sar圖像邊緣檢測(cè)問(wèn)題研究

sar圖像邊緣檢測(cè)問(wèn)題研究

1sar圖像邊緣檢測(cè)算子圖像的邊緣是視覺(jué)感知的重要標(biāo)志。邊緣檢測(cè)廣泛應(yīng)用于輪廓提取、特征匹配和紋理分析等領(lǐng)域。在Marr的計(jì)算機(jī)視覺(jué)系統(tǒng)中,圖像邊緣檢測(cè)占據(jù)著重要位置,它位于系統(tǒng)的最底層,為其他模塊所依賴(lài),其性能在很大程度上影響著一系列處理的整體效果。合成孔徑雷達(dá)(syntheticapertureradar,SAR)具有高分辨率、全天候、全天時(shí)等優(yōu)點(diǎn),其圖像的應(yīng)用研究已成為該領(lǐng)域的研究熱點(diǎn)。目前國(guó)內(nèi)外正在廣泛開(kāi)展SAR圖像目標(biāo)的自動(dòng)識(shí)別研究,例如識(shí)別橋梁、公路、機(jī)場(chǎng)等。而邊緣檢測(cè)是開(kāi)展這方面研究的基礎(chǔ),所以研究SAR圖像的邊緣檢測(cè)具有非常重要的意義。景物目標(biāo)的邊緣反映在圖像上就是灰度的變化,灰度變化有多種形式,最基本的是圖1(a)所示的理想化模型,依據(jù)這個(gè)模型生成的理想邊緣是一組相連像素的集合,每個(gè)像素都處在灰度級(jí)躍變的一個(gè)垂直的臺(tái)階上。然而實(shí)際上,成像系統(tǒng)、取樣和其他圖像采集的不完善性使得得到的邊緣是模糊的;對(duì)于SAR圖像來(lái)說(shuō),由成像機(jī)制導(dǎo)致的乘性相干斑噪聲還會(huì)進(jìn)一步造成邊緣的惡化。圖1(b)是實(shí)測(cè)SAR圖像邊緣的一條水平灰度剖面線,乘性噪聲模糊了相鄰區(qū)域的對(duì)比度,使得相鄰區(qū)域的躍變趨于平緩,邊緣處出現(xiàn)了一個(gè)明顯的過(guò)渡帶,不再是理想情況下的單像素邊緣,因此難以確定邊緣的準(zhǔn)確位置。同樣是由于相干斑的影響,圖像上原本具有常數(shù)后向散射系數(shù)的均勻同質(zhì)區(qū)域的灰度并不均勻,而是圍繞著某一均值隨機(jī)起伏,導(dǎo)致均勻區(qū)域出現(xiàn)類(lèi)似于邊緣的灰度躍變,且區(qū)域灰度均值越大,躍變的幅度越大,這是造成經(jīng)典邊緣檢測(cè)方法不適用于SAR圖像的主要原因。因?yàn)榻?jīng)典的基于梯度的邊緣檢測(cè)算法通常依賴(lài)于這樣一個(gè)假設(shè):圖像受加性噪聲污染;但SAR圖像的噪聲是乘性的,梯度算子用于SAR圖像得到的邊緣檢測(cè)結(jié)果不是恒虛警的,而是隨著圖像局部強(qiáng)度均值的變化而變化,這樣就容易在亮區(qū)檢測(cè)出虛假邊緣,而在暗區(qū)則丟失很多真實(shí)邊緣。為了解決這個(gè)問(wèn)題,必須研究專(zhuān)門(mén)針對(duì)SAR圖像乘性噪聲的邊緣檢測(cè)算子。所以,從20世紀(jì)80年代開(kāi)始,研究者們?cè)谶@一領(lǐng)域展開(kāi)了深入的研究,取得了很大的進(jìn)展。早期的適用于雷達(dá)圖像的邊緣檢測(cè)器是方差系數(shù)檢測(cè)器和Frost等人提出的一種似然比檢測(cè)器,這兩種檢測(cè)器都是各向同性的恒虛警檢測(cè)器。1988年,Touzi等人和Bovik等人分別提出了兩種均值比(ratioofaverages,ROA)檢測(cè)器,這類(lèi)檢測(cè)器克服了經(jīng)典梯度邊緣檢測(cè)器對(duì)乘性噪聲非常敏感的缺點(diǎn),同時(shí)考慮到了邊緣的方向性,獲得較好的檢測(cè)效果。