基于多特征和WSVM的SAR圖像河流目標檢測

吳一全，李海杰，宋 昱

（1．南京航空航天大學電子信息工程學院，江蘇南京210016；2．黃河水利委員會黃河水利科學研究院水利部黃河泥沙重點實驗室，河南鄭州450003；3．長江水利委員會長江科學院武漢市智慧流域工程技術研究中心，湖北武漢430010；4．南京水利科學研究院港口航道泥沙工程交通行業重點實驗室，江蘇南京210024；5．哈爾濱工業大學城市水資源與水環境國家重點實驗室，黑龍江哈爾濱150090）

基于多特征和WSVM的SAR圖像河流目標檢測

吳一全1，2，3，4，5，李海杰1，宋 昱1

（1．南京航空航天大學電子信息工程學院，江蘇南京210016；2．黃河水利委員會黃河水利科學研究院水利部黃河泥沙重點實驗室，河南鄭州450003；3．長江水利委員會長江科學院武漢市智慧流域工程技術研究中心，湖北武漢430010；4．南京水利科學研究院港口航道泥沙工程交通行業重點實驗室，江蘇南京210024；5．哈爾濱工業大學城市水資源與水環境國家重點實驗室，黑龍江哈爾濱150090）

為進一步提高合成孔徑雷達（synthetic aperture radar，SAR）圖像中河流目標檢測的準確性，本文提出了基于多特征和小波支持向量機（wavelet support vector machine，WSVM）的SAR圖像河流目標檢測方法。首先使用均值比表示像素點鄰域的灰度特征，Gabor小波提取其紋理特征，并將其融合構造訓練樣本；然后將歸一化處理后的特征矩陣輸入WSVM進行訓練，并利用訓練好的WSVM對圖像的每個像素點進行分類；最后根據河流的區域連通性和面積、形狀特征，去除陰影、湖泊等與河流相似的區域。大量實驗結果表明，與其他河流目標檢測方法相比，本文方法檢測的河流目標更加完整，背景與河流的誤分區域更少，河流邊緣保持得更好。

河流目標檢測；合成孔徑雷達圖像；多特征；小波支持向量機；均值比；Gabor小波；區域連通性

Keywords：river target detection；synthetic aperture radar（SAR）image；multi－features；wavelet support vector machine（WSVM）；mean ratio；Gabor wavelet；regional connectivity

0 引 言

河流是一種重要的地理目標，其檢測對水利評估、水資源監測、水土保持、洪澇災害預防、船舶導航等方面具有重要的作用。而合成孔徑雷達（synthetic aperture radar，SAR）作為一種工作于微波頻段的相干成像雷達，與光學、紅外等其他傳感器相比，具有全天時、全天候、不受光照影響、穿透能力強、大面積成像等優點。因此，基于SAR圖像的河流目標檢測方法受到廣泛關注。

在SAR圖像河流目標檢測方法中，文獻［1］將原始圖像劃分為互不重疊的圖像子塊，利用閾值對圖像子塊分類，進行河流目標粗檢測，并依據河流連通區域的面積、體態比進行精檢測。文獻［2］首先使用梯度特征和Fisher準則檢測河流目標，然后依據數學形態學消除誤分區域，基于不重疊圖像子塊和形態學的檢測方法易使河流邊緣變得平滑，丟失較多的邊緣細節信息。文獻［3－4］利用邊緣提取技術和脊線跟蹤技術進行河流目標檢測，其效果依賴于河流的邊緣檢測結果，當圖像背景較復雜時，邊緣提取較為困難，無法準確檢測出河流目標。文獻［5］利用統計特征和支持向量機（support vector machine，SVM）、文獻［6］使用灰度共生矩陣（gray level co－occurrence matrix，GLCM）和SVM、文獻［7］通過自適應特征和SVM、文獻［8］則利用像素模板和Adaboost進行河流目標檢測?；赟VM和Adaboost的方法對訓練樣本的選擇要求較高，主觀性大，對不同的圖像需更換訓練樣本，普適性弱，因而訓練樣本選取困難，檢測結果中河流與背景的誤分區域較多。而小波支持向量機［9－10］（wavelet support vector machine，WSVM）是對內積空間的更高映射，可以更好地對數據分類，減小類內差異，增大類間差異，降低樣本選取的主觀性，增強普適性。文獻［11］使用基于統計特征的WSVM進行河流目標檢測，雖然可以完整地檢測出河流區域，但僅使用灰度特征，不能夠去除背景誤分為河流的區域，且當河岸與河流灰度相近時，易出現河流區域與河岸的誤分區域連通，致使后續步驟無法根據河流的面積、形狀特征進行去除。

