區(qū)域SAR海冰圖像分割

趙慶平，崔少華，姜恩華，李 崢

（1. 淮北師范大學(xué) 物理與電子信息學(xué)院，安徽 淮北 235000；2. 淮北師范大學(xué) 信息學(xué)院，安徽 淮北 235000）

計(jì)算機(jī)科學(xué)與技術(shù)研究

區(qū)域SAR海冰圖像分割

趙慶平1,2，崔少華1，姜恩華1，李 崢1

（1. 淮北師范大學(xué) 物理與電子信息學(xué)院，安徽 淮北 235000；2. 淮北師范大學(xué) 信息學(xué)院，安徽 淮北 235000）

針對(duì)寬觀測(cè)帶合成孔徑雷達(dá)（Synthetic Aperture Radar，SAR）圖像，提出了一種集成區(qū)域分割的算法。以區(qū)域?yàn)檠芯繉?duì)象，依次進(jìn)行基于區(qū)域的初始聚類和區(qū)域合并?；赗adarsat-1模式數(shù)據(jù)的實(shí)驗(yàn)結(jié)果表明，該算法可有效地提高分割準(zhǔn)確性。

合成孔徑雷達(dá)；入射角效應(yīng)；分割；海冰

1 引言

合成孔徑雷達(dá)以其全天時(shí)、全天候、高分辨率等諸多優(yōu)點(diǎn)成為目前極地海冰監(jiān)測(cè)的主要手段。極地區(qū)域的遙感在氣象和全球氣候研究中具有重要的作用。例如，海冰厚度會(huì)影響大氣和水面間的熱流。因此，海冰分類可用作全球氣候監(jiān)測(cè)。合成孔徑雷達(dá)是一種主動(dòng)式微波傳感器，具有全天候、全天時(shí)、穿透性強(qiáng)等特性[1]，它以側(cè)視方式傳輸一系列脈沖，并記錄后向散射信號(hào)以形成2D圖像[2]。合成孔徑雷達(dá)在海冰監(jiān)測(cè)已經(jīng)得到了廣泛應(yīng)用。加拿大海冰署（CIS）和芬蘭海冰署（FIS）等研究所的海冰圖像分析員每天收到大量的SAR數(shù)據(jù)集，由于缺少自動(dòng)解譯的工具，手工解譯不僅勞動(dòng)量大、耗時(shí)長(zhǎng)，而且準(zhǔn)確度有限。因此，實(shí)現(xiàn)SAR海冰圖像的自動(dòng)分類能輔助海冰圖像分析員從數(shù)量不斷增長(zhǎng)的數(shù)據(jù)中提取有效的信息。

為了滿足SAR海冰圖像解譯的實(shí)時(shí)性要求，計(jì)算機(jī)視覺(jué)技術(shù)在此領(lǐng)域得到了重要應(yīng)用。目前已提出的海冰分割方法中普遍采用了SAR圖像的紋理特征描述海冰[3-5]，紋理特征提取方法主要包括灰度共生矩陣、Gabor變換、小波變換和馬爾科夫隨機(jī)場(chǎng)模型等。和強(qiáng)度特征相比，紋理特征通過(guò)描述像素的位置分布特性能夠更好地實(shí)現(xiàn)海冰分割。

本文針對(duì)RadarSat-1獲取的海冰圖像提出了一種基于區(qū)域的海冰分割方法。該方法首先對(duì)SAR圖像進(jìn)行區(qū)域化表示，然后針對(duì)每個(gè)分割后的區(qū)域結(jié)合強(qiáng)度特征實(shí)現(xiàn)分割。

2 算法

2.1 區(qū)域化表示

算法從讀入一幅圖像開(kāi)始，首先用分水嶺分割算法[6]，對(duì)海冰SAR圖像進(jìn)行初始分類，把SAR圖像劃分為一組區(qū)域。每個(gè)區(qū)域都用平均強(qiáng)度和尺寸來(lái)標(biāo)識(shí)。因?yàn)閷?duì)整個(gè)區(qū)域而言，可把各位置的特征矢量{ys|s∈Sv}平均到一個(gè)特征矢量yv。

為了生成分水嶺，必須計(jì)算圖像梯度。因?yàn)樵谝环鶊D像中可能有多個(gè)通道，使用一個(gè)矢量場(chǎng)梯度方法利用所有通道來(lái)計(jì)算聯(lián)合圖像梯度。通過(guò)除以場(chǎng)景中的最大梯度，總是對(duì)計(jì)算得到梯度進(jìn)規(guī)格化，以便最大梯度值為1.0。

