SAR图像分割算法研究
资料包括： 论文(51页28120字) 图纸
说明：
摘 要：合成孔径雷达(SAR)是一种主动式微波遥感器，能够对各种目标以很高的分辨率成像，而且几乎不受任何天气的影响，因此在国民经济和军事领域中都有着广泛的应用。近年来，随着SAR技术的飞速发展，SAR图像的自动目标识别变得越来越重要，这就需要首先对SAR图像进行准确的分割。
SAR图像的成像原理决定了图像中存在大量的斑点噪声，这种相干斑噪声给图像分割带来了很大困难，本文利用基于边缘信息的小波变换去噪方法去除SAR图像相干斑噪声，得到去噪后的SAR图像然后进行分割。同时本文还结合支持向量机理论，给出了一种基于SVM的小波SAR图像去噪算法，根据实验结果可以看出此方法的滤波平滑效果优于基于边缘信息的小波变换去噪方法。
在图像分割算法方面，首先对一些当前常用的、经典的图像分割算法进行了总结，在此基础上给出了两种改进的SAR图像分割算法。一种是基于边缘信息和遗传算法的最佳阈值SAR图像分割方法，该方法是对去噪后的SAR图像进行分割，采用遗传算法确定图像的最佳阈值，根据图像边缘检测的结果，在图像边缘位置采用局部阈值分割，图像的其它位置采用遗传算法确定最佳阈值进行分割。结果表明，在设定了合适的遗传算子后，该算法可以实现正确的图像分割，同时由于引入边缘信息使得分割更精确，而遗传算法使得分割速度提高。另一种是基于SVM和纹理特征的SAR图像分割方法，该方法是直接对含噪SAR图像进行分割，首先利用小波变换提取SAR图像的纹理特征，通过计算图像的灰度均值，作为图像的灰度特征，然后用完全无监督的聚类算法进行分类，最后将特征值与类别标记作为支持向量机的训练样本，用训练后的分类器对图像进行分割。最后为验证本文算法的有效性，我们对比了几种分割方法处理同一幅SAR图像的效果，经过比较发现，本文所给出的方法无论从分割的准确性方面还是抗噪性方面都优于很多现有的分割方法。
关 键 词: SAR图像分割；小波变换；相干斑去除；边缘检测；遗传算法；阈值；SVM
ABSTRACT ：Synthetic aperture radar (SAR) is a kind of coherent microwave sensor. With its ability to image any targets on the earth，together with high resolution under nearly all weather conditions, it has been widely applied to national economic fields and military reconnaissance fields. In recent years, with the rapid development of SAR satellite astronomy technique, automatic target recognition of SAR image is becoming more and more important, which needs to exactly segment SAR image.
According to its coherent imaging principle, the multiplicative nature of the speckle noise in SAR images is a big problem in SAR image segmentation. In the thesis, a good method based on wavelet transform to de-noise image points except the edge points was used. The method removes speckle noises of SAR image in effect, at the same time remaining the edge better. Another image de-noising method based on SVM (Support Vector Machine) and wavelet transform was proposed, the results prove that the method removes speckle noises of SAR image in effect.
As regards image segmentation, we summarize many algorithms which have been presented in the literature. Those algorithms are to some extent successful. And then two improved segmentation methods of SAR image are proposed. First, the edge detection and the genetic algorithm are used in the SAR image segmentation. GA is used to get the best threshold of image segmentation. We accord the result of edge detection to segment the edge part of SAR image with local threshold ，and the other part of SAR image with the best threshold. The result of experiment shows that the improved algorithm can improve greatly the speed and get the better quality than the traditional algorithm. Second, we proposed a SAR image segmentation based on SVM and the characteristic of texture of SAR image. In the method, the texture features are distilled with wavelet, the regional gray-level of the mean is used to extract gray-level features, and then an unsupervised clustering algorithm is used for classification. The energy of region and labels were taken as training data of SVM. In the end, image segmentation was performed using SVM classifier. In order to demonstrate the effectiveness of the improved method, we contrast several segmentation results on SAR image. The experimental results show that the method is feasible and accurate under noise distributions.