此后的幾年中,研究者們陸續(xù)提出了MROA(modifiedratioofaverages)、RGOA(ratioandgradientofaverages)和MSP-ROA(maximumstrengthedgeprunedratioofaverages)等以ROA為基礎(chǔ)的檢測(cè)器。1996年,Oliver等人提出了一種考慮邊緣方向性的似然比檢測(cè)算法,他們特別強(qiáng)調(diào)了SAR圖像邊緣定位精確度的問(wèn)題,此后這一問(wèn)題也受到越來(lái)越多的研究人員的關(guān)注。1997年,Lopès和Fj?rtoft等人組成的研究小組提出了指數(shù)加權(quán)均值比(ratioofexponentiallyweightedaverages,ROEWA)檢測(cè)器和多分辨率邊緣檢測(cè)方法,他們系統(tǒng)研究了多種SAR圖像邊緣檢測(cè)方法,最終總結(jié)出一個(gè)完整的SAR圖像邊緣檢測(cè)與分割算法的框架。Touzi、Oliver、Lopès和Fj?rtoft等人的研究工作代表了自20世紀(jì)80年代中后期至20世紀(jì)90年代末SAR圖像邊緣檢測(cè)研究領(lǐng)域的主流方向,他們提出的3種主要邊緣檢測(cè)器在應(yīng)用中取得了很大的成功。同時(shí)期也有其他一些邊緣檢測(cè)方法被提出,如基于分形的方法、無(wú)參數(shù)檢測(cè)方法等,但是這些方法的后繼研究很少,在實(shí)際應(yīng)用中也較少采用。20世紀(jì)90年代末以后,一方面,多分辨率的思想逐漸受到人們的關(guān)注,多種基于小波分析的SAR圖像邊緣檢測(cè)方法相繼被提出[11,12,13,14,15,16],這類(lèi)方法在SAR圖像海岸線提取等應(yīng)用中取得不錯(cuò)的效果;另一方面,基于進(jìn)化計(jì)算等智能方法的邊緣檢測(cè)器也豐富了SAR圖像邊緣檢測(cè)的內(nèi)容。此外,邊緣定位仍然是研究熱點(diǎn)之一,Germain等人通過(guò)建模分析了邊緣定位不準(zhǔn)的原因,并提出基于統(tǒng)計(jì)主觀輪廓的定位方法。本文對(duì)SAR圖像邊緣檢測(cè)的問(wèn)題進(jìn)行了系統(tǒng)的研究,對(duì)近年來(lái)邊緣檢測(cè)的研究狀況進(jìn)行了分析和總結(jié),對(duì)邊緣檢測(cè)、邊緣定位、邊緣檢測(cè)性能定量評(píng)估的基本思想和方法進(jìn)行了探討,并對(duì)邊緣檢測(cè)的進(jìn)一步發(fā)展提出了展望。2邊緣檢測(cè)算法邊緣像素實(shí)際上是局部圖像范圍內(nèi)灰度的急劇變化點(diǎn)(奇異點(diǎn)),圖像邊緣就是2維圖像中奇異點(diǎn)的集合。類(lèi)似于文獻(xiàn)中建立的邊緣模型,對(duì)于SAR圖像,1維有噪邊緣S(x)可以表示為S(x)=Cu(x)*n(x)(1)S(x)=Cu(x)*n(x)(1)其中,C是常數(shù),u(x)表示單位階躍函數(shù),n(x)是乘性噪聲。本質(zhì)上說(shuō),邊緣檢測(cè)是在有噪邊緣上卷積一個(gè)濾波器f(x),卷積結(jié)果O(x0)的局部極大值就是邊緣所在的位置,其中Ο(x0)=∫+∞-∞S(x)f(x0-x)dx(2)O(x0)=∫+∞?∞S(x)f(x0?x)dx(2)不同的邊緣檢測(cè)器的區(qū)別在于其濾波器形式的不同。對(duì)于SAR圖像邊緣檢測(cè)研究來(lái)說(shuō),需要解決的問(wèn)題就是設(shè)計(jì)能檢測(cè)出局部極大值的濾波器,同時(shí)由于乘性噪聲的影響,檢測(cè)方法應(yīng)該有區(qū)分分別對(duì)應(yīng)真實(shí)邊緣點(diǎn)和虛警的局部極大值的能力。