开合并法 14 刀是对区域增长法的改进，它考虑到基于像素级融合的计算代价及可能存在的初始分。害 U，对图像建立四分树或金字塔结构，从其中的某一层开始，利用相似性准则，满足相似性准则的相邻块加以合并，对应该进一步划分的块进行切分。选择不同的相似性准则可以获得不同的分割结果。现有的 SAR 图像分割算法有应用数据挖掘的海冰分割算法；非监督的基于播送分布的分割算法；优化的边缘检测分割算法；最大似然区域增长分割算法和模拟退火分割算法的组合算法；应用不完全分层马尔科夫随机场图像模型对 SAR 图像进行分割的算法等，这些算法有的是有针对性的，有的是基于几何条件的， 纹理分割是基于特征的。描述纹理的
12、特征很多，但目前还没有提出一种纹理特征可以描述所有纹理。实际中针对不同的应用寻找合适的某纹理的特征，由此得到满意的分割时切实可行的。 ；分型模型使用范围较小，只在个别分辨率下有分割纹理的能力，分数维门限值确定困难，分割精度差。基于随机场的模型对大尺寸、灰度较多的图像分割计算量是很大的；多分辨率小波的纹理特征具有先天的缺点（逐点采样造成的纹理信息不全） ，很难得到稳定的纹理特征，并且计算量较大；结构法仅适合规则纹理。 图像阈值分割本质上是利用阈值将图像中不同区域内像素间的相关性，而非各区域的边缘。相对于二维直方图，阈值分割技术最关心的是在对角线附件的概率分布。而远离对角线附近的一方面概率几乎为零
13、另一方面对阈值分割方法本身的贡献较小，计算时完全可以忽略；马尔科夫随机场模型可以很好的描述相邻像素之间的信息，该模型还可以与某其他模型结合进行图像黑醋栗，免疫算法是借鉴生命科学中免疫的概念和理论提出的一种优化算法，它继承了遗传算法的优越性，其避免了优化过程中的退化现象。空间矩阵描述了不同区域间的相邻概念，空间矩阵描述了两类之间以及异类之间在空间上的相邻概率，SAR 图像轮廓清晰，不同形状和物理特征的目标呈现出不同的灰度和纹理特征。即 SAR 图像有同类像素的相邻概率大于异类像素的相邻概率的特点。与光学图像相比，SRA 图像视觉可读性较差，并且受到相干斑噪声及阴影、透视收缩、迎坡缩短、顶底倒置等
14、几何特征的影响，边缘特征提取的常用方法有 Sobel 算子和 Cannny 算子，其中 canny 算子对高斯加性噪声有一定的抑制作用，提取的边缘方向和位置信息比较准确，但是 SAR 的噪声为 Gamma 分布的乘性噪声，canny 算子的边缘检测容易产生大量错误和虚假检测结果。Touzi 等人提出了 Rtio 算子虽然对受到 Gamma 分布的乘性噪声干扰的 SArt 图像是衡虚警的，但是只能提供边缘的大致方向，因此不能直接用于直线边缘的检测。Radon 变换和 Hough 变换是直线边缘检测的经典算法，但是运算量较大，另外还有一些方法就是组合使用各算法。图像分割的方法主要有阈值法、边缘检测
15、发、区域跟踪法、统计学分割法，聚类分割法其中阈值法是最常用的方法，通过最大化类间方差之比类选择门限。Nakagawa 和Rosenfeld 假设目标元素和背景像元均服从正态分布，但二者的均值和方差不同，在此前提下，他们通过最小化总体错误分类的概率来选择门限。Kapur 等人提出了最佳熵阈值方法，此方法不需要先验知识，而且对于非理想双峰直方图的图像也可以进行较好的分割。但是此方法在进行阈值确定时，特别是确定多阈值时计算量是很大的。作为一种新的全局优化搜索算法，遗传算法具有强鲁棒性、自适应性和并行性等显著特点。但是 SAR 图像包含有相干斑噪声，传统方法不能很好对其进行分割。SAR 图像的噪声抑制
16、方法可分为基于统计意义的空域滤波方法和频域滤波方法，经典的空域滤波方法有 Lee,Kuan、Gamma_MAP 等滤波算法；频域处理方法有小波变换，可以较好的保留了图像的结构信息。边缘检测：边缘的种类分为两种，一种为阶跃性边缘，它两边的像素的灰度值有着显著的不同；另一种成为屋顶状边缘，它位于灰度值从增加到减少的变化转折点。基于 canny 算子方向的基于改进的 ratio 算子的边缘检测方法，应用于 SAR 图像中获得了良好的检测效果；常用的边缘检测算子有梯度算子，拉普拉斯高斯算子，和 CANNY 算子。梯度算子是一阶导数算子，算子运算时采取类似卷积的方式，将模板在图像上移动并在每个位置计算对
