基于Mean shift的全極化SAR影像分割算法研究

王杰,方芳,楊魁,2

(1．天津市測繪院,天津 300381; 2．天津市遙感中心,天津 300381)

基于Mean shift的全極化SAR影像分割算法研究

王杰1,2?,方芳1,楊魁1,2

(1．天津市測繪院,天津 300381; 2．天津市遙感中心,天津 300381)

針對高分辨率全極化SAR影像斑點噪聲嚴重的特點,基于Mean shift影像分割原理和目標分解理論提出和實現(xiàn)了基于目標分解的Mean shift影像分割算法。并利用ESAR提供的全極化數(shù)據(jù)對分割算法進行了實驗研究,從算法思想、實驗成果對比分析了基于Mean shift分割算法、ROI算子的分割結果,從而驗證了本文影像分割方法的有效性和適用性,可為后續(xù)SAR影像解譯和應用研究提供參考。

Mean shift;全極化SAR;影像分割;目標分解

1　引 言

隨著SAR衛(wèi)星技術的發(fā)展,全極化SAR影像數(shù)據(jù)逐漸豐富,對其開展影像解譯、參數(shù)反演研究成為當前SAR技術的重要研究方向。作為其中關鍵性步驟, SAR影像分割算法也得到眾多學者的重視和研究。目前全極化SAR影像分割算法主要可以分為三類:基于影像分類的分割(如基于H/a/A分解+Wishart分類的分割)、基于邊緣提取的分割(如采用ROI算子提取有效邊緣實現(xiàn)分割)、基于閾值的分割(如按某準則函數(shù)求解最優(yōu)閾值的分割)[1～3]。但是對于高分辨率機載SAR影像而言,上述算法均難以有效解決“椒鹽現(xiàn)象”。1975年由Fukunaga等人提出的Mean shift算法通過采用移動的濾波窗口來選擇同質像素,且在濾波過程中同時考慮空間和光譜信息。在估計中心像素值的時候,Mean shift算法采用加權平均的方式,實現(xiàn)抑制噪聲的同時保持細節(jié)[4],因此本文采用該算法針對全極化SAR影像進行分割研究。

但在SAR影像處理領域,Mean shift算法的應用還很少見。以往的研究中,學者在使用Mean shift算法之前首先對SAR影像進行對數(shù)變換、規(guī)范化等預處理,這些預處理操作會引入偏移,并造成強散射點的模糊,不利于后續(xù)進一步的解譯[4]。因此為有效減弱SAR斑點噪聲過大導致的“椒鹽現(xiàn)象”,本文針對全極化SAR影像的特點,提出基于Mean shift算法與SAR目標分解理論的分割算法,并采用VC++構建相應的實驗平臺,以德國ESAR數(shù)據(jù)為例驗證本文算法的有效性。

2　基于目標分解的Mean shift影像分割算法

為有效減弱SAR斑點噪聲過大導致的“椒鹽現(xiàn)象”,本文基于全極化SAR數(shù)據(jù)的特點和Mean shift原理,采用基于目標分解理論的Mean shift影像分割算法來實現(xiàn)影像的有效分割。

Mean shift的基本原理是基于傳統(tǒng)的模式識別程序,通過研究影像的特征空間和聚類算法實現(xiàn)分割。它本質上是一個自適應的梯度上升搜索峰值的方法,首先將影像空間中的元素在由位置和顏色組成的特征空間進行表示,通過計算指定窗口內的聚類中心,按照某種相似性度量方法(如最小距離方法),將像素點沿概率密度函數(shù)的梯度方向漂移到局部極大值點,從而實現(xiàn)特征空間點的聚集,然后再將它們映射回影像空間得到分割結果[1]。

設S為N維歐幾里得空間X中的一個有限集合,用F表示X空間中λ球體的一個核函數(shù),常用的單位均勻核函數(shù)表達式為:

其中,x∈X。假設所有的樣本點xi中,重要性并不一樣。因此在針對每個樣本引入一個權重系數(shù)的基礎上得到量x點處的樣本均值為:

m(x)-x的值叫Mean shift。而Mean shift算法就是通過重復移動數(shù)據(jù)點到達樣本均值。移動的步長同時與梯度的大小和該點的概率密度相關。密度大的地方,Mean shift算法獲得的步長小,密度小的地方,Mean shift算法獲得的步長大。在每一次迭代中,對于所有的s∈S,s←m(s)是同時的。作為一種聚類分析方法, Mean shift的密度估計器的梯度是遞增的,而其收斂點則為密度梯度的局部最大值點。

