姜大偉，范劍超，黃鳳榮

1. 遼寧師范大學城市與環(huán)境學院，遼寧 大連116029； 2. 國家海洋環(huán)境監(jiān)測中心海域資源環(huán)境動態(tài)監(jiān)管中心，遼寧 大連 116023

?

SAR圖像海岸線檢測的區(qū)域距離正則化幾何主動輪廓模型

姜大偉1,2，范劍超2，黃鳳榮1

1. 遼寧師范大學城市與環(huán)境學院，遼寧 大連116029； 2. 國家海洋環(huán)境監(jiān)測中心海域資源環(huán)境動態(tài)監(jiān)管中心，遼寧 大連 116023

合成孔徑雷達(SAR)衛(wèi)星遙感圖像可以極大地提高全國海岸線覆蓋頻率，然而受到海洋波浪所引起的隨機海水表面粗糙度的影響，海岸目標與海水背景邊界易混淆不清，因此本文提出了基于區(qū)域距離正則化幾何主動輪廓模型(RDRGAC)，引入距離正則項，解決重復初始化水平集函數(shù)為符號距離函數(shù)的問題，提高了算法收斂速度。此外，將區(qū)域面積項系數(shù)與SAR圖像等效視數(shù)(ENL)建立非線性擬合關系，實現(xiàn)RDRGAC模型根據(jù)不同SAR遙感圖像的自適應調(diào)整，改善海岸線自動提取精度。通過河北省北戴河和大連市金州灣SAR數(shù)據(jù)海岸線提取對比試驗，驗證了所提方法的有效性。

相干斑噪聲；合成孔徑雷達；非線性擬合；幾何主動輪廓模型；等效視數(shù)

海岸線是劃分海洋與陸地管理區(qū)域的基準線，其所處地帶憑借豐富的自然資源和優(yōu)越的地理位置成為人類開發(fā)利用的重要區(qū)域[1]。隨著海洋經(jīng)濟的迅速發(fā)展和用地需求的快速增長，圍海造地成為緩解沿海地區(qū)土地供需矛盾、擴大發(fā)展空間的有效途徑，致使海岸線不斷收縮或擴張。國家海域本體庫建設需要對全國海岸線及海島開發(fā)利用情況進行精確測繪調(diào)查，因此高效準確的海岸線測繪，可以實現(xiàn)對海岸帶資源的持續(xù)利用和科學管理，具有十分重要的意義。

傳統(tǒng)海岸線檢測的方法主要是利用歷史海圖、地形圖、剖面監(jiān)測等[2]，這些方法費時費力，并且動態(tài)連續(xù)性差。遙感技術憑借自身宏觀、快速、動態(tài)連續(xù)以及低成本等優(yōu)點在海岸線檢測的工作中受到廣泛應用。但是可見光遙感受光照條件限制，例如在沿海多陰雨多云天氣，大多數(shù)情況下，可見光遙感圖像無法每年完全覆蓋岸線一次，因此使得應用微波波段的合成孔徑雷達(synthetic aperture radar, SAR)遙感圖像受到廣泛關注，并逐漸成為海域資源測繪研究的熱點。SAR是主動式成像傳感器，其具有全天時、全天候和高分辨率的數(shù)據(jù)獲取能力[3]，在資源探測、地理測繪和海域監(jiān)測等領域有廣泛的應用。然而SAR圖像中的相干斑噪聲使圖像的信噪比下降，降低了圖像的有效分辨率，從而給SAR圖像的分割和解譯帶來困難。

