基于聚类的SAR图像灰度特征提取算法

杨洲

摘 要：SAR（合成孔径雷达）图像包含大量相干斑噪声，用传统灰度特征提取算法提取其灰度特征，不能有效反映地貌边缘特征和纹理细节，文中提出一种基于聚类的SAR图像灰度特征提取算法，有效保护了灰度特征中的边缘和纹理细节，实验结果表明，该算法提取的灰度特征值更能接近真实地貌。

关键词：聚类；SAR图像；灰度特征提取

SAR具有全天时、全天候、可穿透云层及地面伪装等特性，常安装在各类航空航天器上，用途广泛。SAR图像内容丰富，信息含量大，对SAR图像的处理和研究一直是热门课题，其中，SAR图像灰度特征提取是图像处理的基础部分，常用于后期图像处理的各类算法和应用中，其精确度直接影响图像的分析结果，文中对SAR图像的灰度特征提取进行了研究，传统算法提取的灰度特征值，反映不同地貌接合边缘处以及部分纹理细节处的灰度特征值误差较大，不能有效反映地貌的真实特征，对后期图像处理的分割、识别等应用造成一定误判，针对传统算法存在的不足，文中提出一种基于聚类的灰度特征提取算法，有效提升了不同地貌边缘处及纹理细节处像素灰度特征值精确度，实验结果表明了该算法的有效性。

1 传统算法对SAR图像的灰度特征提取

SAR图像灰度特征反映了地物对雷达波的后向散射特性，不同地物如果具有相同或不同的后向散射特性，在SAR图像中就有不同或相同的灰度特征，传统算法利用邻域统计量提取图像灰度信息，即计算某一像素点周围一定范围内像素邻域的灰度均值和标准差[1]，并以此作为其灰度特征，具体算法为：

设f（i，j）是SAR图像第i行第j列的像素灰度值，对于包含n个像素的邻域窗口W，以像素点f（i，j）为中心的该区域内像素灰度均值EW和标准差？滓W可以通过以下公式求取：

（1）

（2）

传统算法中，对窗口W内所有像素求取其灰度均值和标准差，计算简洁方便，效率较高，应用于一般的图像处理中获得较好的效果，但应用在边缘纹理复杂、信息含量丰富的SAR图像中，简单求取平均值的办法会损失部分重要的边缘信息和纹理信息，对图像的后期分割、识别等应用造成误判。比如：当像素点f（i，j）正好处于两个或多个不同地貌的边界点上，而这些地貌的灰度值相差较大，则用该算法求出的灰度特征值将偏离实际结果，得到不符合真实地貌边缘或纹理的灰度特征值。

2 基于聚类的SAR图像灰度特征提取

为提高SAR图像中边缘、纹理处像素点灰度特征值精确度，提出基于聚类的SAR图像灰度特征提取算法：

已知一幅SAR图像中有m个像素，Xi（i=1，2，3…m）为其中任意一个像素点，以Xi为中心点的邻域窗口W有n个像素，Vj（j=1，2，3…n）为W内任意一个像素点。

（1）计算Vj与Xi之间的相似度Rij。

（3）

其中i=1，2，3…m； j=1，2，3…n， 为由传统算法计算得到的W内像素标准差。

（2）根据设定的阈值改变Rij，当Rij小于该阈值时，认为这两个像素不相似，取值0，反之则认为两个像素相似度高，保留该相似度值。

（4）

其中阈值 。

（3）根據改变的Rij计算Ui。

（5）

其中i=1，2，3…m； j=1，2，3…n，

（4）判断Ui和Xi是否相等，如果相等则转到步骤（5）结束循环，否则令Xi=Ui，返回步骤（1）继续循环。

（5）最终获取的Xi为其灰度特征值EW，代入公式（2）计算？滓W。

该算法运用了聚类思想，即中心点Xi的最终的结果为与之相似的像素点的灰度均值，而不是传统算法中整个W窗口的灰度均值。当Xi像素点处于SAR图像中不同地貌边界处或在细节纹理处时，其灰度特征值EW结果是与之相似的像素点的平均值，实现了真实反映地貌边缘、细节特征。

3 实验结果与分析

实验过程对以图1（a）所示的幅度SAR图像（图像大小为256×256像素（美国新墨西哥地区，ku波段1m分辨率）进行处理，原始图像中含有大量相干斑噪声，可用一种基于自适应缩减原理去噪算法[2][3]对其进行去噪处理，再分别用文中算法和传统算法进行灰度特征提取，最后将提取的灰度特征应用于模糊C均值聚类算法的SAR图像分割，对比两种算法的特征值用于SAR图像分割后之间的差别。

实验过程中，将滤波后SAR图像边界向外扩充2像素并以零填充，为提高运算效率，各像素邻域子块大小取5×5。ζ取0.99（256灰度级），FCM聚类类别数取值3，最后分割结果如图3所示，为了便于对比，图中用矩形对这些区域细节有明显区别的地方进行了标注。同时，在分割后的SAR图像中加上了不同的颜色。

（a）原始图像 （b）文中算法分割结果 （c）传统算法分割结果

图1 原始SAR图像及实验结果

对SAR图像的分割算法及结果评价方面，目前已提出了很多评价算法，如下评价标准是目前大家都认可的准则：一是在满足分割精度条件下， 生成对象越大越好， 过分割和欠分割现象越少越好；二是对象轮廓与目标边界越吻合越好；三是所生成的对象数越少越好。从上面的三条认可的准则可以看出，生成的对象数越少越好和目标边界越吻合越好这两条，在实际的分割应用中需取得折衷，原因是目标边界越吻合则造成目标数量的增加，小目标就会凸显出来，从而得到的对象数目也就增加了。在评价SAR图像的分割算法的研究中，根据SAR图像数据量大、成像清晰、目标细小等特点，这两条的折衷应该偏向准则的第二条，也就是分割的对象轮廓越清晰越好。实验结果中，传统方法分割处理后的SAR图像的分割结果中虽然生成的对象较少，但存在严重的欠分割现象，对道路、建筑等重要目标存在误分割，且边缘效果不理想，文中方法对道路、草地、建筑等目标分割效果较好，边缘清晰，误分割现象控制比较理想，如图1（b）中白色矩形框内的细节部分与图1（c）相同地域的比较较为明显，因此，文中提出的算法比传统算法更符合目前公认的三个评判准则，其分割的结果是较理想的。

4 结束语

文中提出的基于聚类思想SAR图像灰度特征提取算法，通过实验并运用FCM聚类分割的结果进行了对比，直观的显示文中提出算法在图像分割精确度上的优越性，但传统算法在计算效率方面更胜一筹，因此，今后有必要进一步研究该算法的运算效率，有效提升处理运行速度，为SAR图像处理提供更精确更高效的计算方法。

参考文献

[1]刘迎春，宋建社，郑永安.SAR图像识别提取与选择特征[J].航空计算技术，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]孙强，焦李成，侯彪.统计先验指导的非下采样Contourlet变换域SAR图像降斑[J].西安电子科技大学学报：自然科学版，2008，35（1）：14-21.