楊洲

摘 要：SAR（合成孔徑雷達(dá)）圖像包含大量相干斑噪聲，用傳統(tǒng)灰度特征提取算法提取其灰度特征，不能有效反映地貌邊緣特征和紋理細(xì)節(jié)，文中提出一種基于聚類的SAR圖像灰度特征提取算法，有效保護(hù)了灰度特征中的邊緣和紋理細(xì)節(jié)，實(shí)驗(yàn)結(jié)果表明，該算法提取的灰度特征值更能接近真實(shí)地貌。

關(guān)鍵詞：聚類；SAR圖像；灰度特征提取

SAR具有全天時、全天候、可穿透云層及地面?zhèn)窝b等特性，常安裝在各類航空航天器上，用途廣泛。SAR圖像內(nèi)容豐富，信息含量大，對SAR圖像的處理和研究一直是熱門課題，其中，SAR圖像灰度特征提取是圖像處理的基礎(chǔ)部分，常用于后期圖像處理的各類算法和應(yīng)用中，其精確度直接影響圖像的分析結(jié)果，文中對SAR圖像的灰度特征提取進(jìn)行了研究，傳統(tǒng)算法提取的灰度特征值，反映不同地貌接合邊緣處以及部分紋理細(xì)節(jié)處的灰度特征值誤差較大，不能有效反映地貌的真實(shí)特征，對后期圖像處理的分割、識別等應(yīng)用造成一定誤判，針對傳統(tǒng)算法存在的不足，文中提出一種基于聚類的灰度特征提取算法，有效提升了不同地貌邊緣處及紋理細(xì)節(jié)處像素灰度特征值精確度，實(shí)驗(yàn)結(jié)果表明了該算法的有效性。

1 傳統(tǒng)算法對SAR圖像的灰度特征提取

SAR圖像灰度特征反映了地物對雷達(dá)波的后向散射特性，不同地物如果具有相同或不同的后向散射特性，在SAR圖像中就有不同或相同的灰度特征，傳統(tǒng)算法利用鄰域統(tǒng)計量提取圖像灰度信息，即計算某一像素點(diǎn)周圍一定范圍內(nèi)像素鄰域的灰度均值和標(biāo)準(zhǔn)差[1]，并以此作為其灰度特征，具體算法為：

設(shè)f（i，j）是SAR圖像第i行第j列的像素灰度值，對于包含n個像素的鄰域窗口W，以像素點(diǎn)f（i，j）為中心的該區(qū)域內(nèi)像素灰度均值EW和標(biāo)準(zhǔn)差？滓W可以通過以下公式求?。?/p>

（1）

（2）

傳統(tǒng)算法中，對窗口W內(nèi)所有像素求取其灰度均值和標(biāo)準(zhǔn)差，計算簡潔方便，效率較高，應(yīng)用于一般的圖像處理中獲得較好的效果，但應(yīng)用在邊緣紋理復(fù)雜、信息含量豐富的SAR圖像中，簡單求取平均值的辦法會損失部分重要的邊緣信息和紋理信息，對圖像的后期分割、識別等應(yīng)用造成誤判。比如：當(dāng)像素點(diǎn)f（i，j）正好處于兩個或多個不同地貌的邊界點(diǎn)上，而這些地貌的灰度值相差較大，則用該算法求出的灰度特征值將偏離實(shí)際結(jié)果，得到不符合真實(shí)地貌邊緣或紋理的灰度特征值。

2 基于聚類的SAR圖像灰度特征提取

為提高SAR圖像中邊緣、紋理處像素點(diǎn)灰度特征值精確度，提出基于聚類的SAR圖像灰度特征提取算法：

已知一幅SAR圖像中有m個像素，Xi（i=1，2，3…m）為其中任意一個像素點(diǎn)，以Xi為中心點(diǎn)的鄰域窗口W有n個像素，Vj（j=1，2，3…n）為W內(nèi)任意一個像素點(diǎn)。

（1）計算Vj與Xi之間的相似度Rij。

（3）

其中i=1，2，3…m； j=1，2，3…n， 為由傳統(tǒng)算法計算得到的W內(nèi)像素標(biāo)準(zhǔn)差。

（2）根據(jù)設(shè)定的閾值改變Rij，當(dāng)Rij小于該閾值時，認(rèn)為這兩個像素不相似，取值0，反之則認(rèn)為兩個像素相似度高，保留該相似度值。

（4）

其中閾值 。

（3）根據(jù)改變的Rij計算Ui。

（5）

其中i=1，2，3…m； j=1，2，3…n，

（4）判斷Ui和Xi是否相等，如果相等則轉(zhuǎn)到步驟（5）結(jié)束循環(huán)，否則令Xi=Ui，返回步驟（1）繼續(xù)循環(huán)。