傳統(tǒng)用于遙感圖像海岸線提取的方法有閾值分割[4]、區(qū)域生長[5]等圖像分割法和Sobel算子、Laplace算子、Canny算子、Susan算子等經(jīng)典邊緣檢測算子法[6-8]。這些方法易受噪聲影響，而且檢測出的邊緣不連續(xù)、難以提取到海岸線真實輪廓。文獻[9]提出邊界追蹤算法，利用圖像的梯度特征，通過閾值分割，實現(xiàn)了海岸線輪廓提取。這是一種較早提出的SAR圖像海岸線輪廓提取的方法。隨后，文獻[10]提出Markovian分割法。文獻[11]提出Snake(主動輪廓)模型方法，在近目標處設定一個初始輪廓，并將輪廓曲線的運動看作力合成的結果，從而設計曲線的能量函數(shù)，最后通過能量函數(shù)的最小化使得初始輪廓逼近真實目標邊界。文獻[12]將水平集方法成功引入主動輪廓模型，將二維平面內(nèi)的輪廓曲線隱含地表達為更高維曲面的一個水平集，提出了幾何活動輪廓(geometric active contour, GAC)模型。平均密度法是文獻[13]在2001年根據(jù)水平集方法和Mumford-Shah函數(shù)法的思想提出的。這個方法的原理是給出初始輪廓線,通過曲線的運動不斷逼近目標的輪廓邊界,但是與主動輪廓法不同的是,它不是通過檢測圖像梯度而是通過計算曲線內(nèi)外的平均灰度來驅使曲線運動。文獻[14]通過引入?yún)^(qū)域信息對Snake模型的驅動力修正，利用粒子群優(yōu)化算法的全局優(yōu)化特性和數(shù)值穩(wěn)定性對模型分割結果優(yōu)化。在傳統(tǒng)Chan-Vese(C-V)模型的基礎上，文獻[15]充分考慮SAR圖像的斑點噪聲，引入距離正則項，避免了水平集函數(shù)的周期性更新，解決了傳統(tǒng)水平集方法計算量大、分割速度慢的問題。文獻[16]提出基于雙重輪廓演化曲線的圖形分割水平集模型，通過內(nèi)部能量泛函，避免對符號距離函數(shù)的重新初始化，以及對初始輪廓線的過度依賴。文獻[17]提出一種基于G0分布的局部統(tǒng)計活動輪廓模型對SAR圖像海岸線檢測,并加入水平集懲罰項，消除了重新初始化過程，實現(xiàn)了精確海岸線檢測，但缺點在于模型分割產(chǎn)生的極小值點問題會受到初始輪廓線位置的影響。

針對SAR圖像包含大量不規(guī)則相干斑噪聲，及受到海洋波浪引起的隨機海水表面粗糙度干擾等原因，本文提出基于區(qū)域的距離正則化幾何主動輪廓模型(regional distance regularized geometric active contour models, RDRGAC)，克服周期性重復初始化水平集函數(shù)為符號距離函數(shù)的缺點，并將區(qū)域面積項系數(shù)與等效視數(shù)(equivalent number of looks, ENL)建立非線性擬合關系，根據(jù)每幅SAR遙感圖像中所包含相干斑噪聲的水平實現(xiàn)參數(shù)自動設定，提高海岸線自動提取精度和計算速度。

1　研究區(qū)域SAR數(shù)據(jù)特征和試驗環(huán)境分析

1.1研究區(qū)域概況

本文主要采用北戴河和金州灣地區(qū)進行仿真試驗。北戴河位于河北省東北部，西距首都北京279 km，東距秦皇島港18 km、山海關機場25 km。東北與秦皇島市海港區(qū)毗鄰，西部、西北部與撫寧縣接壤，東、南面臨渤海灣。東西長11.2 km，南北寬10.15 km，總面積70.14 km2。

金州灣位于大連市金州鎮(zhèn)西2 km渤海海域，海域寬闊呈橢圓形，南北長28 km，寬約15 km。岸線北自金州區(qū)大魏家鎮(zhèn)蕎麥山、葫蘆套一帶，南至甘井子區(qū)黃龍尾咀，長約74 km，面積約7453 km2，是大連市地區(qū)渤海沿岸最大的海灣。目前在建的大連市金州灣國際機場，采取離岸填海建造人工島方式建設，因此實現(xiàn)該區(qū)域海岸線檢測具有十分重要的意義。

1.2SAR數(shù)據(jù)分析

河北省北戴河SAR遙感圖像采用2015年5月20日RADARSAT-2衛(wèi)星數(shù)據(jù)，大連市金州灣試驗數(shù)據(jù)采用2015年11月28日RADARSAT-2衛(wèi)星遙感圖像，C波段，空間分辨率為8 m，幅寬為50 km×50 km。通過全極化成像模式對海岸線進行分析，選用HV交叉極化模式，更有利于區(qū)分獲得海岸線。數(shù)據(jù)級別為SSG地理編碼系統(tǒng)校正產(chǎn)品，該產(chǎn)品在SGF的基礎上進行了地圖投影(UTM)校正。

