改進的ROA算法在SAR圖像邊緣檢測中的應用

盧秀山，閆兆進

(1.山東科技大學 測繪科學與工程學院，山東 青島 266590；2.山東科技大學 海洋工程研究院，山東 青島 266590)

?

改進的ROA算法在SAR圖像邊緣檢測中的應用

盧秀山1,2，閆兆進1

(1.山東科技大學 測繪科學與工程學院，山東 青島 266590；2.山東科技大學 海洋工程研究院，山東 青島 266590)

為解決傳統(tǒng)均值比(ratio of average,ROA)算子檢測SAR(synthetic aperture radar,SAR)圖像邊緣時出現(xiàn)的受噪聲影響大和邊緣定位精度低等問題，結合平穩(wěn)小波變換的優(yōu)點，提出一種平穩(wěn)小波去噪和改進ROA算法的SAR圖像邊緣檢測方法。首先，利用平穩(wěn)小波進行去噪預處理，減少相干斑噪聲。然后，通過把傳統(tǒng)ROA算子的4個檢測方向增加為8個，以及利用非極值抑制進行邊緣定位，在檢測方向和定位精度兩個方面改進ROA算法。實驗結果表明，該方法的去噪性能和邊緣檢測效果較好。研究結論對傳統(tǒng)ROA算法做了改進，使其更好地適用于SAR圖像邊緣檢測。

合成孔徑雷達；邊緣檢測；平穩(wěn)小波變換；均值比算法；相干斑噪聲

合成孔徑雷達(synthetic aperture radar，SAR)[1]屬于高分辨率成像雷達，具有全天候、全天時的特點，可以避免光照強度和天氣條件的影響，被廣泛應用于軍事偵查和民用遙感等領域[2]，其圖像的應用研究已成為該領域的研究熱點。圖像強度或紋理發(fā)生變化的區(qū)域往往形成圖像邊緣[3]，圖像邊緣可以描述目標物的基本結構。因此，研究SAR圖像的邊緣檢測對于SAR圖像的應用具有重要意義。

由于SAR的成像機制為相干成像，導致SAR圖像受乘性相干斑噪聲的干擾[4]，使得SAR圖像邊緣模糊。為了減少SAR圖像的相干斑噪聲，準確完整地獲取圖像邊緣成為國內外學者研究的重點。經過數(shù)十年研究，提出了許多針對SAR圖像邊緣檢測的方法，主要分為3類：①經典的邊緣檢測算法[5-6]，如Roberts算子、Sobel算子、Canny算子等，該類方法具有計算簡單、運行速度快的優(yōu)點，但該類算子只能處理加性噪聲，而SAR圖像還受到乘性噪聲的干擾，導致產生過多與真實邊緣混雜在一起的偽邊緣，準確度較低；②基于假設檢驗的邊緣檢測算法[7-9]，借助數(shù)學檢驗來識別圖像邊緣，盡管在一定程度上減弱了相干斑噪聲的影響，但仍然無法獲取準確的邊緣；③基于多尺度理論的邊緣檢測方法[10-12]，可以獲得不同尺度下的圖像邊緣，但不易提取準確的邊緣。

由于SAR圖像受到相干斑噪聲的影響，導致圖像的解析變得十分困難，為了準確獲取圖像邊緣需要對圖像進行去噪處理。由于小波變換具有多尺度的特點，可以在不同頻段內對信號作不同處理，與斑點噪聲的特征相適應[13]，因此常被用于SAR圖像去噪。但由于小波變換破壞了平移不變性，使得去噪后的圖像邊緣模糊，導致去噪后的SAR圖像往往丟失邊緣信息，因此本文提出基于平穩(wěn)小波的SAR圖像去噪。傳統(tǒng)的ROA算法常被用于SAR圖像邊緣檢測，但難以檢測SAR圖像的細小邊緣并且邊緣定位精度較低，為了提高ROA算法邊緣細節(jié)的檢測效果和定位精度，本文從檢測方向和定位精度兩個方面進行改進。

1 SAR圖像去噪

1.1 平穩(wěn)小波變換原理

平穩(wěn)小波變換通過二維小波變換修正獲得，不再進行二進位采樣[14]，在數(shù)據(jù)卷積之前對高通和低通濾波器進行插值，使得小波系數(shù)和尺度系數(shù)與原始信號等長，減少用小波變換處理時的偽吉布斯現(xiàn)象。平穩(wěn)小波的分解公式為[15]：

(1)

(2)

