基于SLIC超像素分割的SAR圖像海陸分割算法

李智， 曲長(zhǎng)文， 周強(qiáng)， 劉晨

(海軍航空工程學(xué)院電子信息工程系， 山東煙臺(tái) 264001)

0 引言

星載合成孔徑雷達(dá)(Synthetic Aperture Radar, SAR)因其具有全天時(shí)、全天候、大覆蓋面積、高分辨、成像不受云霧影響等優(yōu)點(diǎn)，被廣泛地應(yīng)用于農(nóng)業(yè)、海洋、軍事等領(lǐng)域[1]。大量的研究結(jié)果表明，對(duì)SAR圖像中的艦船目標(biāo)進(jìn)行檢測(cè)時(shí)，若包含陸地區(qū)域，由于陸地區(qū)域是強(qiáng)散射中心，會(huì)導(dǎo)致檢測(cè)結(jié)果在低檢測(cè)概率和高虛警概率之間波動(dòng)，很難取得令人滿意的效果。為提高艦船檢測(cè)率、減小虛警率，需要將海洋SAR圖像中的陸地區(qū)域去處，即首先進(jìn)行海陸分割。

海陸分割工作的目的是完成陸地掩膜，即將海洋SAR圖像中的強(qiáng)散射中心去除，防止其在艦船目標(biāo)檢測(cè)中將艦船目標(biāo)掩蓋。目前，海陸分割技術(shù)主要分為兩類(lèi)：基于圖像邊緣紋理特征的自動(dòng)海陸分割和基于圖形學(xué)的手動(dòng)分割。第一類(lèi)方法是基于雷達(dá)在海洋和陸地區(qū)域的不同反射系數(shù)，來(lái)進(jìn)行海岸線檢測(cè)的算法[2]。第二類(lèi)方法是通過(guò)人為手動(dòng)標(biāo)識(shí)多邊形來(lái)圈定陸地區(qū)域，再利用圖形學(xué)算法分割出陸地區(qū)域[3]。以上兩類(lèi)算法都存在各自的不足，前者由于大入射角變化使得近距的高亮區(qū)域產(chǎn)生大量的干擾邊緣紋理，很明顯依據(jù)邊緣紋理進(jìn)行海陸分割的方法將會(huì)出現(xiàn)很大的誤差，而后者要求精確地圈定陸地區(qū)域，而人工圈定難免有較大誤差，這使得未被掩膜的陸地區(qū)域容易被檢測(cè)成艦船目標(biāo)帶來(lái)虛警，相反誤被當(dāng)作陸地掩膜的海洋區(qū)域會(huì)使近海船舶漏檢，因此兩類(lèi)方法均不適合對(duì)海洋SAR圖像進(jìn)行批量處理。

Rent和Malik[4]提出了超像素分割的概念，通過(guò)超像素分割，控制相應(yīng)的參數(shù)，可將圖像分成大量不規(guī)則的小塊(超像素)。該算法提供了一種圖像預(yù)處理的途徑，但在后續(xù)的改進(jìn)算法中仍存在模型復(fù)雜、生成的超像素邊界也不能與原圖像邊界很好地匹配等缺點(diǎn)[5]。針對(duì)以上問(wèn)題，Achanta等[6]提出了簡(jiǎn)單線性迭代聚類(lèi)的算法(Simple Linear Iterative Clustering, SLIC)，改進(jìn)后的算法耗時(shí)短、效率高，分割的區(qū)域形狀比較規(guī)則，并且超像素邊界對(duì)圖像的原始邊界具有很強(qiáng)的依附性[7-8]。

傳統(tǒng)的圖像分割方法由于計(jì)算的復(fù)雜度，難以在較短的時(shí)間內(nèi)得到良好的分割結(jié)果。近來(lái)有研究者將SLIC應(yīng)用于光學(xué)圖像與SAR圖像，均取得了較好的分割結(jié)果[9]。鑒于此，本文提出了基于SLIC超像素分割的SAR圖像海陸分割算法。