3局部窗口模型經(jīng)過(guò)20多年的研究,人們已提出多種針對(duì)SAR圖像的邊緣檢測(cè)方法,主要的方法分為4類(lèi):基于單邊緣模型的方法、基于多邊緣模型的方法、多分辨率的方法以及其他方法。前兩類(lèi)方法一般采用一個(gè)固定尺寸的局部窗口進(jìn)行檢測(cè),對(duì)分析窗口內(nèi)的邊緣模型作了不同的假定;后兩類(lèi)方法通常沒(méi)有這種限制。對(duì)于每一類(lèi)方法,則按檢測(cè)方法的相似性進(jìn)一步歸納為不同的子類(lèi)方法:基于單邊緣模型的檢測(cè)方法分為以ROA檢測(cè)器為代表的基于局部均值差異的檢測(cè)方法和以廣義似然比(generalizedlikelihoodratio,GLR)檢測(cè)器為代表的假設(shè)檢驗(yàn)方法;基于多邊緣模型的檢測(cè)方法主要是以ROEWA檢測(cè)器為代表的線性濾波器;多分辨率方法分為多分辨率GLR檢測(cè)方法和基于小波分析的方法;最后一類(lèi)是近年來(lái)出現(xiàn)的一些新方法。圖2詳細(xì)描述了這種分類(lèi)層次。3.1分析窗內(nèi)為單邊緣基于單邊緣模型的檢測(cè)方法通常采用局部加窗檢測(cè)的方式,并且假定分析窗內(nèi)為單邊緣,圖3(a)是其1維模型。根據(jù)檢測(cè)方法的不同,基于單邊緣模型的邊緣檢測(cè)方法主要有以ROA檢測(cè)器為代表的基于局部均值差異的方法和以GLR檢測(cè)器為代表的假設(shè)檢驗(yàn)的方法。3.1.1roa邊緣檢測(cè)ROA檢測(cè)器是適用于SAR圖像邊緣檢測(cè)的一類(lèi)重要方法,它主要是基于局部均值對(duì)比度的差異:在目標(biāo)像素點(diǎn)兩側(cè)設(shè)置兩個(gè)窗口,計(jì)算兩個(gè)窗口內(nèi)像素均值R^1R?1和R^2R?2之比。Bovik將檢測(cè)算子定義為R=max(R^1R^2,R^2R^1)R=max(R?1R?2,R?2R?1),當(dāng)目標(biāo)像素點(diǎn)的R值大于預(yù)設(shè)的門(mén)限時(shí),確定該點(diǎn)為邊緣點(diǎn)。Touzi等人對(duì)均值比進(jìn)行了歸一化,定義檢測(cè)算子為R=min(R^1R^2,R^2R^1)R=min(R?1R?2,R?2R?1),當(dāng)目標(biāo)像素點(diǎn)的R值小于預(yù)設(shè)的門(mén)限時(shí),確定該點(diǎn)為邊緣點(diǎn)。這兩種檢測(cè)器可以視為最基本的ROA邊緣檢測(cè)器。ROA檢測(cè)器的檢測(cè)性能不隨圖像強(qiáng)度的變化而變化;在強(qiáng)度圖像服從Gamma分布且斑紋不相關(guān)的假設(shè)下,ROA邊緣檢測(cè)的虛警率與目標(biāo)像素點(diǎn)兩側(cè)區(qū)域的均值無(wú)關(guān),而與均值比有關(guān),因此是一種恒虛警邊緣檢測(cè)器,這一點(diǎn)對(duì)SAR圖像邊緣檢測(cè)來(lái)說(shuō)是至關(guān)重要的。此外,虛警率與均值比門(mén)限以及檢測(cè)率與均值比門(mén)限之間的解析關(guān)系是可以推導(dǎo)的,因此,在實(shí)際應(yīng)用時(shí),可以根據(jù)設(shè)定的虛警率計(jì)算均值比的檢測(cè)門(mén)限。