合成孔徑雷達(dá)SAR(Synthetic Aperture Radar)作為微波遙感的代表,，對(duì)比于傳統(tǒng)光學(xué),、紅外等遙感技術(shù)，在具有大面積的數(shù)據(jù)獲取能力以及高分辨率的同時(shí),，還具有全天時(shí),、全天候以及對(duì)云層、霧層,、地表植物等有一定穿透性的特點(diǎn),，使其在軍事、民用的很多領(lǐng)域有著廣泛的應(yīng)用,。然而,，由于成像機(jī)理的原因，使得SAR圖像受乘性噪聲干擾嚴(yán)重,，因此原本適用于光學(xué)圖像中目標(biāo)輪廓提取的方法不能直接應(yīng)用于SAR圖像中目標(biāo)的輪廓提取,，故需要開發(fā)新的適用于SAR圖像的目標(biāo)輪廓提取方法。

　近20年來,許多學(xué)者在SAR圖像目標(biāo)輪廓提取方法的研究中取得了突破,。時(shí)至今日,，眾多的輪廓提取方法已孕育而生。其中,，常用的算法有：基于CFAR檢測(cè)的輪廓提取方法[1],、基于邊緣檢測(cè)的輪廓提取方法[2]和基于馬爾科夫隨機(jī)場(chǎng)MRF(Markov Random Field)的輪廓提取方法[3]。然而,，隨著計(jì)算機(jī)技術(shù)的飛速發(fā)展和現(xiàn)代戰(zhàn)爭(zhēng)的日趨信息化,，這些算法在圖像處理精度或速度上都愈發(fā)不能滿足對(duì)目標(biāo)輪廓提取的精確性或?qū)崟r(shí)性的要求，尋求更為高效的SAR圖像處理技術(shù)已成為當(dāng)今該領(lǐng)域的熱點(diǎn)問題之一,。
    近年來,，活動(dòng)輪廓模型已經(jīng)被證明是一種高效的輪廓提取方法。該類模型首先在近目標(biāo)處設(shè)定一初始輪廓,，通過設(shè)計(jì)能量指標(biāo)函數(shù)并對(duì)其進(jìn)行最小化,，從而驅(qū)使初始輪廓逼近真實(shí)目標(biāo)邊界,。相較于傳統(tǒng)的輪廓提取方法，該方法的優(yōu)勢(shì)在于能夠直接得到細(xì)化的目標(biāo)輪廓,，無需后續(xù)處理,，且所獲取輪廓的精度和獲取輪廓的速度十分精確和高效。然而,，由于SAR圖像中相干斑噪聲的影響,，使得在光學(xué)圖像和醫(yī)學(xué)圖像的圖像分割中取得很大成功的活動(dòng)輪廓模型不能直接應(yīng)用于SAR圖像目標(biāo)的輪廓提取。
    由于活動(dòng)輪廓模型的高效性符合SAR圖像目標(biāo)輪廓提取的研究趨勢(shì),，故若能引入其他模型或方法使得活動(dòng)輪廓模型能夠?qū)AR圖像目標(biāo)進(jìn)行輪廓提取,，則有望改善SAR圖像目標(biāo)輪廓提取的精度和效率?；谶@點(diǎn),，本文提出一種基于活動(dòng)輪廓模型的多模型融合的SAR圖像目標(biāo)輪廓提取方法，將基于梯度的活動(dòng)輪廓模型與基于區(qū)域的活動(dòng)輪廓模型相結(jié)合,，引入多邊緣模型進(jìn)行邊界約束,，并利用新興的統(tǒng)計(jì)分布模型G0模型更好地保留目標(biāo)細(xì)節(jié)信息，從而成功地將活動(dòng)輪廓模型應(yīng)用于SAR圖像的目標(biāo)輪廓提取,。該方法繼承了活動(dòng)輪廓模型在光學(xué)圖像中輪廓提取的優(yōu)勢(shì),，提高了SAR圖像目標(biāo)輪廓提取的精度和效率。



2.2 分布參數(shù)的更新
    前已述及,，對(duì)于G0分布的參數(shù)估計(jì)可由式(6)和式(7)估算出,。然而在沒有先驗(yàn)知識(shí)的情況下，真實(shí)目標(biāo)和背景的樣本缺失,，故無法準(zhǔn)確估算參數(shù)θ1=ξ1,γ1]和θ2=[ξ2,γ2],。故本文采用迭代估算的方式進(jìn)行參數(shù)的更新，即在逼近目標(biāo)邊界的同時(shí)不斷修正參數(shù),，從而逼近輪廓處于真實(shí)邊界時(shí)的參數(shù)[10],。將初始輪廓內(nèi)部區(qū)域認(rèn)定為目標(biāo)而輪廓外部區(qū)域認(rèn)定為背景，在新模型外力作用下輪廓逼近目標(biāo)真實(shí)邊界的同時(shí),，基于G0分布的目標(biāo)和背景的PDF參數(shù)將逼近真實(shí)分布的參數(shù),。同時(shí)，對(duì)模型參數(shù)估計(jì)的精確度的提高反作用于輪廓曲線的運(yùn)動(dòng),，使得最終結(jié)果更加趨近目標(biāo)真實(shí)邊界,。
2.3 新模型算法流程
    基于新模型的SAR圖像目標(biāo)輪廓提取算法流程如圖1所示，算法主要步驟為：
    (1) 圖像預(yù)處理,。該步驟主要設(shè)置權(quán)重系數(shù)α,、β、k1、k2,、k3，并且對(duì)圖像目標(biāo)進(jìn)行快速定位,，設(shè)置初始輪廓,。