1 圖像預(yù)處理

由于SAR圖像固有的相干斑噪聲會(huì)對(duì)后續(xù)的分割產(chǎn)生一定的影響，故首先對(duì)原始SAR圖像進(jìn)行相干斑噪聲抑制。本文采用精致Lee濾波算法[10]，因?yàn)榫翷ee濾波可以保留更加完整的邊緣信息，這對(duì)于海陸分割是相當(dāng)重要的。這里使用7×7的滑動(dòng)窗口，假定中心像素為x：

1) 將7×7的滑動(dòng)窗口分為9個(gè)3×3的子窗口，9個(gè)子窗口之間有重疊。

2) 計(jì)算每個(gè)子窗口的像素灰度均值，用計(jì)算出的9個(gè)子窗口像素均值按照一定順序構(gòu)造一個(gè)3×3的均值矩陣M，以此來(lái)估計(jì)局部窗中邊緣的方向。將3×3梯度模板應(yīng)用到像素均值矩陣M，梯度絕對(duì)值最大的方向被確定為邊緣方向。用矩陣M與4種邊緣模板(水平、垂直、45°和135°四個(gè)方向的梯度模板，相反方向取相反數(shù))與之進(jìn)行加權(quán)計(jì)算，加權(quán)結(jié)果絕對(duì)值最大的被確定邊緣方向。一種邊緣方向?qū)?yīng)兩種模板X(qián)ij和Xji，比較Mij和Mji大小，確定選擇哪一種窗口。確定窗口后，用所有陰影區(qū)域外的像素來(lái)計(jì)算原來(lái)滑窗內(nèi)所有像素的局部均值和方差，從而重新估計(jì)局部窗的中心像素值。

2 SLIC超像素分割SAR圖像

SLIC是Achanta等提出的一種思想簡(jiǎn)單、實(shí)現(xiàn)方便的算法。該算法首先將彩色圖像轉(zhuǎn)換為CIE LAB圖像空間，利用LAB顏色空間中的亮度分量、2個(gè)顏色分量以及x，y坐標(biāo)組合而成的五維空間向量進(jìn)行K-means聚類(lèi)。其算法步驟如下[11]：

1) 設(shè)定要分割的超像素的個(gè)數(shù)k，由圖像的總像素點(diǎn)個(gè)數(shù)除以超像素的個(gè)數(shù)k得出每個(gè)超像素所包含的像素點(diǎn)數(shù)，然后初始化聚類(lèi)中心Ck=[lk,ak,bk,xk,yk]在間隔為S的網(wǎng)格節(jié)點(diǎn)上；

2) 依次計(jì)算聚類(lèi)中心3×3鄰域內(nèi)9個(gè)像素點(diǎn)的梯度大小，將梯度最小的像素點(diǎn)確定為新的聚類(lèi)中心；

3) 對(duì)于每個(gè)新確定的聚類(lèi)中心，根據(jù)距離度量依次在每個(gè)聚類(lèi)中心2S×2S區(qū)域內(nèi)分配像素點(diǎn)；

4) 重新計(jì)算聚類(lèi)中心并重新聚類(lèi)，重復(fù)迭代，計(jì)算前后2次聚類(lèi)中心的距離E，直到E≤threshold，聚類(lèi)結(jié)束。

