合成孔徑雷達SAR(Synthetic Aperture Radar)作為微波遙感的代表，對比于傳統光學、紅外等遙感技術，在具有大面積的數據獲取能力以及高分辨率的同時，還具有全天時、全天候以及對云層、霧層、地表植物等有一定穿透性的特點，使其在軍事、民用的很多領域有著廣泛的應用。然而，由于成像機理的原因，使得SAR圖像受乘性噪聲干擾嚴重，因此原本適用于光學圖像中目標輪廓提取的方法不能直接應用于SAR圖像中目標的輪廓提取，故需要開發新的適用于SAR圖像的目標輪廓提取方法。

　近20年來,許多學者在SAR圖像目標輪廓提取方法的研究中取得了突破。時至今日，眾多的輪廓提取方法已孕育而生。其中，常用的算法有：基于CFAR檢測的輪廓提取方法[1]、基于邊緣檢測的輪廓提取方法[2]和基于馬爾科夫隨機場MRF(Markov Random Field)的輪廓提取方法[3]。然而，隨著計算機技術的飛速發展和現代戰爭的日趨信息化，這些算法在圖像處理精度或速度上都愈發不能滿足對目標輪廓提取的精確性或實時性的要求，尋求更為高效的SAR圖像處理技術已成為當今該領域的熱點問題之一。
    近年來，活動輪廓模型已經被證明是一種高效的輪廓提取方法。該類模型首先在近目標處設定一初始輪廓，通過設計能量指標函數并對其進行最小化，從而驅使初始輪廓逼近真實目標邊界。相較于傳統的輪廓提取方法，該方法的優勢在于能夠直接得到細化的目標輪廓，無需后續處理，且所獲取輪廓的精度和獲取輪廓的速度十分精確和高效。然而，由于SAR圖像中相干斑噪聲的影響，使得在光學圖像和醫學圖像的圖像分割中取得很大成功的活動輪廓模型不能直接應用于SAR圖像目標的輪廓提取。
    由于活動輪廓模型的高效性符合SAR圖像目標輪廓提取的研究趨勢，故若能引入其他模型或方法使得活動輪廓模型能夠對SAR圖像目標進行輪廓提取，則有望改善SAR圖像目標輪廓提取的精度和效率。基于這點，本文提出一種基于活動輪廓模型的多模型融合的SAR圖像目標輪廓提取方法，將基于梯度的活動輪廓模型與基于區域的活動輪廓模型相結合，引入多邊緣模型進行邊界約束，并利用新興的統計分布模型G0模型更好地保留目標細節信息，從而成功地將活動輪廓模型應用于SAR圖像的目標輪廓提取。該方法繼承了活動輪廓模型在光學圖像中輪廓提取的優勢，提高了SAR圖像目標輪廓提取的精度和效率。



2.2 分布參數的更新
    前已述及，對于G0分布的參數估計可由式(6)和式(7)估算出。然而在沒有先驗知識的情況下，真實目標和背景的樣本缺失，故無法準確估算參數θ1=ξ1,γ1]和θ2=[ξ2,γ2]。故本文采用迭代估算的方式進行參數的更新，即在逼近目標邊界的同時不斷修正參數，從而逼近輪廓處于真實邊界時的參數[10]。將初始輪廓內部區域認定為目標而輪廓外部區域認定為背景，在新模型外力作用下輪廓逼近目標真實邊界的同時，基于G0分布的目標和背景的PDF參數將逼近真實分布的參數。同時，對模型參數估計的精確度的提高反作用于輪廓曲線的運動，使得最終結果更加趨近目標真實邊界。
2.3 新模型算法流程
    基于新模型的SAR圖像目標輪廓提取算法流程如圖1所示，算法主要步驟為：
    (1) 圖像預處理。該步驟主要設置權重系數α、β、k1、k2、k3，并且對圖像目標進行快速定位，設置初始輪廓。