1.2 基于平穩(wěn)小波變換的SAR圖像去噪方法

由于小波變換在處理圖像時會存在邊緣模糊或失真的問題，因此本文采用具有平移不變性的平穩(wěn)小波變換進行SAR圖像去噪，其去噪方法為：圖像在經過多尺度平穩(wěn)小波變換后，圖像的邊緣和噪聲會表現(xiàn)出不同的特征，邊緣幅值隨著尺度的增加而增加，而噪聲幅值卻相反，因此可以利用這個特征標記出SAR圖像的邊緣點和噪聲點，最后對獲得的邊緣點和噪聲點進行平穩(wěn)小波變換的逆變換就得到去噪后的SAR圖像。

圖1 ROA算子檢測方向Fig.1 ROA operator detection direction

圖2 改進ROA算子的檢測方向Fig.2 Improved ROA operator detecting direction

2 改進的SAR圖像邊緣檢測算法研究

2.1 ROA算法原理

ROA[16]算法通過計算兩相鄰區(qū)域的均值比來判別待定點是否為邊界點。首先確定檢測窗口的大小，取滑動窗口的中心像素點為待檢測點，選取一條經過該點的平分線作為分割線，分別計算兩側面積相等區(qū)域中點的灰度平均值，然后計算兩平均值的比值[17]。比值越靠近1，說明兩灰度平均值越接近，即這兩塊區(qū)域可能屬于同一塊區(qū)域；比值越靠近0，說明兩區(qū)域的差別越大，即待檢測點越可能處于兩鄰域間的邊界上。

針對平分每個區(qū)域分割線的不同方向，按照圖1所示的4個方向對每一點依次進行檢測，記錄下每次最小的灰度均值比，窗口尺寸以像素個數(shù)為單位。由于灰度均值比的大小只與兩均值之間的比值有關，而與兩均值之間的大小無關，因此選取一個全局閾值，當全局閾值大于灰度均值比時，則認為待定點為邊緣點。

2.2 ROA算法改進思路

2.2.1 檢測方向的改進

在圖像像素點的3×3鄰域內，由原來4個方向的檢測改進為8個方向檢測，按照圖2所示的檢測方向把3×3的窗口分成三個鄰域：L、M、H。L位于窗口左側，M位于窗口中間，H位于窗口右側，通過比較L/M和H/M的比值來判斷當前位置是否為圖像邊緣。對于SAR圖像，其檢測過程如下：

(3)

(4)

由公式(3)和公式(4)得到邊緣判斷公式為

H(x)=(1-F1(x))(1-F2(x))G(x)。

(5)

式中，T1和T2為設置的閾值，n為每個區(qū)域包含的像素點，如果滿足H(x)大于設置的閾值，則該點即為邊緣點。

2.2.2 定位精度的改進

Canny等[18]利用非極值抑制方法實現(xiàn)了邊緣定位，定位原理如圖3所示。首先根據(jù)待定點鄰域像素的邊緣強度和待定點的邊緣方向，計算內插值P1、P2；再比較內插值和待定點邊緣強度值的大小，如果強度值大于或等于兩個內插值，則待定點為邊緣點，反之為非邊緣點。由于ROA算法用均值比代替差分，導致ROA算法得到的邊緣強度圖不再符合梯度的定義，因此，如果直接對強度圖進行非極值抑制，無法準確定位邊緣。

本文根據(jù)Canny算子原理，提出一種將ROA算法與Canny算子結合起來的邊緣定位算法：首先對ROA算子的濾波結果進行處理獲取兩個方向的濾波結果，接著利用Canny算子中的高斯函數(shù)處理兩個方向的濾波結果獲取梯度，保證邊緣強度滿足梯度定義，最后根據(jù)非極值抑制的方法實現(xiàn)邊緣的準確定位。

圖3 非極值抑制原理圖Fig.3 Non-extremum suppression schematics

2.3 改進的SAR圖像邊緣檢測算法

本文提出的基于平穩(wěn)小波去噪和改進ROA算子的SAR圖像邊緣檢測算法步驟如下：

1) 對SAR圖像進行多尺度平穩(wěn)小波變換，標記出邊緣像素點；

對SAR圖像進行m尺度的平穩(wěn)小波變換，得到m個低頻分量和3m個高頻分量，其中高頻分量分別對應著水平、豎直和對角三個方向。由于低頻分量已經近似平滑，因此無需對低頻分量進行處理，對高頻分量按照尺度大小從小到大的順序進行依次處理，處理過程如下：

(6)

②相關系數(shù)歸一計算，公式為

(7)

③標記邊緣像素點，對于任意一個像素點(x,y)，如果其滿足條件L(x,y)>wj(x,y)則標記為邊緣點，并且把L(x,y)和wj(x,y)設置為0，否則標記為噪聲點。