1.3試驗分析環(huán)境

為了驗證算法的分割性能，采用真實SAR圖像數(shù)據(jù)進行試驗分析。試驗環(huán)境：CPU為Inter(R) Core i3-4150，主頻為3.50 GHz，內(nèi)存為4 GB，軟件環(huán)境為Matlab(R2013b)。SAR圖像數(shù)據(jù)預處理過程包括裁剪、鑲嵌和配準均采用ERDAS IMAGINE 9.2版本來實現(xiàn)。

2　算法提出

2.1經(jīng)典幾何主動輪廓模型C-V模型

Chan-Vese根據(jù)Mumford-Shah(M-S)模型提出了簡化M-S模型C-V模型[18]。假設定義域為Ω的圖像I(x,y)被輪廓線C劃分為內(nèi)部平均灰度c1和外部平均灰度c2,曲線C將圖像分成了外部Ωext和內(nèi)部Ωint兩部分，則目標最小化能量泛函可表示為

F(C,c1,c2)=μL(C)+vA(C)+λ1∫inside(c)

(1)

式中，L(C)為閉合輪廓線C的長度項；A(C)為閉合輪廓線C面積項；μ、v、λ1、λ2是能量項系數(shù)；顯然，當閉合輪廓線運動到圖像邊緣時，能量函數(shù)達到最小值。

引入水平集函數(shù)得到以水平集函數(shù)φ表達的偏微分方程如下

(2)

式中

(3)

(4)

2.2RDRGAC模型

經(jīng)典水平集方法中，水平集在演化過程中會出現(xiàn)非正則性，這會導致數(shù)值錯誤并影響演化的穩(wěn)定性，因此需要周期性的重新初始化水平集函數(shù)為符號距離函數(shù)，這會大大影響演化效率，RDRGAC模型與傳統(tǒng)水平集方法相比引入距離正則項，不必重復此步驟，精確搜索輪廓邊緣并大幅度縮短迭代時間。定義水平集函數(shù)為φ為

初始水平集函數(shù)定義如下

(5)

式中，c0>0，是一個常量；R0是圖像域Ω中的區(qū)域。一般情況下，c0≥1，通常設置c0=2。所提距離正則化水平集能量函數(shù)定義為

ε(φ)=μRp(φ)+λLg(φ)+αAg(φ)

(6)

式中，λ、α都是能量項系數(shù)，λ>0,α∈R，當初始輪廓設置在目標區(qū)外部，區(qū)域面積項系數(shù)α>0，輪廓線在迭代過程中收縮至岸線邊緣，當初始輪廓設置在目標區(qū)內(nèi)部，系數(shù)α<0，輪廓線在迭代過程中擴張至岸線邊緣，μ>0是常量。Rp(φ)是水平集正則項，定義如下

(7)

(8)

Ag(φ)=∫ΩgH(-φ)dΧ

(9)

式中，Lg(φ)計算沿著φ的零水平集的函數(shù)g的線性積分，當φ的零水平集輪廓到達目標邊緣時，能量函數(shù)Lg(φ)會呈現(xiàn)最小化，Ag(φ)計算權重區(qū)域面積Ωint:φ(x,y)<0。g為邊緣指示器函數(shù)，定義為

(10)

(11)

(12)

(13)

(14)

(15)

α∫ΩgHε(-φ)dX

(16)

通過變分法求解能量泛函極值，得到關于φ的梯度矢量流如下

(17)

水平集函數(shù)更新方程

(18)

3　RDRGAC模型改進

在RDRGAC模型中，區(qū)域面積項系數(shù)α與岸線邊緣強弱有關，通過建立參數(shù)α與ENL的關系，自動設定參數(shù)α，從而在盡量減少相干斑噪聲影響的同時，最大程度逼近海岸線。由于參數(shù)α設置與圖像噪聲強度有關，本文通過使不同噪聲的SAR圖像的ENL同相應α建立相關關系，實現(xiàn)α值自動設定。

等效視數(shù)ENL度量了圖像區(qū)分不同后向散射特性區(qū)域的能力，是衡量一幅SAR圖像斑點噪聲相對強度的一種指標，等效視數(shù)越大，表明圖像上斑點越弱。定義為[19-21]