Keywords: SAR image segmentation Wavelet transform speckle filtering Edge- detection Genetic Algorithm Threshold SVM
1 绪论
合成孔径雷达(Synthetic Aperture Radar,SAR)作为对地观测的遥感传感器，起源于20世纪50年代，其原理是通过飞行载体的运动形成巨大的雷达虚拟天线，将接收到的地表后向散射信号转变为雷达图像数据。作为一种主动式微波传感器，SAR可以全天候、全天时大面积获取高分辨率的地表图像数据，且不受烟尘、云雾限制，有着广泛的应用前景和发展潜力，成为各工业发达国家普遍关注的对地观测手段。在农业方面的收成测绘、农作物监测、地界区分，林业方面的植被区分、采伐监视、资源测绘，水利方面的洪水检测、流域测绘，测绘学方面如海洋监测、地貌测绘，以及军事方面的目标提取和识别、地图绘制等众多领域得到了广泛的应用，在处于信息时代的当今社会中发挥着越来越重要的作用。
1 绪论1
1.1 研究目的及意义1
1.2 研究现状与发展趋势2
1.3 论文的主要工作及内容安排3
2 SAR及SAR图像的基本特性4
2.1 合成孔径雷达4
2.2 SAR图像相干斑噪声6
2.2.1 数据收集6
2.2.2 SAR图像相干斑噪声形成6
2.3 SAR图像斑点统计特性7
2.3.1 乘性模型7
2.3.2 统计指标8
2.4 SAR图像处理概述9
3 SAR图像去噪11
3.1 小波变换基本原理11
3.1.1 连续小波变换11
3.1.2 离散小波变换12
3.1.3 小波重构13
3.1.4 二维离散小波变换14
3.1.5 图像的小波变换14
3.2 小波基16
3.2.1 小波基的性质16
3.2.2 常用的小波基16
3.3 基于小波变换的SAR图像去噪方法17
3.3.1 小波去噪方法18
3.3.2 SAR图像去噪19
3.4 基于SVM的小波变换SAR图像去噪方法21
3.4.1 SVM理论21
3.4.2 基于SVM的小波SAR图像去噪23
3.4.3 实验结果及分析23
4 SAR图像分割25
4.1 图像分割25
4.1.1 图像分割定义25
4.1.2 图像分割的方法26
4.2 SAR图像分割方法28
4.3 基于边缘信息和遗传算法的最佳阈值SAR图像分割方法28
4.3.1 遗传算法28
4.3.2 小波变换模极大值SAR图像边缘检测方法32
4.3.3 对SAR图像进行分割的实现过程33
4.3.4 实验及结果分析34
4.4 基于SVM和纹理特征的SAR图像分割方法35
4.4.1 计算特征值35
4.4.2 对SAR图像进行分割的实现过程37
4.4.3 实验及结果分析37
4.5 图像分割评价39
5 总结41
致 谢42
参考文献43
附 录46
参考文献：
何建锋，田国良．全方向增强局域统计自适应滤波器在平滑雷达图象斑点噪声中的应用．中国图象图形学报，1996，1(2)：115~122．
曹兰英，夏正良，张昆辉．基于小波域MRF模型的SAR图象分割．东南大学学报，2004，34(6)：847~850．
王志勇．SAR斑点噪声滤除软件化方法研究．山东科技大学，2004．
宋建社，袁礼海，薛文通．SAR 图像处理的最新研究与应用．遥感技术与应用，2002，17（5）：284~288．
刘振华，毛士艺，袁运能．SAR图像组合分割算法．电子学报，2003，31(6)：833~836．
汪西莉，刘芳，焦李成．一种分层马尔可夫图像模型及其推导算法．软件学报，2003，14(9)：1558~1563．
R.Cook．MUM segmentation for SAR images．Proc.SPIE.，1994，2316．
Y.Dong，B.C.Forster．Segmentation of radar imagery using Gaussian markov random field models and wavelet and transform technique．IGARSS’ 97，1997：2054~2056．
C.Lemarechal，R.Fjortoft．SAR images segmentation by morphological methods．SPIE，1998，3497：111~121．
R.W.Ives，P.Eichel．Application of pixel segmentation to the low rate compression of complex SAR imagery．IGRSS’98，1998：1064~1067．