在超像素分割算法中，實(shí)驗(yàn)參數(shù)的大小設(shè)置直接影響超像素分割的效果，不同參數(shù)設(shè)置情況下的超像素分割結(jié)果如圖1所示。圖1(a)為實(shí)驗(yàn)原圖，截取自德國(guó)TerrSAR-X衛(wèi)星于2008年5月12日獲取的直布羅陀海峽圖像。圖中方框區(qū)域是不同參數(shù)設(shè)置產(chǎn)生的超像素分割誤差區(qū)域，可見(jiàn)不同參數(shù)設(shè)置對(duì)超像素分割的一致性有顯著影響。分割算法中最重要的參數(shù)是超像素的個(gè)數(shù)k，它決定著每個(gè)超像素的尺寸大小以及分割不同質(zhì)區(qū)域的效果。我們希望得到的每個(gè)超像素區(qū)域中只包含海面或者陸地。為了能夠在細(xì)節(jié)邊緣使海水和陸地分割開(kāi)來(lái)，需要著重注意每個(gè)超像素區(qū)域的尺寸。如圖1(b)、圖1(e)、圖1(h)所示，當(dāng)k=200時(shí)，由于超像素個(gè)數(shù)太少，會(huì)出現(xiàn)將海面和陸地分割到同一超像素中的情況。而超像素個(gè)數(shù)無(wú)需太多便可以取得很好的效果，同時(shí)超像素個(gè)數(shù)太多會(huì)使得算法效率降低。第二個(gè)參數(shù)是超像素的緊密度，決定著相似像素的聚合程度。通過(guò)實(shí)驗(yàn)可以得出，緊密度系數(shù)Compactness若設(shè)置過(guò)大會(huì)導(dǎo)致分割算法的失敗，如圖1(h)、圖1(i)、圖1(g)所示，緊密度系數(shù)太大，使得某些細(xì)節(jié)處出現(xiàn)比較明顯的分割錯(cuò)誤。相反緊密度系數(shù)太小會(huì)導(dǎo)致分割算法效果不盡人意，且超像素形狀極其不規(guī)則，如圖1(b)、圖1(c)、圖1(d)所示。綜合兩個(gè)參數(shù)對(duì)實(shí)驗(yàn)效果的影響以及實(shí)驗(yàn)實(shí)際效果的對(duì)比，在后續(xù)對(duì)原圖的處理中，選用圖1(f)，參數(shù)設(shè)置為k=500，Compactress=100。

(a)原圖(b) k=200, Compactness=50

(c) k=500, Compactness=50 (d) k=1 000, Compactness=50

(e) k=200, Compactness=100 (f) k=500, Compactness=100

(g) k=1 000, Compactness=100 (h) k=200, Compactness=200

(i) k=500, Compactness=200 (j) k=1 000, Compactness=200圖1不同參數(shù)設(shè)置下的SLIC超像素分割結(jié)果

3 FT區(qū)域顯著性檢測(cè)及顯著值相似度聚類(lèi)

3.1 FT區(qū)域顯著性檢測(cè)

本文在超像素分割的基礎(chǔ)上，通過(guò)顯著性檢測(cè)把陸地高亮部分檢測(cè)出來(lái)，將區(qū)域顯著值相似的區(qū)域合并，進(jìn)行圖像二值化，達(dá)到海陸分割的效果。

為了突出整幅圖片中最大的物體，點(diǎn)亮整個(gè)顯著區(qū)域，并且使區(qū)域擁有清晰的輪廓，這里采用Achanta等提出的頻率調(diào)諧(Frequency-Tuned, FT)[12]算法對(duì)超像素分割后的圖片進(jìn)行處理。

設(shè)大小為m×n的輸入圖像f，F(xiàn)T算法的實(shí)現(xiàn)過(guò)程如下：

首先，求出f在CIE LAB顏色空間模型中3個(gè)特征分量的平均值：

(1)

然后，計(jì)算輸入圖像f高斯濾波后的圖像fG：

fG=f?G

(2)

式中，G為p×p的高斯濾波器，其尺寸一般選取為3×3或5×5。圖像fG在CIE LAB顏色空間模型中的3個(gè)特征值為Iμ=[Lμ,aμ,bμ]T。

定義圖像f在像素點(diǎn)(x,y)處的顯著值為S(x,y)：

S(x,y)=‖IG(x,y)-IG‖

(3)

式中， ‖·‖表示向量的空間距離。

3.2 顯著值相似度聚類(lèi)

在經(jīng)過(guò)SLIC超像素分割以及頻率調(diào)諧區(qū)域顯著性檢測(cè)后，需要對(duì)圖像中超像素進(jìn)行顯著值相似度聚類(lèi)來(lái)達(dá)到將陸地與海面分離的效果。設(shè)第i個(gè)超像素的顯著值為Si(i=1,2,…,k)，對(duì)任一超像素i周?chē)乃邢袼貕K進(jìn)行如下運(yùn)算：若|Si-Sj|≤T(T為經(jīng)驗(yàn)閾值)，則將兩塊區(qū)域合并，新生成的像素塊的顯著值為(niSi+njSj)/(ni+nj)，其中ni,nj為第i,j個(gè)超像素中所包含的像素個(gè)數(shù)；合并后的區(qū)域繼續(xù)進(jìn)行次運(yùn)算，直至遍歷所有超像素。