17、应中心像素的梯度值，所得的结果是一副梯度图，比较常见的有 Roberts 算子，Prewitt 算子，Sobel 算子。Roberts 算子是一种利用局部差分算子寻找边缘的算子，计算简单，对噪声很敏感。Sobel 算子有两个卷积核，主要针对阶跃边缘。拉普拉斯高斯算子（LOG）是一种二阶边缘检测算法。通过寻找图像灰度值中的二阶微分过零点，来检测边缘点。 ，是一个线性移不变算子，它的传递函数在频域空间的原点是零，因此经拉普拉斯滤波过的图像具有零平均值。Canny 边缘检测算子利用高斯函数的一阶微分，在噪声抑制和边缘检测之间寻求较好的平衡，表达式近似于高斯函数的一阶导数。Canny 边缘检测算子对受
18、加性噪声影响的边缘检测时较优的。针对 SAR 图像中所特有的相干乘性噪声(speckle)，摒弃传统的图像边缘提算子，采用了一系列假设检验的边缘提取算子，取得了较为理想的结果。应用 Ratin 算法团一 391 进行边缘检测时，首先在图像上移动的检测窗中，取某象素点为待检测点，对于沿某一特定方向过该点的直线，计算窗口内两侧不重区域的各自样本均值 ul、u:( 注:假设图像数据均为 32bit 强度值，若实际数为 16 一 hit 幅度值，则应求其平方均值) 。一般取检测窗中心点以保证两区域点相等，可设各区域内象素点数均为 N。再求两样本均值 ul、u，之比 R:由于 r 仅与两区域均值之比有关
19、，而与均值大小无关，故可用一全局闭与 r 值比较，当 ;T 时即认为该点为边缘点。考虑到边缘的不同取向，对每一个点按图 4.4所示的四个方向各作一次检测，保留 r 值最小的结果。为了以较低的计算量得到有效的边缘检测，在检测图像中使用一个固定的阂值，但是在原有的 Ratio 算子的四个方向上，再添加八个平直一倾斜方向，闭值分割方法就是，简单地用一个或几个闭值将图像的灰度直方图分成几个类，认为图像中灰度值在同一灰度类内的像素属于同一类物体。最佳闭值法一般基于某种准则对图像的直方图进行分析获得，如峰谷法、类别方差自动门限法和最佳嫡门限法等。2.聚类分割法根据某个聚类准则划分区域属性所在的特征空间，使
20、得每类区域中的属性征值只落在一个划分空间中，从而可按其属性特征值所在的划分空间标记其所的区域类型3.统计学分割法可以认为观测到的图像是实际物体做了某种变换并加了噪声的结果，由下式表示:G 一*(H(I)N(5 一)其中 I 表示实际物体， H 为模糊算子，切表示非线性变换，N 表示噪声，表示加入噪声的形式，可以是加性噪声或者乘性噪声。由 5 一 1 式可知从 I 得到 G 是唯一，的反过来要从 G 得到 I 却没有唯一解。统计学的分割方法，就是认为图像中各像素点的灰度值是具有一定概率分布的随机变量，要从观察到的图像中恢复物体或正确分割观测图像，由 Bayes 定理可知，就是要求出具有最大后验概
21、率的实际图像的估计。4.区域增长法和分开合并法区域增长法和分开合并法都属于局部分割法。区域增长法从像元出发，研究像元的相似性，将具有足够相似程度的相邻像元连接起来。分开合并法 14 刀是对区域增长法的改进，它考虑到基于像素级融合的计算代价及可能存在的初始分害 U，对图像建立四分树或金字塔结构，从其中的某一层开始，利用相似性准则，满足相似性准则的相邻块加以合并，对应该进一步划分的块进行切分。选择不同的相似性准则可以获得不同的分割结果。分割算法：结合上面的介绍，我们给出具体的基于 t 一混合模型和贪婪 EM 的 SA 卫图像分割算法步骤如下:(1)对输入的 SAR 图像进行灰度、均值、标准差、高阶