（5）最終獲取的Xi為其灰度特征值EW，代入公式（2）計算？滓W。

該算法運(yùn)用了聚類思想，即中心點(diǎn)Xi的最終的結(jié)果為與之相似的像素點(diǎn)的灰度均值，而不是傳統(tǒng)算法中整個W窗口的灰度均值。當(dāng)Xi像素點(diǎn)處于SAR圖像中不同地貌邊界處或在細(xì)節(jié)紋理處時，其灰度特征值EW結(jié)果是與之相似的像素點(diǎn)的平均值，實(shí)現(xiàn)了真實(shí)反映地貌邊緣、細(xì)節(jié)特征。

3 實(shí)驗(yàn)結(jié)果與分析

實(shí)驗(yàn)過程對以圖1（a）所示的幅度SAR圖像（圖像大小為256×256像素（美國新墨西哥地區(qū)，ku波段1m分辨率）進(jìn)行處理，原始圖像中含有大量相干斑噪聲，可用一種基于自適應(yīng)縮減原理去噪算法[2][3]對其進(jìn)行去噪處理，再分別用文中算法和傳統(tǒng)算法進(jìn)行灰度特征提取，最后將提取的灰度特征應(yīng)用于模糊C均值聚類算法的SAR圖像分割，對比兩種算法的特征值用于SAR圖像分割后之間的差別。

實(shí)驗(yàn)過程中，將濾波后SAR圖像邊界向外擴(kuò)充2像素并以零填充，為提高運(yùn)算效率，各像素鄰域子塊大小取5×5。ζ取0.99（256灰度級），F(xiàn)CM聚類類別數(shù)取值3，最后分割結(jié)果如圖3所示，為了便于對比，圖中用矩形對這些區(qū)域細(xì)節(jié)有明顯區(qū)別的地方進(jìn)行了標(biāo)注。同時，在分割后的SAR圖像中加上了不同的顏色。

（a）原始圖像 （b）文中算法分割結(jié)果 （c）傳統(tǒng)算法分割結(jié)果

圖1 原始SAR圖像及實(shí)驗(yàn)結(jié)果

對SAR圖像的分割算法及結(jié)果評價方面，目前已提出了很多評價算法，如下評價標(biāo)準(zhǔn)是目前大家都認(rèn)可的準(zhǔn)則：一是在滿足分割精度條件下， 生成對象越大越好， 過分割和欠分割現(xiàn)象越少越好；二是對象輪廓與目標(biāo)邊界越吻合越好；三是所生成的對象數(shù)越少越好。從上面的三條認(rèn)可的準(zhǔn)則可以看出，生成的對象數(shù)越少越好和目標(biāo)邊界越吻合越好這兩條，在實(shí)際的分割應(yīng)用中需取得折衷，原因是目標(biāo)邊界越吻合則造成目標(biāo)數(shù)量的增加，小目標(biāo)就會凸顯出來，從而得到的對象數(shù)目也就增加了。在評價SAR圖像的分割算法的研究中，根據(jù)SAR圖像數(shù)據(jù)量大、成像清晰、目標(biāo)細(xì)小等特點(diǎn)，這兩條的折衷應(yīng)該偏向準(zhǔn)則的第二條，也就是分割的對象輪廓越清晰越好。實(shí)驗(yàn)結(jié)果中，傳統(tǒng)方法分割處理后的SAR圖像的分割結(jié)果中雖然生成的對象較少，但存在嚴(yán)重的欠分割現(xiàn)象，對道路、建筑等重要目標(biāo)存在誤分割，且邊緣效果不理想，文中方法對道路、草地、建筑等目標(biāo)分割效果較好，邊緣清晰，誤分割現(xiàn)象控制比較理想，如圖1（b）中白色矩形框內(nèi)的細(xì)節(jié)部分與圖1（c）相同地域的比較較為明顯，因此，文中提出的算法比傳統(tǒng)算法更符合目前公認(rèn)的三個評判準(zhǔn)則，其分割的結(jié)果是較理想的。

4 結(jié)束語

文中提出的基于聚類思想SAR圖像灰度特征提取算法，通過實(shí)驗(yàn)并運(yùn)用FCM聚類分割的結(jié)果進(jìn)行了對比，直觀的顯示文中提出算法在圖像分割精確度上的優(yōu)越性，但傳統(tǒng)算法在計算效率方面更勝一籌，因此，今后有必要進(jìn)一步研究該算法的運(yùn)算效率，有效提升處理運(yùn)行速度，為SAR圖像處理提供更精確更高效的計算方法。

參考文獻(xiàn)

[1]劉迎春，宋建社，鄭永安.SAR圖像識別提取與選擇特征[J].航空計算技術(shù)，2003，33（4）：55-58.

[2]Pi■urica A，Philips W，Lemahieu I，etc. Despeckling SAR iImages using wavelets and a new class of adaptive shrinkage estimators [C]// Proc ICIP ： New York ： IEEE ，2001：233-236.

[3]孫強(qiáng)，焦李成，侯彪.統(tǒng)計先驗(yàn)指導(dǎo)的非下采樣Contourlet變換域SAR圖像降斑[J].西安電子科技大學(xué)學(xué)報：自然科學(xué)版，2008，35（1）：14-21.