④對標記后的圖像進行一致性檢驗，對一個像素點進行八鄰域搜索，如果其鄰域內的大多數(shù)點與該點標記相反，則把該點標記為鄰域大多數(shù)點。如一個邊緣點，其八鄰域點大都為噪聲點，則把該邊緣點重新標記為噪聲點。遍歷所有的點，完成一致性檢驗。

2) 進行平穩(wěn)小波變換的逆變換，得到去噪后的SAR圖像；

3) 對去噪后的SAR圖像進行2.2.1所示的8個檢測方向的ROA邊緣檢測；

4) 對檢測到的邊緣進行非極值定位，得到最終的邊緣。

3 試驗結果及分析

為了評價濾波方法的去噪性能，本文從定性和定量兩個方面進行評價。定性分析即通過觀察SAR圖像中的細節(jié)特征，判斷濾波后圖像的效果。定量分析通過定量指標值的大小來衡量濾波效果，本文采用的定量指標為均方誤差(mean squared error，MSE)和峰值信噪比(peak signal to noise ratio，PSNR)，MSE和PSNR的計算公式見文獻[19]。

為了評價邊緣檢測方法的優(yōu)劣，本文同樣從定性和定量兩個方面進行評價。定性分析即通過觀察提取的邊緣與原圖像的疊加進行定性評價；定量分析通過品質因數(shù)進行評價，品質因數(shù)的計算公式見文獻[20]。

根據(jù)上述算法原理，利用MATLAB語言編程實現(xiàn)本文算法。為驗證該算法的去噪性能和邊緣提取效果，選用環(huán)境一號C星(HJ-1C)采集的數(shù)據(jù)進行實驗。HJ-1C 配置的S波段合成孔徑雷達，可以獲取地物S波段的影像信息，HJ-1C的SAR雷達單視模式空間分辨率可達5 m，距離向四視時的分辨率為20 m[21]。本文以HJ-1C衛(wèi)星2014年5月獲得的武漢市梁子湖SAR圖像為研究對象，分辨率20 m，對其進行加乘性噪聲處理后，對比不同算子的處理結果。如圖4所示，圖4(a)是未加噪聲的原始圖像，圖4(b)是添加乘性噪聲的圖像。為驗證平穩(wěn)小波抑制SAR圖像噪聲的效果，本文選取Lee濾波[22]、小波變換進行對比分析，分別用這3種濾波方法對圖4(b)進行濾波處理，處理結果見圖5(a)～ 5(c)，各方法的去噪性能對比見表1。為驗證本文算法邊緣提取的效果，選取不同算子對圖4(b)進行邊緣提取，提取結果分別為圖6(a)～6(f)。其中利用Prewitt算子、Sobel算子、Log算子、Canny算子和傳統(tǒng)ROA算子進行邊緣提取的圖像均沒有進行去噪預處理，而利用本文算法邊緣提取的圖像進行平穩(wěn)小波去噪。

表1 去噪性能比較

Tab.1 Comparison of denoising performance

去噪方法均方誤差(MES)峰值信噪比(PSNR)/dBLee濾波0.061060.2775小波變換0.047871.3365平穩(wěn)小波變換0.001376.9914

從圖5(a)可以看出，對SAR圖像進行Lee濾波處理后，其圖像的乘性噪聲在一定程度上得到平滑，但去噪效果較差，且圖像細節(jié)信息變得十分模糊，難以辨認。圖5(b)為小波變換的去噪效果，可以看出小波變換的去噪效果較差，去噪后的圖像細節(jié)信息丟失較多，邊緣比較模糊。本文方法的平穩(wěn)小波去噪結果如圖5(c)所示，可以看出濾波后的圖像變得十分清晰，而且很好地保持了圖像邊緣的細節(jié)特征，說明平穩(wěn)小波的去噪方法可以有效抑制相干斑噪聲。從表1可以看出，平穩(wěn)小波去噪方法的均方誤差遠小于其他兩種濾波方法，而且平穩(wěn)小波去噪方法的峰值信噪比高于其他兩種濾波方法。綜上可知，無論是定性分析還是定量計算，都證明平穩(wěn)小波去噪方法可以有效抑制相干斑噪聲。