在基本ROA檢測(cè)器的基礎(chǔ)上,人們根據(jù)不同的應(yīng)用需要發(fā)展出一些新的邊緣檢測(cè)器,如適用于橋梁檢測(cè)的結(jié)合梯度信息的MRGOA邊緣檢測(cè)器等;ROA邊緣檢測(cè)思想還為多種SAR圖像線特征檢測(cè)器奠定了基礎(chǔ),尤其是Geling等人提出的線特征檢測(cè)器能有效檢測(cè)出SAR圖像上的細(xì)線,這是一般的邊緣檢測(cè)器難以實(shí)現(xiàn)的。和均值比一樣,均值差也是區(qū)域差異的一種度量方式,從而可用于邊緣檢測(cè)。但為了保證SAR圖像邊緣檢測(cè)的恒虛警率,要對(duì)均值差進(jìn)行歸一化處理或者使用對(duì)數(shù)圖像的均值之差,這是與經(jīng)典梯度算子的不同之處。Oliver等人提出的歸一化均值差檢測(cè)器與ROA檢測(cè)器有極為相似的檢測(cè)性能;Oller等人提出了一種帶符號(hào)的均值差與最小均值比率算子,其符號(hào)可用于估計(jì)邊緣的方向。3.1.2glr檢測(cè)算法基于假設(shè)檢驗(yàn)的邊緣檢測(cè)是SAR圖像邊緣檢測(cè)的另一類(lèi)重要方法,其中以似然比檢驗(yàn)方法最有代表性,其基本思想是將邊緣檢測(cè)問(wèn)題視為假設(shè)檢驗(yàn)問(wèn)題,即在以目標(biāo)像素為中心的窗口內(nèi)作“存在邊緣”和“同質(zhì)區(qū)域”的假設(shè),當(dāng)這兩個(gè)假設(shè)的似然比大于預(yù)設(shè)的門(mén)限時(shí),“同質(zhì)區(qū)域”的假設(shè)被拒絕,認(rèn)為窗口內(nèi)存在邊緣,目標(biāo)像素為邊緣像素。由于似然比檢測(cè)器只能用于窗口內(nèi)統(tǒng)計(jì)參數(shù)(主要是假設(shè)為同一均勻區(qū)域的散射系數(shù))已知的情況,因此通常它只具有理論上的意義。實(shí)際中使用的是Oliver等人在假設(shè)強(qiáng)度圖像服從單視Gamma分布且斑紋不相關(guān)的前提下推導(dǎo)出來(lái)的GLR檢測(cè)器,它用統(tǒng)計(jì)參數(shù)的最大似然估計(jì)(這里是均值)代替了真實(shí)值,得到如下廣義似然比表達(dá)式:λ^=Ν0lnR^0-Ν1lnR^1-Ν2lnR^2(3)λ?=N0lnR?0?N1lnR?1?N2lnR?2(3)其中,N1,N2和R^1,R^2R?1,R?2分別表示目標(biāo)像素兩側(cè)區(qū)域的像素個(gè)數(shù)與均值估計(jì),N0和R^0R?0表示兩側(cè)區(qū)域總的像素個(gè)數(shù)與總體均值估計(jì)。當(dāng)目標(biāo)像素點(diǎn)兩側(cè)區(qū)域大小相同時(shí),該檢測(cè)器能獲得最高的檢測(cè)率。這種GLR檢測(cè)器也是恒虛警檢測(cè)器;與ROA檢測(cè)器類(lèi)似,可以根據(jù)給定虛警率求得相應(yīng)的似然比門(mén)限。然而,無(wú)論是Oliver等人的GLR邊緣檢測(cè)器還是ROA邊緣檢測(cè)器,都是在假定像素間無(wú)相關(guān)性的條件下提出的,當(dāng)像素間相關(guān)性較強(qiáng)時(shí),這兩種檢測(cè)器都無(wú)法獲得理論上的最優(yōu)檢測(cè)結(jié)果。Fj?rtoft等人基于這種考慮,將GLR檢測(cè)器用于復(fù)數(shù)據(jù),他們首先用白化濾波器估計(jì)分析窗中每個(gè)區(qū)域的散射系數(shù),然后將估計(jì)值代入似然比檢驗(yàn)過(guò)程,使用白化濾波器主要是為了去除像素間的相關(guān)性,因此這種檢測(cè)方法是考慮斑紋相關(guān)情況下的最優(yōu)檢測(cè)器。