基于改進C-V模型的高分辨SAR圖像分割

王翠杰，楊永紅，林 明

（江蘇科技大學 電子信息學院，江蘇 鎮江 212003）

基于改進C-V模型的高分辨SAR圖像分割

王翠杰，楊永紅，林 明

（江蘇科技大學 電子信息學院，江蘇 鎮江 212003）

針對SAR圖像灰度分布不均勻現象，提出利用對均勻和不均勻區域都能很好的擬合的G0概率密度函數對C-V水平集模型進行改進。針對經典的C-V水平集模型只利用區域信息而沒有利用邊緣信息，從而造成虛假邊緣輪廓較多以及演化時容易陷入局部極小值等現象，提出在C-V模型中引入能夠很好的去除SAR圖像中的乘性噪聲的改進的邊緣檢測函數，定位圖像的邊界以及控制曲線的演化速率，且增加能避免水平集函數重新初始化的距離正則項作為內能項。通過人工合成圖像和真實高分辨SAR圖像的分割實驗驗證了改進后的C-V水平集模型能夠更快速度、更高準確度地定位目標邊界，實現高分辨SAR圖像分割。

邊緣檢測函數；G0概率密度函數；距離正則項；SAR圖像分割；C-V模型

Abstract:For the phenomenon of heterogeneous grayscale in SAR image，we use the G0probability density function what can fit homogeneous and heterogeneous areas to improve the C-V model.For the classic C-V model only use the geographic information and don't use the edge information，so that it has many false profile of edge and easy to fall into local minimum，by using the edge detection function what can remove the multiplicative noise join in the C-V model，and a distance regularized term that can avoid the periodic updates of level set function become a internal force term.The experiments based on both synthetic and real high-resolution on SAR image prove the improved C-V model has faster division speed and accuracy.

Key words:edge detection function；G0probability density function；distance regularization term；SAR image segmentation；C-V model

合成孔徑雷達（SAR）是一種高分辨二維成像雷達，在軍事和國民經濟的各個領域中都有非常重要的作用。SAR圖像的分割也是SAR圖像自動解疑的重要技術之一。SAR圖像分割的目的就是把目標區域和背景區域分割開來，但因SAR圖像中存在大量的乘性相干斑噪聲，使得SAR圖像的目標邊緣無法精確定位，很難對圖像進行精確且高效率的分割。隨著SAR圖像研究的發展，水平集模型以其對圖像拓撲結構變化很好的適應性以及無需對噪聲預處理的特性，受到國內外研究學者的青睞。

水平集模型可以分為基于區域的和基于邊緣的兩個水平集模型。目前廣泛應用的基于區域的水平集模型是由Chen和Vest等人提出的C-V模型[1-3]，是一種利用區域均值進行分割的模型，該方法通過利用水平集輪廓線將圖像區域劃分為目標和背景2個均勻區域。傳統的C-V模型可以視為是以高斯概率密度函數為前提而得到的簡化水平集模型[4]，但是SAR圖像是具有大量乘性相干斑噪聲的圖像，與具有加性的高斯噪聲本質上有很大區別，且常用的基于Gamma分布構造的統計模型依據的是分割的區域是均勻的，而SAR圖像的分割區域往往是非均勻的，特別是對于高分辨SAR圖像，此模型就不再是完全有效的。文獻[5]提出的G0分布可以對高分辨情況下的極不均勻區域建模，對非均勻以及均勻區域也能很好的擬合[6]，因此需要應用G0分布對C-V模型進行統計建模。文獻[7]基于Mellin變換對G0分布的參數進行估計，解決了G0分布參數估計難得問題。因此本文利用G0概率密度函數對C-V模型進行改進，構造適用于不均勻區域的全局統計模型。但是此模型沒有利用圖像的邊緣信息，當分割灰度非均勻的圖像時，不能進行很好的邊緣定位。

基于邊緣的水平集模型是利用圖像的梯度信息控制曲線向目標邊緣演化速度。文獻[8]提出的邊緣指示函數利用噪聲敏感度參數控制噪聲的敏感度，使其能很好地定位圖像的目標邊界。文獻[9]及文獻[10]利用邊緣檢測函數代替水平集演化方程中的δε（φ）函數，對提高曲線的演化速度有一定的作用，但是由于上述引入的邊緣檢測函數中應用的是加性的高斯函數與原圖像進行卷積，達到去除噪聲的目的，而SAR圖像含有的噪聲是大量的乘性相干斑噪聲，因此不能得到很好地圖像分割結果。

基于上述方法的不足，文中提出一種結合上述方法的優點的基于改進C-V模型的高分辨SAR圖像分割方法，通過利用文獻[11]已經證明的最優的無限對稱指數濾波器代替高斯函數引入到基于G0分布統計建模的C-V模型中，去除SAR圖像中的乘性相干斑噪聲，且把文獻[12]距離正則項添加到改進的C-V模型中的新模型中，解決了邊界定位不準確以及對噪聲敏感的問題。