2．2基于目標分解的影像分割

由上可知,影響Mean shift運行結果的因素主要有:核函數(shù)、帶寬F、容許誤差λ,其中,核函數(shù)和容許誤差的設置一般相對固定,因此如何設置帶寬成為極化SAR數(shù)據(jù)的Mean shift分割算法的關鍵。由于目標分解理論主要是指采用極化散射矩陣來反映散射體的物理機制,以便于更好的利用極化SAR信息實現(xiàn)SAR數(shù)據(jù)的解譯,因此本文提出基于目標分解的Mean shift分割算法。

目標分解理論主要可以分成針對相關散射矩陣的分解(如Pauli分解、Krogager分解等)、針對協(xié)方差矩陣的分解(如Freeman分解等)[5～7]。由于各種分解方法均是針對真實地物的一種客觀反映,具有一致性。因此本文主要選擇典型的Pauli分解來實現(xiàn)基于目標分解的影像分割。

Pauli基分解采用Pauli基將標準的散射矩陣[S]分解為代表單次散射機制、二面角散射機制、各向同性偶次散射等不同物理意義的分量。在正交線性基(H, V)下,依據(jù)互易定理,Pauli基為{[Sa],[Sb],[Sc]},因此散射矩陣[S]可寫成下式:

其中,a,b和c表示的均為復數(shù),寫成向量的形式:

企業(yè)資源除了設備等硬件設施還要有適合的軟件環(huán)境，如果只是部分設備先進，不能形成整體生產能力，最終只能是一種浪費。只有合理的工作設施設計、控制生產資源投入成本、規(guī)范員工的操作行為、生產區(qū)域的合理規(guī)劃及有效利用，才是保證生產效率的必備條件。

在Pauli基分解之后的分量中,單次散射機制用[Sa]表示,旋轉軸0度的二面角散射機制用[Sb]表示,繞軸45°傾角的各向同性偶次散射用[Sc]表示,三類散射分類在整體能量上的貢獻則可用a2,b2,c2來表示,這三個分解系數(shù)可以當做表現(xiàn)目標散射機理的特征量用于地物分析。

因此式(2)中的常規(guī)Mean shift算法在基于目標分解的理論下的Mean shift分割算法轉化為:

2．3算法實現(xiàn)

由于SAR成像機制的影響,各個極化方式下的SAR影像均存在較大的斑點噪聲,因此首先進行SAR影像濾波來增加SAR影像的光滑度;然后采用Pauli基對全極化(包含有HH、HV、VH、VV)方式下的SAR影像進行目標分解獲取三種散射機制下(分布為單次散射機制、二面角散射機制、各向同性偶次散射機制)的地物信息;將此三種散射機制分別進行K均值聚類初分割,提高分割效率的同時提高分割準確度;最后采用式(6)中的基于目標分解理論的Mean shift分割算法進行全極化影像分割。

需要說明的是本文針對全極化SAR提出的分割算法與經典的Mean shift算法有存在兩個區(qū)別:①經典的Mean shift是針對光學影像下每個分量的亮度信息進行分割,其取值范圍為[0,255]的整數(shù),數(shù)值范圍較小。但目標分解后的SAR極化分量往往采用浮點型數(shù)據(jù)存儲,取值范圍較大;②本文定義的算法,每個極化分量均有著特殊的物理意義,可以根據(jù)區(qū)域目標的特性進行權重調整,具有自適應性強的特點,如圖1所示。

圖1　基于目標分解的Mean shift影像分割技術流程

3　實驗及結果分析

3．1實驗數(shù)據(jù)

實驗數(shù)據(jù)為德國的機載ESAR數(shù)據(jù),其覆蓋區(qū)域為德國某機場,如圖2所示為HV(水平垂直)極化方式下的SAR數(shù)據(jù)的幅度影像,圖像大小為272×263,空間分辨率為10 m,影像內的主要地物有草地、林地、道路、居民地等地物。圖3所示為分別對HH、HV、VH、VV極化方式下的SAR影像進行濾波、Pauli基分解后進行假彩色合成后的影像。

圖2　HV極化方式下的SAR幅度圖

圖3　Pauli基分解后的假彩色圖

3．2實驗結果分析

采用圖1中的算法流程對ESAR數(shù)據(jù)進行基于Mean shift的影像分割,并以經典的基于興趣區(qū)域(ROA)算子[8]的影像分割結果為例進行對比分析,如圖4、圖5所示。為有效分析極化SAR數(shù)據(jù)的分割細節(jié),選擇不同類型的特征點進行分析,并進行標注。