H.Derin，P.Kelly．Modeling and segmentation of speckled images using complex data．IEEE Trans.on Geosci.Remote Sensing，1990，28(1)：76~87．
V.Venkatachalam，H.Choi.Multiscale．SAR image segmentation using wavelet- domain hidden markov tree model．SPIE，1998，3497：141~151．
Leen-Kiat Soh and Costas tsatsoulis．Segmentation of satellite imagery of natural scenes using data mining[J]．IEEE Trans. on Geoscience and Remote Sensing，1999，37(2)：1086~1099．
Venkatachalam V，Nowak R，Baraniuk R，and Figueiredo M A T．Unsupervised SAR image segmentation using recursive partitioning [A]．Proc. SPIE Conf. on Algorithms for Synthetic Aperture Radar Imagery [C]，Orlando，FL,United States，2000，4053： 467~472．
[15] Fjortoft R，Lopès A，Marthon P，and Cubero-Castan E．An optimal multiedge detector for SAR image segmentation[J]．IEEE Trans. on Geosci. Remote Sensing，1998，36(3)：793~802．
[16] 唐伶俐等．星载SAR图像斑点噪声消除方法效果的比较研究．环境遥感，1996．
[17] 王志勇．SAR斑点噪声滤除软件化方法研究．山东科技大学，2004．
[18] 乐宋进，武和雷，胡泳芬．图像分割方法的研究现状与展望.南昌水专学报，2004，23（2）：15~20．
[19] 雷静．支持向量机在基于边缘检测的图像分割和函数估计中的应用[M]．河北：河北工业大学，2003．
[20] 魏钟铨等著．合成孔径雷达卫星．科学出版社，2001．
[21] Henri Maitre编，孙洪等译．合成孔径雷达图像处理.北京：电子工业出版社，2005．
[22] 彭祥龙．基于马尔可夫随机场的SAR图像复原和分割．四川：电子科技大学，2003．
[23] 郭华东等著．雷达对地观测理论与应用．北京：科学出版社，2000．
[24] Arseoault H H,April G．Properties of speckle integrated with a finite aperture and logarithmically transformed[J]．Joumal of the Optical Society of America，1976，66(11)．
[25] 郦苏丹．SAR图像特征提取与目标识别方法研究[D]．湖南：国防科学技术大学，2001．
[26] 邓炜．SAR图像处理方法研究[D]．陕西：西北工业大学，2000．
[27] 冯宪澄．基于MPI的并行小波图像分割研究[D]．浙江：浙江工业大学，2005．
[28] 高守传，姚领田等编著．Visual C++实践与提高．北京：中国铁道出版社,2006．
[29] Marc Antonini，Michel Barlaud，PierreMathieu，etc.Image Coding Using Wavelet Transform.IEEE Transactions on Image Processing，1992，11(2)：205~220．
[30] 姚敏等著．数字图像处理．北京：机械工业出版社，2006．
[31] E.Rignot，R. Chellappa．Segmentation of polarimetric synthetic aperture radar data．IEEE Trans. Image Processing，1992，1：281~300．
[32] 胡召玲，郭达志，盛业华．基于小波纹理信息的星载SAR图像分类研究．遥感信息，2000，4：21~23．
