改进的ROA算法在SAR图像边缘检测中的应用

卢秀山，闫兆进

(1.山东科技大学 测绘科学与工程学院，山东 青岛 266590；2.山东科技大学 海洋工程研究院，山东 青岛 266590)



改进的ROA算法在SAR图像边缘检测中的应用

卢秀山1,2，闫兆进1

(1.山东科技大学 测绘科学与工程学院，山东 青岛 266590；2.山东科技大学 海洋工程研究院，山东 青岛 266590)

为解决传统均值比(ratio of average,ROA)算子检测SAR(synthetic aperture radar,SAR)图像边缘时出现的受噪声影响大和边缘定位精度低等问题，结合平稳小波变换的优点，提出一种平稳小波去噪和改进ROA算法的SAR图像边缘检测方法。首先，利用平稳小波进行去噪预处理，减少相干斑噪声。然后，通过把传统ROA算子的4个检测方向增加为8个，以及利用非极值抑制进行边缘定位，在检测方向和定位精度两个方面改进ROA算法。实验结果表明，该方法的去噪性能和边缘检测效果较好。研究结论对传统ROA算法做了改进，使其更好地适用于SAR图像边缘检测。

合成孔径雷达；边缘检测；平稳小波变换；均值比算法；相干斑噪声

合成孔径雷达(synthetic aperture radar，SAR)[1]属于高分辨率成像雷达，具有全天候、全天时的特点，可以避免光照强度和天气条件的影响，被广泛应用于军事侦查和民用遥感等领域[2]，其图像的应用研究已成为该领域的研究热点。图像强度或纹理发生变化的区域往往形成图像边缘[3]，图像边缘可以描述目标物的基本结构。因此，研究SAR图像的边缘检测对于SAR图像的应用具有重要意义。

由于SAR的成像机制为相干成像，导致SAR图像受乘性相干斑噪声的干扰[4]，使得SAR图像边缘模糊。为了减少SAR图像的相干斑噪声，准确完整地获取图像边缘成为国内外学者研究的重点。经过数十年研究，提出了许多针对SAR图像边缘检测的方法，主要分为3类：①经典的边缘检测算法[5-6]，如Roberts算子、Sobel算子、Canny算子等，该类方法具有计算简单、运行速度快的优点，但该类算子只能处理加性噪声，而SAR图像还受到乘性噪声的干扰，导致产生过多与真实边缘混杂在一起的伪边缘，准确度较低；②基于假设检验的边缘检测算法[7-9]，借助数学检验来识别图像边缘，尽管在一定程度上减弱了相干斑噪声的影响，但仍然无法获取准确的边缘；③基于多尺度理论的边缘检测方法[10-12]，可以获得不同尺度下的图像边缘，但不易提取准确的边缘。

由于SAR图像受到相干斑噪声的影响，导致图像的解析变得十分困难，为了准确获取图像边缘需要对图像进行去噪处理。由于小波变换具有多尺度的特点，可以在不同频段内对信号作不同处理，与斑点噪声的特征相适应[13]，因此常被用于SAR图像去噪。但由于小波变换破坏了平移不变性，使得去噪后的图像边缘模糊，导致去噪后的SAR图像往往丢失边缘信息，因此本文提出基于平稳小波的SAR图像去噪。传统的ROA算法常被用于SAR图像边缘检测，但难以检测SAR图像的细小边缘并且边缘定位精度较低，为了提高ROA算法边缘细节的检测效果和定位精度，本文从检测方向和定位精度两个方面进行改进。

1 SAR图像去噪

1.1 平稳小波变换原理

平稳小波变换通过二维小波变换修正获得，不再进行二进位采样[14]，在数据卷积之前对高通和低通滤波器进行插值，使得小波系数和尺度系数与原始信号等长，减少用小波变换处理时的伪吉布斯现象。平稳小波的分解公式为[15]：

(1)

(2)

1.2 基于平稳小波变换的SAR图像去噪方法

由于小波变换在处理图像时会存在边缘模糊或失真的问题，因此本文采用具有平移不变性的平稳小波变换进行SAR图像去噪，其去噪方法为：图像在经过多尺度平稳小波变换后，图像的边缘和噪声会表现出不同的特征，边缘幅值随着尺度的增加而增加，而噪声幅值却相反，因此可以利用这个特征标记出SAR图像的边缘点和噪声点，最后对获得的边缘点和噪声点进行平稳小波变换的逆变换就得到去噪后的SAR图像。

