结合多尺度边缘检测的SAR结构邻域滤波方法

第２８卷第８期　电子与信息学报　Ｖｌ０１．２８Ｎｏ．８　２００６年８月　Ｊｏｕｒｎａｌ　ｏｆ　Ｅｌｅｃｔｒｏｎｉｃｓ＆Ｉｎｆｏｒｍａｔｉｏｎ　Ｔｅｃｈｎｏｌｏｇｙ　Ａｕｇ．２００６　结合多尺度边缘检测的ＳＡＲ结构邻域滤波方法　郦苏丹　李广侠　（解放军理工大学通信工程学院　南京２１０００７）　摘要噪声抑制是合成孔径雷达（ＳＡＲ）Ｉ￣像处理的一个重要环节，通常的方法在抑制噪声的同时也使得图像的边　缘模糊。该文提出一种结合宏观边缘信息的ＳＡＲ图像结构邻域滤波方法。首先利用多尺度边缘检测算法获得ＳＡＲ　图像主要的边缘信息，在此基础上对结构邻域滤波法进行改进。结构邻域滤波法用一系列反映图像局部方向信息　的邻域模板描述图像的细节特性，滤波过程中引入图像的宏观边缘信息，对邻域模板的选择范围进行约束。最后　运用模拟退火算法选取合适邻域模板对目标点的强度进行ＭＡＰ估计。实验表明该方法能够较好地保持图像的边缘　特征，同时有效抑制了斑点噪声。　关键词ＳＡＲ，滤波，结构邻域模型，多尺度，边缘检测　中图分类号：ＴＰ７２２．６，ＴＮ９５７．５２　文献标识码：Ａ　文章编号：１００９．５８９６（２００６）０８－１４８０．０５　Ａ　ＳＡＲ　Ｉｍａｇｅ　Ｆｉｌｔｅｒ　Ｍｅｔｈｏｄ　Ｂａｓｅｄ　ｏｎ　Ｓｔｒｕｃｔｕｒｅｄ　Ｎｅｉｂｏｕｒｈｏｏｄ　Ｍｏｄｅｌ　ｗｉｔｈ　Ｍｕｌｔｉ－ｓｃａｌｅ　Ｅｄｇｅｓ　Ｄｅｔｅｃｔｉｏｎ　Ｌｉ　Ｓｕ—ｄａｎ　Ｌｉ　Ｇｕａｎｇ—ｘｉａ　（Ｃｏｌｌｅｇｅ　ｏｆＣｏｍｍｕｎｉｃａｔｉｏｎ　Ｅｎｇｉｎｅｅｒｉｎｇ，Ｉｎｓｔｉｔｕｔｅ　ｆｏＴｅｃｈｎｏｌｏｇｙ　ｆｏＬｉｂｅｒａｔｉｏｎ　Ａｒｍｙ，Ｎａｎｊｉｎｇ　２　１　０００７，Ｃｈｉｎａ）　Ａｂｓｔｒａｃｔ　Ｓｐｅｃｋｌｅ　ｒｅｄｕｃｉｎｇ　ｉｓ　ａｎ　ｉｍｐｏｒｔａｎｔ　ｓｔｅｐ　ｉｎ　Ｓｙｎｔｈｅｔｉｃ　Ａｐｅｒｔｕｒｅ　Ｒａｄａｒ（ＳＡＲ）ｉｍａｇｅ　ｐｒｏｃｅｓｓｉｎｇ，ｏｒｄｉｎａｒｙ　ｍｅｔｈｏｄｓ　ｂｌｕｒ　ｉｍａｇｅ　ｅｄｇｅｓ　ｗｈｉｌｅ　ｒｅｄｕｃｉｎｇ　ｓｐｅｃｋｌｅ．Ａ　ＳＡＲ　ｉｍａｇｅ　ｆｉｌｔｅｒ　ｍｅｔｈｏｄ　ｂａｓｅｄ　ｏｎ　ｓｔｒｕｃｔｕｒｅｄ　ｎｅｉｂｏｕｒｈｏｏｄ　ｍｏｄｅｌ　ｗｉｔｈ　ｍａｃｒｏｓｃｏｐｉｃａｌ　ｅｄｇｅ　ｉｎｆｏｒｍａｔｉｏｎ　ｉｓ　ｐｒｏｐｏｓｅｄ　ｉｎ　ｔｈｉｓ　ｐａｐｅｒ．Ｆｉｒｓｔ　ｍｕｌｔｉ－ｓｃａｌｅ　ｅｄｇｅ　ｄｅｔｅｃｔｏｒ　ｉｓ　ａｐｐｌｉｅｄ　ｔｏ　ａｃｈｉｅｖｅ　ｐｒｉｎｃｉｐａｌ　ｉｍａｇｅ　ｅｄｇｅｓ，ｔｈｅｎ　ｓｔｒｕｃｔｕｒｅｄ　ｎｅｉｂｏｕｒｈｏｏｄ　ｆｉｌｔｅｒ　ｉｓ　ｍｏｄｉｉｆｅｄ　ａｎｄ　ｕｓｅｄ．Ｓｔｒｕｃｔｕｒｅｄ　ｎｅｉｂｏｕｒｈｏｏｄ　ｆｉｌｔｅｒ　ａｄｏｐｔｓ　ａ　ｓｅｒｉｅｓ　ｏｆ　ｔｅｍｐｌａｔｅｓ　ｒｅｆｌｅｃｔｉｎｇ　ｒｅｇｉｏｎａｌ　ｄｉｒｅｃｔｉｏｎ　ｉｎｆｏｒｍａｔｉｏｎ　ｔｏ　ｄｅｓｃｒｉｂｅ　ｉｍａｇｅ　ｄｅｔａｉｌｅｄ　ｐｒｏｐｅｒｔｙ，ｔｈｅ　ｍａｃｒｏｓｃｏｐｉｃａｌ　ｅｄｇｅ　ｉｎｆｏｒｍａｔｉｏｎ　ｉｓ　ｉｎｔｒｏｄｕｃｅｄ　ｔｏ　ｃｏｎｓｔｒａｉｎ　ｔｈｅ　ｓｅｌｅｃｔｉｏｎ　ｏｆ　ｔｅｍｐｌａｔｅｓ　ｗｈｉｌｅ　ｐｒｏｃｅｓｓｉｎｇ．Ｆｉｎａｌｌｙ　ｓｉｍｕｌａｔｅｄ　ａｎｎｅａｌｉｎｇ　ａｌｇｏｒｉｔｈｍ　ｉｓ　ｕｓｅｄ　ｔｏ　ｇｅｔ　ａｐｐｒｏｐｒｉａｔｅ　ｔｅｍｐｌａｔｅ，ｔｈｅ　ＭＡＰ　ｅｓｔｉｍａｔｅ　ｏｆ　ｔｈｅ　ｏｂｊｅｃｔ　ｐｉｘｅｌ　ｉｎｔｅｎｓｉｔｙ　ｃａｎ　ｂｅ　ａｃｈｉｅｖｅｄ．