摘 要：SAR圖像岸線檢測(cè)是SAR近岸海洋目標(biāo)檢測(cè)的一項(xiàng)重要環(huán)節(jié)。該文提出一種SAR圖像海岸線檢測(cè)方式，該方法基于自適應(yīng)混合活動(dòng)輪廓模型，旨在對(duì)灰度不均勻SAR圖像的海岸線進(jìn)行檢測(cè)。首先對(duì)SAR圖像進(jìn)行顯著性檢測(cè)的預(yù)處理，然后將預(yù)處理后的結(jié)果代入混合活動(dòng)輪廓模型中進(jìn)行檢測(cè)。該文采用改良后的CV模型和LIF模型并以其各自的自適應(yīng)參數(shù)為基礎(chǔ)進(jìn)行融合，從而增強(qiáng)整個(gè)模型的識(shí)別性能。從SAR圖象試驗(yàn)的結(jié)果來(lái)看，這種方式相較于傳統(tǒng)的CV模型技術(shù)，對(duì)灰度分布不均一的SAR圖像具有更強(qiáng)的適用性和計(jì)算速度上的優(yōu)化。

關(guān)鍵詞：合成孔徑雷達(dá)（SAR）；CV模型；顯著性檢測(cè)；混合活動(dòng)輪廓模型；識(shí)別性能

中圖分類號(hào)：TN957.52 文獻(xiàn)標(biāo)志碼：A 文章編號(hào)：2095-2945（2024）28-0001-07

Abstract： Using SAR images in shoreline detection is an important part of SAR coastal ocean target detection. A shoreline detection method for SAR images is proposed. The method is based on an adaptive hybrid active contour model and aims to detect shoreline in SAR images with uneven gray levels. First， SAR images are preprocessed for saliency detection， and then the preprocessed results are substituted into the mixed active contour model for detection. In this paper， the improved CV model and LIF model are used and fused based on their respective adaptive parameters， thereby enhancing the recognition performance of the entire model. Judging from the results of SAR image experiments， compared with the traditional CV model technology， this method has stronger applicability and optimization in computing speed for SAR images with uneven gray distribution.

Keywords： Synthetic Aperture Radar （SAR）; CV model; saliency detection; hybrid active contour model; recognition performance

與傳統(tǒng)的光學(xué)成像系統(tǒng)相比，合成孔徑雷達(dá)SAR[1]具有全天時(shí)、全天候偵察的性能特點(diǎn)，同時(shí)具備較強(qiáng)的地表穿透能力，是一種主動(dòng)式微波成像雷達(dá)。海洋天氣多變使得傳統(tǒng)光學(xué)遙感等手段在海洋監(jiān)測(cè)中受到干擾。而SAR的優(yōu)勢(shì)使其能夠不受干擾地觀測(cè)到海洋上的狀況，因此常被用于艦船目標(biāo)、油膜污染和海岸線變遷等檢測(cè)任務(wù)中。而在SAR海面艦船監(jiān)測(cè)的應(yīng)用中，近岸海面艦船的自動(dòng)檢測(cè)往往受陸地復(fù)雜背景的影響，產(chǎn)生檢測(cè)虛警率高、漏檢等問(wèn)題，是SAR近岸海面目標(biāo)檢測(cè)應(yīng)用中一直較為關(guān)注的問(wèn)題。而SAR海岸線檢測(cè)對(duì)于近岸海洋艦船檢測(cè)應(yīng)用十分重要。由于海岸線受人為、自然影響，變化快速，基于歷史岸線數(shù)據(jù)測(cè)量或手動(dòng)提取岸線的傳統(tǒng)方法，在實(shí)際應(yīng)用中十分麻煩。因此，實(shí)現(xiàn)一個(gè)自動(dòng)化快速的基于SAR圖像海岸線檢測(cè)方法，對(duì)于實(shí)際近岸檢測(cè)目標(biāo)有十分重要的意義。

在SAR海岸線檢測(cè)應(yīng)用中，基本上分為三大步驟，一是預(yù)處理階段，目的是為了除去干擾使檢測(cè)目標(biāo)更加明顯；二是邊緣檢測(cè)部分，將預(yù)處理過(guò)后的圖像通過(guò)閾值分割或者邊緣算子等方法檢測(cè)出海岸線；三是結(jié)果評(píng)估階段，將檢測(cè)得到的岸線與人工標(biāo)注岸線對(duì)比，驗(yàn)證檢測(cè)方法的作用。

