数字图像处理大作业(DOC)

大作业指导书

题目：数字图像处理

院（系）：物联网工程学院

专业: 计算机

班级：计算机1401-1406

指导老师：

学号：

姓名：

设计时间： 2016-2017学年 1学期

摘要 (3)

一、简介 (3)

二、斑点数据模型

.参数估计与解释 (4)

三、水平集框架 (5)

1.能量泛函映射 (5)

2.水平集传播模型 (6)

3.随机评估方法 (7)

四、实验结果 (8)

五、总结 (11)

基于水平集方法和G0模型的SAR图像分割

Abstract（摘要）

这篇文章提出了一种分割SAR图像的方法，探索利用SAR数据中的统计特性将图像分区域。我们假设为SAR图像分割分配参数，并与水平集模型相结合。分布属于G分布中的一种，处于数据建模的目的，它们已经成功的被用于振幅SAR图像中不同区域的建模。这种统计数据模型是驱动能量泛函执行区域映射的基础，被引用到水平集传播数值方案中，将SAR 图像分为均匀、异构和极其异构区域。此外，我们引入了一个基于随机距离和模型的评估过程，用于量化我们方法的鲁棒性和准确性。实验结果表明，我们的算法对合成和真实SAR 数据都具有准确性。+

简介

1、Induction（简介）

合成孔径雷达系统是一种成像装置，采用相干照明比如激光和超声波，并会受到斑点噪声的影响。在SAR图像处理过程中，返回的是斑点噪声和雷达切面建模在一起的结果。这个积性模型（文献[1]）因包含大量的真实SAR数据，并且在获取过程中斑点噪声被建模为固有的一部分而被广泛应用。因此，SAR图像应用区域边界和目标检测变得更加困难，可能需要斑点去除。因此，斑点去除是必需的，有效的方法可以在文献[2][3][4][5][6][7][8][9][10]中找到。

对于SAR图像分割，水平集方法构成一类基于哈密顿-雅克比公式的重要算法。水平集方法允许有效的分割标准公式，从文献[12]中讨论的传播函数项可以得到。经典方法有着昂贵的计算成本，但现在的水平集的实现配置了有趣的低成本的替换。

水平集方法的一个重要方面，比如传播模型，可以用来设计SAR图像的分割算法。这个传播函数能够依据伽马和伽马平方根法则将斑点统计进行整合，函数已经被广泛地应用于SAR图像中的均质区域分割。Ayed等基于伽马分布任意建模，设计方案将SAR图像分成多个均质区域。尽管多区分割问题已经解决，该方案人需要一定数量的区域作为输入。Shuai 和Sun在文献[16]中提出对这个方法进行了改进，他们使用了一个有效的传播前收敛判断。Marques等引入了一个类似于含有斑点噪声图像中目标检测的框架，将基于本地区域的斑点噪声统计融合进去。这些作者采用伽马平方根对均质区域进行建模并用一个自适应窗口方案检测本地的同质性。

最近，新的SAR数据模型比如K，G，显示出了优势。经典法则受限于均质区域特性的描述，而最近的法则展现出了在数据建模中更有吸引力的特性。法则允许同构、异构和高度异构幅度SAR数据的建模。这个分布族提供了一组参数，可以描述SAR图像中的不同区域。分布的参数信息，可以被广泛的应用于设计SAR图像处理和分类技术。在文献[21]中，Mejail 等人介绍了SAR监督数据分类器，它基于其参数映射并实现了有趣的结果。Gambini等人在文献[22]中使用这个分布的一个参数来量化SAR数据的粗糙度，通过活动轮廓和B样条差值来检测边缘。然而，这种技术需要一个初始分割步骤，并受拓扑限制。一般来说，活动轮廓方法不能解决不连续区域分割的问题。

本文介绍了一种新的水平集算法来实现SAR图像中均质、异构和极其异构区域分割的目标。由于分布能够描述SAR图像的同质性和规模，我们的方法采用分布对斑点数据进行建模。这些分布参数基于每一个域点进行估计，通过这些信息，我们可以在水平集分割框架内得到一个能量泛函来驱动向前传播(front propagation)。该泛函以最大化不同区域平均能量间的差异作为结束。最终水平集阶段以能量带作为依据得到SAR图像的分割结果。

本文的另一个贡献是随机评估方法，对算法分割的难度以及正确划分区域的能力进行评估。提出的这个随机方法对量化分割方法的性能非常有效。此外，这些方法针对于真实SAR图像有效，对于参考图像或者地表图像可能并不适用。

本文的其余部分组织如下：在下一节中，我们回顾斑点数据模型并着重于样本矩方法的参数评估方法。第三节介绍了提出的基于SAR图像区域统计映射的水平集分割方法。此外，该节介绍了一组随机方法来评估实验。在第四节中，我们给出了实验结果以及随机评估方法。第五节是结论以及总结我们的贡献和未来的进一步工作。

斑点数据模型

2、Background on Speckled Data Models（斑点数据模型背景）

本节简要给出SAR数据模型的介绍，主要基于文献[19][21][22][23][24][25][26]中给出的结果。参数估计和解释也同样有讨论，并指出它们在描述SAR数据中的适用性。

SAR系统返回的Z采用了乘性模型。Z=X·Y，其中后向散射X和噪声Y是独立的随机变量。对于多视振幅SAR图像，三个主要模型证实了其有效性：当传感器传来均质信号时使用伽马平方根（），而和分别对应于异构和极其异构区域。这些模型都是特定情况下的G 幅度分布（），它以密度为特征，令z>0，

其中n是looks的次数，K e(·)表示e阶的第三类贝塞尔函数，(·)是伽马函数。参数空间，和表示如下：

表1给出了为振幅SAR数据建模的各分布之间的关系，其中和分别表示收敛于随机变量Z 的分布和概率。在特定条件下的参数空间，法则收敛于SAR图像中异构区域建模的分布。分布由如下密度函数描述：

对于SAR图像中的均质区域，法则概率收敛于含有广义参数的伽马平方根。的密度函数给出如下：

Frery等人介绍了另一个法则的特殊情况，特别对于异构和极其异构区域，将振幅数据建模后返回Z。这个分布被称为，使用（configure）一个有趣的替换来描述观测数据。Allend等人强调，该方法是最近被接受的均质区域建模方法。

模型由如下密度方程描述：

阶理论力矩存在如果<-/2，则>0且n≥1，它们由下式给出：

累积分布的定义如下：

其中，是Snedecor’s F法则的累积分布函数，其自由度为2n和-2。