Ｅｘｐｅｒｉｍｅｎｔ　ｉｎｄｉｃａｔｅｓ　ｔｈｉｓ　ｍｅｔｈｏｄ　ｒｅｄｕｃｅｓ　ｅｆｆｅｃｔｉｖｅｌｙ　ｓｐｅｃｋｌｅ　ｗｈｉｌｅ　ｐｒｅｓｅｒｖｉｎｇ　ｉｍａｇｅ　ｅｄｇｅｓ．　Ｋｅｙ　ｗｏｒｄｓ　ＳＡＲ，Ｆｉｌｔｅｒ，Ｓｔｒｕｃｔｕｒｅｄ　ｎｅｉｇｈｂｏｕｒｈｏｏｄ　ｍｏｄｅｌ，Ｍｕｌｔｉ・ｓｃａｌｅ，Ｅｄｇｅ　ｄｅｔｅｃｔｉｏｎ　ｌ　引言　持原始信息等处理方式。由于图像性质的分类建立在局部统　ＳＡＲ具有全天候、全天时对地球表面进行观察的能力，　计性质基础上，该方法可能将局部较强的噪声作为点状目标　克服了可见光、红外传感器受气候和光照条件影响的缺点，　保留。Ｂａｒａｌｄｉ［０１提出一种结合边缘检测的几何自适应滤波器　在地球遥感及军事侦察中发挥重要作用。由于ＳＡＲ受到自　ＲＧＭＡＰ，由于考虑到边缘检测问题，图像处理的窗口不能　身固有的斑点噪声的影响，给图像分割和目标检测等后期处　太大，这对于图像局部统计特性的估计和噪声抑制不利。　理增加了难度。因此噪声抑制是ＳＡＲ图像处理的一个重要　Ｍａｒｃ［９１研究了基于小波分析的ＳＡＲ图像斑点噪声滤波算法，　环节。　对不同尺度的小波系数通过软门限滤波来实现噪声滤除。　Ｈａｒｔ［…利用局部边缘检测模板分别检测水平、竖直和对角方　通过多视处理可以降低噪声的影响，但是会降低图像的　向的对比度，根据对比度确定边缘方向，选择滤波的方向。　空间分辨率，损失了图像细节。以数字图像处理技术为基础，　韩春明［１２１对该方法进行了改进，提升了算法的去噪效果。　在成像后对噪声进行抑制成为广泛采用的方法【卜　１。Ｆｒｏｓｔ，　ＳＡＲ图像的噪声较强，局部边缘检测算子易受干扰。本　Ｌｅｅ，Ｋｕａｎ滤波器是比较经典的ＳＡＲ滤波方法，它们建立在　文利用多尺度边缘检测算子获得ＳＡＲ图像主要的边缘信息，　ＳＡＲ统计模型基础上，通过固定窗口估计图像的统计参数实　减少噪声干扰。然后在结构邻域滤波器中引入图像的边缘信　现滤波，因此在平滑噪声的同时使得图像细节损失较大。为　息，对邻域模板的选择进行约束。由于结构邻域模型建立在　了提高算法保持边缘及有意义细节特征的能力，在滤波过程　像素点的８邻域范围内，可以与宏观边缘信息有机结合。通　中引入了关于图像局部特征的描述。Ｌｏｐｅｓ等人【１　１提出改进　过迭代实现滤波算法，迭代过程巾利用模拟退火算法来选择　的Ｌｅｅ滤波器，算法以标准差为依据，将图像分为均匀、非　邻域模板，保证算法在平滑噪声的同时较好地保持了边界特　均匀和点状目标３类，分别采用均值滤波、Ｌｅｅ滤波或者保　征。　２００４．１２．０９收到，２００５．０４．２９改回　维普资讯 http://www.cqvip.com

第８期　郦苏丹等：结合多尺度边缘检测的ＳＡＲ结构邻域滤波方法　１４８１　２　ＳＡＲ图像的多尺度边缘检测　ＳＡＲ图像存在强烈的斑点噪声，给边缘检测带来一定困　难。小尺度检测算子边缘定位准确，但对噪声极为敏感：大　尺度检测算子可以抑制噪声干扰，但边缘定位精度差，甚至　会丢失局部细节。固定尺度的边缘检测算子难以兼顾边界定　位、噪声抑制和弱边界检测等方面。小波变换具有良好的时　频局域化特性及多尺度分析能力【¨１，文献【１４】根据多尺度分　析构造多尺度边缘检测算子，通过多尺度边缘融合，提高定　位精度，减少噪声干扰，能够有效检测ＳＡＲ图像的边缘，　图１给出了多尺度边缘检测的处理流程。其主要步骤为：　（１）设计多尺度离散掩模算子　高斯函数的一阶导数满　足允许小波函数的定义，利用高斯函数构造小波步边缘检测　算子。