從圖6(a)～6(d)可以看出，經典的邊緣檢測算子受乘性噪聲的影響較大，無法檢測出清晰的邊緣圖像，這是因為該類算子本質上都為高通濾波器，而SAR圖像的邊緣和噪聲都為高頻信息，所以該類算子不能應用于SAR圖像的邊緣檢測。圖6(e)為傳統(tǒng)的ROA算子的檢測結果和原始圖像的疊加顯示效果圖，可以看出相比經典的邊緣檢測算子，傳統(tǒng)ROA算子可檢測到清晰的邊緣信息，但仍有部分邊緣未檢測到，而且檢測到的邊緣也存在邊緣定位不準確的問題。圖6(f)為本文算法的檢測結果和原始圖像疊加顯示的效果圖，可以看出圖像邊緣被完整準確地提取出來，無論是邊緣的完整性還是邊緣定位的準確度，都優(yōu)于其他幾種邊緣檢測方法。從表2可以看出，本文算法的品質因數(shù)高于其他幾種邊緣檢測算法。綜上證明了本文算法邊緣提取的可靠性。

表2 品質因數(shù)比較Tab.2 Comparison of quality factor

圖4 實驗數(shù)據(jù)Fig.4 Experimental data

圖5 不同方法去噪比較Fig.5 Comparison of different methods of denoising

圖6 不同方法邊緣檢測比較Fig.6 Comparison of different methods of edge detection

4 結論

將平穩(wěn)小波變換用于SAR圖像去噪，很好地抑制了相干斑噪聲對SAR邊緣提取的影響。將傳統(tǒng)的ROA算子從檢測方向和定位精度兩個方面進行改進，檢測方向由4個增加為8個，提高了方向檢測的精度，利用非極值抑制的方法進行邊緣定位，提高了邊緣定位的精度。實驗表明，本文方法的邊緣提取效果較好，邊緣提取的準確率和完整率較高。

本文提出的方法與經典邊緣提取算法、傳統(tǒng)ROA算法相比，其去噪性能和邊緣提取效果有了顯著提高，并且提取出的邊緣清晰、完整、準確，更有利于進行后期的目標識別和分類。

[1]HENRI M.合成孔徑雷達圖像處理[M].孫洪，譯.北京:電子工業(yè)出版社,2013:1-18.

[2]謝昌志,尹東,孫濤.基于塊匹配的迭代濾波SAR圖像去噪[J].光電工程,2015,42(1):65-71. XIE Changzhi,YIN Dong,SUN Tao.SAR image denoising based on block matching iterative filtering[J].Opto-Electronic Engineering,2015,42(1):65-71.

[3]牛翠霞,姜平,肖進杰.基于邊緣交點聚類法的眼底圖視盤輪廓提取[J].山東科技大學學報(自然科學版),2013,32(5):90-95. NIU Cuixia,JIANG Ping,XIAO Jinjie.Optic disc contour extraction from retinal images based on edge intersect points clustering[J].Journal of Shandong University of Science and Technology (Nature Science),2013,32(5):90-95.

[4]馬曉雙,沈煥鋒,楊杰,等.極化SAR相干斑抑制的非局部加權最小均方誤差濾波算法[J].中國圖象圖形學報, 2015,20(1):140-150. MA Xiaoshuang,SHEN Huanfeng,YANG Jie,et al.Polarimetric SAR speckle filtering using a nonlocal weighted minimum mean squared error filter[J].Journal of Image and Graphics,2015,20(1):140-150.

[5]BISWAS S,GHOSHAL D.Blood cell detection using thresholding estimation based watershed transformation with Sobel filter in frequency domain[J].Procedia Computer Science,2016,89:651-657.

[6]KRISHNAVENI M,SUBASHINI P,DHIVYAPRABHA T T.PSO-based optimized Canny technique for efficient boundary detection in Tamil sign language digital images[J].International Journal of Advanced Computer Science and Application,2016,7(6):312-318.

[7]楊道蓮,魯昌華,張金良,等.基于ROEWA與Hough變換的SAR圖像邊緣檢測[J].電子測量與儀器學報,2013,27(6):543-548. YANG Daolian,LU Changhua,ZHANG Jinliang,et al.Edge detection in SAR image based on ROEWA and Hough transform[J].Journal of Electronic Measurement and Instrument,2013,27(6):543-548.

[8]劉春,殷君君,楊建.基于混合邊緣檢測的極化SAR圖像海岸線檢測[J].系統(tǒng)工程與電子技術,2016,38(6):1262-1267. LIU Chun,YIN Junjun,YANG Jian.Coastline detection in polarimetric SAR images based on mixed edge detection[J].System Engineering and Electronics,2016,38(6):1262-1267.

[9]劉帥奇,胡紹海,肖揚,等.基于局部混合濾波的SAR圖像邊緣檢測[J].電子與信息學報,2013,35(5):1120-1127. LIU Shuaiqi,HU Shaohai,XIAO Yang,et al.SAR image edge detection based on local hybrid filter[J].Journal of Electronics & Information Technology,2013,35(5):1120-1127.

