基于几何活动轮廓模型的SAR图像海岸线检测

摘要

合成孔径雷达(Synthetic Aperture Radar，SAR)图像海岸线检测在海岸线管理、地图自动导航、船舰目标识别等方面发挥着重要的作用。几何活动轮廓(Geometric Active Contour，GAC)模型是在活动轮廓(Active Contour Model，ACM，又称为Snake模型)模型的基础上发展起来的，Snake模型是提取图像边界领域的重大突破性的发展，而且有非常实用的研究价值。近几年，随着Snake模型的广泛深入研究，GAC模型的思想受到了世界上广泛的关注，涉及的领域也越来越广。GAC模型在提取SAR图像边界的领域上也显示出强大的实用性。但是由于SAR图像具有边界模糊、对比度小、灰度等级多并且易受噪声干扰等问题，GAC模型的方法处理SAR图像仍然会遇到一些弱边界问题、迭代次数和迭代时间易受图像初始轮廓影响以及图像预处理对提取SAR图像的海岸线造成影响的问题。针对此问题，本文以SAR图像海岸线检测为应用背景，对其中涉及的弱边界问题、图像初始轮廓影响海岸线检测的迭代次数和迭代时间的问题及图像预处理对海岸线检测的影响进行了系统研究。经过研究SAR图像海岸线检测弱边界的特点，提出利用结合区域信息的改进符号压力函数为GAC模型的边界停止条件并对海岸线进行精确提取，这样能很好的弥补SAR图像中海岸线弱边界的不足，使得提取出的海岸线更加准确。在提取SAR图像海岸线存在弱边界问题进行研究的基础上，本文也对SAR图像初始轮廓的选取、图像预处理对提取出的海岸线的影响进行了研究。
　　本文将研究SAR图像不同大小的初始轮廓对海岸线检测的迭代次数及迭代时间的影响，这是基于GAC模型不敏感于图像的初始轮廓。图像的初始轮廓选取越大，GAC模型的迭代次数越少，迭代次数越少则迭代时间越短。在图像的预处理中，因为SAR图像中的斑点噪声是乘性的，所以一般的图像增强方法、去除噪声方法已不适用于SAR图像，本文用灰度变换的方法对SAR图像进行增强处理，增加图像的对比度，用Lee滤波对SAR图像进行滤波处理。实验结果表明，这种图像预处理方法处理后的SAR图像，可以取得很好的检测效果。实验检测数据表明，文中方法不仅能有效的检测出SAR图像中的海岸线，而且与其他相关海岸线检测方法相比，其迭代次数减少了、迭代时间缩短了而且检测准确度得到了进一步提升，显示出该方法的有效性。

目录

声明

第1章 绪论

1.1 引言

1.2 选题背景及研究意义

1.3 SAR图像海岸线检测的研究现状

1.4 GAC模型的研究现状

1.5 本文主要工作与结构安排

第2章 曲线演化理论及水平集方法

2.1 引言

2.2 SAR图像的特征

2.3 曲线的水平集演化

2.4 变分法和梯度下降流

2.5 本章小结

第3章 GAC模型

3.1 引言

3.2 活动轮廓模型

3.3 边界模型

3.4 区域模型

3.5 混合模型

3.6 本章小结

第4章 结合全局区域信息改进的C-V模型

4.1 引言

4.2 改进的模型

4.3 基于改进模型的检测方法及效果

4.4 本章小结

第5章 改进的C-V模型在SAR图像海岸线检测中的应用

5.1 引言

5.2 图像预处理

5.3 实验结果及分析

5.4 本章小结

结论

参考文献

攻读学位期间发表的学术论文

致谢