设Ｏ（ｘ，Ｙ）均值为０，方差为　的高斯函数，ＯＡｘ，Ｙ）＝　（１／ｓ　）Ｏ（ｘｌｓ，ｙｌｓ）为Ｏ（ｘ，Ｙ）的尺度变换函数，Ｓ为伸缩因子，　则　（ｘ，　）＝，（ａｅｓ／ａｘ），　（　，　）＝，（ａｅｓ／ａｙ）为尺度　上　的小波函数。在尺度Ｓ上，函数ｆ（ｘ，Ｙ）∈　（　）的小波变换　（ＷＴ）定义为　ｗ￣ｆ（ｘ　，）Ｊ　厂［　Ｉ　（２　Ｘｘ，　）Ｊ　Ｖ（眦　（一　一１）　ｆ（ｘ，Ｙ）关于　和　的ｗＴ的两个分量为ｆ（ｘ，Ｙ）的竖　直和水平边缘增强图，记为　（ｘ，Ｙ）和ｎ　（ｘ，Ｙ）。令　Ｉ（ｘ，Ｙ）＝７１＂　＋ｎ；，　（ｘ，Ｙ）＝ａｒｅｔｇ（ｎ２／　）分别为边缘幅度图　和梯度方向图。由于图像是离散的，需要对　和　进行采　样，获得多尺度离散掩模算子。　（２）检测各尺度下边缘候选点　多尺度边缘通过如下方　式获得：选择ｎ个相邻的整数尺度，Ｓ＝ｍ，，ｒＩ十ｌ，…，，ｒｆ＋Ｈ—ｌ，　ｍ∈Ｚ　作为分解尺度，分别得到各尺度的掩模算子。图像与　掩模算子进行卷积，局部模极大值点即为检测出的图像的候　选边缘。为边缘幅度设定阈值　，幅度大于　的候选点作　为边缘点。将连续长度小于阈值，　的边缘删去，使得检测出　来的边缘可信度较高，，　一般取２Ｏ。最小尺度ｍ和最大尺　度ｍ＋ｎ一１根据具体情况选定，要保证最小尺度下边缘信息比　较准确，没有被噪声边缘淹没：最大尺度空问边缘失真较小。　（３）多尺度边缘融合多尺度边缘的融合并不等于将不　同尺度下的边缘简单相加，因为不同尺度的边缘检测算子对　同一边缘的响应并不相同，因此在不同尺度的边缘增强图像　中的位置也不相同，边缘相加必然会造成边缘冗余，同时噪　图１　多尺度边缘融合流程　Ｆｉｇ．１　Ｆｌｏｗ　ｃｈａｒｔ　ｏｆｍｕｌｔｉ－ｓｃａｌｅ　ｅｄｇｅｓ　ｆｕｓｉｏｎ　声也没有得到抑制。文献［１４］￣ＪＪ用多尺度边缘在位置、强度　和方向上的联系，提出边缘传递、继承和生长３种处理方法　来实现多尺度边缘的融合。　跨尺度的关联是建立在３×３的小邻域范围内的，如图２　所示。尺度Ｓ上边缘点的集合为　，尺度Ｓ＋１上的３Ｘ３邻　域巾的像素是尺度Ｓ边缘点（ｆ，　）的关联域，记为　Ｉ（ｆ，Ｊ）。　用ｃ　＋ｌ（ｆ，Ｊ）来表示Ｓ空间点（ｆ，　）与ｓ＋ｌ字问的相关性。　１，３（ｍ，７１）∈　．　＋Ｉ（ｆ，Ｊ）＆（，”，ｎ）∈ｓ．ｔ．Ｍ　＋Ｉ，　　，（ｆ，Ｊ）＝　ＩＡ￣（ｉ，ｊ）－Ａｓ＋，（　”）　∞（２）ｌ　（ｆ，　）一Ａ　＋Ｉ（　，ｎ）ｌ　３６０。一　０，其它　其巾　（ｆ，＿，）为尺度Ｓ边缘点（ｆ，　）的梯度方向，　是为方向　差设的闽值，定为３０。。如果Ｃｓ　Ｉ（，，　）＝１，则说明尺度　上　边缘点（ｆ，　）是与尺度ｓ＋１上的边缘点相关，否则不相关。　图２相邻尺度之间边缘点的哭驳　Ｆｉｇ．２　Ａｓｓｏｃｉａｔｅ　ｏｆｅｄｇｅ　ｐｉｘｅｌｓ　ａｃｒｏｓｓ　ｎｅｉｇｈｂｏｒ　ｓｃａｌｅ　（ａ）边缘传递如果　中的边缘点（ｆ，　）与尺度ｓ＋１关　联，则认为（ｆ，　）是由尺度ｓ＋１中的某个边缘点（ｍ，Ｆ／）传递而　来，在不同尺度空问反映图像巾的同一边缘。经边缘传递后　边缘点集合为Ｂ１　＋Ｉ，其组成为：ＢＩ　＋Ｉ：｛（ｆ，　）∈　ｌＣｓ　ｌ（ｆ，　）＝１｝；　（ｂ）边缘继承尺度空间ｓ＋ｌ上存在的某些边缘点不与　尺度Ｓ上的任何边缘点关联，尺度Ｓ＋１上这部分边缘信息需　要保留，用Ｂ２　表示，其组成为　Ｂ２　＋Ｉ＝｛（　，７１）∈Ｍｓ＋Ｉｌｖ（ｉ，　）∈　，Ｃｓ　Ｉ（ｆ，Ｊ，ｍ，ｎ）＝０）　Ｃｓ　Ｉ（ｆ，Ｊ，ｍ，ｎ）表示＾　巾点（ｆ，　）与　Ｉ巾点（ｍ，ｎ）的　相关性。