1 基于G0 分布的C-V模型

假設待處理的圖像 I（x，y）的定義域為 Ω，水平集的輪廓線C把待處理的圖像分成內外兩部分，即輪廓線內部的勻質區域Ω1和輪廓外部的勻質區域Ω2，Ω=Ω1∪Ω2。同時定義 C1、C2分別是內外兩個區域Ω1和Ω2的灰度平均值，水平集函數為φ，基于統計信息的C-V模型的能量函數為：

其中，μ，ν，λ1，λ2一般取常數，μ 影響曲線的光滑性，P為概率密度函數，Δ 表示求取梯度，Hε（φ）是Heaviside函數H（φ）的正則化形式。

從本質上講，C-V模型是一個基于加性高斯噪聲的分割模型，若直接利用該模型進行SAR圖像的分割處理，因為乘性相干斑噪聲的存在，得到的檢測結果會十分不理想，無法正確地分割SAR圖像。因此，針對SAR圖像的統計特征利用G0概率密度結合C-V模型進行建模。

G0概率密度分布的表達式為[13]：

其中，n為等效視數，γ為尺度參數，α表示區域的均勻，α越大區域越不均勻。

由貝葉斯準則和SAR圖像的G0概率統計模型可以定義水平集SAR圖像分割方法的能量泛函為[14]：

前兩項為基于概率統計模型的區域能量項，后一項為能量的正則項，以保持分割曲線的光滑，同時去除小的孤立區域。

利用（3）結合水平集的能量函數式（1）可得基于G0概率密度分布的SAR圖像分割的C-V模型：

利用變分法，極小化能量函數可以得到如下梯度下降流方程：

2 邊緣檢測函數

文獻[8]中提出的邊緣檢測函數為：

式中利用高斯濾波器來去除噪聲，能夠去除圖像中的加性噪聲，能夠對具有高斯噪聲以及淑鹽噪聲的圖像進行很好的定位，且能夠控制曲線的演化速率。但是SAR圖像中含有噪聲是大量的乘性相干斑噪聲。因此，此邊緣檢測函數不能對SAR圖像進行準確的邊緣定位。

3 本文算法

基于以上分割SAR圖像的方法提出了在利用G0分布改進的C-V模型所得的基于G0分布的C-V統計模型的水平集演化方程中引入邊緣檢測函數，利用邊緣檢測函數代替演化方程中的δε（φ），基于上述邊緣檢測函數的不足，提出改進的邊緣檢測函數為：

其中，fσ是標準差為σ的無限對稱指數濾波器，即，β＞0是常數，用來定位圖像的邊緣輪廓信息，控制著SAR圖像分割的細節，調節曲線的演化速度，邊界弱時，取較大的值，一般在10至100的范圍中取值，反之，去較小值，在1至10范圍中選取。r＞0控制噪聲的敏感度，取值范圍一般在0.5～5，噪聲小，取較大的值，反之，取較小的值。

為了避免重新初始化需要在水平集的能量函數中加入正則項能量函數D。

因此本文方法的最終梯度下降流方程為：

將式（8）利用有限差分法[15]計算，表達式如下：

φ0（x，y）為初始輪廓，k 為第 k 次迭代。

結合（10）和（11）通過對方程組進行求解可得SAR圖像的分割結果。

4 實驗結果分析與比較

文中使用MATLAB-R2012a進行仿真，實驗所用的計算機配置是：Intel（R）Core （TM）i5-3210M CPU@2.50GHz的處理器，操作系統：Windows7。對合成SAR圖像以及真實SAR圖像進行分割，驗證了本文方法的有效性。下面是仿真的部分實驗結果及其討論分析。分別采用傳統的C-V模型、利用文獻[8]的邊緣檢測函數的基于G0分布的C-V模型以及本文的加入了改進的邊緣檢測函數的基于G0分布的CV水平集模型進行實驗比較。在分割之前要對原始的SAR圖像進行歸一化處理，增加了算法的魯棒性 。 實 驗 中 所 用 的 模 型 的 參 數 ：λ1=λ2=1，μ =0.01*255*255，ν=0，時間步長 Δt=0.1，正則化參數 ε=1，網格間隔 h=1。

下面圖1（a）為合成的具有乘性相干斑噪聲的SAR圖像，用以模擬高分辨率下不均勻的SAR圖像。β=1，r=0.5，通過（c）與（e）相比較可得本文的分割方法較好，且分割精度高。圖（d）文獻[8]的方法對于具有乘性噪聲的圖像邊緣分割不準確。利用傳統的C-V模型分割SAR圖像需迭代50次，需要3.54 s的時間，而本文方法只需迭代30次，只需要2.21 s的時間，而且利用分割結果圖像就峰值信噪比（PSNR）進行比較，傳統C-V模型分割結果圖的PSNR為15.22 dB，而本文的方法的PSNR為22.35 dB，說明利用本文方法分割SAR圖像的結果較好。綜合結果比較本文方法是有效的高效率的精確分割合成的SAR圖像。