除了GLR檢測(cè)器,Student-t檢驗(yàn)也可用于邊緣檢測(cè),但是這種方法主要是用來(lái)推斷窗口內(nèi)不同區(qū)域的像素是否服從同一高斯分布,因此可能更適用于SAR幅度數(shù)據(jù)而不是強(qiáng)度數(shù)據(jù),因?yàn)閺?qiáng)度數(shù)據(jù)服從Gamma分布,而幅度數(shù)據(jù)服從Rayleigh分布,后者能更快地收斂到高斯分布。Borghys等人將Hotelling-T2檢驗(yàn)引入單視、全極化SAR圖像的邊緣檢測(cè)。這種方法的優(yōu)點(diǎn)在于它將不同通道的信息作為一個(gè)輸入,利用Hotelling-T2這種多變量檢驗(yàn)衡量均值差,而不是簡(jiǎn)單地融合各個(gè)極化通道的邊緣檢測(cè)結(jié)果,同時(shí)檢驗(yàn)還利用了數(shù)據(jù)集的協(xié)方差矩陣,即考慮到不同通道的相關(guān)性,因此檢測(cè)結(jié)果優(yōu)于單極化圖像邊緣檢測(cè)結(jié)果以及多個(gè)極化通道邊緣檢測(cè)融合的結(jié)果。Beauchemin等人提出了基于Wilcoxon-Mann-Whitney統(tǒng)計(jì)量的無(wú)參數(shù)邊緣檢測(cè)器,其特點(diǎn)是不需要SAR圖像視數(shù)等參數(shù)。Bors等人從幅度圖像統(tǒng)計(jì)分布模型的角度出發(fā),提出基于Rayleigh-Bessel分布的邊緣檢測(cè)方法,其本質(zhì)上仍然是一種最大似然估計(jì)的方法,該方法的缺點(diǎn)是需要進(jìn)行多個(gè)參數(shù)估計(jì),參數(shù)估計(jì)的準(zhǔn)確度會(huì)影響邊緣檢測(cè)的性能。3.2個(gè)多邊緣模型ROA和GLR等基于單邊緣模型的檢測(cè)器在檢測(cè)時(shí)對(duì)分析窗作了存在單邊緣的限制性假設(shè),而為了保證得到可靠的檢測(cè)結(jié)果,在計(jì)算時(shí)往往又采用較大的窗口。對(duì)于大多數(shù)場(chǎng)景類(lèi)型來(lái)說(shuō),大窗口很有可能同時(shí)包含多條邊緣,這與單邊緣的假設(shè)是矛盾的。Fj?rtoft等人針對(duì)單邊緣檢測(cè)器的這一缺陷,建立了一個(gè)多邊緣模型(如圖3(b)所示),根據(jù)這個(gè)模型,他們?cè)O(shè)計(jì)了一種基于線性最小均方誤差的指數(shù)平滑濾波器,由這種濾波器估計(jì)檢測(cè)窗口內(nèi)的局部均值不是和ROA檢測(cè)器一樣的算術(shù)均值,而是根據(jù)一定權(quán)值計(jì)算出來(lái)的均值,因此該檢測(cè)器稱(chēng)為指數(shù)加權(quán)均值比(ROEWA)檢測(cè)器。1維情況下,指數(shù)平滑濾波器的表達(dá)式為f(x)=Cexp(-α|x|)(4)f(x)=Cexp(?α|x|)(4)其中,C是一個(gè)歸一化的常數(shù),α是濾波系數(shù)。對(duì)于斑紋不相關(guān)的強(qiáng)度數(shù)據(jù),ROEWA檢測(cè)器是最小均方意義下的最優(yōu)檢測(cè)器,它也是恒虛警的。Paillou提出了在形式上與ROEWA非常相似的線性濾波器:fp(x)=-Cexp(-α|x|)sinh(ωx)(5)C>0,α>0,ω>0fp(x)=?Cexp(?α|x|)sinh(ωx)(5)C>0,α>0,ω>0其中,C是一個(gè)歸一化的常數(shù),α和ω是濾波系數(shù)。與ROEWA檢測(cè)器相比,其特點(diǎn)是對(duì)斑紋噪聲不敏感,而ROEWA的定位性能較好。