传递、继承后合成梯度方向图Ａ　为　．　，…‘（　１Ｉ　　（Ａ　（ｆ，ｎ其他　ｆ，　（ｆ，　）∈Ｂ２　＋Ｉ　（ｃ）边缘生长边缘传递仅在３Ｘ３的小窗口内进行，无　法将边缘信息扩展到较远的地方，边缘生长算法可以充分利　用小尺度空问的边缘信息。将从尺度Ｓ＋１和尺度Ｓ通过传递　和继承获得的融合边缘点集合记为Ｂ　ｏ＋．，Ａ　＋．另记为　Ａ　ｏ＋．，以此为基础，使　州在Ｍ　巾迭代扩展。设第ｋ次　迭代之后的边缘点集合为Ｂ　ｋ＋Ｉ，ｋ　１。　巾的像素（ｆ，／）与　Ｂ　ｋ－Ｉ　＋ｌ巾的像素的相关性用Ｄ　（ｆ√）表示。如果　Ｏ　ｋ　（ｆ，　）＝１，表示Ｍｓ叶１的像素（，，　）与　－￣ｌＩ中的像素相关　＋ｌ联：否则不关联。　（ｆ，　）通过下面的判别式获得：　１，｜（　，ｎ）∈　ｋＩ＋．　Ｉ，　（ｆ，　）＝　上Ｉ　（ｆ，　￣Ｊ一　ｋ　－＋Ｉ－（　”）Ｉ≤　。　（３）　ＩＡｓ（ｉ，　）一　ｋ．－＋　Ｉｌ（　，ｎ）Ｉ　３６０　一　０，其他　维普资讯 http://www.cqvip.com

１４８２　Ｂ　ｋ＋ｌ电子与信息学报　第２８卷　与　ｋ－　Ｉｌ的关系为Ｂ　ｋ＋ｌ＝Ｂ１　ｌ　ｕＢ２　，其中　其巾Ｌ为ＳＡＲ图像的视数，来自ＳＡＲ的成像参数，也可估　引　ｆ＝｛（『’　）∈　ｌ　（ｆ，　）＝１｝　Ｂ２　＋ｌ：．　（４）　计出来【Ｉ５Ｊ。因此有　Ｐ（Ｐ　ｌ，０）　Ｐｓｐｅｃｋｌｅ（Ｉｏ　ｌ／ｔ）ｐ．（／ｔ）　（９）　｛（　，ｎ）∈　ｋ，－Ｉ＋　ｌ　Ｉｖ（ｉ，．，）∈　，Ｄ　（ｆ，．，，ｍ，　）＝０｝　（５）　ｕ　针对不同的邻域结构，运用最大后验概率（ＭＡＰ）估计，　可以获得目标像素期望强度的估计值。假设中心像素与两个　－｛　’　￡　ｃ　相邻的像素具有相同的期望反射强度，先验概率Ｐ．（１ｆ）可以　（　，ｊ，ｍ，　）表示集合　巾点（　，　）与集合　Ｉ巾点　（　，　）的相关性。如果点（　，．，）在　州中是一个边缘的端点，　而在Ｍｓ巾某条边缘的ｒ１１问，通过上述迭代，　川就会扩展　到整个的边缘，完成边缘生长。　多尺度边缘融合从最大尺度开始，先进行边缘传递；无　法传递的大尺度边缘得到保留；然后在小尺度空间进行边缘　的生长扩展。由于扩展只是在像素的８邻域范围内逐步进行，　并且有方向的限制，因此可以克服噪声边缘的干扰。以上步　骤逐层向下进行，如图１所示，最后得到多尺度融合的边缘。　３　基于结构邻域模型的ＳＡＲ图像滤波　３，１结构邻域模型　图像中的每个像点，必然存在强度相近的相邻像素，这　些相近的像素在一起体现了图像的局部结构。对于每个目标　像素点，考虑它的８邻域范围内的像素。为了简化邻域结构，　同时有效利用邻域信息，选择一系列体现边界信息的模板，　引入方向敏感性。对于一个像素而言，通过它的可能边界如　图３所示，一共包含了１６个结构邻域模板，将这１６个邻域　模板的集合定义为Ⅳ。把中间的像素定义为　，相邻的两个　像素分别定义为‘和ｉ　。实际上这些模板反映了通过像素『０　的所有可能边界，选择体现图像局部特征的模板，对像素　的强度进行估计，能够保证滤波后图像的局部特征较好的保　留。　口口　＿ｌ１Ｌ　ｒ＿Ｊ＿ｒＪ　口一］　口Ｉ【］ｄｌ口　一【］１１－７口　图３结构邻域模板　Ｆｉｇ．３　Ｔｅｍｐｌａｔｅｓ　ｏｆ　ｓｔｒｕｃｔｕｒｅｄ　ｎｅｉｂｏｕｒｈｏｏｄ　３．２基于结构邻域模型的雷达反射强度ＭＡＰ估计　对于一个邻域模板，在已知观测强度，　情况下，雷达反　射强度　根据Ｂａｙｅｓ准则进行估计，　ｐ（　Ｉｉｏ）：—Ｐｓｐｅｅｋｌｅ（Ｉｏ［１ｌ）Ｐ，ｕ（１１）　（７）　———　－Ｐｓｐｅｃｋｌｅ（Ｉｏ　ｌ　）描述在已知期望反射强度情况下观测强度分布　的概率密度函数，可由下式描述：　去］　唧　㈣　通过下式来表示，　＝㈢　唧（　）㈦　ｅｘｐ（　）　其巾Ｖ是局部阶次参数，可以从，ｎ的邻域巾估计出来。