图1 ROA算子检测方向Fig.1 ROA operator detection direction

图2 改进ROA算子的检测方向Fig.2 Improved ROA operator detecting direction

2 改进的SAR图像边缘检测算法研究

2.1 ROA算法原理

ROA[16]算法通过计算两相邻区域的均值比来判别待定点是否为边界点。首先确定检测窗口的大小，取滑动窗口的中心像素点为待检测点，选取一条经过该点的平分线作为分割线，分别计算两侧面积相等区域中点的灰度平均值，然后计算两平均值的比值[17]。比值越靠近1，说明两灰度平均值越接近，即这两块区域可能属于同一块区域；比值越靠近0，说明两区域的差别越大，即待检测点越可能处于两邻域间的边界上。

针对平分每个区域分割线的不同方向，按照图1所示的4个方向对每一点依次进行检测，记录下每次最小的灰度均值比，窗口尺寸以像素个数为单位。由于灰度均值比的大小只与两均值之间的比值有关，而与两均值之间的大小无关，因此选取一个全局阈值，当全局阈值大于灰度均值比时，则认为待定点为边缘点。

2.2 ROA算法改进思路

2.2.1 检测方向的改进

在图像像素点的3×3邻域内，由原来4个方向的检测改进为8个方向检测，按照图2所示的检测方向把3×3的窗口分成三个邻域：L、M、H。L位于窗口左侧，M位于窗口中间，H位于窗口右侧，通过比较L/M和H/M的比值来判断当前位置是否为图像边缘。对于SAR图像，其检测过程如下：

(3)

(4)

由公式(3)和公式(4)得到边缘判断公式为

H(x)=(1-F1(x))(1-F2(x))G(x)。

(5)

式中，T1和T2为设置的阈值，n为每个区域包含的像素点，如果满足H(x)大于设置的阈值，则该点即为边缘点。

2.2.2 定位精度的改进

Canny等[18]利用非极值抑制方法实现了边缘定位，定位原理如图3所示。首先根据待定点邻域像素的边缘强度和待定点的边缘方向，计算内插值P1、P2；再比较内插值和待定点边缘强度值的大小，如果强度值大于或等于两个内插值，则待定点为边缘点，反之为非边缘点。由于ROA算法用均值比代替差分，导致ROA算法得到的边缘强度图不再符合梯度的定义，因此，如果直接对强度图进行非极值抑制，无法准确定位边缘。

本文根据Canny算子原理，提出一种将ROA算法与Canny算子结合起来的边缘定位算法：首先对ROA算子的滤波结果进行处理获取两个方向的滤波结果，接着利用Canny算子中的高斯函数处理两个方向的滤波结果获取梯度，保证边缘强度满足梯度定义，最后根据非极值抑制的方法实现边缘的准确定位。

图3 非极值抑制原理图Fig.3 Non-extremum suppression schematics

2.3 改进的SAR图像边缘检测算法

本文提出的基于平稳小波去噪和改进ROA算子的SAR图像边缘检测算法步骤如下：

1) 对SAR图像进行多尺度平稳小波变换，标记出边缘像素点；

对SAR图像进行m尺度的平稳小波变换，得到m个低频分量和3m个高频分量，其中高频分量分别对应着水平、竖直和对角三个方向。由于低频分量已经近似平滑，因此无需对低频分量进行处理，对高频分量按照尺度大小从小到大的顺序进行依次处理，处理过程如下：

(6)

②相关系数归一计算，公式为

(7)

③标记边缘像素点，对于任意一个像素点(x,y)，如果其满足条件L(x,y)>wj(x,y)则标记为边缘点，并且把L(x,y)和wj(x,y)设置为0，否则标记为噪声点。

④对标记后的图像进行一致性检验，对一个像素点进行八邻域搜索，如果其邻域内的大多数点与该点标记相反，则把该点标记为邻域大多数点。如一个边缘点，其八邻域点大都为噪声点，则把该边缘点重新标记为噪声点。遍历所有的点，完成一致性检验。