對(duì)于低對(duì)比度圖像的海陸部分的灰度值十分相近。僅從灰度特征難以區(qū)分海洋陸地，劃分出邊界線。由于陸地情況比海洋復(fù)雜，陸地的紋理較為粗糙，而海洋的紋理則更加平滑，要提高對(duì)低對(duì)比度圖像的適應(yīng)性，則要從紋理特征入手。而顯著性檢測(cè)可以很好地改善低對(duì)比度SAR圖像的圖像質(zhì)量，因此，本文采用顯著性檢測(cè)的方法對(duì)SAR圖像進(jìn)行預(yù)處理。

經(jīng)過(guò)顯著性檢測(cè)后，低對(duì)比度圖像也可以用活動(dòng)輪廓模型進(jìn)行檢測(cè)。將檢測(cè)后的顯著圖輸入到CV模型中進(jìn)行檢測(cè)，可以發(fā)現(xiàn)，傳統(tǒng)CV模型對(duì)于灰度不均勻SAR圖像的適應(yīng)性較差，因此，需要對(duì)CV模型進(jìn)行改進(jìn)，提升其對(duì)于灰度不均勻SAR圖像的適應(yīng)性。

所以，文章提出了一個(gè)基于優(yōu)化的CV模型的自適應(yīng)混合活動(dòng)輪廓模型。本文首先對(duì)CV模型進(jìn)行改進(jìn)，主要對(duì)其中的公式進(jìn)行變換，加快整體模型的運(yùn)算效率。其次，再結(jié)合基于局部的幾何活動(dòng)輪廓模型LBF模型以及LIF模型的特征，它們對(duì)于灰度不均勻圖像的檢測(cè)性能較好，但是對(duì)于初始輪廓的要求較高，需要初始輪廓接近于所檢測(cè)輪廓的邊緣，所以它們與傳統(tǒng)CV模型的特點(diǎn)互補(bǔ)，可以混合應(yīng)用。本文提出了一種基于改進(jìn)CV模型的自適應(yīng)混合活動(dòng)輪廓模型，利用自適應(yīng)系數(shù)連結(jié)這兩類模型，改善整體模型對(duì)于灰度不均勻SAR圖像的檢測(cè)效果。

活動(dòng)輪廓模型檢測(cè)后的圖像往往有許多黑白孔洞，一些是由于海面上艦船的干擾，另一些是由于陸地上復(fù)雜的地形產(chǎn)生的誤檢。對(duì)于這些誤檢，本文采用泛洪填充算法。在進(jìn)行二維圖像處理時(shí)，泛洪填充算法通常使用四鄰域像素填充法、八鄰域像素填充法和基于掃描線的像素填充方法。為了盡可能地填補(bǔ)孔洞，采用的是四鄰域與八鄰域相結(jié)合的方法，對(duì)于離輪廓較遠(yuǎn)的區(qū)域內(nèi)采用八鄰域法，對(duì)于接近輪廓的區(qū)域采用四鄰域法以保證輪廓的完整性。

1 算法原理

1.1 顯著性檢測(cè)

根據(jù)人類視覺(jué)系統(tǒng)相關(guān)理論，視覺(jué)處理機(jī)制遵循基本檢測(cè)規(guī)律，即對(duì)高頻常態(tài)響應(yīng)進(jìn)行抑制，對(duì)低頻異常響應(yīng)進(jìn)行感觸。對(duì)于目標(biāo)的檢測(cè)而言，就是對(duì)常態(tài)背景忽視，而主要關(guān)注非常態(tài)檢測(cè)目標(biāo)。依據(jù)這個(gè)機(jī)制，人眼能夠自然而然地將包含目標(biāo)的區(qū)域從背景中提取出來(lái)，并且聚焦在目標(biāo)身上。這其中包含目標(biāo)的區(qū)域，具有視覺(jué)顯著性特征，因此這種區(qū)域又被稱為顯著性區(qū)域[2]。

