基于邊緣強度特征和線性譜聚類的SAR圖像超像素生成方法

陳 媛，趙凌君，匡綱要，趙力文

?

基于邊緣強度特征和線性譜聚類的SAR圖像超像素生成方法

陳 媛1，趙凌君1，匡綱要1，趙力文2

(1. 國防科技大學電子科學學院，湖南 長沙 410073；2.宇航動力學國家重點實驗室，陜西 西安 710043)

面對高分辨合成孔徑雷達(SAR)圖像的海量數據，學界廣泛通過基于超像素的方法簡化圖像處理過程。一般適用于光學圖像的超像素分割算法對存在斑噪的SAR圖像分割性能均不夠理想。面向SAR圖像改進現有超像素生成算法是目前的研究熱點之一。在探討了將邊緣強度特征引入超像素分割算法的可行性的基礎上，結合邊緣強度特征和線性譜聚類方法，提出了一種新的SAR圖像超像素生成方法(e-LSC)。通過仿真SAR圖像和實測SAR圖像的比較實驗，證實了e-LSC算法與其他幾種典型超像素生成算法相比，生成的超像素在邊緣貼合度和勻質區域的規則化上都有所提高。

合成孔徑雷達；超像素；線性譜聚類；邊緣強度特征

近年來，隨著合成孔徑雷達(synthetic aperture radar，SAR)成像技術的提高，TerraSAR–X、COSMO-SkyMed、E-SAR、Sentinel-1、F-SAR[1]等高分辨率SAR傳感器的發射運轉，SAR圖像的空間分辨率不斷提高。高分辨率SAR數據中地物目標所含的信息更豐富具體，已被廣泛應用于環境、交通、民用、軍事以及國土安全等領域。同時，高分辨率SAR圖像存在區域內部特征不均勻性和特征分布復雜性的問題，傳統用于中低分辨率SAR圖像的處理方法對高分辨率SAR圖像地物分類有很大的局限性。圖像分割是面向對象的地物分類的重要環節，用于提取圖像中有意義、容易分析的對象，簡化后續處理。而超像素算法作為一種新興的圖像分割方法，將若干像素組合成的有意義的同質區域作為操作的基本單元，大大降低了后續圖像處理任務的復雜度。常見的超像素生成算法有SEEDS[2]、TurboPixel[3]、QS[4]、Ncuts[5]、SLIC[6]、ERS[7]等。由于這些算法是針對光學圖像提出的，在設計中并沒有充分考慮到乘性噪聲的影響。當面對SAR圖像中大量相干斑噪聲的圖像時，傳統算法有很大的局限性。

一些學者針對這一問題展開了大量研究工作。XIANG 等[8]提出了一種基于SAR圖像像素強度和位置相似度(pixel intensity and location similarity，PILS)的超像素生成算法。該算法定義的相似度綜合考慮了像素強度和空間距離，對SAR圖像中的乘性斑點噪聲具有魯棒性；另一方面，該算法的分類結果對超像素的尺寸較為敏感。QIN等[9]將改進的SLIC超像素分割算法引入到PolSAR圖像處理領域，在AirSAR和ESAR L波段的PolSAR數據圖像分割中取得了很好的效果。ARISOY和KAYABOL[10]根據特征對分割得到的超像素進行分類，提出了混合超像素(mixture-based superpixel ，MISP)模型和相關超像素分割算法。該算法利用用于空間聚類的高斯密度橢圓輪廓得到了邊界平滑、形狀規則的超像素，然后從超像素中提取特征向量進行分類。相比于經典的超像素分割方法，MISP在SAR圖像土地覆蓋分類中的效果最好。

可見，通過超級像素對SAR圖像進行對象分割，在減少噪聲影響的同時能夠大大降低計算復雜度。同時，超像素普遍對勻質區域的分割效果較好，而對邊緣信息豐富的非勻質區域分割效果一般，往往無法準確地貼合邊緣。即部分超像素包含了邊緣和分界線兩側的區域。由于超像素是后續處理的基本單元，這種現象對特征提取、對象分類的干擾很大。CHEN等[11]提出了線性譜聚類(linear spectral clustering，LSC)超像素分割算法，圖像中的每個像素被映射到一個十維特征空間，并通過加權K-means聚類進行特征空間聚類從而實現圖像分割。該算法能夠高效地提取圖像的全局特性，且所生成的超像素邊緣貼合性好。本文在LSC算法的基礎上，引入邊緣強度特征，提出了一種基于邊緣強度特征和線性譜聚類的SAR圖像超像素生成方法，在一定程度上進一步提高了針對SAR圖像的超像素分割的性能。