(19)

式中，μ1為像素均值；σ1為像素標準差。

以下是不同區(qū)域的SAR圖像ENL，以及在海岸線自動提取過程中設定的α值，如圖1所示。

圖1　針對SAR不同噪聲強度的α取值Fig.1　Different values of α in different SAR image

根據(jù)多景SAR圖像的統(tǒng)計試驗，建立α值與相應圖像ENL的非線性擬合關系，如圖2所示。

圖2　參數(shù)α取值與ENL擬合關系Fig.2　Regression relation between α and ENL

本文選用8景不同區(qū)域SAR圖像ENL來研究ENL同噪聲參數(shù)α關系以測定參數(shù)α的變化趨勢。并選用其中4景典型特例來說明上述關系。由圖2可以看出，ENL與參數(shù)α建立的相關關系接近對數(shù)關系，即

(20)

對大多數(shù)SAR圖像來講，參數(shù)α取值范圍為0<α≤5。針對弱邊緣圖像即ENL≥7.6,取0<α≤1.5，針對強邊緣圖像即ENL<7.6，取1.5<α≤5之間。由于本文獲得SAR圖像樣本數(shù)量的關系，根據(jù)ENL求得的α值會有少許誤差，隨著樣本數(shù)量的增加，α與ENL會建立更加精確的對應關系。

4　試驗結果與分析

為了驗證所提改進的區(qū)域距離正則化幾何主動輪廓模型對海岸線自動提取的有效性，將本文所提模型與主動輪廓模型-梯度矢量流模型(gradientvectorflow,GVF-Snake)模型[5]、C-V模型[18]和區(qū)域面積項系數(shù)α人工設定模型進行比較，采用真實SAR遙感圖像進行試驗。

GVF-Snake參數(shù)設置為：α=0.5,β=0，γ=1，κ=0.6。C-V模型參數(shù)設置為：λ1=λ2=1，Δt=1.0，ε=1，μ=0.02×2552。本文方法參數(shù)設置λ=5，Δt=5，ε=1.5，μ=0.2。參數(shù)α原始值為α=1.5。

4.1河北省北戴河海岸線自動提取試驗

本試驗采用河北省北戴河SAR遙感圖像，大小為289×297像素，HV極化模式，如圖3所示。為了保證岸線提取結果的穩(wěn)健性，初始輪廓均設在岸線邊緣，本試驗初始輪廓為(1:260,1:280)，即像素為260×280的長方形區(qū)域。

SAR圖像同可見光遙感圖像相比，最大特點是存在相干斑噪聲，即SAR圖像發(fā)射相干電磁波，因此各理想點目標回波是相互干涉的，相干電磁波照射實際目標時，其散射回來的總回波并不完全由地物目標的散射系數(shù)決定，而是圍繞這些散射系數(shù)有很大的隨機起伏。由于海陸信號的混雜作用以及大陸架暗礁區(qū)域的影響，在海岸線提取過程中極易受到相干斑噪聲影響。

圖3(a)為北戴河岸線初始輪廓，圖3(b)為GVF-Snake模型岸線分割結果，其從圖像中獲得一個梯度向量場，即梯度矢量流，依賴于梯度信息作為曲線演化的停止條件，該方法對于噪聲比較敏感，出現(xiàn)了岸線誤分割現(xiàn)象，在SAR圖像中，相干斑噪聲使岸線邊緣比較模糊，在同質(zhì)區(qū)域中也存在一定的灰度起伏和斑點噪聲，造成岸線邊緣處梯度不一定最大，能量泛函在邊緣處不一定達到最小值，是造成岸線許多誤分割的主因。圖3(c)為C-V模型提取結果，輪廓線不能精確收斂于真實岸線邊緣，主要原因在于C-V模型的區(qū)域能量項都是基于歐氏距離，在乘性相干斑噪聲下，歐氏距離不適用于度量SAR圖像像素的相似度，以致在能量最小化過程中易陷入局部極小值。因此造成岸線少許誤分割。圖3(d)是固定參數(shù)α=1.5的RDRGAC方法分割結果，岸線基本收斂于岸線邊緣，但有少許“冒頂”現(xiàn)象，即輪廓線穿越真實岸線，由于引入了距離正則項，使其具有保證水平集函數(shù)穩(wěn)定演變的特性，不必周期性地重新初始化水平集函數(shù)為符號距離函數(shù)，大幅度減少迭代次數(shù)和計算時間，但由于參數(shù)α取值與岸線強弱有關，針對較弱岸線參數(shù)α不能自行設定，導致“冒頂”現(xiàn)象。圖3(e)中本文方法分割結果，在原始方法基礎上，引入了ENL，用于測定SAR圖像噪聲強度，并與參數(shù)α建立非線性擬合關系，對參數(shù)α自動設定，實現(xiàn)了海岸線的精確檢測。圖3(f)為圖3(e)最終水平集。