隨著對(duì)人類視覺(jué)系統(tǒng)的認(rèn)知不斷加深，眾多計(jì)算機(jī)視覺(jué)領(lǐng)域的學(xué)者開(kāi)始對(duì)這種視覺(jué)檢測(cè)機(jī)制進(jìn)行研究，目的是使機(jī)器能夠像人眼一樣智能地識(shí)別出目標(biāo)區(qū)域。許多研究者已經(jīng)針對(duì)視覺(jué)顯著性目標(biāo)檢測(cè)進(jìn)行了深入探討，他們來(lái)自不同領(lǐng)域如認(rèn)知神經(jīng)學(xué)、信息理論和頻率域等，并提出了一系列可以實(shí)施的目標(biāo)檢測(cè)模型[3]。值得一提的是，最早的基于頻率域來(lái)處理圖像顯著性的方法是由Hou等[2]于2007年所提倡的譜殘差法（SR）。這個(gè)方法的原理容易被理解，其執(zhí)行過(guò)程相對(duì)簡(jiǎn)便，能快速識(shí)別出顯著性區(qū)域且準(zhǔn)確度較高，對(duì)于大多數(shù)環(huán)境都有廣泛適用性。

譜殘差法（SR）這種顯著性檢測(cè)方法，是通過(guò)對(duì)頻譜進(jìn)行分析而構(gòu)建的一種視覺(jué)顯著性模型。此種策略以圖像的背景為起點(diǎn)，并借助與目標(biāo)特性或類別無(wú)關(guān)的前置信息，以此識(shí)別可能存在視覺(jué)顯著性的潛在目標(biāo)區(qū)。這種方法所依據(jù)的是，來(lái)自不同圖像的log幅度譜有著類似的分布特點(diǎn)。這種特征表示圖像的冗余信息，去除這部分信息，得到的便是引起人眼注意的顯著信息。

譜殘差法的具體檢測(cè)流程圖如圖1所示，將圖像通過(guò)傅里葉變換分解出log振幅譜和相位譜，進(jìn)而得到log殘差譜，對(duì)其進(jìn)行逆變換，得到顯著圖。

本文所采用的SAR圖像預(yù)處理方法便是譜殘差算法，低對(duì)比度圖像經(jīng)過(guò)譜殘差算法的處理后，可以比較清晰地分辨出海陸分界線。

1.2 活動(dòng)輪廓模型

活動(dòng)輪廓模型[4]是在1988年首次提出的。經(jīng)過(guò)多年的發(fā)展，它已經(jīng)成為計(jì)算機(jī)視覺(jué)領(lǐng)域一個(gè)重要的圖像分割技術(shù)，在醫(yī)學(xué)圖像處理領(lǐng)域也得到了廣泛的應(yīng)用。這種方法的好處在于易于人們理解操作，能夠?qū)⑾闰?yàn)知識(shí)融入到圖像處理中，準(zhǔn)確地找到目標(biāo)的邊緣。它的基本原理是尋找最小化能量的樣條，初始曲線會(huì)受到外部約束力和圖像力的影響，從而指向目標(biāo)的邊緣。當(dāng)這2種力相互抵消為0時(shí)，曲線停留在目標(biāo)輪廓的邊緣。相對(duì)于以往分層的圖像分析方法，Snake模型提供了一個(gè)統(tǒng)一的數(shù)學(xué)描述，包括了邊緣、線條、目標(biāo)輪廓的檢測(cè)以及立體匹配問(wèn)題。用戶也可以根據(jù)自己的需求對(duì)曲線施加約束力，引導(dǎo)曲線到感興趣的特征區(qū)域，具有一定的交互性。活動(dòng)輪廓模型的研究方向主要有參數(shù)活動(dòng)輪廓模型和幾何活動(dòng)輪廓模型這2個(gè)方面[5]。CV模型屬于幾何活動(dòng)輪廓模型，相比于參數(shù)活動(dòng)輪廓模型更利于拓?fù)浣Y(jié)構(gòu)的檢測(cè)。

Chan和Vese于2001年提出了CV模型[6]，該模型是基于簡(jiǎn)化的M-S能量泛函的變分水平集模型。

CV模型利用曲線上的力來(lái)推動(dòng)曲線向最佳輪廓位置移動(dòng)，通過(guò)能量曲線將圖像分為內(nèi)部與外部2個(gè)區(qū)域，分別表示為outside（C）和inside（C）。在圖像的空間Ω中，CV模型的能量泛函如公式（1）所示。