鑒于上述分析，考慮到SAR圖像中河流的下列4個特征：河流灰度值偏低且灰度變化緩慢，即灰度一致性；河流沒有較明顯的紋理特征，即紋理一致性；河流一般為連通區域；河流形狀不規則。本文首先將圖像劃分為以每個像素點為中心的多個圖像塊，使用均值比表示圖像塊的灰度特征，以此反映河流灰度一致性；使用Gabor小波提取圖像塊的紋理特征，對應河流紋理一致性。然后，利用提取的上述特征對河流圖像的每個像素點進行分類，其中分類器選擇要使得河流誤分為背景的區域盡可能少，河流區域與背景誤分為河流的區域盡量不連通，這里選用WSVM作為分類器。最后根據河流的區域連通性和面積、形狀特征，去除陰影、湖泊等與河流相似的區域。文中給出了所提出方法的實驗結果，并與基于梯度特征和Fisher準則、基于統計特征和SVM、基于像素模板和Adaboost、基于統計特征和WSVM的河流目標檢測方法進行了比較，依據主觀視覺效果和客觀定量評價指標兩個方面論證了本文方法的優越性。

1 SAR圖像河流特征提取

1．1 灰度特征提取

根據SAR圖像中河流具有灰度一致性的特征可知：河流的灰度均值小于整幅圖像的灰度均值；河流區域的灰度方差相對于背景區域較小。若待處理的河流圖像為I，其均值和方差分別用EI和VI表示，使用大小為S×S的圖像塊Hi，j表示像素點（i，j）的鄰域窗口。計算Hi，j的均值和方差，分別記做Ei，j和Vi，j。則像素點（i，j）的方差特征為Vi，j，均值比特征可以表示為

若F1i，j、Vi，j均較小，則該像素點屬于河流區域；F1i，j、Vi，j均較大，則屬于背景區域。但在實際操作中由于窗口尺度不同，以Vi，j為特征，當窗口取得較小時，背景區域易出現較小的Vi，j。因此，這里只選擇F1i，j作為像素點（i，j）的灰度特征。

1．2 紋理特征提取

Gabor小波能夠很好地描述哺乳動物的視覺系統，完整地提取物體的紋理特征［12］。根據SAR圖像中河流的紋理一致性，這里使用Gabor小波提取圖像的紋理特征。二維Gabor小波的數學表達式為

式中，σx和σy為Gabor濾波器窗口的大?。粀為徑向中心頻率；a－m為尺度因子；m和n分別表示尺度和方向，且m∈［0，M－1］，n∈［0，N－1］，M為總尺度數，N為總方向數。

利用二維Gabor小波提取圖像子塊Hi，j的特征作為像素點（i，j）的紋理特征。

2 SAR圖像河流目標檢測

2．1 小波支持向量機

WSVM是標準SVM核方法與小波框架理論相結合得到的SVM模型［13］，其實質是引入小波基函數構造SVM的核函數。其中小波基函數必須能夠生成小波框架，滿足

式中，E0為原圖像能量；E是圖像經過小波變換后的總能量；A、B為框架的下界和上界。

另外，可以生成小波框架的小波基函數還需滿足Mercer條件

式中，R［k］（ω）為核函數的傅里葉變換；K（x－x′）是K（x，x′）的平移不變形式。

設尺度參數ai，母小波φ（x）滿足式（11）、式（14）和式（15），x∈Rd，則可構建小波核為

式中，x表示d維向量；f∈L2（Rd）；K（x，x′）表示核函數；K（〈x，x′〉）是K（x，x′）的點積形式。

對待不能夠將核函數分解為兩個相同函數點積形式的情況，可采用Mercer條件［14］的充分必要條件來判斷：

WSVM可將數據映射到再生希爾伯特空間［15］進行分類，而再生希爾伯特空間是一個具有特殊屬性函數的希爾伯特空間，它把依靠經驗數據學習問題的解表示成一種簡單的形式，能夠減小類內差異，增大類間差異。因此，由式（17）構建WSVM的小波核函數，并根據式（10）提取的特征對圖像I的每個像素點進行分類。

2．2 區域連通性與河流的面積、形狀特征

在SAR圖像中，僅依靠河流的灰度特征和紋理特征無法區分湖泊、陰影等與河流相似的區域。而針對河流一般為連通區域和其形狀不規則的特點，可以依據河流的區域連通性和面積、形狀特征，對WSVM的輸出結果做進一步處理，去除誤分為河流的區域。區域連通性的4連通模板和8連通模板如圖1所示。