為了驗證本文方法在SAR圖像海岸線提取中的有效性，各模型迭代次數(shù)均為100次，性能對比如表1所示。從表1中可以發(fā)現(xiàn)GVF-Snake分割速度快，迭代時間短，但對岸線噪聲比較敏感，出現(xiàn)了岸線誤分割，傳統(tǒng)幾何主動輪廓C-V模型由于引入了水平集函數(shù)，需要在曲線演化中進行耗時的重新初始化步驟，計算效率低，本文方法引入了距離正則項，不必重新初始化水平集函數(shù)為符號距離函數(shù)，提升了演化速率，在經(jīng)過ENL自動設定參數(shù)α后，岸線提取精度方面也有了明顯提高。

圖3　北戴河岸線提取結果Fig.3　Coastline extraction result of Beidaihe SAR image

Tab.1Efficiencies comparison from four segmentation approaches of Beidaihe SAR image

分割算法迭代時間/s收斂效果GVF-Snake[5]6.07不好,含噪聲較多C-V[18]28.10好,含較少噪聲本文方法(α為原始值)11.26較好,但輪廓線在濾過噪聲的同時越過了岸線邊緣本文方法(α自動設定)10.96好,輪廓線濾過噪聲剛好收斂于岸線邊緣

4.2大連市金州灣海岸線自動提取試驗

該試驗采用大連市金州灣SAR圖像，大小為707×782像素，HV極化模式，如圖4所示。為了保證岸線提取結果的抗差性，初始輪廓均設在岸線邊緣，本試驗初始輪廓為(5:705,10:780)，即像素為700×770的長方形區(qū)域。

SAR圖像模糊邊界分為兩類：一是真實岸線的模糊邊緣，二是由SAR圖像固有的乘性相干斑造成的虛假岸線，在SAR圖像中呈現(xiàn)為弱化邊緣。在海陸信號的共同作用及大陸架暗礁區(qū)域的影響下，第2類情況造成的虛假岸線極易被噪聲敏感的模型誤分割為真實岸線，從而造成真實岸線的邊界遺漏，相干斑噪聲導致邊界模糊主要是第2類原因造成的。

圖4(a)為金州灣岸線初始輪廓，圖4(b)為GVF-Snake方法岸線提取結果，可以看出，相比于噪聲含量低的SAR圖像，岸線提取效果不佳的特性更加明顯，因為參數(shù)主動輪廓模型用參數(shù)方程表示輪廓曲線，在二維平面內(nèi)處理參數(shù)曲線的演化，很難處理曲線的拓撲變化(分裂、合并)等，并且對初始輪廓位置敏感。圖4(c)為傳統(tǒng)幾何主動輪廓C-V模型岸線提取結果，引入了水平集函數(shù)解決輪廓線拓撲分裂合并的問題，但由于在SAR圖像中乘性相干斑噪聲不可避免，對噪聲不均勻圖像仍會陷入局部極小值。圖4(d)是固定參數(shù)α=1.5的RDRGAC方法分割結果,中心區(qū)域為大連市金州灣飛機場,對于強噪聲區(qū)的岸線提取效果并不理想，這是因為在強噪聲區(qū)，相干斑噪聲使原本具有常數(shù)后向散射系數(shù)均勻同質(zhì)區(qū)域變得不均勻，出現(xiàn)許多斑點，固定參數(shù)α將噪聲區(qū)默認為岸線邊緣，經(jīng)試驗表明，經(jīng)過更多的迭代次數(shù)，仍不能精確檢測真實岸線。圖4(e)中本文方法參數(shù)α經(jīng)自動設定分割結果，精確收斂于岸線邊緣。試驗證明，參數(shù)α經(jīng)自動設定能根據(jù)SAR圖像噪聲強度，有效濾過相干斑噪聲，收斂于岸線邊緣，實現(xiàn)模型自適應調(diào)整。圖4(f)為圖4(e)最終水平集。