式中：c為尋找的最優(yōu)輪廓；I為初始圖像；？滋、v分別為曲線長(zhǎng)度權(quán)重和包含區(qū)域面積權(quán)重;？姿1、？姿2各自描述了曲線內(nèi)外部能量參數(shù)；c１和c２則是擬合中心，它們各自展現(xiàn)出曲線內(nèi)外部區(qū)域的灰度平均值。

用φ[7]這個(gè)水平集函數(shù)來(lái)描述上述的能量泛函，可以把求解該能量泛函問(wèn)題轉(zhuǎn)化為在高維空間中尋找零水平集問(wèn)題?？梢缘玫接搔眨▁，y）所代表的能量函數(shù)

式中：H（φ）表示單位階躍函數(shù)。

根據(jù)變分原理進(jìn)行相應(yīng)的推導(dǎo)，可得能量函數(shù)的偏微分方程為

由于其對(duì)于圖像起始輪廓曲線的定位和圖像中存在的噪聲具有一定的抵抗力，因此，CV模型被廣泛研究并實(shí)際使用。這主要?dú)w因于它依賴于圖像的整體區(qū)域信息來(lái)實(shí)現(xiàn)圖像劃分。然而，該模型無(wú)法應(yīng)對(duì)顏色分布不均一的圖像，且計(jì)算速度相對(duì)較慢，特別是在面對(duì)大量像素的圖像時(shí)，可能耗費(fèi)更多的時(shí)間執(zhí)行任務(wù)。

1.3 改進(jìn)CV模型

在實(shí)際處理SAR圖像時(shí)，情況往往比理想的二值黑白圖像更加復(fù)雜。有許多灰度不均勻的地方，活動(dòng)輪廓在演化的過(guò)程中，往往會(huì)陷入這些極大極小值中，形成各種誤檢的孔洞。因此，本文決定對(duì)于CV模型進(jìn)行一定的改進(jìn)，使得CV模型對(duì)于灰度不均勻SAR圖像的檢測(cè)效果也能得到改善，并提升CV模型一定的運(yùn)算效率。

由于傳統(tǒng)CV模型是通過(guò)差的平方的形式構(gòu)成的，這種驅(qū)動(dòng)力的計(jì)算比較復(fù)雜，容易使得模型的分割效率一般。對(duì)于傳統(tǒng)CV模型的水平集函數(shù)表達(dá)的后面2項(xiàng)，也就是驅(qū)動(dòng)力能量項(xiàng)為

若將？姿1和？姿2置為1，則1-H（φ）和H（φ）相當(dāng)于輪廓內(nèi)外相反的方向，則這2項(xiàng)可以合并，將2項(xiàng)做平方差公式可以得到

這種形式去除了平方項(xiàng)，使計(jì)算的效率可以提升一些。

其次，由于陸地的情況往往比較復(fù)雜，有各種建筑、山脈、道路等干擾項(xiàng)，如果仍用單一的均值來(lái)表示輪廓內(nèi)的灰度信息，就容易出現(xiàn)各種嚴(yán)重的誤檢，因此，這種表示是不準(zhǔn)確、不完整的。

因此，本文通過(guò)對(duì)圖像演化曲線內(nèi)部像素進(jìn)行K-means聚類處理，得到若干個(gè)聚類中心點(diǎn)，并使用這些中心點(diǎn)的值來(lái)替代CV模型內(nèi)部的擬合值；通過(guò)將均值和聚類中心值進(jìn)行線性組合，來(lái)擬合輪廓內(nèi)的平均值

。 （6）

將公式（5）和公式（6）代入到CV模型中，可以得到由水平集函數(shù)表示的能量泛函

式（6）中：β值為權(quán)值（0<β<1），面積項(xiàng)可忽略不計(jì)。選取聚類中心值中較大的值進(jìn)行擬合，這樣更容易將海陸進(jìn)行區(qū)分，使輪廓的驅(qū)動(dòng)力更大，加快模型演化的速度。將聚類中心值加入均值的擬合中，使得模型擁有一部分的局部性，這加強(qiáng)了模型對(duì)于SAR圖像檢驗(yàn)的魯棒性。

