Statistical Edge Detection Operators for Linear Feature Extraction in SAR Images

AbstractEdge detection in synthetic aperture radar (SAR) images is rendered difficult by the presence of speckle. The data are often filtered using adaptive filters independently of the edge detection process when, in fact, the two steps should be coupled (i.e., the local homogeneity criterion employed by an adaptive filter should be consistent with the edge detector criterion). Five different edge detection algorithms for SAR images are evaluated and compared. The detection algorithms are comprised of two operators based on non-parametric statistical tests, the Ratio of Averages test, difference of averages (essentially a gradient method), and a test based on the mean squared to variance ratio. Two edge thinning and thresholding operations are also compared: an algorithm proposed by Nevatia and Babu (1980), and one based on mathematical morphology (Serra, 1980). Initial testing is carried out on simulated imagery for accurate control of the signal being masked by speckle noise. We obtain the best results using the ratio operator in combination with the morphological thinning operations. High real edge recovery rates are required for segmentation (Fmn > 0.95), and these levels of Fmn are only produced by high-contrast, low mean, local grey level boundaries. We show that a complete boundary delineation for segmentation purposes cannot be expected from a typical Seasat SAR agricultural scene due to the large number of low contrast edges. These methods are applicable in situations where there is a greater contrast between the targets to be discriminated. A suitable application of edge extraction from SAR, for example, is lake boundary extraction; a sample image is presented.La présence de scintillement sur les images obtenues à partir d'un radar à antenne synthétique (RAAS) rend difficile la détection des contours. Les données sont souvent filtrées à l'aide de filtres adaptatifs, indépendamment du processus de détection des contours, alors que ces deux étapes devraient, en fait, être couplées, c'est-à-dire que le critère local d'homogénéité utilisé par le filtre adaptatif devrait être cohérent avec le critère de détection des contours. Cinq algorithmes différents de détection des contours sur les images RAAS sont évalués et comparés. Les algorithmes de détection comprennent deux opérateurs fondés sur des tests non paramétriques : le test du rapport des moyennes, ou l'écart des moyennes (une méthode fondée essentiellement sur les gradients), et un test s'appuyant sur le rapport de la moyenne quadratique sur la variance. Deux méthodes de raffinement et de seuillage des contours ont également été comparées : un algorithme proposé par Nevatia et Babu (1980) et un autre fondé sur la morphologie mathématique (Serra, 1980). Une analyse initiale a été effectuée sur des données simulées en vue d'assurer un contrôle précis du signal couvert par le scintillement. C'est en utilisant l'opérateur par rapports en combinaison avec les opérations de raffinement morphologique que l'on a obtenu les meilleurs résultats. Des taux très élevés de détection des contours sont requis aux fins de segmentation (Fmn > 0,95) et ces taux ne sont produits que par des contours fortement contrastés et à faibles moyennes de niveaux de gris locaux. Il est démontré qu'une délinéation complète des contours aux fins de segmentation ne peut être effectuée à partir des données SEASAT d'un territoire agricole en raison du grand nombre de contours faiblement contrastés. Les méthodes décrites dans le présent article sont applicables dans les cas où le contraste entre les cibles à discriminer est suffisamment élevé. C'est le cas, notamment, des contours des lacs; un exemple en est donné dans le corps de l'article. Additional informationNotes on contributorsM. AdairM. Adair is with Intera Technologies Ltd., 2500, 101–6th Ave. S.W., Calgary, Alberta T2P 3P4B. GuindonB. Guindon is with the Canada Centre for Remote Sensing, 2464 Sheffield Rd., Ottawa, Ontario K1A 0Y7