[10]王仕民,葉繼華,程柏良,等.基于多尺度張量類標子空間的人臉識別算法[J].山東科技大學學報(自然科學版),2015,34(4):55-61. WANG Shimin,YE Jihua,CHENG Bailiang,et al.Face recognition algorithm based on multi-scale tensor class-label subspace[J].Journal of Shandong University of Science and Technology (Nature Science),2015,34(4):55-61.

[11]黃世奇,劉代志,胡明星,等.基于小波變換的多時相SAR圖像變化檢測技術[J].測繪學報,2010,39(2):180-186. HUANG Shiqi,LIU Daizhi,HU Mingxing,et al.Multi-temporal SAR image change detection technique based on wavelet transform[J].Acta Geodaetica et Cartographica Sinica,2010,39(2):180-186.

[12]REZAEIAN A,HOMAYOUNI S,SAFARI A.Segmentation of polarimetric SAR images using wavelet transformation and texture Features[J].International Archives of the Photogrammetry,Remote Sensing and Spatial Information Sciences,2015, XL-1(W5):613-617.

[13]齊文元.小波在SAR圖像去噪及分辨率融合中的應用[D].成都:電子科技大學,2009.

[14]GAO Q, ZHAO Y, LU Y.Despeckling SAR images using stationary wavelet transform combining with directional filter banks[J].Applied Mathematics & Computation,2008,205(2):517-524.

[15]DENG J,BAN Y,LIU J,et al.Hierarchical segmentation of multitemporal RADARSAT-2 SAR data using stationary wavelet transform and algebraic multigrid method[J].IEEE Transactions on Geoscience & Remote Sensing, 2014,52(7):4353-4363.

[16]LUO S Y,TONG L,CHEN Y,et al.SAR image segmentation based on the advanced level set[J].IOP Conference:Earth and Environmental Science,2014(17):682-691.

[17]DUAN L F,WEI C T,WANG J,et al.A new method of denoising by reserving edges for SAR image[J].Applied Mechanics & Materials,2013,291-294:2859-2862.

[18]CANNY J.A computational approach to edge detection[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,1986,8(6):679-698.

[19]趙巖,孟麗茹,王世剛,等.符合人眼視覺感知特性的改進PSNR評價方法[J].吉林大學學報(工學版),2015,45(1):309-313. ZHAO Yan,MENG Liru,WANG Shigang,et al.Improved PSNR evaluation method consistent with human visual perception[J].Journal of Jilin University(Engineering and Technology Edition),2015,45(1):309-313.

[20]劉景正,余旭初,張鵬強,等.新型Canny算法的SAR圖像邊緣檢測[J].測繪科學,2008,33(1):132-134. LIU Jingzheng,YU Xuchu,ZHANG Pengqiang,et al.SAR new canny edge detection algorithm[J].Surveying and Mapping,2008,33(1):132-134.

[21]王橋,魏斌,王昌佐,等.基于環(huán)境一號衛(wèi)星的生態(tài)環(huán)境遙感監(jiān)測[M].北京:科學出版社,2010:10-23.

[22]LEE J S.Digital image enhancement and noise filtering by use of local statistics[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,1980,2(2):165-168.

(責任編輯：高麗華)

Application of Improved ROA Algorithm in SAR Image Edge Detection

LU Xiushan1,2, YAN Zhaojin1

(1. College of Geomatics, Shandong University of Science and Technology, Qingdao, Shandong 266590, China;2. Institute of Ocean Engineering, Shandong University of Science and Technology, Qingdao, Shandong 266590, China)

In order to solve the problems of great impact of noise and low accuracy of edge location in detecting SAR edge image with the traditional ROA operator, this paper proposed a method of stationary wavelet denoising and SAR image edge detection by utilizing the advantages of stationary wavelet transformation. Firstly, denoising pretreatment was made by adopting stationary wavelet to reduce coherent speckle noise. Then, the ROA algorithm was improved in both testing direction and positioning accuracy by increasing traditional ROA operators from 4 to 8 and by using the non-extremum suppression to locate the edge. The experimental results show that the proposed method has good effect in denoising performance and edge detection and the improved ROA algorithm can be better applied to SAR edge image detection.

synthetic aperture radar; edge detection; stationary wavelet transform; ratio of average (ROA); coherent speckle noise

2016-02-19

海洋公益性行業(yè)科研專項經費項目(201305034-1)

盧秀山(1961—)，男，山東青島人，教授，博士生導師，主要從事測量數(shù)據(jù)處理理論及應用、GPS應用技術方面的研究和教學工作.E-mail:xiushannn@sina.com

TP753

A

1672-3767(2016)06-0017-07