綜上所述，本文通過(guò)引入?yún)?shù)賦值、平方差公式、K-means均值聚類這些方法去改進(jìn)傳統(tǒng)CV模型，由模型分析可知，改進(jìn)的CV模型對(duì)灰度不均勻SAR圖像的檢測(cè)性能及運(yùn)算效率都得到提高。

1.4 混合活動(dòng)輪廓模型

改進(jìn)后的CV模型雖然對(duì)灰度不均勻SAR圖像的檢測(cè)性能得到提升，但是，通過(guò)實(shí)際SAR圖像檢測(cè)應(yīng)用發(fā)現(xiàn)，改進(jìn)算法的檢測(cè)結(jié)果仍舊會(huì)出現(xiàn)許多誤檢孔洞。為了減少這些孔洞，進(jìn)一步提升算法的檢測(cè)效果，本文進(jìn)一步采用了基于區(qū)域的活動(dòng)輪廓模型來(lái)輔助改進(jìn)CV模型進(jìn)行檢測(cè)。對(duì)于基于局部的活動(dòng)輪廓模型而言，其算法優(yōu)勢(shì)在于灰度不均勻SAR圖像的檢測(cè)能力，但其缺點(diǎn)是對(duì)于初始輪廓較為敏感，因此，采用揚(yáng)長(zhǎng)避短的研究思路，可以先通過(guò)改進(jìn)CV模型來(lái)確定海岸線的初始輪廓，然后，利用基于區(qū)域的活動(dòng)輪廓模型進(jìn)行邊緣的細(xì)化。

本文采用混合模型的方法結(jié)合2個(gè)模型，線性組合局部項(xiàng)與全局項(xiàng)，得到最基本的能量泛函形式

式中： 為長(zhǎng)度正則項(xiàng)，以及防止水平集重新初始化的正則項(xiàng)。全局EG項(xiàng)代入改進(jìn)CV模型，局部項(xiàng)傳統(tǒng)的做法是代入LBF模型[8]，但是由于LBF模型運(yùn)行效率太低，本文這里采用更加高效的LIF模型[9]。

1.4.1 LIF模型

LIF模型使用分段光滑函數(shù)對(duì)原始圖像進(jìn)行模擬，具體說(shuō)來(lái)，對(duì)于圖像區(qū)域Ω內(nèi)的任意一點(diǎn)x，可以定義圖像的局部灰度逼近函數(shù)。

， （9）

定義圖像局部加權(quán)平均灰度m1和m2的方式如公式（10）所示

，（10）

式中：Wk（x）是指一個(gè)矩形類型的窗口函數(shù)。LIF模型中選用了一個(gè)大小為（4k+1）×（4k+1）的矩形窗口函數(shù)Kσ（x），這里σ代表了標(biāo)準(zhǔn)差，而k則是滿足條件小于σ的最大整數(shù)。

LIF模型的能量泛函定義為

依據(jù)變分法和梯度下降流策略，LIF模型最后的水平集演化公式為

盡管LIF模型可以精確地區(qū)分灰度不均勻的圖片，然而其僅考慮了圖像的部分區(qū)域的平均灰度值，并未包含整體圖像的信息。因此，與其他的局部方法類似，它雖能在處理灰度不均勻的圖片時(shí)表現(xiàn)出色，但在初始輪廓大小、形態(tài)及定位上卻非常敏感。

1.4.2 自適應(yīng)混合活動(dòng)輪廓模型

本文引入LIF模型作為混合輪廓模型的局部項(xiàng)，并用自適應(yīng)系數(shù)ω將它與改進(jìn)過(guò)后的CV模型聯(lián)系起來(lái)。由于有CV模型的作用，初始輪廓可以隨意設(shè)置。一開(kāi)始，模型主要靠改進(jìn)后的CV模型將輪廓初步鎖定在海陸邊緣附近，然后再通過(guò)自適應(yīng)系數(shù)，使LIF模型發(fā)揮邊緣細(xì)化作用，將輪廓進(jìn)一步優(yōu)化，以此來(lái)解決灰度不均勻情況下的SAR圖像海岸線檢測(cè)問(wèn)題。