22、矩、纹理等特征的提取，得到 N 维综合特征矢量(维数 N 根据不同的 SAR 图像来决定，一般在 4 一 10 之间，本文 N 为 5);(2)采用多元 t 一混合模型对提取的 SAR 图像特征进行建模;(3)利用贪婪 EM 算法，计算估计参数。 ，得到每个像素属于各类别的后验概率;(4)SAR 图像分割:根据贝叶斯最小错误率准则对图像进行标记，如果:夕，二 argmaxa*P*(x，; 月* ，叉*)(5 一 42)那么就认为观测样本 x对应的像素就属于 y，即第 k 类，标记为 ko 这样通过上述几步就可以把 SAR 图像的各个像素划分到其所属的类别，达到图像分割的目的。本文将基于稳健 t
23、 一混合建模的贪婪 EM 算法的分割方法应用于 SA 丑图像中取得了较好的分割效果。 该方法:易于参数初始化、产生的混合模型序列便于模型选择，不受局部最优所困。因为 t 混合模型的稳健性该文的分割方法能有效地融合灰度、均值、标准差、高阶矩、纹理等特征。综合上面的多幅 SAR 图像分割实验可知，该贪婪 EM 算法能得到较好的目标分割结果，有效地抑制 SAR 图像中的斑点噪声，具有较好的鲁棒性，并且可以在整个搜索空间内快速寻优，具有一定的实用价值，是一种有效的 SAR 图像分割方法边缘检测：R a t i o s 算子具有较高的检测率， 但是 R a t i o s 算子的定位 精度较差，主要表现
24、在实际边缘点附近总存在一定的错 检， 难以判别真实边缘的位置， 运用针对 R a t i o s 算法漏检 的改进算法， 可得到稳定、 可靠的实验结果。 Ra t i o s 方法利用的是相邻区域的强度均值 ，因此降低了 由于斑点噪声引起的单个像素的强度波动，获得比较可 靠的边缘结果。空域图像增强是直接对图像中的像素进行处理，基本上是以灰度影射变化为基础的，所用的影射变换取决于增强的目的。具体来说，空域法包括点运算和模板处理，其中点运算时针对每个像素点进行处理的，与周围的像素点无关。频域处理法的基础是卷积定理。传统的频域法是将需要增强的图像进行傅里叶变换或者离散余弦变换，或者是小波变换，然后将
25、其 与一个转移函数相乘，再将结果进行反变换得到增强的图像，小波变换的时域与频域是具有多分辨率的时频分析方法，我们可以利用它的这个特性来对信号做高通滤波和低通滤波，得到原始信号的逼近信号和细节信号。对一幅图像 sar 进行基于小波变换的增强处理，主要步骤：1、对图像用 mallat 快速算法进行小波分解； 2、选取增强系数；3、对处理后的小波系数进行小波逆变换，得到增强图像。多尺度积用于图像边缘检测。但小波变换各向同性的性质导致方向选择性差， 不能有效地捕捉轮廓信息， 。s A R 图像中含有大量相干斑乘性噪声， 很难区分出弱小 的边缘和噪声。本文分析了在 N S c T 域边缘和噪声对应的系
26、数规律， 与小波变换类似， 对图像进行 N s c T 变换， 高频子带 边缘信息和噪声对应的系数都具有较大的值。但随着尺度的 增加， 边缘信息的系数也增大， 而噪声信息的系数衰减得很 快。这样边缘信息的系数乘积结果会成倍增加而噪声信息的 系数会成倍减少， 且 N s c T 变换具有良好的方向滤波性， 分别 在不同尺度的相同位置和方向的系数相乘， 从而可以增强边 缘特征且抑制噪声。由此， 本文提出基于 N s c T 的多尺度积 的 s A R 图像的目标检测算法 ， 根据各个不同方向的高频子图 信噪比最大来自动地选取阈值 ， 可以有效地区分出噪声点和 边缘点。 。N s c T 由非采样金 字塔滤波器组和非采样方向滤波器组构成， 克服了平移不变 性且变换后的每个子图都与原图大小保持一致， 。进行多层 N s c T 域的多尺度 积， 可以达到增强边缘信息且有效抑制 s A R 乘性噪声 的效 果， 边缘点系数会增大， 而噪声点系数会很快衰减。在对分解层的选择上， 实验证明选择 5 尺度最合适 ， 既能抑制噪声且保 持图像中小 目标。