圖1 人工合成SAR圖像的分割結果

圖2是對真實的SAR圖像進行分割實驗，圖2為SABR雷達高清晰度SAR圖像，圖像像素為240*240。從實驗結果可以看出本文采用的G0分布對傳統的C-V模型進行改進是的區域分割的結果更為準確降低噪聲對分割結果的影響，對于基于本文方法的引入改進的邊緣檢測函數的圖（e）與文獻[8]的曲線演化結果圖（d）實驗結果相比較，結果顯示圖（c）的傳統的C-V模型對圖像的分割效果較差，沒有引入邊緣檢測函數的C-V模型在SAR圖像的較亮區域檢測出的假邊緣點較多，且毛刺較多，邊緣不光滑，本文方法在基于G0分布改進的C-V模型中引入邊緣檢測算子降低了圖像中乘性相干斑噪聲對分割結果的影響，很好的定位了目標的邊緣輪廓，從而得到了更為精確的分割結果。從分割實驗效率上來講，傳統的C-V模型分割SAR圖像需迭代500次，耗時10.53 s，本文方法分割SAR圖像只需迭代300次，耗時只有6.15 s。實驗結果表明本文方法對于SAR圖像的分割具有較好的精確性和高效性。

圖2 真實SAR圖像的分割結果

5 結 論

文中基于傳統的C-V模型、G0分布以及邊緣檢測函數提出了一種新的利用曲線演化分割SAR圖像的水平集模型。使用對非均勻區域能夠很好地建模的G0分布對傳統的C-V模型進行改進構成全局統計型水平集模型，使得對含有大量乘性相干斑噪聲的SAR圖像具有很好的分割效果。邊緣檢測函數的引入，使演化曲線向真實的目標邊緣靠近，得到更為準確的目標邊緣輪廓，距離正則項能量函數的引入從整體上提高了分割的效率。實驗結果表明本文方法對SAR圖像分割具有較好的效率，分割精度高以及具有較好的邊緣定位精度等優點。

[1]Chan T F，Vese L A.Active contours without edges[J].IEEE Transactions on Image Processing，2001，10（2）:266-277.

[2]張麗梅，張紅.基于C-V主動輪廓模型“陡峭”邊界的微藻圖像分割[J].大連海洋大學學報，2013，28（1）:100-102.

[3]涂松，李禹，粟毅.基于主動輪廓模型的SAR圖像分割方法綜述[J].系統工程與電子技術，2015，37（8）:1754-1766.

[4]Goodman J W.Statistical properties of laser speckle patterns [M].Berlin，Germany:Springer-Verlag，1975.

[5]Feng J， Cao Z， Pi Y.Multiphase SAR image Segmentation with G0-statistical-model-based active contours[J].IEEE Trans.on Geoscience and Remote Sensing，2013，51（7）:4190-4199.

[6]高貴，魯敏，黃紀軍，等.高分辨率SAR圖像中雜波的統計特性分析[J].信號處理，2008，24（4）:648-654.

[7]馮籍瀾，曹宗杰，皮亦鳴.一種基于G0分布的水平集SAR圖像分割方法 [J].現代雷達， 2011，32（12）:35-39.

[8]沈凌云，朱明.改進的距離正則化水平集演化方法[J].北京工業大學學報，2015，41（5）:674-679.

[9]Wang L， Li C， Sun Q， et al.Active contours driven by local and globalintensity fitting energy with application to brain MR image segmentation[J].Comput.Med Image.G-raph，2013,33:520-531.

[10]付金明，羿旭明，檀偉偉，等.基于改進C-V水平集模型的SAR圖像分割 [J].數學雜志，2016，36（3）:649-654.

[11]David M.Sheen,Douglas L.McMakin，Thomas E.Hall.Three-dimensional millimter-wave imaging for concealed weapon detection[J].IEEE Transaction on microwave theory and techniques,2001，49:1581-1592.

[12]東野長磊，鄭永果，蘇杰.基于Chen-Vese模型的SAR圖像分割[J].數據采集與處理， 2012，27（2）:151-155.

[13]Frery A C， Muller H J， Freitas， et al.A modelfor extremely heterogeneous clutter[J].IEEE Transactions on Geosciences and Remote Sensing，1997，35（3）:648-659.

[14]Ayde IB， Mitiche A，Belhadj Z.Multiregion levelset Partitioning of synthetic aperture radar images[J].IEEE T rans on Pattern Analysis and Machine Intelligent， 2005，27（5）:793-800.

[15]Zhang K H，Song H H，Zhang L.Active contours driven briven by local image fitting energy[J].Pattern Recognit， 2010，4（43）:1199-1206.

[16]李瑞芳.基于改進布谷鳥搜索算法的圖像分割[J].電子科技，2016（5）： 105-107.

High-resolution SAR image segmentation based on improved C-V model

WANG Cui-jie，YANG Yong-hong，LIN Ming
（School of Electronic and Information， Jiangsu University of Science and Technology， Zhenjiang212003，China）

TN957.52

A

1674－6236（2017）19-0161-04

2016-09-14稿件編號201609148

王翠杰（1988—），女，河南周口人，碩士研究生。研究方向：信號處理理論與技術應用。