3.3glr邊緣檢測(cè)方法SAR圖像多分辨率邊緣檢測(cè)方法的提出最初也是為了克服單邊緣模型的局限性,這類(lèi)方法通常對(duì)邊緣模型沒(méi)有作具體的假定或者通過(guò)采用不同尺寸的窗口來(lái)弱化邊緣假設(shè)的限制。Fj?rtoft等人提出的多分辨率GLR邊緣檢測(cè)方法,根據(jù)給定的虛警率,采用不同尺寸的窗口和相應(yīng)的門(mén)限檢測(cè)邊緣,用大窗口檢測(cè)出大區(qū)域的弱邊緣,用小窗口檢測(cè)出小區(qū)域的強(qiáng)邊緣,融合不同尺度的檢測(cè)結(jié)果實(shí)現(xiàn)多邊緣檢測(cè)。這種思想同樣可以推廣到ROA等其他局部檢測(cè)器。小波分析也是一種多分辨率分析的方法,近年來(lái)常被用于SAR圖像處理,往往能兼顧去斑與增強(qiáng)邊緣信息的雙重效果。這類(lèi)方法一般是對(duì)原始SAR圖像作多層小波分解,得到多個(gè)尺度的近似圖像和細(xì)節(jié)圖像,從而可以提取出不同尺度的有用邊緣信息。3.4檢測(cè)邊緣強(qiáng)度圖近年來(lái),研究人員不斷嘗試將一些新方法引入SAR圖像邊緣檢測(cè)。Tourneret等人設(shè)計(jì)了基于MAP和MMSE準(zhǔn)則的貝葉斯離線變化點(diǎn)檢測(cè)器,用于SAR圖像的邊緣檢測(cè)和分割,其中基于MMSE準(zhǔn)則的檢測(cè)器在邊緣強(qiáng)度圖方面的結(jié)果略?xún)?yōu)于經(jīng)典的ROEWA檢測(cè)器,但是如何提高這類(lèi)方法的計(jì)算效率仍在進(jìn)一步研究中。Belfiore等人提出基于Mumford-Shah函數(shù)的方法,能夠兼顧邊緣檢測(cè)與去斑。Dimou等人把邊緣檢測(cè)作為分類(lèi)問(wèn)題,利用神經(jīng)網(wǎng)絡(luò)判別圖像每個(gè)像素屬于某個(gè)邊緣類(lèi)還是非邊緣類(lèi)。楊等人提出一種基于混合遺傳算法的邊緣檢測(cè)方法,利用遺傳算法的全局尋優(yōu)能力,能夠得到定位準(zhǔn)確且更加連續(xù)的邊緣。從這些新方法的出現(xiàn)也可以看出將邊緣檢測(cè)問(wèn)題看作優(yōu)化問(wèn)題進(jìn)行研究是近年來(lái)邊緣檢測(cè)發(fā)展的一個(gè)熱點(diǎn),通過(guò)將邊緣檢測(cè)問(wèn)題表示成代價(jià)函數(shù)最小化的問(wèn)題,可以借助各種優(yōu)化方法來(lái)確定圖像的真實(shí)邊緣。3.5基于單邊緣模型和多邊緣模型的檢測(cè)方法在現(xiàn)有的SAR圖像邊緣檢測(cè)方法中,基于單邊緣模型和基于多邊緣模型的檢測(cè)方法大多是依據(jù)SAR圖像的固有特性(如乘性相干斑噪聲、統(tǒng)計(jì)分布模型)而設(shè)計(jì)的,具有很強(qiáng)的針對(duì)性,以其計(jì)算簡(jiǎn)單、檢測(cè)性能好的優(yōu)點(diǎn)仍然占據(jù)主流地位;以小波分析為代表的多分辨率檢測(cè)方法雖然也是近年來(lái)的一個(gè)研究熱點(diǎn),但是小波本質(zhì)上是一種梯度算子,并不是一種專(zhuān)門(mén)針對(duì)SAR圖像的邊緣檢測(cè)方法,在使用這類(lèi)方法的時(shí)候,往往要考慮信號(hào)局部特性,引入如自適應(yīng)維納濾波、模糊加權(quán)中值濾波等濾波方法,或者采用自適應(yīng)的閾值。