[33] 谭衢霖，邵芸．雷达遥感图象分类新技术发展研究．国土资源遥感，2001，49(3)．
[34] 毛新宏．SAR图像消斑和分割算法研究．西安：西安电子科技大学，2005．
[35] 柯永振，张加万，孙济洲，张怡，周小舟．结合支持向量机与C均值聚类的图像分割．计算机应用．2006，26 (9)：2081~2083．
[36] 薛笑荣，张艳宁，赵荣椿，段锋．基于小波变换的SAR图像分割．计算机工程．2004，30(7)：11~12．
[37] Ali El Zaart，Djemel Ziou，Shengrui Wang，etc．Segmentation of SAR images．Pattern Recognition，2002，35：713~724．
[38] 彭丽娟．SAR图像去噪及分割[M]．陕西：西安科技大学，2006．
[39] P.C.Smits，S.G.Dellepiane．Discontinuity adaptive MRF model for remote sensing image analysis． Proceedings of the 1997 IEEE International Geoscience and Remote Sensing Symposium，IGARSS 97，1997．
[40] 杨晖，曲秀杰．图像分割方法综述．电脑开发与应用，2005，18(3)：21~23．
[41] P. Lombardo，C. J.Oliver．Maximum likelihood approach to the detection of changes between multitemporal SAR images． IEEE Pro. Radar， Sonar Navig，2001，148(4)．
[42] 侯彪，刘芳，焦李成．激光与红外．2004．34(1)：46~49．
[43] 章毓晋．图象分割．北京：科学出版社，2001．
[44] 李映，史勤峰，张艳宁，赵荣椿．SAR图像的自动分割方法研究．电子与信息，2006，28(5)：932~935．
[45] 王志明，蒋加伏，唐贤瑛.基于SVM的小波去噪方法.湖南科技学院学报．2005，26(5)：157~159．
[46] 曹兰英，夏正良，张昆辉．基于小波域MRF模型的SAR图象分割．东南大学学报，2004，34(6)：847~850．
[47] 何勇．分形方法在SAR图像区域分割中的应用[D] ．湖北：武汉大学，2004．
作者点评：
SAR由于其全天候、全天时大面积获取高分辨率的地表图像数据，且不受烟尘、云雾限制等特点，目前不仅在军事侦察方面，其在民用和工业上的用途也十分广泛。随着新型成像雷达技术的蓬勃发展，雷达遥感获取的目标信息将越来越多，如何最有效地利用雷达遥感提供的新信息和新的研究理论来实现SAR图像的信息提取和解译，是当前有待解决的关键问题，因此作为图像识别和图像理解的前提步骤，图像分割也就显得至关重要了。
本文在前人所做工作的基础上，根据SAR成像的特点，就SAR图像去噪、边缘检测及SAR图像分割等进行了研究。具体包括如下内容：
(1) 由于小波变换在图像去噪、边缘检测方面有突出的表现，因此本文使用了小波变换对SAR图像进行去噪和边缘检测。同时把小波变换和SVM结合起来，给出了基于SVM的小波SAR图像去噪方法，实验结果表明，该方法有很好的滤波去噪效果。
(2) 研究并总结了当前的图像分割算法。给出了两种改进的SAR图像分割算法，一种基于边缘信息和遗传算法的最佳阈值SAR图像分割方法，另一种是基于SVM和纹理特征的SAR图像分割方法。
从SAR图像的分割结果可以看出，本文所研究的分割方法是行之有效的，前一种分割方法由于保留了边缘信息所以在分割准确性方面有一定的优势，而后一种方法的抗噪性很强。但本文还有很多不足和需要改进的地方：
(1) 关于去噪和边缘检测方面没有做太深入的研究；
(2) 支持向量机方法被看作是对传统学习分类方法的一个好的替代，特别在小训练样本、高维情况下，具有较好的泛化性能。虽然在本文中给出了基于SVM的去噪及分割方法，但还只是简单的应用，没能做很深入的研究，在去噪没太多考虑边缘细节，分割算法实验中只实现了单目标分割，多目标的分割还有待进一步研究。
(3) 现有的很多分割方法都是先对SAR图像进行去噪，然后再进行图像分割，因此在去噪的过程中就不可避免的损失了一定的图像信息，这在很多情况下是得不偿失的，所以研究直接针对含有相干斑噪声的SAR图像处理算法仍是以后的一个趋势。