ELIF（φ）的公式見(jiàn)前文公式（11）。公式（13）中，引入了一個(gè)防止水平集合重復(fù)啟動(dòng)的正則項(xiàng)。當(dāng)水平集合函數(shù)被迭代時(shí)，它可能會(huì)變得更加無(wú)規(guī)律（圖形顯示為邊緣線時(shí)的平滑程度逐漸降低），從而導(dǎo)致在發(fā)展進(jìn)程中產(chǎn)生波動(dòng)，對(duì)進(jìn)一步計(jì)算的準(zhǔn)確性影響較大，最后可能損害到水平集合發(fā)展的穩(wěn)健性。不過(guò)，因?yàn)榉?hào)距離函數(shù)具有一種適用于數(shù)字運(yùn)算的特性|？犖φ（x）=1|，這個(gè)特性能確保演進(jìn)過(guò)程的穩(wěn)定性，并且梯度的穩(wěn)定能預(yù)防過(guò)陡或過(guò)于平緩的問(wèn)題。因此，根據(jù)這個(gè)性質(zhì)設(shè)置這樣的正則項(xiàng)可以避免周期性地進(jìn)行重新初始化的繁瑣操作。

依據(jù)變分原理和梯度下降流方式，模型的最終水平集演化公式為

式中：ILIF是前文1.4.1中的LIF模型，表達(dá)式為

。 （15）

c1i是輪廓內(nèi)聚類中心值與均值的線性組合，這里的β權(quán)值采用0.5。

。 （16）

另一個(gè)權(quán)值ω應(yīng)當(dāng)根據(jù)迭代的次數(shù)進(jìn)行自適應(yīng)變化，在n較小的時(shí)候，ω接近于1，再經(jīng)過(guò)幾十次演化迭代后，ω接近于0，這樣特征的函數(shù)有許多，選擇其中一個(gè)作為權(quán)值ω的表示，具體函數(shù)為

其中ω隨著n的增大而減小，最后趨近于0，使混合活動(dòng)輪廓模型一開(kāi)始是由改進(jìn)CV模型占主導(dǎo)的驅(qū)動(dòng)，后來(lái)則由LIF模型來(lái)逼近輪廓，符合期望，（30-n）中的30和n前的系數(shù)1通過(guò)多次實(shí)驗(yàn)確定。

經(jīng)過(guò)采用前文的算法設(shè)計(jì)與改進(jìn)，自適應(yīng)混合活動(dòng)輪廓模型對(duì)于灰度不均勻SAR圖像的檢測(cè)性能得到了進(jìn)一步提升，對(duì)比改進(jìn)CV模型而言，去除了部分誤檢孔洞，使初步檢測(cè)結(jié)果更加良好。

2 實(shí)驗(yàn)結(jié)果與分析

本文針對(duì)SAR圖像岸線檢測(cè)中2類較為突出的難點(diǎn)問(wèn)題：①低對(duì)比度圖像（圖2）中，難以區(qū)分陸地與海洋的問(wèn)題；②灰度不均勻圖像（圖3）中，易出現(xiàn)誤檢、漏檢，導(dǎo)致多孔洞的問(wèn)題。針對(duì)以上問(wèn)題分別采用相應(yīng)SAR圖像數(shù)據(jù)進(jìn)行了算法驗(yàn)證和分析。

此外，為了進(jìn)一步驗(yàn)證本文算法的適應(yīng)性，還分別采用星載和機(jī)載SAR圖像進(jìn)行初步的適應(yīng)性實(shí)驗(yàn)。

星載SAR圖像。本文適應(yīng)性實(shí)驗(yàn)運(yùn)用的星載SAR圖像采用了2個(gè)不同的的數(shù)據(jù)源：一個(gè)是哨兵1號(hào)衛(wèi)星獲取的SAR圖像（公開(kāi)數(shù)據(jù)源），另一個(gè)是來(lái)自HRSID數(shù)據(jù)集（SAR圖像數(shù)據(jù)集）的海陸SAR圖像，如圖4所示。

機(jī)載SAR圖像。開(kāi)展適應(yīng)性試驗(yàn)所用的機(jī)載SAR圖像來(lái)自中國(guó)空天信息創(chuàng)新研究院研制的機(jī)載SAR雷達(dá)獲取的海陸局部SAR圖像，如圖5所示。