圖1 4連通模板和8連通模板

對一幅二維圖像，在目標像素點P周圍的q（q≤8）個相鄰像素中，若某個像素的灰度值與P的灰度值滿足特定的相似準則，那么稱該像素點與P是連通的。這里處理的為WSVM輸出的二值圖像，相似準則為判斷兩像素點的值是否相等。4連通性判斷上下左右4個鄰點中，是否有與P相等的像素點；8連通性則判斷與P相鄰的8個鄰點中，是否有與P相等的像素點。

在檢測出連通區域后，對每個連通區域進行標記，并使用每個區域的像素點個數表示面積特征，長寬比表示河流形狀特征，去除與河流相似區域。

2．3 算法步驟與流程圖

基于多特征和WSVM的SAR圖像河流目標檢測的流程圖如圖2所示，算法具體步驟如下：

步驟1 分別在河流區域和背景區域選取大小為30像素×30像素的圖像作為河流樣本和背景樣本；

步驟2 對河流和背景樣本圖像，分別以樣本圖像中的每個像素點為中心，使用大小為3像素×3像素的窗口進行遍歷，得到多個圖像塊；

步驟3 使用均值比表示每個圖像塊的灰度特征，采用Gabor小波提取其紋理特征；

步驟4 將提取的灰度特征、紋理特征按式（9）進行融合，由式（10）組成特征矩陣，并將特征矩陣的每一列進行歸一化處理；

步驟5 將歸一化處理后的特征矩陣輸入WSVM進行訓練，構造決策函數；

步驟6 對待檢測的河流圖像進行步驟2～步驟5操作，并將得到的特征矩陣輸入WSVM，根據決策函數判斷圖像的每個像素點屬于河流區域還是背景區域；

步驟7 對WSVM輸出的二值圖像，依據河流的區域連通性和面積、形狀特征，去除與河流相似的區域，準確檢測河流目標。

圖2 基于多特征和WSVM的河流目標檢測流程圖

3 實驗結果與分析

實驗圖像使用美國Sandia實驗室開發的Twin－Otter機載多波段SAR系統獲得，河流圖像為X波段、分辨率為1m、處理視數為10km。在2．5GHz／4．00G內存／Matlab R2012b實驗環境下，將應用本文方法得到的河流目標檢測結果，與基于梯度特征和Fisher準則、基于統計特征和SVM、基于像素模板和Adaboost、基于統計特征和WSVM等4種現有的河流目標檢測方法，進行了主觀視覺效果和客觀定量評價指標的對比。其中實驗參數設置如下：基于統計特征和SVM的方法中，遍歷窗口大小為3像素×3像素，SVM的核函數選用高斯核，核參數σ＝0．05；基于像素模板和Adaboost的方法中，遍歷窗口的大小為7像素×7像素，20個Adaboost弱分類器；基于統計特征和WSVM的方法中，遍歷窗口大小為3像素×3像素，WSVM核參數a＝100；本文方法的中心頻率w＝2，尺度數M＝1，方向數N＝8，遍歷窗口大小為3像素×3像素，WSVM核參數a＝30。本文方法和對比方法的訓練樣本如圖3所示，利用5種方法所得到的SAR圖像河流目標檢測結果如圖4所示。

圖3 河流樣本和背景樣本

圖4 5種方法的SAR圖像河流目標檢測結果

表1列出了5種方法的SAR圖像河流目標檢測結果的定量評價數據。依據圖4（b）所示的河流目標的人工檢測結果，定義了Nr、Nb、Er、Eb、η等5種定量評價指標。其中，Nr表示河流區域中正確檢測的像素點個數；Er表示河流區域中誤分為背景的像素點個數；Nb表示背景區域中正確檢測的像素點個數；Eb表示背景區域中誤分為河流的像素點個數；η表示整體的分類正確率。

基于梯度特征和Fisher準則的方法對背景區域的檢測效果較好，但在河流區域，有較多的像素點被誤分為背景區域，且河流的邊緣變得平滑，整體分類正確率很低；基于SVM和基于Adaboost方法的檢測結果中存在較多的河流與背景誤分的區域，其中背景誤分為河流，且與河流不連通的區域可以根據河流的面積、形狀特征進行去除，但河流誤分為背景的區域則無法根據河流特征進行填補，需要對分類器進行優化；基于統計特征和WSVM的方法可以較準確地檢測出河流區域，但仍有背景誤分為河流的區域，且存在誤分區域與河流區域處于連通的情況；本文提出的基于多特征和WSVM方法充分利用河流的先驗知識，在圖3所示的少量訓練樣本下，可對不同的河流圖像達到更好的檢測結果，如圖5所示。該方法適用于背景復雜的圖像，且河流與背景誤分的區域較少，不存在誤分區域與河流區域連通的情況，邊緣保持完整，整體分類正確率較高。