2) 进行平稳小波变换的逆变换，得到去噪后的SAR图像；

3) 对去噪后的SAR图像进行2.2.1所示的8个检测方向的ROA边缘检测；

4) 对检测到的边缘进行非极值定位，得到最终的边缘。

3 试验结果及分析

为了评价滤波方法的去噪性能，本文从定性和定量两个方面进行评价。定性分析即通过观察SAR图像中的细节特征，判断滤波后图像的效果。定量分析通过定量指标值的大小来衡量滤波效果，本文采用的定量指标为均方误差(mean squared error，MSE)和峰值信噪比(peak signal to noise ratio，PSNR)，MSE和PSNR的计算公式见文献[19]。

为了评价边缘检测方法的优劣，本文同样从定性和定量两个方面进行评价。定性分析即通过观察提取的边缘与原图像的叠加进行定性评价；定量分析通过品质因数进行评价，品质因数的计算公式见文献[20]。

根据上述算法原理，利用MATLAB语言编程实现本文算法。为验证该算法的去噪性能和边缘提取效果，选用环境一号C星(HJ-1C)采集的数据进行实验。HJ-1C 配置的S波段合成孔径雷达，可以获取地物S波段的影像信息，HJ-1C的SAR雷达单视模式空间分辨率可达5 m，距离向四视时的分辨率为20 m[21]。本文以HJ-1C卫星2014年5月获得的武汉市梁子湖SAR图像为研究对象，分辨率20 m，对其进行加乘性噪声处理后，对比不同算子的处理结果。如图4所示，图4(a)是未加噪声的原始图像，图4(b)是添加乘性噪声的图像。为验证平稳小波抑制SAR图像噪声的效果，本文选取Lee滤波[22]、小波变换进行对比分析，分别用这3种滤波方法对图4(b)进行滤波处理，处理结果见图5(a)～ 5(c)，各方法的去噪性能对比见表1。为验证本文算法边缘提取的效果，选取不同算子对图4(b)进行边缘提取，提取结果分别为图6(a)～6(f)。其中利用Prewitt算子、Sobel算子、Log算子、Canny算子和传统ROA算子进行边缘提取的图像均没有进行去噪预处理，而利用本文算法边缘提取的图像进行平稳小波去噪。

表1 去噪性能比较

Tab.1 Comparison of denoising performance

去噪方法均方误差(MES)峰值信噪比(PSNR)/dBLee滤波0.061060.2775小波变换0.047871.3365平稳小波变换0.001376.9914

从图5(a)可以看出，对SAR图像进行Lee滤波处理后，其图像的乘性噪声在一定程度上得到平滑，但去噪效果较差，且图像细节信息变得十分模糊，难以辨认。图5(b)为小波变换的去噪效果，可以看出小波变换的去噪效果较差，去噪后的图像细节信息丢失较多，边缘比较模糊。本文方法的平稳小波去噪结果如图5(c)所示，可以看出滤波后的图像变得十分清晰，而且很好地保持了图像边缘的细节特征，说明平稳小波的去噪方法可以有效抑制相干斑噪声。从表1可以看出，平稳小波去噪方法的均方误差远小于其他两种滤波方法，而且平稳小波去噪方法的峰值信噪比高于其他两种滤波方法。综上可知，无论是定性分析还是定量计算，都证明平稳小波去噪方法可以有效抑制相干斑噪声。

从图6(a)～6(d)可以看出，经典的边缘检测算子受乘性噪声的影响较大，无法检测出清晰的边缘图像，这是因为该类算子本质上都为高通滤波器，而SAR图像的边缘和噪声都为高频信息，所以该类算子不能应用于SAR图像的边缘检测。图6(e)为传统的ROA算子的检测结果和原始图像的叠加显示效果图，可以看出相比经典的边缘检测算子，传统ROA算子可检测到清晰的边缘信息，但仍有部分边缘未检测到，而且检测到的边缘也存在边缘定位不准确的问题。图6(f)为本文算法的检测结果和原始图像叠加显示的效果图，可以看出图像边缘被完整准确地提取出来，无论是边缘的完整性还是边缘定位的准确度，都优于其他几种边缘检测方法。从表2可以看出，本文算法的品质因数高于其他几种边缘检测算法。综上证明了本文算法边缘提取的可靠性。