對比Mean shift算法、基于ROA算子的影像分割結果,從邊緣圖可以很直觀的看出,用ROA算子檢測出來邊緣信息特別少,且還存在邊緣連續(xù)性不好,細節(jié)較差的問題。道路(圖4中標記4處)只能得到部分細節(jié)邊緣信息,而其他類型的地物所能反映的邊緣信息就更少,說明ROA算子不足以應用于大面積的信息提取。原因在于ROA等邊緣算子主要基于圖像局部像素均值對比度的差異,這種基于像素的光譜信息算法難以在大區(qū)域的SAR影像分割中得到實用。相比較而言,由于Mean shift局部最優(yōu)求解的特點可以實現(xiàn)弱邊緣的檢測。

圖4　基于目標分解的Mean shift影像分割結果

圖5　基于ROA算子的影像分割結果

對Mean shift算法的細節(jié)進行分析,道路(圖4中標記2、3、4處)等同質性表現(xiàn)明顯的區(qū)域能夠獲取很好的效果。不同類型的草地由于與周圍地物存在的微小差異被識別出來(圖4中標記1、5、6處),較好體現(xiàn)了局部的細節(jié)特征;尤其是5處的草地,其與周圍地物的邊界被有效提取出來。其原因主要是Mean shift基于極化分量的特征空間進行分析,在采用最小距離進行空間聚類過程中,相似的地物被優(yōu)先合并,差異較大的地物則直接被算法所排除,通過不斷迭代實現(xiàn)合并的過程中,具有同質性的地物最終被有效合并。

通過將基于目標分解的Mean shift影像分割算法與經典的ROI分割算法從實驗結果上進行比較分析,本文所提出和實現(xiàn)的基于目標分解Mean shift影像分割算法對于全極化數(shù)據(jù)而言,具有實用性強、可靠性高的優(yōu)點。

4　結 論

影像分割的本質就是將反映真實地表覆蓋的復雜混合總體分解為差異明顯的子集合。本文針對高分辨率全極化SAR影像的特點,基于Mean shift影像分割的原理和全極化SAR目標分解理論,以Pauli基分解為例,提出和實現(xiàn)了基于目標分解的Mean shift影像分割算法,從物理機制層面實現(xiàn)了SAR數(shù)據(jù)的分析。并以德國全極化ESAR數(shù)據(jù)為例,開展本文方法與經典ROI算子的對比分析工作,驗證了基于Mean shift的極化SAR影像分割算法可以獲取較好的影像分割成果,算法實用性強。

[1] 楊魁．面向對象的極化SAR影像多尺度分割算法研究[D]．武漢:武漢大學,2011．

[2] 關元秀,程曉陽．高分辨率衛(wèi)星影像處理指南[M]．北京:科學出版社,2008．

[3] 孫家抦．遙感原理與應用[M]．武漢:武漢大學出版社, 2009:221～223．

[4] 郎豐鎧．極化SAR影像濾波及分割方法研究[D]．武漢:武漢大學,2014．

[5] 汪洋,魯加國,吳先良．極化目標分解在目標分類中的應用[J]．安徽大學學報,2006,30(5):33～36．

[6] S．R．Cloude,E．Pottier．A review of target decomposition theorems in radar polarimetry[J]．IEEE Trans．Geosci．Remote Sensing,1996,34(2):498～518．

[7] 尹杰,楊魁,段毅．面向對象的極化干涉SAR影像分割算法研究[J]．測繪通報,2013,6:74～77．

[8] 木林．高分辨率極化干涉SAR影像道路提取方法研究[D]．阜新:遼寧工程技術大學,2011．

Study on Polarization SAR Segmentation based on Mean shift

Wang Jie1,2,Fang Fang1,Yang Kui1,2
(1．Tianjin Institute of Surveying and Mapping,Tianjin 300381,China; 2．Tianjin Remote Center,Tianjin 300381,China)

According to the speckle characteristics of the high-resolution SAR images,a segmentation algorithm based on Mean shift and target decomposition is proposed and realized．The ESAR data is used to validate the effective of the algorithm,and the results from Mean shift and ROI is compared from the algorithm theory and experiments．The experiment results demonstrate the effectiveness of the proposed method,and provides the basis for the subsequent research in the image interpretation and application．

Mean shift;polarization SAR;image segmentation;target decomposition

1672-8262(2016)01-39-04

P237,TP753

A

?2015—07—06

王杰(1959—),男,高級工程師,主要從事工程測量、遙感應用工作。

國土資源部公益性行業(yè)科研專項(201311045)