对应　于每一利，邻域模板ｆ∈Ｎ，都可以获得反射强度的最大似然　估计　，０＋÷（　ｌ＋Ｉｉ２）　—　１＋２　二＿　由于图像的视数是固定的，　仅依赖于Ｖ的值，当Ｖ值较小　时，即图像在目标像素点变化较大，　倾向于原始图像值　，ｎ，特征得到保留；Ｖ值较大时，即图像在目标像素点变化　较小，　则倾向于（，ｌ＋，２）／２，图像得到平滑。　４　引入边缘信息的ＳＡＲ结构邻域滤波　４．１边缘信息的利用　滤波过程巾，需要选择体现了图像局部特征的模板，以　它为基础获得目标像点的ＭＡＰ估计。结构邻域滤波器仅从　图像的局部信息（８邻域范围）出发，对邻域模板进行选择。某　些情况空间特征在局部条件下并不是非常突出，导致选择的　邻域模板并不准确，这样滤波就会使局部特征损失。为了克　服这一缺点，需要在结构邻域模型巾考虑图像的宏观边界特　征。由于结构邻域模型处理的信息是８邻域范围内的，它可　以与边缘信息有机的结合。步骤如下：　（１）首先利用多尺度边缘检测算子获得完整、准确的边缘　特征，并在图像中进行标记：　ｆ２）采用结构邻域模型进行滤波的时候针对目标点ｆ图３　巾的像素Ｏ）的性质进行不同的处理：　ｆａ）如果像素０是边界点，则要求邻域中的另外两个像素　１和２必须同样是边界点，不满足条件的邻域类型被剔除；　（ｂ）Ｏｌｌ果像素０是边界点，但是仅存在一个相邻的边界点　ｆ像素０为边界的端点）。这时为像素０特定一种邻域类型，　其中像素１和２的强度等于相邻的边界点强度；　ｆｃ）如果像素０不是边界点，则如果其某个邻域类型巾包　含边界点，该邻域类型被剔除。　（３）在邻域类型的范围内，选择合适的模板，利用它完成　目标像素的强度估计。　如果像点是一个边界点，可选的邻域结构巾另外两个点　也必须是边界点，这样非边界点的信息就无法传递到边界点　的估计中；如果像点是一个非边界点，则其可选的邻域结构　中不能包含边界点，这样边界的信息也无法传递到区域内部　维普资讯 http://www.cqvip.com

第８期　郦苏丹等：结合多尺度边缘检测的ＳＡＲ结构邻域滤波方法　１４８３　像点的估计。通过图像的边缘信息对邻域模板的选择范围进　行约束，能够保证滤波后边界特征不会损失。模板的选择通　过模拟退火算法来实现。　４．２基于模拟退火的模板选择　由于ＳＡＲ图像的噪声很强，一次滤波难以有效抑制噪　声，本文通过迭代来提高滤波效果。迭代过程中利用模拟退　火算法来选择邻域结构。根据本文的优化目标：　ＭＡＰ＝ｍ　（ｐ　ｐｅ　Ｉ。（Ｉｏ　Ｉ　ｆ）ｐ　（　））　（１２）　Ｈ，　１　设计能量函数Ｅ＝一Ｉ　Ｉｏｇｐ。ｐｃ　（ｊ０　ｌ　）＋Ｉｏｇｐ　（　）ｆ。令Ｅ　ｉ　＝ｒｎｉｎ，　＝…，　巨一　－ｎＩ则每一个邻域模板的选择概率为　：；　，　为温度。当某邻域模板巾像素０　ｅｘｐ（一　／　）　与像素１和２的强度接近时，该模板就体现了图像的某种局　部特征，得到的选择概率会比较大。　模拟退火过程巾温度从高向低逐步降低，温度较高时，　各种邻域模板都有选巾的概率，滤波产生平滑效果；当　０时，只有选择概率大的模板会被选中，图像的细节得　到保持。如果像素０位于一个区域的内部，所有邻域模板的　能量会比较接近，因此在退火过程中它们被选择的概率也比　较接近，各邻域交替使用的结果使得区域得到平滑；如果像　素０位于边缘上，只有与边缘相吻合的邻域模板能够被选中，　这样就保持了区域的边界。