    (2) 根據(jù)式(4)計(jì)算RoEWA算子。
    (3) 根據(jù)步驟(1)中設(shè)置的初始輪廓對(duì)描述目標(biāo)和背景統(tǒng)計(jì)特性的G0分布的參數(shù)?茲1和?茲2進(jìn)行初始化,。
    (4) 使用式(9)計(jì)算新模型,。
    (5) 依據(jù)步驟(4)所得的新的輪廓曲線更新目標(biāo)和背景的PDF參數(shù)θ1和θ2。
    (6) 利用步驟(5)中所得目標(biāo)和背景的PDF參數(shù)計(jì)算統(tǒng)計(jì)分布信息項(xiàng),。
    (7) 通過公式(9)計(jì)算輪廓控制點(diǎn)v(s),。判斷輪廓提取結(jié)果是否收斂，若收斂,，則輪廓提取完成,。反之，則根據(jù)當(dāng)前輪廓,，通過步驟(5)重新計(jì)算目標(biāo)和背景的PDF,，進(jìn)而循環(huán)至結(jié)果收斂。
3 實(shí)驗(yàn)分析
    本文采用MSTAR提供的實(shí)測(cè)數(shù)據(jù)作為實(shí)驗(yàn)數(shù)據(jù),，來驗(yàn)證新模型算法的性能,。算法是采用Matlab 2009a在PC上實(shí)現(xiàn)的。針對(duì)MSTAR項(xiàng)目提供的一幅真實(shí)SAR圖像,，分別采用RoEWA模型算子,，基于Balloon模型的輪廓提取方法和本文提出的新模型輪廓提取方法對(duì)該SAR圖像進(jìn)行處理，實(shí)驗(yàn)結(jié)果如圖2所示,。圖2(a)為原始的SAR圖像,，從圖2中可以看出圖像的信噪比較低。圖2(b)為使用RoEWA算子后得到的梯度圖像,，從該圖中可以看出,，還需進(jìn)行后續(xù)的處理才能得到細(xì)化且連續(xù)的輪廓曲線。圖2(c)為使用Balloon模型提取的目標(biāo)輪廓,，其中虛線表示初始輪廓,，實(shí)線表示最終輪廓提取結(jié)果。從圖中可以看出由于斑點(diǎn)噪聲的影響輪廓曲線并未很好地?cái)M合SAR目標(biāo)邊界,，部分輪廓曲線距真實(shí)目標(biāo)邊界較遠(yuǎn),。圖2(d)為使用新模型提取的輪廓，其中虛線表示初始輪廓,，實(shí)線表示最終輪廓提取結(jié)果,。從圖中可以看出，該模型很好地貼合了真實(shí)目標(biāo)邊界,，且輪廓連續(xù),，無需后續(xù)處理,，輪廓提取結(jié)果相較于其他兩種方法更加準(zhǔn)確、高效,。

    針對(duì)SAR圖像目標(biāo)輪廓提取這一難題,，融合Balloon模型、G0分布,、RC模型以及RoEWA模型,本文提出一種新的SAR圖像目標(biāo)輪廓提取方法,，詳細(xì)給出了該方法的原理、理論求解和輪廓提取算法,。針對(duì)MSTAR實(shí)際SAR圖像進(jìn)行了實(shí)驗(yàn),，結(jié)果表明，本文提出的SAR圖像目標(biāo)輪廓提取算法具有輪廓邊界定位準(zhǔn)確,、提取輪廓邊界連續(xù),、無需后續(xù)處理以及對(duì)初始輪廓設(shè)置不敏感等優(yōu)點(diǎn),可用于執(zhí)行實(shí)際的SAR圖像目標(biāo)輪廓提取任務(wù)。
參考文獻(xiàn)
[1] NOVAK L M, HALVERSEN S D, Effects of polarization and resolution on SAR ATR[J].IEEE Transactions on Aerospace and Electronic System,1997,33(1):102-115.
[2] GERRNAIN O, REFREGIER P. Edge location in SAR  images:Performance of the Likelihood Ratio Filter and Accuracy Improvement with an Active Contour Approach[J]. IEEE Transactions on Image Processing,2001,1(10):72-78.
[3] FIORTOFT R, DELIGNON Y, PIECZYNSKI W, et a1.  Unsupervised classification of radar images using hidden markov chains and hidden markov random fields[J]. IEEE  Transactions on Geoscience and Remote Sensing, 2003,3(41):675-686.
[4] KASS M, WITHIN A. TERZOPOULOS D. Active contour models[J]. International Journal of Computer Vision,1988,1(4):321-331.
[5] LAURENT D, Cohen and Isaac Cohen. Finite-element method for active contour models and balloon for 2-D and  3-D images[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence,1993,11(15):1131-1147.
[6] ZHU S C,YUILLE A. Region competition: unifying snakes,region growing, and bayes/MDL for multiband image segmentation[J]. IEEE Transactions on Pattern Analysis and  Machine Intelligence(0162-8828). 1996, 18(9): 884-900
[7] ROGER F, ARMAND L, PHILIPPE M, et al. An optimal multiedge detector for SAR image segment[J]. IEEE Transactions on Geoscience and Remote Sensing,1988,，36(3):793-802.
[8] 高貴. SAR圖像統(tǒng)計(jì)建模研究綜述[J]. 信號(hào)處理,2009,25(8):1270-1278.
[9] FRERY A C, MULLER H, FREITAS C C, et al. A model for extremely heterogeneous clutter[J]. IEEE Transactions on Geoscience and Remote Sensing,1997,35(3):648-659.
[10] 賀志國(guó), 陸軍, 匡綱要,等. 基于全局活動(dòng)輪廓模型的SAR圖像分割方法[J]. 自然科學(xué)進(jìn)展, 2009,19(3):344-360.