從圖5中不難看出，由于機(jī)載SAR圖像分辨率相對(duì)較好，在地物相對(duì)復(fù)雜的場(chǎng)景下，對(duì)于陸地區(qū)域，其圖像灰度的分布與星載SAR圖像相比更加不均勻，存在大量與海域灰級(jí)相類似的區(qū)域，在算法檢測(cè)中極易被判別為海域，且檢測(cè)結(jié)果中出現(xiàn)孔洞的問(wèn)題也更加突出。

將圖2—圖5經(jīng)過(guò)顯著性檢測(cè)后代入活動(dòng)輪廓模型進(jìn)行邊緣檢測(cè)，分別代入傳統(tǒng)的CV模型、LBF模型、LGIF模型以及本文模型。將它們的結(jié)果進(jìn)行對(duì)比（圖6）。

初始輪廓默認(rèn)為關(guān)于圖中心的一個(gè)小矩形。由上述實(shí)驗(yàn)可以看出，傳統(tǒng)的LBF模型不具備對(duì)于初始輪廓的魯棒性。

在分割灰度不均勻圖像時(shí)，CV模型以及LGIF模型[10]不如本文模型分割的速度快，本文模型得到的分割圖在海面上以及陸地上的孔洞少于CV模型以及LGIF模型的，并且本文模型比LGIF模型以及CV模型得到的邊緣更加精確。

為了更加客觀量化地評(píng)價(jià)實(shí)驗(yàn)結(jié)果，本文采用Dice系數(shù)[11]與Jaccard系數(shù)[12]對(duì)于上述實(shí)驗(yàn)結(jié)果進(jìn)行定量分析。標(biāo)準(zhǔn)海岸線則由人工解譯獲得的標(biāo)注海岸線，作為驗(yàn)證標(biāo)準(zhǔn)。

Dice系數(shù)是一種用于計(jì)算2組樣本相似度的度量函數(shù)。

式中：|X∩Y|代表X與Y的交叉點(diǎn)，而|X|和|Y|則分別代表X與Y中元素的數(shù)量。在公式（18）中，分子的系數(shù)設(shè)定為2，這是因?yàn)榉帜感枰貜?fù)計(jì)算X與Y中的相同元素。

Jaccard相似系數(shù)是用來(lái)衡量有限樣本集之間的相似與差異程度的。Jaccard相似系數(shù)越大，樣本間的相似度越高。

Dice系數(shù)和Jaccard相似系數(shù)越高，檢測(cè)結(jié)果越接近標(biāo)準(zhǔn)海岸線，圖像的岸線檢測(cè)效果越好。

對(duì)于圖7中的3個(gè)模型的檢測(cè)圖，將它們所檢測(cè)出來(lái)的輪廓與標(biāo)準(zhǔn)人工解譯出來(lái)的輪廓圖進(jìn)行相似度計(jì)算，可以得到表1。

從表1可以看出，本文模型檢測(cè)結(jié)果最高，代表著檢測(cè)出來(lái)的輪廓與人工解譯的標(biāo)準(zhǔn)海岸線最相近。對(duì)于灰度不均勻SAR圖像而言，本文模型的檢測(cè)效果最好。

針對(duì)上述模型，測(cè)試它們的運(yùn)算效率，讓各個(gè)模型各自運(yùn)算60次迭代，計(jì)算總時(shí)間，可以得到表2。

由表2可以看出本文模型的效率跟一般的混合活動(dòng)輪廓模型LGIF模型相比，已經(jīng)有很大的改善了，在CV模型與LBF模型效率之間，作為一個(gè)混合活動(dòng)輪廓模型而言，這種效率是可以接受的范圍。

最后，再經(jīng)過(guò)泛洪填充算法進(jìn)行孔洞填補(bǔ)，去除誤檢、虛警，可以得到圖8的檢測(cè)結(jié)果。

如圖8所示，在初步檢測(cè)結(jié)果經(jīng)過(guò)泛洪填充算法的處理后，基本上填補(bǔ)了陸地區(qū)域與海洋區(qū)域的大部分孔洞，去除了部分的虛警誤檢。將填補(bǔ)完整后的檢測(cè)輪廓圖與原始SAR圖像進(jìn)行比對(duì)，可以看出，得到的輪廓圖十分接近于標(biāo)準(zhǔn)海岸線，進(jìn)而驗(yàn)證了自適應(yīng)活動(dòng)輪廓模型對(duì)于SAR圖像海岸線檢測(cè)的能力，也進(jìn)一步驗(yàn)證了自適應(yīng)混合活動(dòng)輪廓模型對(duì)于灰度不均勻圖片的適應(yīng)性，檢測(cè)效果較好。