边界信息的引入限制了模板的选　择，特征得到更好保留。　温度的下降按照如下的公式进行：　：——　一一—ｌｏｇ（１＋—ｉｌｋ）’，ｋ＝１一　’’，２，…，…’　ｎ　（Ｌ　Ｊ１３）　　其巾　为初始温度，　用来控制温度下降的速度。可以根据　图像的噪声强度调整　和　，来影响退火的进程。其巾　范　围在２—５之间，　取值在２—５之间。对于噪声很强的图像，　通过提高初始温度　和减小　，使得温度下降较慢，增大平　滑效果。对于噪声较弱的图像，降低初始温度　和增大　，　使滤波收敛加快，提高细节的保持能力。　５　实验结果分析　下面通过具体实验来验证本文算法的有效性。图４（ａ）为　一幅航空ＳＡＲ的灰度图像，大小为５１２￣５１２，分辨率为３０ｅｍ，　图像中包含田野、公路、树林、河流等特征区域，原图斑点　噪声较强；图４（ｂ）为输入图像Ａ区的突出显示；图４（ｃ）是Ｌｅｅ　滤波器对Ａ区进行８次迭代滤波处理的结果，处理窗口为３ｘ３；　图４（ｄ）是Ｆｒｏｓｔ滤波器的处理结果，窗口大小为５ｘ５。图４（ｅ）　是结构邻域滤波器的处理结果，迭代次数为２００次，选择　Ｔｏ＝３，　＝４；图４（０是多尺度边缘检测算子得到的边缘图　像，尺度空问选择６到３，归一化之后　为０．０６；边缘较准　确地反映了图像的宏观线性特征（河岸、道路等）和局部边界　特征（树林中树冠与阴影的边界等）：图４（ｇ）是引入边缘信息　后结构邻域滤波器的滤波结果，迭代次数也是２００，Ｔｏ＝３，　＝４。对比几种滤波算法，可以看出Ｌｅｅ和Ｆｒｏｓｔ滤波在对　噪声进行抑制的同时模糊了区域的边界。结构邻域滤波与引　入边缘信息后改进的结构邻域滤波对于均质区域都取得显　著效果，但在局部细节的保持方面改进的结构邻域滤波器做　得更好。　（ｄ）　（ｆ）　ｙ　（ｇ）　（ｈ）　图４多种算法滤波结果比较（ａ）输入图像（ｂ）Ａ区的原始图，　Ｓｔｄ口＝ｌ８．９ｌ（Ｃ）Ａ区Ｌｅｅ滤波结果，Ｓｔｄｎ＝７．１３（ｄ）Ａ区Ｆｒｏｓｔ滤波结　果，Ｓｔｄｓ＝７．６４（ｅ）Ａ区结构邻域滤波结果，Ｓｔｄ口＝Ｏ．９１（ｆ）Ａ区边缘　图（ｇ）Ａ区本文算法的滤波结果，Ｓｔｄｓ＝０．９１　（ｈ）输入图像本文算　法的滤波结果　Ｆｉｇ．４　Ｆｉｌｔｅｒ　ｒｅｓｕｌｔ　ｃｏｍｐａｒｉｓｏｎ　ｏｆ　ｆｉｌｔｅｒ　ａｌｇｏｒｉｔｈｍｓ（ａ）Ｉｎｐｕｔ　ｉｍａｇｅ　（ｂ）Ｏｒｉｇｉｎａｌｉｍａｇｅ　ｏｆａｒｅａＡ，Ｓｔｄｓ＝ｌ８．９１（Ｃ）Ｌｅｅｆｉｌｔｅｒ　ｒｅｓｕｌｔ　ｏｆａｒｅａＡ，　Ｓｔｄｓ＝７．１　３　（ｄ）Ｆｒｏｓｔ　ｆｉｌｔｅｒ　ｒｅｓｕｌｔ　ｏｆ　ａｒｅａ　Ａ，Ｓｔｄｓ＝７．６４（ｅ）Ｓｔｒｕｃｔｕｒｅ　ｆｉｌｔｅｒ　ｒｅｓｕｌｔ　ｏｆ　ａｒｅａ　Ａ，Ｓｔｄｓ＝０．９　１　（０　Ｅｄｇｅ　ｉｍａｇｅ　ｏｆ　ｒａｅａ　Ａ（ｇ）Ｆｉｌｔｅｒ　ｒｅｓｕｌｔ　ｏｆ　ａｒｅａ　Ａ　ｗｉｔｈ　ａｌｇｏｒｉｔｈｍ　ｐｒｏｐｏｓｅｄ　ｉｎ　ｔｈｉｓ　ｐａｐｅｒ（ｈ）Ｆｉｌｔｅｒ　ｒｅｓｕｌｔ　ｏｆ　ｉｎｐｕｔ　ｉｍａｇｅ　ｗｉｔｈ　ａｌｇｏｒｉｔｈｍ　ｐｒｏｐｏｓｅｄ　ｉｎ　ｔｈｉｓ　ｐａｐｅｒ　●　●●●●●●●◆　维普资讯 http://www.cqvip.com