    (2) 根據式(4)計算RoEWA算子。
    (3) 根據步驟(1)中設置的初始輪廓對描述目標和背景統計特性的G0分布的參數?茲1和?茲2進行初始化。
    (4) 使用式(9)計算新模型。
    (5) 依據步驟(4)所得的新的輪廓曲線更新目標和背景的PDF參數θ1和θ2。
    (6) 利用步驟(5)中所得目標和背景的PDF參數計算統計分布信息項。
    (7) 通過公式(9)計算輪廓控制點v(s)。判斷輪廓提取結果是否收斂，若收斂，則輪廓提取完成。反之，則根據當前輪廓，通過步驟(5)重新計算目標和背景的PDF，進而循環至結果收斂。
3 實驗分析
    本文采用MSTAR提供的實測數據作為實驗數據，來驗證新模型算法的性能。算法是采用Matlab 2009a在PC上實現的。針對MSTAR項目提供的一幅真實SAR圖像，分別采用RoEWA模型算子，基于Balloon模型的輪廓提取方法和本文提出的新模型輪廓提取方法對該SAR圖像進行處理，實驗結果如圖2所示。圖2(a)為原始的SAR圖像，從圖2中可以看出圖像的信噪比較低。圖2(b)為使用RoEWA算子后得到的梯度圖像，從該圖中可以看出，還需進行后續的處理才能得到細化且連續的輪廓曲線。圖2(c)為使用Balloon模型提取的目標輪廓，其中虛線表示初始輪廓，實線表示最終輪廓提取結果。從圖中可以看出由于斑點噪聲的影響輪廓曲線并未很好地擬合SAR目標邊界，部分輪廓曲線距真實目標邊界較遠。圖2(d)為使用新模型提取的輪廓，其中虛線表示初始輪廓，實線表示最終輪廓提取結果。從圖中可以看出，該模型很好地貼合了真實目標邊界，且輪廓連續，無需后續處理，輪廓提取結果相較于其他兩種方法更加準確、高效。

    針對SAR圖像目標輪廓提取這一難題，融合Balloon模型、G0分布、RC模型以及RoEWA模型,本文提出一種新的SAR圖像目標輪廓提取方法，詳細給出了該方法的原理、理論求解和輪廓提取算法。針對MSTAR實際SAR圖像進行了實驗，結果表明，本文提出的SAR圖像目標輪廓提取算法具有輪廓邊界定位準確、提取輪廓邊界連續、無需后續處理以及對初始輪廓設置不敏感等優點,可用于執行實際的SAR圖像目標輪廓提取任務。
參考文獻
[1] NOVAK L M, HALVERSEN S D, Effects of polarization and resolution on SAR ATR[J].IEEE Transactions on Aerospace and Electronic System,1997,33(1):102-115.
[2] GERRNAIN O, REFREGIER P. Edge location in SAR  images:Performance of the Likelihood Ratio Filter and Accuracy Improvement with an Active Contour Approach[J]. IEEE Transactions on Image Processing,2001,1(10):72-78.
[3] FIORTOFT R, DELIGNON Y, PIECZYNSKI W, et a1.  Unsupervised classification of radar images using hidden markov chains and hidden markov random fields[J]. IEEE  Transactions on Geoscience and Remote Sensing, 2003,3(41):675-686.
[4] KASS M, WITHIN A. TERZOPOULOS D. Active contour models[J]. International Journal of Computer Vision,1988,1(4):321-331.
[5] LAURENT D, Cohen and Isaac Cohen. Finite-element method for active contour models and balloon for 2-D and  3-D images[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence,1993,11(15):1131-1147.
[6] ZHU S C,YUILLE A. Region competition: unifying snakes,region growing, and bayes/MDL for multiband image segmentation[J]. IEEE Transactions on Pattern Analysis and  Machine Intelligence(0162-8828). 1996, 18(9): 884-900
[7] ROGER F, ARMAND L, PHILIPPE M, et al. An optimal multiedge detector for SAR image segment[J]. IEEE Transactions on Geoscience and Remote Sensing,1988，36(3):793-802.
[8] 高貴. SAR圖像統計建模研究綜述[J]. 信號處理,2009,25(8):1270-1278.
[9] FRERY A C, MULLER H, FREITAS C C, et al. A model for extremely heterogeneous clutter[J]. IEEE Transactions on Geoscience and Remote Sensing,1997,35(3):648-659.
[10] 賀志國, 陸軍, 匡綱要,等. 基于全局活動輪廓模型的SAR圖像分割方法[J]. 自然科學進展, 2009,19(3):344-360.