表1 5種方法的SAR圖像河流目標檢測結果的定量評價

圖5 本文方法針對不同河流圖像的檢測結果

河流SAR圖像在獲取、傳輸過程中，會受到系統本身、外界環境等諸多因素的影響，不可避免地存在相干斑噪聲的干擾。為進一步驗證本文方法的普適性，圖6給出了受不同程度相干斑噪聲污染的河流圖像及采用本文方法所得到的檢測結果。由圖6可見，受相干斑噪聲污染的河流圖像中，河流區域基本不受影響，背景區域出現較多灰度值偏低的部分，污染較為嚴重。因此，從相干斑噪聲污染的河流圖像中檢測河流，關鍵在于消除背景中灰度值偏低區域的影響，而本文方法選取的均值和紋理特征均基于圖像塊，具有較好的抗噪能力。對比圖6與圖5可得，隨著相干斑噪聲方差的增大，本文方法可穩定地檢測出完整的河流區域。

圖6 不同程度相干斑噪聲污染的河流圖像及本文方法的檢測結果

4 結 論

本文充分利用SAR圖像中河流的先驗知識，提出一種基于多特征和WSVM的SAR圖像河流目標檢測方法。針對河流面積特征、形狀特征只能消除背景誤分為河流的區域，提出使用WSVM對融合特征進行處理，在較少訓練樣本下，大大地減少了河流誤分為背景的區域，完整地提取了河流區域。另外，對于河流區域和背景誤分為河流的區域處于連通的情況，提出利用灰度、紋理的融合特征，減少了與河流區域連通的誤分區域。大量實驗結果表明，與基于梯度特征和Fisher準則、基于統計特征和SVM、基于像素模板和Adaboost、基于統計特征和WSVM等4種河流目標檢測方法相比，本文提出的方法可完整地檢測出河流目標，且誤分區域少，邊緣細節保持得更好。

［1］Chen A J，Wei X Q，Zhu B．Fast extraction of river from satellite remote sensing images［J］．Infrared and Laser Engineering，2006，35（z4）：268－271．（陳愛軍，魏祥泉，朱兵．衛星遙感圖像中河流的快速提取方法［J］．紅外與激光工程，2006，35（z4）：268－271．）

［2］Chen S L，Li Y R，Li T．Study on river detection based on SAR images［J］．Computer Measurement ＆Control，2009，17（7）：1267－1269．（陳升來，李云茹，李濤．基于合成孔徑雷達圖像的河流檢測方法研究［J］．計算機測量與控制，2009，17（7）：1267－1269．）

［3］Sun J P，Mao S Y．River detection algorithm in SAR images based on edge extraction and ridge tracing techniques［J］．International Journal of Remote Sensing，2011，32（12）：3485－3494．

［4］Hu Z L，Sun J P，Yuan Y N，et al．River detection in SAR images based on edge extraction in wavelet domain and ridge tracking technique［J］．Journal of Electronics ＆Information Technology，2007，29（3）：524－527．（胡正磊，孫進平，袁運能，等．基于小波邊緣提取和脊線跟蹤技術的SAR圖像河流檢測算法［J］．電子與信息學報，2007，29（3）：524－527．）

［5］Cheng H，Yu Q Z，Liu J，et al．SVM－based detection of bridge object over water［J］．Journal of Astronautics，2005，26（5）：601－605．（程輝，于秋澤，柳健，等．基于SVM的SAR圖像中水上橋梁目標的檢測［J］．宇航學報，2005，26（5）：601－605．）

［6］Zhong W Y，Sheng T．Multiple features and SVM combined SAR image segmentation［J］．Application Research of Computers，2013，30（9）：2846－2851．（鐘微宇，沈?。Y合多特征和SVM的SAR圖像分割［J］．計算機應用研究，2013，30（9）：2846－2851．）

［7］Klemenjak S，Waske B，Valero S，et al．Automatic detection of rivers in high－resolution SAR data［J］．IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing，2012，5（5）：1364－1372．

［8］Shen L，Tang H，Wang S D，et al．River extraction from the high resolution remote sensing image based on spatially correlated pixels template and Adaboost algorithm［J］．Acta Geodaetica et Cartographica Sinica，2013，42（3）：344－350．（慎利，唐宏，王世東，等．結合空間像素模板和Adaboost算法的高分辨率遙感影像河流提?。跩］．測繪學報，2013，42（3）：344－350．）