１４８４　电子与信息学报　第２８卷　为了定量地比较各种算法的处理效果，选择图４（ｂ）ｑｈ的　行约束，使得滤波过程中信息无法跨越边界传递。由于结构　邻域模型建立在像素点的８邻域范围内，可以与边缘信息有　机的结合。因此边缘检测算法和结构滤波算法都可以充分发　挥自己的优势，不会相互制约，两者相结合体现了宏观信息　与局部信息的互补。实验比较表明本文的方法取得良好的处　理效果，无论是噪声抑制还是边缘保持方面都明显优于Ｌｅｅ，　Ｂ、Ｃ区域作为测试区。其中区域Ｂ是一块均质区域，用来　考察算法对均匀区域的噪声平滑能力，用测试区像点的标准　差Ｓｔｄ日来衡量。标准差越小，表明对均质区域的平滑作用越　强。可以看出，结构邻域滤波器与改进的结构邻域滤波器的　标准偏差远小于Ｌｅｅ和Ｆｒｏｓｔ滤波器，说明其对均匀区域的　平滑效果非常好，并且二者的效果基本相同。区域Ｃ是一块　Ｆｒｏｓｔ及结构邻域滤波器。算法可以获得非常平滑的均质区　树林，包含比较细微的树冠和阴影特征，用来考察算法保持　细节特征的能力，利用三维网格图来体现，各种算法的处理　结果如图５所示。图５（ａ）是区域Ｃ的三维网格图，其中　，　ｙ方向与图４（ｈ）ｑｈ的　，ｙ方向相同。从图５（ｂ）和图５（ｃ）看出，　Ｌｅｅ，Ｆｒｏｓｔ滤波器抑制噪声的同时弱化了区域的边界特征。　图５（ｄ）是结构滤波器的处理结果，虽然算法对噪声的平滑非　常突出，由于缺乏准确的边缘信息，图像细节损失较大。图　５（０是区域ｃ的边缘图。图５（０是引入宏观边缘信息后，改　进的结构滤波器处理结果，它很好地保持了图像的细节。综　合噪声滤除和细节保留，本文的方法具有最佳的处理效果。　骥　鳗　憩　置　憩　趣　憩　图５不同算法的细节保持能力比较　（ａ）Ｃ区的三维网格图（ｂ）Ｆｒｏｓｔ滤波结果（ｃ）Ｌｅｅ滤波结果　（ｄ）Ｆｒｏｓｔ滤波结果（ｅ）边缘图（Ｄ本文算法的滤波结果　Ｆｉｇ．５　Ｄｅｔａｉｌ　ｐｒｅｓｅｒｖａｔｉｏｎ　ｃｏｍｐａｒｉｓｏｎ　ｏｆ　ｉｆｌｔｅｒ　ａｌｇｏｒｉｔｈｍｓ　（ａ）Ｍｅｓｈ　ｏｆａｒｅａ　Ｃ（ｂ）Ｒｅｓｕｌｔ　ｏｆＦｒｏｓｔ　ｆｉｌｔｅｒ（ｃ）Ｒｅｓｕｌｔ　ｏｆＬｅｅ　ｉｆｌｔｅｒ　（ｄ）Ｒｅｓｕｌｔ　ｏｆ　ｓｔｒｕｃｔｕｒｅ　ｉｆｌｔｅｒ（ｅ）Ｅｄｇｅ　ｉｍａｇｅ（Ｄ　Ｆｉｌｔｅｒ　ｒｅｓｕｌｔ　ｏｆ　ａｌｇｏｒｉｔｈｍ　ｐｒｏｐｏｓｅｄ　ｏｎ　ｔｈｉｓ　ｐａｐｅｒ　６　结束语　本文提出一种基于多尺度边缘检测的ＳＡＲ图像滤波方　法，将边缘信息引入结构邻域滤波器内。多尺度边缘融合由　边缘传递、继承和生长３个过程组成，能够克服ＳＡＲ图像　噪声的影响，获得准确可靠的边缘，体现了图像的宏观信息。　在此基础上对结构邻域滤波器进行了改进。基本的结构邻域　滤波器用一系列局部邻域模板来描述图像的细节特性。本文　将宏观边缘信息引入结构邻域滤波器，对邻域模板的选择进　域，为ＳＡＲ图像分割和目标提取等后期处理奠定良好基础。　参考文献　［Ｉ】　Ｓｈｉ　Ｚｈｅｎｇｈａｏ，Ｆｕｎｇ　Ｋ　Ｂ．Ａ　ｃｏｍｐａｒｉｓｏｎ　ｏｆ　ｄｉｇｉｔａｌ　ｓｐｅｃｋｌｅ　ｆｉｌｔｅｒｓ　【Ｃ】．ＩＧＡＲＳＳ’９４：２　１　２９—２　１　３４．　［２】Ｌｏｐｅｓ　Ａ，Ｎｅｚｒｙ　Ｅ，Ｔｏｕｚｉ　Ｒ．Ｓｔｒｕｃｔｕｒｅ　ｄｅｔｅｃｔｉｏｎ　ａｎｄ　ｓｔａｔｉｓｔｉｃａｌ　ａｄａｐｔｉｖｅ　ｓｐｅｃｋｌｅ　ｆｉｌｔｅｒｉｎｇ　ｉｎ　ＳＡＲ　ｉｍａｇｅｓ［Ｊ】．１ｎｔ．　ｏｆ　Ｒｅｍｏｔｅ　Ｓｅｎｓｉｎｇ，Ｉ９９３，ｌ４（９）：１７３５～Ｉ７５８．　［３】　Ｕｌａｂｙ　Ｆ　Ｌ　Ｋｏｕｙａｔｅ　Ｆ．Ｔｅｘｔｕｒｅ　ｉｎｆｏｒｍａｔｉｏｎ　ｉｎ　ＳＡＲ　ｉｍａｇｅｓ［Ｊ】．　ＩＥＥＥＴｒａｎｓ．ｏｎＧＲＳ，１９８６，２４（２）：２３５—２４５．　［４】Ｌｅｅ　Ｊ　Ｓ．Ｓｐｅｃｋｌｅ　ａｎａｌｙｓｉｓ　ａｎｄ　ｓｍｏｏｔｈｉｎｇ　ｏｆ　ｓｙｎｔｈｅｔｉｃ　ａｐｅｒｔｕｒｅ　ｒａｄａｒ　ｉｍａｇｅｓ［Ｊ］．