1 超像素分割算法

與基于像素的方法相比，基于超像素的方法把超像素作為操作基本單元，對噪聲、異常值具有一定的魯棒性，保留了圖像的大部分結構信息，邊緣貼合性好，尺度靈活，且大幅減少了后續處理階段的計算負荷[12]。各種超像素生成算法的原理不同，各有其優勢和局限性及其適用領域。其中，SLIC算法應用最為廣泛。本文以SLIC算法為例，介紹自底向上的超像素分割算法的一般思路。

SLIC算法是一種改進的K-means聚類算法，能夠高效地生成超像素。該算法僅需要2個參數，即所需生成的超像素的數目和超像素的致密度系數。圖像中每個像素的顏色被轉換到[,,]顏色空間。按個像素等間隔地進行網格采樣，初始化個初始聚類中心C=[l,a,b,x,y]，保證所生成的超像素的尺寸大約一致。然后按距離聚類中心2×2的范圍搜索可能屬于該超像素的像素，若當前像素與聚類中心C的距離小于屬于該超像素的所有像素與聚類中心的距離最小值()，則該像素屬于該類，更新當前像素的標簽和()。每次迭代搜索完成后，以各超像素[,,,,]T向量的均值更新各聚類中心，計算聚類中心更新前后的剩余殘差，當該值小于提前設定的容許范圍或者迭代次數大于設置的最大循環次數時停止迭代。像素間的光譜距離和空間距離通過歐幾里得距離來衡量，即

其中，d為光譜距離；d為空間距離。

計算總的距離為

其中，為兩種距離分量的權重調節因子，直觀地表現不同分量對SLIC所生成超像素的影響。

以上是經典的SLIC超像素生成算法的基本原理。其后，研究者們提出了多種新型的超像素算法。其中，LSC算法是一種較為新穎的超像素生成算法，其分割性能得到進一步提升。本文將LSC算法和邊緣強度特征相結合，用于SAR圖像超像素生成。

2 基于邊緣強度特征和線性譜聚類超像素分割算法

本節將詳細介紹基于邊緣強度特征和線性譜聚類的SAR圖像超像素生成算法(edge strength feature -based linear spectral clustering，e-LSC)的原理。

2.1 線性譜聚類(LSC)

LSC算法中有兩個重要的概念、一個推論和一個法則。當滿足如下條件時，加權K-means和Ncuts算法的目標函數的優化方向一致，即

法則1要求親和度關系(,)必須滿足正值性條件。只有當滿足這兩個條件時，對十維特征空間的加權K-means聚類才等價于對原始圖像進行Ncuts分割。并以此實現了線性譜聚類。等價關系式為

其中，F為加權K-means的目標函數；F為K-劃分Ncuts的目標函數；C為一個常量；(,)為圖像中任意兩點的相似度。

e-LSC算法是在LSC超像素分割算法的基礎上，結合邊緣特征改進的一種算法。在每個像素點映射到的八維特征空間進行加權K-means聚類，實現超像素分割。

2.2 e-LSC算法

將圖像的每個點映射到高維特征空間。當提前設置了所要生成的超像素數目后，在水平方向以v為間隔、在垂直方向以v為間隔進行均勻采樣得到個種子點。這些點將作為線性譜聚類的聚類中心，通過其高維特征空間的值初始化對應聚類中心，即

其中，

式(15)中八維特征即e-LSC所求的高維特征空間。該算法將Ncuts的求解轉換到加權K-means算法對高維特征空間目標函數最優化問題，大大減少了算法執行過程中的計算量。

綜上，e-LSC算法流程可概括為基于邊緣強度特征和線性譜聚類的SAR圖像超像素生成方法，具體表述如下：

設每個點的標簽()=0

while iter<=MaxIter

if＜()

()=,()=

end if

更新所有集群的加權均值和搜索中心

iter = iter +1

合并相鄰的較小超像素

3 實驗結果分析

本節將比較e-LSC超像素生成算法與標準SLIC、標準LSC超像素生成算法的性能。整個實驗測試包括兩個階段：第一階段是通過各算法實現一幅實測SAR圖像的超像素分割，主要通過目視效果來評價各算法的效果；第二階段各算法將分別通過一幅仿真SAR圖像進行定量的性能測試，測試量包括邊界回歸率(boundary recall，BR)[13]、欠分割錯誤率(under-segmentation error，UE)[14]、可完成的分割精度(achievable segmentation accuracy，ASA)[7]和單次分割的運行時間進行比較。從而獲得對本文提出的方法的客觀評價。