表2 品质因数比较Tab.2 Comparison of quality factor

图4 实验数据Fig.4 Experimental data

图5 不同方法去噪比较Fig.5 Comparison of different methods of denoising

图6 不同方法边缘检测比较Fig.6 Comparison of different methods of edge detection

4 结论

将平稳小波变换用于SAR图像去噪，很好地抑制了相干斑噪声对SAR边缘提取的影响。将传统的ROA算子从检测方向和定位精度两个方面进行改进，检测方向由4个增加为8个，提高了方向检测的精度，利用非极值抑制的方法进行边缘定位，提高了边缘定位的精度。实验表明，本文方法的边缘提取效果较好，边缘提取的准确率和完整率较高。

本文提出的方法与经典边缘提取算法、传统ROA算法相比，其去噪性能和边缘提取效果有了显著提高，并且提取出的边缘清晰、完整、准确，更有利于进行后期的目标识别和分类。

[1]HENRI M.合成孔径雷达图像处理[M].孙洪，译.北京:电子工业出版社,2013:1-18.

[2]谢昌志,尹东,孙涛.基于块匹配的迭代滤波SAR图像去噪[J].光电工程,2015,42(1):65-71. XIE Changzhi,YIN Dong,SUN Tao.SAR image denoising based on block matching iterative filtering[J].Opto-Electronic Engineering,2015,42(1):65-71.

[3]牛翠霞,姜平,肖进杰.基于边缘交点聚类法的眼底图视盘轮廓提取[J].山东科技大学学报(自然科学版),2013,32(5):90-95. NIU Cuixia,JIANG Ping,XIAO Jinjie.Optic disc contour extraction from retinal images based on edge intersect points clustering[J].Journal of Shandong University of Science and Technology (Nature Science),2013,32(5):90-95.

[4]马晓双,沈焕锋,杨杰,等.极化SAR相干斑抑制的非局部加权最小均方误差滤波算法[J].中国图象图形学报, 2015,20(1):140-150. MA Xiaoshuang,SHEN Huanfeng,YANG Jie,et al.Polarimetric SAR speckle filtering using a nonlocal weighted minimum mean squared error filter[J].Journal of Image and Graphics,2015,20(1):140-150.

[5]BISWAS S,GHOSHAL D.Blood cell detection using thresholding estimation based watershed transformation with Sobel filter in frequency domain[J].Procedia Computer Science,2016,89:651-657.

[6]KRISHNAVENI M,SUBASHINI P,DHIVYAPRABHA T T.PSO-based optimized Canny technique for efficient boundary detection in Tamil sign language digital images[J].International Journal of Advanced Computer Science and Application,2016,7(6):312-318.

[7]杨道莲,鲁昌华,张金良,等.基于ROEWA与Hough变换的SAR图像边缘检测[J].电子测量与仪器学报,2013,27(6):543-548. YANG Daolian,LU Changhua,ZHANG Jinliang,et al.Edge detection in SAR image based on ROEWA and Hough transform[J].Journal of Electronic Measurement and Instrument,2013,27(6):543-548.

[8]刘春,殷君君,杨建.基于混合边缘检测的极化SAR图像海岸线检测[J].系统工程与电子技术,2016,38(6):1262-1267. LIU Chun,YIN Junjun,YANG Jian.Coastline detection in polarimetric SAR images based on mixed edge detection[J].System Engineering and Electronics,2016,38(6):1262-1267.

[9]刘帅奇,胡绍海,肖扬,等.基于局部混合滤波的SAR图像边缘检测[J].电子与信息学报,2013,35(5):1120-1127. LIU Shuaiqi,HU Shaohai,XIAO Yang,et al.SAR image edge detection based on local hybrid filter[J].Journal of Electronics & Information Technology,2013,35(5):1120-1127.

[10]王仕民,叶继华,程柏良,等.基于多尺度张量类标子空间的人脸识别算法[J].山东科技大学学报(自然科学版),2015,34(4):55-61. WANG Shimin,YE Jihua,CHENG Bailiang,et al.Face recognition algorithm based on multi-scale tensor class-label subspace[J].Journal of Shandong University of Science and Technology (Nature Science),2015,34(4):55-61.