從實(shí)際應(yīng)用效果來(lái)看,這類(lèi)方法比較適用于提取SAR圖像弱反射地物邊緣(如水體、機(jī)場(chǎng));近年來(lái)出現(xiàn)的結(jié)合其他方法的檢測(cè)器盡管在檢測(cè)效果上能夠媲美甚至略?xún)?yōu)于經(jīng)典檢測(cè)器,但是其計(jì)算方法相對(duì)比較復(fù)雜,往往存在提高計(jì)算效率的問(wèn)題。在基于單邊緣模型和多邊緣模型的檢測(cè)方法中,又以ROA、GLR和ROEWA最具代表性,三者都具有恒虛警特性,且計(jì)算簡(jiǎn)單,實(shí)用性強(qiáng)。根據(jù)這3種檢測(cè)器的推導(dǎo)依據(jù),它們?cè)谔囟l件下能分別達(dá)到其最佳檢測(cè)性能,表1對(duì)這些條件進(jìn)行了總結(jié)。特別地,當(dāng)強(qiáng)度數(shù)據(jù)服從單視Gamma分布且采用對(duì)稱(chēng)窗口時(shí),ROA和GLR具有相同的檢測(cè)性能。然而,由于真實(shí)SAR圖像并不滿(mǎn)足以上所列的最優(yōu)條件,尤其是相關(guān)性和單邊緣模型的假設(shè),因此這些最優(yōu)條件只是具有理論上的指導(dǎo)意義,實(shí)際應(yīng)用中會(huì)有多種因素影響這些經(jīng)典檢測(cè)器的性能及其適用情況,主要表現(xiàn)為:(1)當(dāng)圖像場(chǎng)景比較簡(jiǎn)單時(shí),ROA、GLR與ROEWA的檢測(cè)效果相當(dāng)。但是隨著場(chǎng)景復(fù)雜度的增加,單邊緣模型的局限性會(huì)逐漸表現(xiàn)得突出。一方面,由于服從Gamma分布的平穩(wěn)過(guò)程的最大無(wú)偏似然估計(jì)是算數(shù)均值,ROA等檢測(cè)器都使用算數(shù)均值作為其估計(jì)值,但這個(gè)估計(jì)在單邊緣情況下是最優(yōu)估計(jì),為保證這一條件,應(yīng)使用小的檢測(cè)窗口;另一方面,SAR圖像的信噪比很低,為充分去除相干斑的影響,計(jì)算均值時(shí)窗口不能太小,窗口內(nèi)很可能包含多條邊緣。在選擇檢測(cè)窗口尺寸時(shí)必須考慮這兩個(gè)方面的折衷。相比之下,ROEWA檢測(cè)器在平滑程度越高時(shí)性能越好,因此更適合采用較大的分析窗口?？梢?jiàn)在復(fù)雜場(chǎng)景下,當(dāng)圖像中有大量彼此之間很接近的邊緣時(shí),這種基于多邊緣模型的檢測(cè)尤其有意義。(2)ROA、GLR等基于單邊緣模型的檢測(cè)器都采用滑窗計(jì)算的方式,且在每個(gè)像素點(diǎn)要采用4個(gè)(或8個(gè))方向的檢測(cè)窗口,計(jì)算效率較低。而ROEWA檢測(cè)器在實(shí)現(xiàn)時(shí)可以采用快速的遞歸計(jì)算方法,計(jì)算效率很高。因此,在對(duì)大場(chǎng)景進(jìn)行邊緣檢測(cè)時(shí),ROEWA檢測(cè)器在計(jì)算速度上體現(xiàn)出很大的優(yōu)勢(shì)。(3)為減小斑紋相關(guān)性,可以采用GLR檢測(cè)器對(duì)復(fù)數(shù)據(jù)進(jìn)行處理,而ROA和ROEWA檢測(cè)器無(wú)此特點(diǎn)。(4)在某些應(yīng)用中(如檢測(cè)機(jī)場(chǎng)、道路等大型組合目標(biāo)),除了需要檢測(cè)出邊緣點(diǎn),還需要確定邊緣的方向,由于單邊緣模型對(duì)邊緣方向作了假定,因此這類(lèi)檢測(cè)器在檢測(cè)出邊緣點(diǎn)的同時(shí)也就確定了邊緣的方向。而ROEWA檢測(cè)器只能得到邊緣強(qiáng)度,難以準(zhǔn)確確定邊緣方向,必須采用其他的方向估計(jì)器(如Gabor濾波器)。