3.1 實測SAR圖像對比實驗與分析

用于測試的實測SAR圖像是一幅尺寸為256×256像素大小、空間分辨率為3 m的Ku波段美國加利福尼亞州中國湖機場的SAR圖像。該圖像顯示的區域包括機場跑道、建筑物和其他一些自然地物。

圖1顯示的是原始SAR圖像和對應的標準SLIC、標準LSC和本文提出的e-LSC算法對該圖的超像素分割結果。圖1標注的A、B區域的局部放大圖如圖2所示。標準SLIC、LSC算法生成的超像素大部分形狀不規則，而e-LSC算法生成的超像素則更為勻稱規整。從局部放大圖可以看出，在一些對比度較低的邊緣處，SLIC和LSC算法生成的超像素都無法準確地檢測出邊緣，產生了包含邊緣在內部的超像素。而e-LSC算法能夠很好地檢測出這些相對模糊的邊緣。可見，標準SLIC、LSC算法對噪聲相對較為敏感，e-LSC算法在權衡了圖像的灰度強度、邊緣強度特征和空間距離后，有效抑制了噪聲對超像素分割的影響。即邊緣強度加權下，SAR圖像內含有斑噪的相對勻質區域(如實驗圖中灰度強度中等的草地區域)相當于進行了濾波操作，規則化同質區域，同時又保留了邊緣。

圖1 3種算法生成的超像素

圖2 A、B兩個區域的局部放大圖

3.2 仿真SAR圖像對比實驗與分析

為了更準確地評估e-LSC算法地性能，各超像素分割算法將分別通過一幅仿真SAR圖像進行定量的性能測試。仿真SAR圖像的尺寸為200×200，如圖3所示。

測試中，每種算法在3.1節實驗的基礎上，分別對仿真圖像以預設超像素數目100、200、300、400、500、600進行超像素分割。然后計算各算法分割結果的BR、UE、ASA和時間值，實驗結果如圖4所示。實驗在AMD處理器、內存6 GB的電腦上完成。從圖中可以看出，本文提出的e-LSC算法的BR、UE和ASA評估結果值均優于其他3種方法，算法的耗時略多于標準SLIC和LSC算法。e-LSC算法的BR值最大，可見該算法檢測到的準確邊緣比率最大，生成的超像素貼合度最好。同時，其UE值最低，ASA值最高，分別說明該算法分割錯誤的比率最低，分割效果最好。綜上，雖然耗時稍高于標準SLIC、和LSC算法，e-LSC算法對SAR圖像的超像素分割在邊緣貼合度、同質區域規則化的性能上優于其他幾種超像素生成算法。

圖3 仿真SAR圖像及其真值圖和邊緣圖

圖4 4種算法基于仿真SAR圖像的結果圖

4 結 論

本文提出了一種結合邊緣強度特征和線性譜聚類的SAR圖像超像素生成算法(e-LSC算法)。雖然邊緣信息對噪聲較為敏感，但是在線性譜聚類中圖像映射的特征空間，邊緣強度特征與灰度特征和空間位置特征的距離加權，對噪聲具有魯棒性，發揮了邊緣信息有利的一面。同時將圖像分割轉化到像素灰度強度、邊緣特征強度和空間相似度對應的八維特征空間的加權K-means聚類，降低了計算復雜度。通過對仿真SAR圖像和實測SAR圖像的實驗，與其他SAR圖像超像素生成算法相比較，本文算法在邊緣貼合度、同質區域規則化方面均有一定的優勢。

[1] ZHAO Z Q, JIAO L C, HOU B, et al. Locality-constraint discriminant feature learning for high-resolution SAR image classification [J]. Neurocomputing, 2016, 207(C): 772-784.

[2] VAN DEN BERGH M, BOXI X, ROIG G, et al. SEEDS: superpixels extracted via energy-driven sampling [J]. International Journal of Computer Vision, 2015, 111(3): 298-314.