綜上所述，通過(guò)改進(jìn)CV模型以及將其與其他活動(dòng)輪廓模型進(jìn)行自適應(yīng)結(jié)合的方法，讓本文模型相比于傳統(tǒng)活動(dòng)輪廓模型，更加適應(yīng)灰度不均勻SAR圖像，使運(yùn)算效率得到了進(jìn)一步提升。

3 結(jié)論

針對(duì)SAR圖像中灰度不均勻的問(wèn)題，本文提出了一種基于改進(jìn)CV模型的自適應(yīng)混合活動(dòng)輪廓模型。本文首先對(duì)于CV模型進(jìn)行改進(jìn)，主要是對(duì)其中的能量泛函公式進(jìn)行變換，提升整體模型的運(yùn)算效率。其次，再結(jié)合基于局部的幾何活動(dòng)輪廓模型LBF模型以及LIF模型的特征，用自適應(yīng)系數(shù)進(jìn)行結(jié)合，得出自適應(yīng)混合活動(dòng)輪廓模型。經(jīng)過(guò)模型檢測(cè)得到初步的輪廓圖像，在此基礎(chǔ)上，進(jìn)行泛洪填充等步驟來(lái)填補(bǔ)孔洞、濾去虛警，得到完整輪廓圖。

本文提出的這種基于改進(jìn)CV模型的自適應(yīng)混合活動(dòng)輪廓模型，利用自適應(yīng)系數(shù)連結(jié)改進(jìn)CV模型和LIF模型，改善整體模型對(duì)于灰度不均勻SAR圖像的檢測(cè)效果，提升了模型的運(yùn)算效率。

參考文獻(xiàn)：

[1] 種勁松.合成孔徑雷達(dá)圖像艦船目標(biāo)檢測(cè)算法與應(yīng)用研究[D].北京：中國(guó)科學(xué)院研究生院（電子學(xué)研究所），2002.

[2] HOU X， ZHANG L. Saliency detection： a spectral residual approach[C]. IEEE Conference on Computer Vision and Pattern Recognition（CVPR）， Minneapolis， USA， 2007： 1-8.

[3] 裴季方.多視角SAR目標(biāo)識(shí)別方法研究[D].成都：電子科技大學(xué)，2018.

[4] MICHAEL K， ANDREW W， DEMETRI T， et al. Snakes： Active contour models[J].International Journal of Computer Vision，1988.

[5] XU C， YEZZI J A， PRINCE J L. On the relationship between parametric and geometric active contours[C].Proc of the 34th Asilomar Conference on Signals，Systems and Computers， Pacific Grove，CA，USA，2000：483-489.

[6] CHAN T F， VESE L A. Active contours without edges[J]. IEEE Transactions on Image Processing，2001，10（2）：266-277.

[7] 李俊，楊新，施鵬飛.基于Mumford-Shah模型的快速水平集圖像分割方法[J].計(jì)算機(jī)學(xué)報(bào)，2002（11）：1175-1183.

[8] LI C， KAO C Y， GORE J C， et al. Implicit active contours driven by local binary fitting energy[C]//IEEE International Conference on Computer Vision and Pattern Recognition，2007.

[9] ZHANG K H， ZHANG L， SONG H H， et al. Active contours with selective local or global segmentation： a new formulation and level set method[J].Image and Vision Computing，2010，28（4）：668-676.

[10] WANG L， LI C， SUN Q， et al. Active contours driven by local and global intensity fitting energy withapplication to brain MR image segmentation[J].Computerized Medical Imaging & Graphics，2009，33（7）：520-531.

[11] 張宇，劉雨?yáng)|，計(jì)釗.向量相似度測(cè)度方法[J].聲學(xué)技術(shù)，2009，28（4）：532-536.

[12] 張曉琳，付英姿，褚培肖.杰卡德相似系數(shù)在推薦系統(tǒng)中的應(yīng)用[J].計(jì)算機(jī)技術(shù)與發(fā)展，2015，25（4）：158-161，165.