圖4　金州灣岸線提取結果Fig.4　Coastline extraction result of Jinzhou Bay SAR image

大連市金州灣海岸線提取4種分割方法效率對比如表2所示，各模型迭代次數(shù)均為400次。相比于北戴河SAR圖像，金州灣SAR圖像受相干斑噪聲影響更加嚴重，對比結果表明，本文方法對乘性相干斑噪聲的抗差性更強，對海岸線輪廓的收斂速度更快，且對初始輪廓不敏感，經(jīng)ENL自動設定參數(shù)的本文方法對不同噪聲強度SAR圖像的海岸線提取針對性更強，且有一定的實用性。

表2金州灣SAR圖像4種分割方法性能比較

Tab.2Efficiencies comparison from four segmentation approaches of Jinzhou Bay SAR image

分割算法迭代時間/s收斂效果GVF-Snake[5]181.26不好,含噪聲較多C-V[18]571.88不好,含較少噪聲,漏掉部分岸線本文方法(α為原始值)231.01較好,但輪廓線默認部分強噪聲區(qū)為岸線邊緣本文方法(α自動設定)225.27好,輪廓線濾過噪聲剛好收斂于岸線邊緣

5　結　語

本文針對SAR圖像中相干斑噪聲和海表隨機粗糙度造成海岸目標與海水背景模糊的特點，提出了基于區(qū)域距離正則化幾何主動輪廓模型，實現(xiàn)了SAR圖像海岸線自動提取。為避免重新初始化水平集函數(shù)為符號距離函數(shù)的耗時步驟，引入距離正則項，提高算法穩(wěn)定性及收斂速度。并將區(qū)域面積項系數(shù)α與SAR圖像ENL建立了非線性擬合關系，實現(xiàn)了對包含不同噪聲水平SAR圖像的參數(shù)α自動設定。通過多種主動輪廓模型方法對河北省北戴河和大連市金州灣SAR數(shù)據(jù)做試驗對比，表明本文方法在受相干斑噪聲影響的SAR圖像岸線提取方面有顯著的優(yōu)越性。

[1]馬小峰, 趙冬至, 張豐收, 等. 海岸線衛(wèi)星遙感提取方法研究進展[J]. 遙感技術與應用, 2007, 22(4): 575-580.

MA Xiaofeng, ZHAO Dongzhi, ZHANG Fengshou, et al. An Overview of Means of Withdrawing Coastline by Remote Sensing[J]. Remote Sensing Technology and Application, 2007, 22(4): 575-580.

[2]嚴海兵, 李秉柏, 陳敏東. 遙感技術提取海岸線的研究進展[J]. 地域研究與開發(fā), 2009, 28(1): 101-105.

YAN Haibing, LI Bingbai, CHEN Mindong. Progress of Researches in Coastline Extraction Based on RS Technique[J]. Areal Research and Development, 2009, 28(1): 101-105.

[3]李雨謙, 皮亦鳴, 王金峰. 基于水平集的SAR圖像與光學圖像的配準[J]. 測繪學報, 2010, 39(3): 276-282.

LI Yuqian, PI Yiming, WANG Jinfeng. The Registration between SAR and Optical Image Based on Level Set[J]. Acta Geodaetica et Cartographica Sinica, 2010, 39(3): 276-282.

[4]周奇年, 王廷波, 李文書. 區(qū)域信息和水平集方法的圖像分割[J]. 中國圖象圖形學報, 2011, 16(11): 2002-2008.

ZHOU Qinian, WANG Tingbo, LI Wenshu. Image Segmentation Based on Region and Level Set Method[J]. Journal of Image and Graphics, 2011, 16(11): 2002-2008.

[5]胡倩, 張豐, 劉仁義, 等. 基于梯度矢量流和主動輪廓模型的海陸邊界提取[J]. 浙江大學學報(理學版), 2013, 40(6): 698-704.