[3] LEVINSHTEIN A, STERE A, KUTULAKOS K N, et al. TurboPixels: fast superpixels using geometric flows [J]. IEEE Transactions on Pattern Analysis & Machine Intelligence, 2009, 31(12): 2290-2297.

[4] VEDALDI A, SOATTO S. Quick shift and kernel methods for mode seeking [C]//10th European Conference on Computer Vision, Marseille. Berlin: Springer, 2008: 705-718.

[5] SHI J B, MALIK J. Normalized cuts and image segmentation [J]. IEEE Transactions on Pattern Analysis & Machine Intelligence, 2000, 22(8): 888-905.

[6] ACHANTA R, SHAJI A, SMITH K, et al. SLIC superpixels compared to state-of-the-art superpixel methods [J]. IEEE Transactions on Pattern Analysis & Machine Intelligence, 2012, 34(11): 2274-2282.

[7] LIU M Y, TUZEL O, RAMALINGAM S, et al. Entropy rate superpixel segmentation [C]//Computer Vision and Pattern Recognition. New York: IEEE Press, 2011: 2097-2104.

[8] XIANG D L, TANG T, ZHAO L J, et al. Superpixel generating algorithm based on pixel intensity and location similarity for SAR image classification [J]. IEEE Geoscience & Remote Sensing Letters, 2013, 10(6): 1414-1418.

[9] QIN F H, GUO J M, LANG F K. Superpixel segmentation for polarimetric SAR imagery using local iterative clustering [J]. IEEE Geoscience & Remote Sensing Letters, 2017, 12(1): 13-17.

[10] ARISOY S, KAYABOL K. Mixture-based superpixel segmentation and classification of SAR images [J]. IEEE Geoscience & Remote Sensing Letters, 2016, 13(11): 1721-1725.

[11] CHEN J S, LI Z Q, BO H. Linear spectral clustering superpixel [J]. IEEE Transaction on Image Process, 2017, 26(7): 3317-3330.

[12] CSILLIK O. Superpixels: the end of pixels in OBIA. A comparison of state-of-the-art superpixel methods for remote sensing data [EB/OL]. [2018-02-20]. http: //Proceedings.utwentn.nl/439/1/Csillik-Superpixels-92.pdf.

[13] ARBELáEZ P, MAIRE M, FOWLKES C, et al. Contour detection and hierarchical image segmentation [J]. IEEE Transactions on Pattern Analysis & Machine Intelligence, 2011, 33(5): 898-916.

[14] NEUBERT P, PROTZEL P. Superpixel benchmark and comparison [EB/OL]. [2018-03-01]. http://connection. ebscohost.com/c/articles/96222448/superpixel-benchmark-comparison.

Superpixel Generation Algorithm of SAR Image Based on Edge Strength Feature and Linear Spectral Clustering

CHEN Yuan1, ZHAO Lingjun1, KUANG Gangyao1, ZHAO Liwen2

(1. College of Electronic Science, National University of Defense Technology, Changsha Hunan 410073, China; 2. State Key Laboratory of Astronautic Dynamics, Xi’an Shaanxi 710043, China)

In the face of massive data of high-resolution SAR images, the academic community widely simplifies image analysis processing through the superpixel-based approach. The superpixel segmentation algorithm which is generally suitable for optical images is not ideal for SAR images with speckle noise. Improving the existing superpixel generation algorithms for SAR image has been a hot topic among the scholars. In this paper, we discussed the feasibility of introducing edge strength feature into the superpixel segmentation algorithm. By combining the edge strength feature with the linear spectral clustering method, a novel superpixel generation algorithm (e-LSC) for SAR image was proposed. Compared with several typical superpixel generation algorithms on the simulated SAR image and the real SAR image, it is verified that the segmentation performance of e-LSC algorithm on the boundary adherence and the regularization of the homogeneous area is improved.

synthetic aperture radar; superpixel; linear spectral cluster; edge strength feature

TP 391

10.11996/JG.j.2095-302X.2018061022

A

2095-302X(2018)06-1022-06

2018-04-16；

2018-07-23

國家自然科學基金項目(61701508)；湖南省自然科學基金項目(2017JJ2304)

陳 媛(1993-)，女，浙江嘉興人，碩士研究生。主要研究方向為SAR圖像解譯。E-mail：chenyuan16@nudt.edu.cn

趙凌君(1981-)，女，安徽安慶人，副教授，博士。主要研究方向為遙感信息處理、合成孔徑雷達目標自動識別。E-mail：nudtzlj@163.com