[11]黄世奇,刘代志,胡明星,等.基于小波变换的多时相SAR图像变化检测技术[J].测绘学报,2010,39(2):180-186. HUANG Shiqi,LIU Daizhi,HU Mingxing,et al.Multi-temporal SAR image change detection technique based on wavelet transform[J].Acta Geodaetica et Cartographica Sinica,2010,39(2):180-186.

[12]REZAEIAN A,HOMAYOUNI S,SAFARI A.Segmentation of polarimetric SAR images using wavelet transformation and texture Features[J].International Archives of the Photogrammetry,Remote Sensing and Spatial Information Sciences,2015, XL-1(W5):613-617.

[13]齐文元.小波在SAR图像去噪及分辨率融合中的应用[D].成都:电子科技大学,2009.

[14]GAO Q, ZHAO Y, LU Y.Despeckling SAR images using stationary wavelet transform combining with directional filter banks[J].Applied Mathematics & Computation,2008,205(2):517-524.

[15]DENG J,BAN Y,LIU J,et al.Hierarchical segmentation of multitemporal RADARSAT-2 SAR data using stationary wavelet transform and algebraic multigrid method[J].IEEE Transactions on Geoscience & Remote Sensing, 2014,52(7):4353-4363.

[16]LUO S Y,TONG L,CHEN Y,et al.SAR image segmentation based on the advanced level set[J].IOP Conference:Earth and Environmental Science,2014(17):682-691.

[17]DUAN L F,WEI C T,WANG J,et al.A new method of denoising by reserving edges for SAR image[J].Applied Mechanics & Materials,2013,291-294:2859-2862.

[18]CANNY J.A computational approach to edge detection[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,1986,8(6):679-698.

[19]赵岩,孟丽茹,王世刚,等.符合人眼视觉感知特性的改进PSNR评价方法[J].吉林大学学报(工学版),2015,45(1):309-313. ZHAO Yan,MENG Liru,WANG Shigang,et al.Improved PSNR evaluation method consistent with human visual perception[J].Journal of Jilin University(Engineering and Technology Edition),2015,45(1):309-313.

[20]刘景正,余旭初,张鹏强,等.新型Canny算法的SAR图像边缘检测[J].测绘科学,2008,33(1):132-134. LIU Jingzheng,YU Xuchu,ZHANG Pengqiang,et al.SAR new canny edge detection algorithm[J].Surveying and Mapping,2008,33(1):132-134.

[21]王桥,魏斌,王昌佐,等.基于环境一号卫星的生态环境遥感监测[M].北京:科学出版社,2010:10-23.

[22]LEE J S.Digital image enhancement and noise filtering by use of local statistics[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,1980,2(2):165-168.

(责任编辑：高丽华)

Application of Improved ROA Algorithm in SAR Image Edge Detection

LU Xiushan1,2, YAN Zhaojin1

(1. College of Geomatics, Shandong University of Science and Technology, Qingdao, Shandong 266590, China;2. Institute of Ocean Engineering, Shandong University of Science and Technology, Qingdao, Shandong 266590, China)

In order to solve the problems of great impact of noise and low accuracy of edge location in detecting SAR edge image with the traditional ROA operator, this paper proposed a method of stationary wavelet denoising and SAR image edge detection by utilizing the advantages of stationary wavelet transformation. Firstly, denoising pretreatment was made by adopting stationary wavelet to reduce coherent speckle noise. Then, the ROA algorithm was improved in both testing direction and positioning accuracy by increasing traditional ROA operators from 4 to 8 and by using the non-extremum suppression to locate the edge. The experimental results show that the proposed method has good effect in denoising performance and edge detection and the improved ROA algorithm can be better applied to SAR edge image detection.

synthetic aperture radar; edge detection; stationary wavelet transform; ratio of average (ROA); coherent speckle noise

2016-02-19

海洋公益性行业科研专项经费项目(201305034-1)

卢秀山(1961—)，男，山东青岛人，教授，博士生导师，主要从事测量数据处理理论及应用、GPS应用技术方面的研究和教学工作.E-mail:xiushannn@sina.com

TP753

A

1672-3767(2016)06-0017-07