HU Qian, ZHANG Feng, LIU Renyi, et al. Land Sea Boundary Extraction Based on Gradient Vector Flow and Active Contour Model[J]. Journal of Zhejiang University (Science Edition), 2013, 40(6): 698-704.

[6]孫陽光, 蔡超, 周成平, 等. R-Snake: 一種基于邊緣與區(qū)域信息的圖像主動輪廓模型提取[J]. 電子學報, 2009, 37(8): 1810-1815.

SUN Yangguang, CAI Chao, ZHOU Chengping, et al. R-Snake: A Snake Model Using Both Boundary and Region Information[J]. Acta Electronica Sinica, 2009, 37(8): 1810-1815.

[7]SUN Guangcai, XING Mengdao, XIA Xianggen, et al. Multichannel Full-aperture Azimuth Processing for Beam Steering SAR[J]. IEEE Transactions on Geoscience and Remote Sensing, 2013, 51(9): 4761-4778.

[8]劉鵬程. 基于水平集理論的海岸線輪廓特征提取[J]. 國土資源遙感, 2015, 27(2): 75-79.

LIU Pengcheng. Feature Extraction of Coastline Contour Based on Level Set Theory[J]. Remote Sensing for Land & Resources, 2015, 27(2): 75-79.

[9]YANG Xi, GAO Xinbo, TAO Dacehng, et al. An Efficient MRF Embedded Level Set Method for Image Segmentation[J]. IEEE Transactions on Image Processing, 2015, 24(1): 9-21.

[10]歐陽越, 種勁松. SAR圖像海岸線檢測算法綜述[J]. 國土資源遙感, 2006, 18(2): 1-3.

OUYANG Yue, ZHONG Jinsong. A Review of Coastline Detection on SAR Imagery[J]. Remote Sensing for Land & Resources, 2006, 18(2): 1-3.

[11]涂松, 李禹, 粟毅. 基于主動輪廓模型的SAR圖像分割方法綜述[J]. 系統(tǒng)工程與電子技術, 2015, 37(8): 1754-1766.

TU Song, LI Yu, SU Yi. Overview of SAR Image Segmentation Based on Active Contour Model[J]. Systems Engineering and Electronics, 2015, 37(8): 1754-1766.

[12]LI Chunming, XU Chenyang, GUI Changfeng, et al. Distance Regularized Level Set Evolution and Its Application to Image Segmentation[J]. IEEE Transactions on Image Processing, 2010, 19(12): 3243-3254.

[13]COLGAN T J, HAGNESS S C, VAN VEEN B D. A 3-D Level Set Method for Microwave Breast Imaging[J]. IEEE Transactions on Biomedical Engineering, 2015, 62(10): 2526-2534.

[14]任繼軍, 何明一. 基于粒子群優(yōu)化算法的改進Snake模型的圖像分割方法[J]. 中國圖像圖形學報, 2008, 13(9): 1727-1732.REN Jijun, HE Mingyi. Image Segmentation Using Improved Snake Model Based on Particle Swarm Optimization[J]. Journal of Image and Graphics, 2008, 13(9): 1727-1732.

[15]東野長磊, 鄭永果, 蘇杰. 基于Chan-Vese模型的SAR圖像分割[J]. 數(shù)據(jù)采集與處理, 2012, 27(2): 151-155.DONGYE Changlei, ZHENG Yongguo, SU Jie. SAR Image Segmentation Based on Chan-Vese Model[J]. Journal of Data Acquisition & Processing, 2012, 27(2): 151-155.

[16]王相海, 李明. 雙重輪廓演化曲線的圖像分割水平集模型[J]. 中國圖象圖形學報, 2014, 19(3): 373-380.

WANG Xianghai, LI Ming. Level Set Model for Image Segmentation Based on Dual Contour Evolutional Curve[J]. Journal of Image and Graphics, 2014, 19(3): 373-380.

[17]黃魁華, 張軍. 局部統(tǒng)計活動輪廓模型的SAR圖像海岸線檢測[J]. 遙感學報, 2011, 15(4): 737-749.

HUANG Kuihua, ZHANG Jun. A Coastline Detection Method Using SAR Images Based on the Local Statistical Active Contour Model[J]. Journal of Remote Sensing, 2011, 15(4): 737-749.