［9］Zhang L，Zhou W，Jiao L．Wavelet support vector machine［J］．IEEE Trans．on Systems，Man，and Cybernetics，2004，34（1）：34－39．

［10］Tan K，Du P J．Wavelet support vector machines based on reproducing kernel Hilbert space for hyperspectral remote secsing image classification［J］．Acta Geodaetica et Cartographica Sinica，2011，40（2）：142－147．（譚琨，杜培軍．基于再生核Hilbert空間小波核函數支持向量機的高光譜遙感影像分類［J］．測繪學報，2011，40（2）：142－147．）

［11］Cheng H，Yu Q Z，Liu J，et al．Detection of bridge based on WSVM segmenting in SAR image［J］．Journal of Huazhong University of Science and Technology（Nature Science Edition），2006，34（4）：53－55．（程輝，于秋澤，柳健，等．基于小波支持向量機分割的SAR圖像橋梁目標檢測［J］．華中科技大學學報（自然科學版），2006，34（4）：53－55．）

［12］Manjunath B S，Ma W Y．Texture features for browsing and retrieval of image data［J］．IEEE Trans．on Pattern Analysis and Machine Intelligence，1996，18（8）：837－842．

［13］Li Y C，Fang T J．Wavelet support vector machines［J］．Pattern Recognition and Artificial Intelligence，2004，17（2）：168－172．（李元誠，方廷健．小波支持向量機［J］．模式識別與人工智能，2004，17（2）：168－172．）

［14］Smola A J，Sch?lkopf B．A tutorial on support vector regres

sion［J］．Statistics and Computing，2004，14（3）：199－222．［15］Rakotomamonjy A，Canu S．Frames，reproducing kernels，

regularization and learning［J］．The Journal of Machine Learning Research，2005，6：1485－1515．

E－mail：nuaaimage＠163．com

李海杰（1989－），男，碩士研究生，主要研究方向為圖像處理、遙感圖像分割。

E－mail：15951982713＠163．com

宋 昱（1988－），男，博士研究生，主要研究方向為圖像處理、遙感圖像分割。

E－mail：519559374＠qq．com．cn

Target detection algorithm for rivers in SAR images based on multi－features and WSVM

WU Yi－quan1，2，3，4，5，LI Hai－jie1，SONG Yu1
（1．College of Electronic and Information Engineering，Nanjing University of Aeronautics and Astronautics，Nanjing 210016，China；2．Key Laboratory of the Yellow River Sediment of the Ministry of Water Resource，Yellow River Institute of Hydraulic Research，Zhengzhou 450003，China；3．Engineering Technology Research Center of Wuhan Intelligent Basin，Changjiang River Scientific Research Institute，Changjiang Water Resources Commission of the Ministry of Water Resources，Wuhan 430010，China；4．Key Laboratory of Port，Waterway and Sedimentation Engineering of the Ministry of Transport，Nanjing Hydraulic Research Institute，Nanjing 210024，China；5．State Key Laboratory of Urban Water Resource and Environment，Harbin Institute of Technology，Harbin 150090，China）

In order to further improve the accuracy of river target detection in synthetic aperture radar（SAR）images，a method of river target detection based on multi－features and wavelet support vector machine（WSVM）in SAR images is proposed．Firstly，gray features of pixel neighborhood are represented by the mean ratio．Texture features are extracted by Gabor wavelet．The training samples are constructed by fusion of the extracted gray features and texture features．Then，the normalized feature matrix is inputted into the WSVM for training．Each pixel in the images is classified by the trained WSVM．Finally，the similar regionals with rivers such as shadows，lakes are removed according to the regional connectivity，areas and shape features of rivers．A large number of experimental results show that compared with other methods of river target detection，the proposed method has more completely detection，error regions of classification are much less and edges of rivers are preserved better．

TP 391．41；TP 751．1

A

10．3969／j．issn．1001－506X．2015．06．10

吳一全（1963－），男，教授，博士研究生導師，博士，主要研究方向為遙感圖像處理與分析、目標檢測與識別、智能信息處理。

1001－506X（2015）06－1288－06

2014－08－13；

2014－10－23；網絡優先出版日期：2014－11－21。

網絡優先出版地址：http：∥www．cnki．net／kcms／detail／11．2422．TN．20141121．0932．005．html

水利部黃河泥沙重點實驗室開放課題基金（2014006）；長江科學院開放研究基金（CKWV2013225／KY）；南京水利科學研究院港口航道泥沙工程交通行業重點實驗室開放基金；城市水資源與水環境國家重點實驗室開放研究項目（ES201409）；江蘇高校優勢學科建設工程資助課題