4 實(shí)驗(yàn)結(jié)果與分析

實(shí)驗(yàn)1： 以圖1(a)為實(shí)驗(yàn)圖像，首先經(jīng)過(guò)超像素分割，將圖1(f)經(jīng)過(guò)FT算法以及超像素進(jìn)行顯著值相似度聚類(lèi)后，得到如圖2(a)所示效果，圖2(b)、圖2(c)、圖2(d)、圖2(e)分別為HC，LC，RC，SR算法區(qū)域顯著性檢測(cè)的結(jié)果，由實(shí)驗(yàn)效果圖明顯可以得出經(jīng)過(guò)超像素分割后FT，HC，LC算法的顯著區(qū)域突出明顯，其中FT算法的顯著性效果最佳。

(a)SLIC+FT (b)SLIC+HC

(c)SLIC+LC (d)SLIC+RC

(e)SLIC+SR圖2不同算法的區(qū)域顯著性檢測(cè)結(jié)果

進(jìn)行超像素顯著值相似度聚類(lèi)后，對(duì)圖像進(jìn)行二值化，得到如圖3所示效果，即得到最終的海陸分割結(jié)果。由實(shí)驗(yàn)結(jié)果可以得出，最終得到的海陸分割線與真實(shí)海岸線有很好的契合度。

(a)二值化結(jié)果 (b)海岸線契合度圖示圖3本文算法的海陸分割結(jié)果

為評(píng)價(jià)本文算法的實(shí)際性能，以分割品質(zhì)作為評(píng)價(jià)標(biāo)準(zhǔn)，并與雙閾值Otus法的實(shí)驗(yàn)結(jié)果進(jìn)行比較。分割品質(zhì)的定義如式(4)所示：

(4)

式(4)中的分割品質(zhì)融合考慮了虛警率與漏警率，最優(yōu)值為1。

經(jīng)過(guò)對(duì)比實(shí)驗(yàn)，雙閾值Otus法與本文算法的分割品質(zhì)分別為99.57%和99.89%。在主頻為2.13 GHz、內(nèi)存為2 GB的PC上處理時(shí)間分別為4.2 s和2.1 s。

實(shí)驗(yàn)2： 為驗(yàn)證本文所提算法的有效性，再次選取SAR圖像進(jìn)行實(shí)驗(yàn)。實(shí)驗(yàn)SAR圖像來(lái)自加拿大探測(cè)衛(wèi)星Radarsat-2獲取的圖像，如圖4(a)所示，圖像于2015年6月2日拍攝，圖像大小為1 076×864像素。獲取圖片時(shí)衛(wèi)星處于聚束模式，升軌右視，VV極化，SLC數(shù)據(jù)，實(shí)驗(yàn)區(qū)域?yàn)闊熍_(tái)港附近海域。

圖4(b)為本實(shí)驗(yàn)的SLIC超像素分割結(jié)果。由于實(shí)驗(yàn)原圖過(guò)大，為取得更好的分割效果，通過(guò)實(shí)驗(yàn)分析對(duì)比，當(dāng)參數(shù)設(shè)置為k=1 000，Compactness=50時(shí)效果最好。之后對(duì)超像素分割結(jié)果進(jìn)行FT區(qū)域顯著性檢測(cè)、顯著值相似度聚類(lèi)以及圖像二值化得到如圖4(d)所示的海陸分割結(jié)果，最終得到的海陸分割線與真實(shí)海岸線有很好的契合度。

同樣，與雙閾值Otus法進(jìn)行對(duì)比實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果顯示雙閾值Otus法與本文算法的分割品質(zhì)分別為98.21%和99.32%。在主頻為2.13 GHz，內(nèi)存為2 GB的PC上處理時(shí)間分別為12.3 s和6.5 s。