2.2 基于區(qū)域的K-means聚類初始化

作為初始化過(guò)程的一部分，以及作為一種推動(dòng)該算法找出局部可接受方案的技術(shù)，通過(guò)區(qū)域的K-means聚類算法后，把標(biāo)記賦給所得的每個(gè)區(qū)域v。對(duì)于單個(gè)區(qū)域v，K-means聚類算法找出最佳的標(biāo)記，尋找最佳標(biāo)記的公式如下：

其中ys是在位置s處的特征矢量，T為轉(zhuǎn)置算子。通過(guò)迭代過(guò)程，從隨機(jī)均值μi開(kāi)始，每次迭代μi都有更新。

2.3 區(qū)域合并

為了產(chǎn)生最優(yōu)分割xr*，最小化的成本函數(shù)如下：

這里Ef是特征模型能量，Es是空間語(yǔ)境模型能量。Ef定義如下：

這里c是圖像中的通道數(shù)，n是類別數(shù)，Sv是每個(gè)分水嶺區(qū)域v中的位置，后者是區(qū)域Ωi的一部分，Ωi被賦值為類i，∑i是類i的協(xié)方差矩陣，μi是類i的均值。Ef是與假設(shè)有關(guān)能量，每一類中分水嶺區(qū)域的圖像值遵守多變量高斯分布，該分布能給出合理的結(jié)果[7-8]。

3 實(shí)驗(yàn)結(jié)果與分析

3.1 評(píng)價(jià)指標(biāo)

常用的兩種測(cè)量方法的度量是分割精度和kappa系數(shù)[9]。分割精度是正確劃分像素的百分比。Kappa系數(shù)定義如下：

其中xij是分割誤差矩陣的第i行的第j列元素，P代表SAR圖像中的總的像素個(gè)數(shù)。k表示分割評(píng)價(jià)度量，取值在[-1, 1]之間，當(dāng)k＜0時(shí)，表明分割結(jié)果有歧義，與正確分割有很大的誤差。當(dāng)k = 0時(shí)，分割的效果相當(dāng)于隨機(jī)分配。當(dāng)0＜k＜1時(shí)，k值越大，分割的結(jié)果越接近完美。當(dāng)k =1時(shí)，分割結(jié)果是完美的。

3.2 SAR海冰圖像分割

第一幅測(cè)試的SAR海冰圖像由RadarSat-1模式于2003年2月21日在S. Laurence Bay上空采集，如圖1(a)所示。圖2(a)所示是由RadarSat-1于2006年11月22日在Beaufort海上空采集的海冰圖像。

對(duì)于S. Laurence Bay的SAR海冰圖像，參考芬蘭海洋研究提供的冰況圖和文獻(xiàn)[7]，我們把海冰類型分為初期冰和平滑冰兩類，并制作地面實(shí)況圖[7]。圖1(b)、圖1(c)展示了兩種分類方法的結(jié)果。圖1(d)是地面實(shí)況圖。圖1(c)分類結(jié)果更接近地面實(shí)況圖，尤其是上半部分更明顯。由表1可知，基于像素級(jí)MRF分割算法的kappa系數(shù)是0.719 1，精度為75.96%，而本文提出的分割算法kappa系數(shù)是0.783 6，精度為80.02%。對(duì)于圖1(b)而言，由于圖像邊界的強(qiáng)弱不平穩(wěn)性，搜索會(huì)陷入某些局部最小值的陷阱。而圖1(b)可能是由于本文提出算法集成區(qū)域的形狀是高斯函數(shù)，具有某種局部能力行為的能力，可以改進(jìn)模型對(duì)圖像的非平穩(wěn)性的適應(yīng)性。因?yàn)榉指钍窃趨^(qū)域而不是在像素級(jí)上完成的，近一步證明了大范圍的空間交互式有效的[10]。

圖1 S. Laurence Bay SAR海冰圖像分割的結(jié)果

表1 S. Laurence Bay SAR海冰圖像分割度量比較

對(duì)于Beaufort海SAR海冰圖像，參考加拿大海冰署提供的冰況圖和文獻(xiàn)[10]，我們把Beaufort海SAR海冰圖像的海冰類型分為初期冰和平滑冰兩類，并制作地面實(shí)況圖[10]。由表2可知，基于像素級(jí)MRF分割算法的kappa系數(shù)是0.762 4，精度為79.06%，而本文提出的分割算法kappa系數(shù)是0.849 6，精度為86.62%。定性地看，Beaufort海冰SAR圖像，基于像素級(jí)MRF的分割結(jié)果（圖2(b)）顯示出更多的歧義性，特別是在中、右區(qū)段，而本文提出分割算法（圖2(c)）在同樣的區(qū)域能夠比較好地兼顧邊界位置定位和區(qū)域一致性。和基于像素級(jí)的MRF的分割算法獲得的結(jié)果（圖2(b)）相比較，通過(guò)本文提出分割算法所獲得的分割結(jié)果（圖2(c)）具有更好的區(qū)域連通性，圖像中孤立區(qū)域明顯減少。