4glr檢測(cè)邊緣定位和所有的邊緣檢測(cè)方法一樣,在低級(jí)檢測(cè)后總是要進(jìn)行一些后處理,以便改進(jìn)并完善邊緣。尤其是對(duì)于SAR圖像,由于相干斑和分析窗口尺寸的影響,檢測(cè)到的邊緣往往較粗,且窗口越大邊緣越粗,因此有必要進(jìn)行邊緣細(xì)化并盡可能準(zhǔn)確地確定邊緣位置。常用的細(xì)化方法有:在邊緣垂直方向上進(jìn)行非局部極值抑制;在閾值結(jié)果上進(jìn)行數(shù)學(xué)形態(tài)學(xué)閉運(yùn)算。一般的細(xì)化方法通常不會(huì)得到閉合的邊緣,如果要得到閉合的邊緣以便于圖像分割,則可以采用分水嶺方法,但是這種方法存在比較嚴(yán)重的過(guò)分割現(xiàn)象,也就是得到的虛假邊緣很多,需要用區(qū)域融合等后處理去除虛假的邊緣。由于SAR圖像固有的斑紋噪聲、檢測(cè)器自身的檢測(cè)偏差以及細(xì)化等后處理引入的誤差等因素的影響,檢測(cè)到的邊緣像素會(huì)偏離正確的位置,因此在對(duì)邊緣定位精度要求較高的應(yīng)用中,有必要在邊緣檢測(cè)的基礎(chǔ)上進(jìn)一步優(yōu)化,即進(jìn)行邊緣定位。所謂邊緣定位是指,假設(shè)在一個(gè)分析窗口內(nèi)已確定存在邊緣,要確定最可能的邊緣位置。從本質(zhì)上說(shuō),邊緣定位是一個(gè)估計(jì)問(wèn)題而不是檢測(cè)問(wèn)題。邊緣檢測(cè)一般以目標(biāo)像素點(diǎn)為中心加窗,分析該像素點(diǎn)是否為邊緣像素點(diǎn),這種方式能保證多種檢測(cè)器的檢測(cè)概率最優(yōu),這樣的分析窗口稱(chēng)為掃描窗中心邊緣(scanning-windowcentral-edge,SWCE)配置,如圖4(a)所示;而邊緣定位以檢測(cè)到的邊緣像素點(diǎn)為中心固定一個(gè)窗口,在窗口內(nèi)掃描可能的邊緣位置,這樣的分析窗口稱(chēng)為固定窗掃描邊緣(fixed-windowscanning-edge,FWSE)配制,如圖4(b)所示。對(duì)每一種邊緣位置計(jì)算式(3)中的廣義似然比λ^?使λ^最大的邊緣位置就是定位最好的邊緣位置。Fj?rtoft等人基于同樣的思路,提出了邊緣位置的近似最大似然估計(jì)方法,即尋找使式(3)中Ν1lnR^1+Ν2lnR^2最小的邊緣位置,在具體實(shí)現(xiàn)時(shí),他們還引入了邊緣的其他規(guī)律性約束,如使用Gibbs隨機(jī)場(chǎng)的紋理約束,該方法在SAR圖像分割中取得了很好的效果。Germain等人通過(guò)建模從理論上分析了GLR檢測(cè)器邊緣定位不準(zhǔn)的原因,推導(dǎo)出邊緣的位置隨著邊緣兩側(cè)對(duì)比度變化的波動(dòng)規(guī)律;針對(duì)這個(gè)問(wèn)題,他們提出了通過(guò)在原始SAR圖像上使用基于區(qū)域的主觀輪廓來(lái)提高邊緣定位的精確度,這種方法有效地改善了邊緣檢測(cè)的最后結(jié)果。5邊緣定位效果對(duì)于邊緣檢測(cè)方法來(lái)說(shuō),Canny原則是一般性的評(píng)估準(zhǔn)則:(1)對(duì)噪聲的敏感性Σ=0∫-∞f(x)dx/√+∞∫-∞f2(x)dx(6)(2)邊緣定位效果λ=|f′(0)|/√+∞∫-∞f′2(x)dx(7)(3)對(duì)一條邊緣的單像素響應(yīng)性k=|f′(0)|/(∑√+∞∫-∞f″2(x)dx)(8)其中,f(x)表示邊緣檢測(cè)算子的表達(dá)式。但是,對(duì)于SAR邊緣檢測(cè)方法來(lái)說(shuō),很多檢測(cè)算子并不具有明確的數(shù)學(xué)表