Ｃｏｍｐｕｔｅｒ　Ｇｒａｐｈｉｃ　ａｎｄ　Ｉｍａｇｅ　Ｐｒｏｃｅｓｓｉｎｇ，１　９８　Ｉ，　Ｉ７（Ｉ）：２４—３２．　［５】　Ｋｕａｎ　Ｄ　Ｌ　Ｓａｗｃｈｕｋ　Ａ　Ａ．Ａｄａｐｔｉｖｅ　ｎｏｉｓｅ　ｓｍｏｏｔｈｉｎｇ　ｆｉｌｔｅｒ　ｆｏｒ　ｓｉｇｎａｌ－ｄｅｐｅｎｄｅｎｔ　ｎｏｉｓｅ［Ｊ］．ＩＥＥＥ　Ｔｒａｎｓ．ｏｎ　ＰＡＭＩ，Ｉ　９８５，７（２）：　ｌ６５一ｌ７７．　［６】　Ｆｒｏｓｔ　Ｖ　Ｓ，Ｓｔｉｌｅｓ　Ｊ　Ａ．Ａ　ｍｏｄｅｌ　ｆｏｒ　ｒａｄａｒ　ｉｍａｇｅｓ　ａｎｄ　ｉｔｓ　ａｐｐｌｉｃａｔｉｏｎ　ｔｏ　ａｄａｐｔｉｖｅ　ｄｉｇｉｔａｌ　ｉｆｌｔｅｒｉｎｇ　ｏｆ　ｍｕｌｔｉｐｌｉｃａｔｉｖｅ　ｎｏｉｓｅ［Ｊ】．ＩＥＥＥ　Ｔｒａｎｓ．　ｏｎ　ＰＡＭＩ，Ｉ９８２，４（２）：Ｉ５７一Ｉ６６．　［７】Ｌｏｐｅｓ　Ａ，Ｔｏｎｚｉ　Ｒ，Ｎｅｚｒｙ　Ｅ．Ａｄａｐｔｉｖｅ　ｓｐｅｃｋｌｅ　ｆｉｌｔｅｒ　ａｎｄ　ｓｅｎｓｅ　ｈｅｔｅｒｏｇｅｎｅｉｔｙ［Ｊ］．ＩＥＥＥ　Ｔｒａｎｓ．ｏｎ　ＧＲＳ，Ｉ　９９０，２８（６）：９９２一１　０００．　［８】　Ｂａｒａｌｄｉ　Ａ，Ｐａｒｍｉｇｇｉａｎｉ　Ｆ．Ａ　ｒｅｆｉｎｅｄ　ｇａｍｍａ　ＭＡＰ　ＳＡＲ　ｓｐｅｃｋｌｅ　ｉｆｌｔｅｒ　ｗｉｔｈ　ｉｍｐｒｏｖｅｄ　ｇｅｏｍｅｔｒｉｃａｌ　ａｄａｐｔｉｖｉｙｔ［Ｊ】．ＩＥＥＥ　Ｔｒａｎｓ．ｏｎ　ＧＲＳ，Ｉ９９５，３３（５）：Ｉ２４５一Ｉ２５７．　［９】　Ｍａｒｃ　Ｓ，Ｇｉａｎｆｒａｎｃｏ　Ｄ　Ｇ　Ａｎａｌｙｓｉｓ　ｏｆ　ｓｐｅｃｋｌｅ　ｎｏｉｓｅ　ｃｏｎｔｒｉｂｕｔｉｏｎ　ｏｎ　ｗａｖｅｌｅｔ　ｄｅｃｏｍｐｏｓｉｔｉｏｎ　ｏｆ　ＳＡＲ　ｉｍａｇｅｓ［Ｊ］．ＩＥＥＥ　Ｔｒａｎｓ．ｏｎ　ＧＲＳ，Ｉ９９８，３６（６）：Ｉ９５３一Ｉ９６２．　［１　０】Ｄｏｎｇ　Ｍｉｌｎｅ　Ａ　Ｋ，Ｆｏｒｓｔｅｒ　Ｂ　Ｃ．Ｔｏｗａｒｄ　ｅｄｇｅ　ｓｈａｒｐｅｎｉｎｇ：ａ　ＳＡＲ　ｓｐｅｃｋｌｅ　ｆｉｌｔｅｒｉｎｇ　ａｌｇｏｒｉｔｈｍ［Ｊ】．ＩＥＥＥ　Ｔｒａｎｓ　ｏｎ　ＧＲＳ．２００　１，３９（４）：　８５ｌ一８６３．　［Ｉ　Ｉ】Ｈａｎ　Ｃ　Ｍ，Ｇｕｏ　Ｈ　Ｄ，Ｗａｎｇ　Ｃ　Ｌ，ｅｔ　ａ１．．Ａ　ｎｏｖｅｌ　ｍｅｔｈｏｄ　ｔｏ　ｒｅｄｕｃｅ　ｓｐｅｃｋｌｅ　ｉｎ　ＳＡＲ　ｉｍａｇｅｓ［Ｊ】．／ｎｔ　ｏｆ　Ｒｅｍｏｔｅ　Ｓｅｎｓｉｎｇ，２００２，　２３（２３）：５０９５—５　１０Ｉ．　［１２】韩春明，郭华东．一种改进的ＳＡＲ图像斑点噪声滤波方法［Ｊ】．　遥感学报，２００４，８（２）：ｌ２Ｉ—Ｉ２７．　［Ｉ　３】Ｍａｌｌａｔ　Ｓ，Ｈｗａｎｇ　Ｗ　Ｌ．Ｓｉｎｇｕｌａｒｉｔｙ　ｄｅｔｅｃｔｉｏｎ　ａｎｄ　ｐｒｏｃｅｓｓｉｎｇ　ｗｉｔｈ　ｗａｖｅｌｅｔｓ［Ｊ］．ＩＥＥＥ．Ｔｒａｎｓ．ｏｎ　Ｉｎｆｏｒｍａｔｉｏｎ　Ｔｈｅｏｒｙ，Ｉ　９９２，３８（３）：　６Ｉ７—６４３．　［１４】郦苏ｌ丹，李广侠．ＳＡＲ图像的多尺度边缘检测方￣２１２［Ｊ］．系统工　程与电子技术，２００４，２６（３）：３０７—３１０．　［Ｉ　５］Ｏｌｉｖｅｒ　Ｃ　Ｊ，Ｑｕｅｇａｎ　ｓ．Ｕｎｄｅｒｓｔａｎｄｉｎｇ　ｓｙｎｔｈｅｔｉｃ　ａｐｅｒｔｕｒｅ　ｒａｄａｒ　ｉｍａｇｅｓ［Ｍ］，Ｗａｓｈｉｎｇｔｏｎ：Ａｒｔｅｃｈ　Ｈｏｕｓｅ　Ｉｎｃ，Ｉ　９９８，Ｃｈａｐｔｅｒ　５．　［１６］邢文训，谢金星．现代优化计算方法［Ｍ】．北京：清华大学出　版社，ｌ９９９，第３章．　郦苏月・：　男，Ｉ９７３年生，博士，研究领域为图像分析、遥感信息　处理．　李广侠：　男，Ｉ９６４年生，教授，博士生导师，主要研究领域为信　号处理．