圖2 Beaufort海SAR海冰圖像分割的結(jié)果

表2 Beaufort海SAR海冰圖像分割度量比較

4 結(jié)論

針對(duì)Radarsat-1獲取的海冰圖像提出了一種基于區(qū)域的海SAR冰分割方法，該方法首先對(duì)SAR圖像進(jìn)行區(qū)域化表示，然后針對(duì)每個(gè)分割后的區(qū)域結(jié)合強(qiáng)度特征實(shí)現(xiàn)分割。實(shí)驗(yàn)結(jié)果表明，在精確定位邊界和生成較大均勻區(qū)域方面該方法具有優(yōu)越性。將本文方法運(yùn)用到合成的圖像和由Radarsat-1所獲取的兩幅真實(shí)海冰SAR圖像，證明了該方法的可行性和準(zhǔn)確性，為實(shí)現(xiàn)海冰的準(zhǔn)確分割提供了一個(gè)新途徑，本方法亦可應(yīng)用到其他海冰SAR（如Envisat、RadarSat-2等）圖像的分類上。

[1] 崔瑩,熊博蒞,蔣詠梅,等.結(jié)合結(jié)構(gòu)相似度的自適應(yīng)多尺度SAR圖像變化檢測(cè)[J].中國(guó)圖象圖形學(xué)報(bào),2014,19(10): 1507-1513.

[2] 趙慶平,姜恩華,趙鑫.基于區(qū)域增長(zhǎng)迭代算法的SAR海冰圖像分割[J].井岡山大學(xué)學(xué)報(bào),2013,34(6):38-43.

[3] Clausi D A, Yue B. Comparing co-occurrence probabilities and Markov random fields for texture analysis of SAR sea ice imagery[J]. IEEE Transaction on Geoscience and Remote Sensing, 2004, 42(1): 215-228.

[4] Yu Q, Moloney C, Williams F M. SAR sea-ice texture classification using discrete wavelet transform based methods[C]. Proceeding of the 2002 IEEE International Geoscience and Remote Sensing Symposium (IGARSS 2002), 2002, 5: 3041-3043.

[5] Soh L K, Tsatsoulis. Texture analysis of SAR sea ice imagery using grey level co-occurrence matrices[J].IEEE Transaction on Geoscience and Remote Sensing, 1999, 37(2): 780-795.

[6] Vincent L, Solille P. Watershed in digital spaces: an efficient algorithm based on immersion simulations[J]. IEEE Transaction on Pattern Analysis and Machine Intelligence, 1991, 13(6): 583-598.

[7] 趙慶平,姜恩華,李素文.帶有紋理保護(hù)的SAR海冰圖像分割[J].安徽大學(xué)學(xué)報(bào),2014,38(3):61-67.

[8] Li S. Markov Random Field Modeling in Computer Vision[M]. New York: Springer, 2009: 108-112.

[9] Yang X Z, Clausi D A. SAR sea ice image segmentation based on edge-preserving watersheds[C]. Montreal Quebec, Canada, Fourth Canadian Conference on Computer and Robot Vision (CRV'07), 2007: 426-431.

[10] Yu Q Y. Automated SAR sea ice interpretation[D]. Waterloo: University of Waterloo, 2006: 30-32.

（責(zé)任編輯、校對(duì)：田敬軍）

SAR Ice Image Segmentation with Region

ZHAO Qing-ping1,2, CUI Shao-hua1, JIANG En-hua1, LI Zheng1
(1. School of Physics and Electronic Information, Huaibei Normal University, Huaibei 235000, China; 2. Information College, Huaibei Normal University, Huaibei 235000, China)

According to the Wide Band Aperture Radar Synthetic (SAR) ice image, it proposes an algorithm based on the class of the incidence angle effect. Based on Radarsat-1 Scan SAR mode data, it proposes a segmentation algorithm for integrated incidence angle effect correction steps. Sea ice regions are reserched as objects, which does region-based intial clustering, then does type of correction based incidence angle effect and region merging one by one. The efficiency of the proposed algorithm has been demonstrated on the segmentation of SAR sea ice image. The incidence angle effect has a significant influence on the backscattering of the mine.

SAR; incidence angle effect; segmentation; sea ice

TP751.1

A

1009-9115(2016)02-0058-03

10.3969/j.issn.1009-9115.2016.02.017

安徽省高等學(xué)校自然科學(xué)研究項(xiàng)目（KJ2014B07，KJ2016A650，KJ2016A628）

2016-02-09

趙慶平（1972-），男，遼寧阜新人，碩士，講師，研究方向?yàn)閳D像處理。