[18]李傳龍, 李穎, 蘭國新. 一種新的窄帶快速區(qū)域水平集C-V模型圖像分割方法[J]. 計算機科學, 2011, 38(12): 17-19, 35.

LI Chuanlong, LI Ying, LAN Guoxin. New Method of the Fast Narrow Brand C-V Level Set Model for Image Segmentation[J]. Computer Science, 2011, 38(12): 17-19, 35.

[19]吳良斌. SAR圖像處理與目標識別[M]. 北京: 航空工業(yè)出版社, 2013: 21-22.

WU Liangbin. SAR Image Processing and Target Recognition[M]. Beijing: Aviation Industry Press, 2013: 21-22.

[20]崔瑞, 薛磊, 汪波. 基于等效視數(shù)的ISAR干擾效果評估方法[J]. 系統(tǒng)工程與電子技術, 2008, 30(5): 887-888.

CUI Rui, XUE Lei, WANG Bo. Evaluation Method of Jamming Effect on ISAR Based on Equivalent Number of Looks[J]. Systems Engineering and Electronics, 2008, 30(5): 887-888.

[21]王曉軍, 孫洪. SAR圖像相干斑濾波性能評估模型[J]. 雷達科學與技術, 2008, 6(1): 29-34, 38.

WANG Xiaojun, SUN Hong. Measurement Model and Performance Evaluation for Speckle Filter of SAR Images[J]. Radar Science and Technology, 2008, 6(1): 29-34, 38.

(責任編輯：張艷玲)

SAR Image Coastline Detection Based on Regional Distance Regularized Geometric Active Contour Models

JIANG Dawei1, 2,FAN Jianchao2,HUANG Fengrong1

1. School of Urban Environment, Liaoning Normal University, Dalian 116029, China; 2. Marine Resources and Environment Monitoring Center, National Marine Environmental Monitoring Center, Dalian 116023, China

Synthetic aperture radar (SAR) satellite remote sensing images can greatly increase the frequency of the coastline coverage all over the country. However, due to the influence of the random sea surface roughness caused by waves, it’s a challenge to distinguish the coastline and sea boundary. To solve this problem, this paper proposes regional distance regularized geometric active contour models (RDRGAC), in which the distance regularized term is introduced to avoid periodically initializing the degraded function with a signed distance function, accelerating the speed of convergence. Besides, it establishes the nonlinear regression relationship between the regional term parameters and equivalent number of looks (ENL) in SAR images, leading to the adaptive setting of RDRGAC model with different SAR images, which could improve the accuracy of coastline automatic detection in return. In the experiments, SAR images in Beidaihe and Dalian Jinzhou Bay respectively are adopted to detect the coastline, verifying the effective of the proposed method.

speckle noise; synthetic aperture radar; nonlinear regression relationship; geometric active contour model; equivalent number of looks

The National Natural Science Foundation of China (No.61273307); The China Postdoctoral Science Foundation (No.2014M551082); High Resolution Special Research (No.41-Y30B12-9001-14/16).

JIANG Dawei(1991—)，male,postgraduate，majors in marine RS SAR image processing, and marine area use dynamic monitoring.

FAN Jianchao

姜大偉，范劍超，黃鳳榮.SAR圖像海岸線檢測的區(qū)域距離正則化幾何主動輪廓模型[J].測繪學報，2016,45(9)：1096-1103.

10.11947/j.AGCS.2016.20160039.

JIANG Dawei, FAN Jianchao, HUANG Fengrong.SAR Image Coastline Detection Based on Regional Distance Regularized Geometric Active Contour Models[J]. Acta Geodaetica et Cartographica Sinica,2016,45(9):1096-1103. DOI:10.11947/j.AGCS.2016.20160039.

P237

A

1001-1595(2016)09-1096-08

國家自然科學基金(61273307)；中國博士后面上基金(2014M551082)；高分辨率對地觀測系統(tǒng)重大專項(41-Y30B12-9001-14/16)

2016-02-24

姜大偉(1991—)，男，碩士生，研究方向為海洋遙感SAR圖像處理、海域使用動態(tài)監(jiān)測。

E-mail： 18840817436@163.com

范劍超

E-mail： jcfan@nmemc.org.cn

修回日期： 2016-06-16