(c)SLIC+FT (d)海陸分割結(jié)果

(e)海岸線契合度圖示圖4本文算法實(shí)驗(yàn)效果圖

由兩次實(shí)驗(yàn)的結(jié)果可以得出，本文算法具有更高的分割精度及運(yùn)行效率。

5 結(jié)束語(yǔ)

本文在分析當(dāng)前常用海陸分割算法的基礎(chǔ)上，提出了基于SLIC超像素分割的海陸分割算法，該方法首先用精致Lee濾波對(duì)圖像進(jìn)行預(yù)處理，再經(jīng)過(guò)SLIC算法來(lái)生成超像素，在此基礎(chǔ)上對(duì)超像素分割圖像進(jìn)行FT區(qū)域顯著性檢測(cè)以及顯著值相似度聚類(lèi)，最終通過(guò)圖像二值化得到海陸分割結(jié)果。為驗(yàn)證本文所提算法的分割效果，使用德國(guó)TerrSAR-X雷達(dá)衛(wèi)星數(shù)據(jù)和加拿大Radarsat-2數(shù)據(jù)。實(shí)驗(yàn)結(jié)果表明，本文所提海陸分割算法的性能很好，最終提取的海陸分割線與海岸線有很好的契合度，具有很高的分割精度及較高的運(yùn)行效率，適合進(jìn)行圖像的批量處理。下一步研究的方向是在海陸分割的基礎(chǔ)上，把岸邊的艦船等屬于高亮像素的目標(biāo)分割出來(lái)。

[1]BROWN L G.A Survey of Image Registration Techniques[J].ACM Computing Surveys, 1992, 24(4):326-376.

[2]王玉平,蔡元龍. 多尺度B樣條小波邊緣檢測(cè)算子[J]. 中國(guó)科學(xué)：A輯, 1995, 25(4):426-437.

[3]O’ROUKE J. Computational Geometry in C[M]. 2nd ed. Cambridge:Cambridge University Press, 2005.

[4]REN X, MALIK J. Learning a Classification Model for Segmentation[C]∥9th IEEE International Conference on Computer Vision, Nice, France:IEEE, 2003:10-17.

[5]VEDALDI A, SOATTO S. Quick Shift and Kernel Methods for Mode Seeking[C]∥European Conference on Computer Vision, Marseille, France:Springer, 2008:705-718.

[6]ACHANTA R, SHAJI A, SMITH K, et al. SLIC Superpixels Compared to State-of-the-Art Superpixel Methods[J]. IEEE Trans on Pattern Analysis and Machine Intelligence, 2012, 34(11):2274-2282.

[7]趙淵,彭濟(jì)根,高義. 基于SLIC超像素分割的圖分割算法[J]. 工程數(shù)學(xué)學(xué)報(bào), 2016, 33(5):441-449.

[8]孫巍,郭敏. 基于SLIC與條件隨機(jī)場(chǎng)的圖像分割算法[J]. 計(jì)算機(jī)應(yīng)用研究, 2015, 32(12):3817-3820.

[9]QIN Fachao, GUO Jiming, LANG Fengkai. Superpixel Segmentation for Polarimetric SAR Imagery Using Local Iterative Clustering[J]. IEEE Geoscience and Remote Sensing Letters, 2015, 12(1):13-17.

[10]劉晨,張宗虎. 一種改進(jìn)的Lee濾波相干斑噪聲抑制方法[J]. 新疆師范大學(xué)學(xué)報(bào)(自然科學(xué)版), 2015, 34(1):5-11.

[11]汪成,陳文兵. 基于SLIC超像素分割顯著區(qū)域檢測(cè)方法的研究[J]. 南京郵電大學(xué)學(xué)報(bào)(自然科學(xué)版), 2016, 36(1):89-93.

[12]黃應(yīng)清,梁新彬,謝志宏,等. 基于特征顯著值歸一化與位置加權(quán)的FT算法[J]. 兵器裝備工程學(xué)報(bào), 2016, 37(6):124-128.