合成孔径雷达SAR(Synthetic Aperture Radar)作为微波遥感的代表，对比于传统光学、红外等遥感技术，在具有大面积的数据获取能力以及高分辨率的同时，还具有全天时、全天候以及对云层、雾层、地表植物等有一定穿透性的特点，使其在军事、民用的很多领域有着广泛的应用。然而，由于成像机理的原因，使得SAR图像受乘性噪声干扰严重，因此原本适用于光学图像中目标轮廓提取的方法不能直接应用于SAR图像中目标的轮廓提取，故需要开发新的适用于SAR图像的目标轮廓提取方法。

　近20年来,许多学者在SAR图像目标轮廓提取方法的研究中取得了突破。时至今日，众多的轮廓提取方法已孕育而生。其中，常用的算法有：基于CFAR检测的轮廓提取方法[1]、基于边缘检测的轮廓提取方法[2]和基于马尔科夫随机场MRF(Markov Random Field)的轮廓提取方法[3]。然而，随着计算机技术的飞速发展和现代战争的日趋信息化，这些算法在图像处理精度或速度上都愈发不能满足对目标轮廓提取的精确性或实时性的要求，寻求更为高效的SAR图像处理技术已成为当今该领域的热点问题之一。
    近年来，活动轮廓模型已经被证明是一种高效的轮廓提取方法。该类模型首先在近目标处设定一初始轮廓，通过设计能量指标函数并对其进行最小化，从而驱使初始轮廓逼近真实目标边界。相较于传统的轮廓提取方法，该方法的优势在于能够直接得到细化的目标轮廓，无需后续处理，且所获取轮廓的精度和获取轮廓的速度十分精确和高效。然而，由于SAR图像中相干斑噪声的影响，使得在光学图像和医学图像的图像分割中取得很大成功的活动轮廓模型不能直接应用于SAR图像目标的轮廓提取。
    由于活动轮廓模型的高效性符合SAR图像目标轮廓提取的研究趋势，故若能引入其他模型或方法使得活动轮廓模型能够对SAR图像目标进行轮廓提取，则有望改善SAR图像目标轮廓提取的精度和效率。基于这点，本文提出一种基于活动轮廓模型的多模型融合的SAR图像目标轮廓提取方法，将基于梯度的活动轮廓模型与基于区域的活动轮廓模型相结合，引入多边缘模型进行边界约束，并利用新兴的统计分布模型G0模型更好地保留目标细节信息，从而成功地将活动轮廓模型应用于SAR图像的目标轮廓提取。该方法继承了活动轮廓模型在光学图像中轮廓提取的优势，提高了SAR图像目标轮廓提取的精度和效率。



2.2 分布参数的更新
    前已述及，对于G0分布的参数估计可由式(6)和式(7)估算出。然而在没有先验知识的情况下，真实目标和背景的样本缺失，故无法准确估算参数θ1=ξ1,γ1]和θ2=[ξ2,γ2]。故本文采用迭代估算的方式进行参数的更新，即在逼近目标边界的同时不断修正参数，从而逼近轮廓处于真实边界时的参数[10]。将初始轮廓内部区域认定为目标而轮廓外部区域认定为背景，在新模型外力作用下轮廓逼近目标真实边界的同时，基于G0分布的目标和背景的PDF参数将逼近真实分布的参数。同时，对模型参数估计的精确度的提高反作用于轮廓曲线的运动，使得最终结果更加趋近目标真实边界。
2.3 新模型算法流程
    基于新模型的SAR图像目标轮廓提取算法流程如图1所示，算法主要步骤为：
    (1) 图像预处理。该步骤主要设置权重系数α、β、k1、k2、k3，并且对图像目标进行快速定位，设置初始轮廓。

    (2) 根据式(4)计算RoEWA算子。
    (3) 根据步骤(1)中设置的初始轮廓对描述目标和背景统计特性的G0分布的参数?兹1和?兹2进行初始化。
    (4) 使用式(9)计算新模型。
    (5) 依据步骤(4)所得的新的轮廓曲线更新目标和背景的PDF参数θ1和θ2。
    (6) 利用步骤(5)中所得目标和背景的PDF参数计算统计分布信息项。
    (7) 通过公式(9)计算轮廓控制点v(s)。判断轮廓提取结果是否收敛，若收敛，则轮廓提取完成。反之，则根据当前轮廓，通过步骤(5)重新计算目标和背景的PDF，进而循环至结果收敛。
3 实验分析
    本文采用MSTAR提供的实测数据作为实验数据，来验证新模型算法的性能。算法是采用Matlab 2009a在PC上实现的。针对MSTAR项目提供的一幅真实SAR图像，分别采用RoEWA模型算子，基于Balloon模型的轮廓提取方法和本文提出的新模型轮廓提取方法对该SAR图像进行处理，实验结果如图2所示。图2(a)为原始的SAR图像，从图2中可以看出图像的信噪比较低。图2(b)为使用RoEWA算子后得到的梯度图像，从该图中可以看出，还需进行后续的处理才能得到细化且连续的轮廓曲线。图2(c)为使用Balloon模型提取的目标轮廓，其中虚线表示初始轮廓，实线表示最终轮廓提取结果。从图中可以看出由于斑点噪声的影响轮廓曲线并未很好地拟合SAR目标边界，部分轮廓曲线距真实目标边界较远。图2(d)为使用新模型提取的轮廓，其中虚线表示初始轮廓，实线表示最终轮廓提取结果。从图中可以看出，该模型很好地贴合了真实目标边界，且轮廓连续，无需后续处理，轮廓提取结果相较于其他两种方法更加准确、高效。

    针对SAR图像目标轮廓提取这一难题，融合Balloon模型、G0分布、RC模型以及RoEWA模型,本文提出一种新的SAR图像目标轮廓提取方法，详细给出了该方法的原理、理论求解和轮廓提取算法。针对MSTAR实际SAR图像进行了实验，结果表明，本文提出的SAR图像目标轮廓提取算法具有轮廓边界定位准确、提取轮廓边界连续、无需后续处理以及对初始轮廓设置不敏感等优点,可用于执行实际的SAR图像目标轮廓提取任务。
参考文献
[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] 高贵. SAR图像统计建模研究综述[J]. 信号处理,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] 贺志国, 陆军, 匡纲要,等. 基于全局活动轮廓模型的SAR图像分割方法[J]. 自然科学进展, 2009,19(3):344-360.