基于Radarsat-1數據的北極海冰SAR圖像自動分割研究

趙慶平，于力剛，王 耀，張馨月

(1.淮北師范大學 a.物理與電子信息學院，b.實驗室與設備管理處，安徽 淮北 235000；2.塔斯馬尼亞大學 信息技術與系統學院，澳大利亞 塔斯馬尼亞 7005)

0 引言

隨著全球氣候變暖，對于極地海冰的研究得到了越來越多的關注。海冰監測對氣候變化研究和航行安全保障具有重要意義。合成孔徑雷達(Synthetic Aperture Radar SAR)是海冰監測的有效工具，它是一種能產生高分辨率遙感圖像的主動式微波傳感器，具有全天時、全天候、多波段、穿透力強等特點[1]，現已經得到了廣泛的應用。海冰SAR圖像的分割是圖像處理(解譯)的重要環節，加拿大冰署(CIS)的海冰分析員曾對Radarsat-1/2所提供的大量的海冰SAR圖像進行處理，制作冰況圖，以反映海冰的密集度、類型和尺寸等信息，但由于當時缺少有效的業務化分割工具，只能由海冰分析員對圖像進行人工分割，而人工分割費時耗力，且其精確度和分辨率均是有限的[2]。因此，實現海冰SAR圖像的自動分割變得尤為重要。

為了滿足海冰SAR圖像分割的實時性要求，計算機視覺技術在此領域得到了重要應用。目前已提出的海冰圖像分割方法中普遍采用了提取SAR圖像的紋理特征描述海冰的方法[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場模型等。和強度特征相比，紋理特征通過描述像素的位置分布特性能夠更好地實現海冰SAR圖像分割。

基于Radarsat-1數據，本文提出了一種集成Gibbs采樣標記步驟的海冰SAR圖像分割算法，該方法經由像素到區域再到大尺度區域這一途徑，把區域化標識、Gibbs采樣標記以及區域合并等操作組合起來，以有效提高分割算法的準確度。

1 分割算法

假設把圖像分為n(冰)類，S是柵格上的一組位置，s∈S是柵格中的某個位置。

圖像分割是把原始圖像轉換成符號，即

R：{Is|s∈S}→{xs|s∈S}。

(1)

通過這種方式圖像空間被劃分成n個分割段Ω1，…，Ωn，得到

a)Ωi={s|xs=i，s∈S}，

c)?i≠j：Ωi∩Ωj=φ。

(2)

在上面的定義中，任一Ωi可以是單個區域，也可以是一個不相鄰區域集合(區域集群)。每個區域中的像素具有相同的類標記。

圖1為算法流程圖，圖中虛線給出了本文所提方法的主要步驟，包括：預處理、區域化表示、計算區域特征、Gibbs采樣標記和區域合并。實線代表了未包括Gibbs采樣標記步驟的分割流程，稱之為基于區域的MRF(Markov Random Field，MRF)圖像分割算法。

圖1 算法流程圖

1.1 預處理及區域化表示

由于SAR圖像受相干斑噪聲的影響，如果直接進行分水嶺分割，過分割現象比較嚴重，影響后續的分割與分類的準確性。因此，在分水嶺分割之前需進行SARD濾波[6]，在保持地物邊界的同時能夠有效地抑制過分割現象，減少分割時間。SARD濾波是將各向異性擴散引入傳統的自適應相干濾波器，構造偏微分方程來消除SAR圖像的相干斑噪聲。區域化表示的目的是消除雷達圖像的噪聲影響，并識別顯著的同質區域。具體步驟為：

對濾波結果進行分水嶺分割[7]，獲得大量同質區域，每個區域v由一組屬于該區域的位置Sv構成，通過把各位置的特征矢量{ys|s∈Sv}平均到每一個區域的特征矢量yv上，可以有效降低斑點噪聲，此過程稱為結構去噪。接下來構建區域鄰接圖(RAG)[8]，在RAG中，每個結點代表一個區域，結點之間的弧表示相鄰區域之間的共同邊界。分水嶺分割及RAG表示的示意圖如圖2所示，其中，U(x)表示區域的一元屬性，U(x，y)表示鄰接區域之間的二元屬性。

圖2 區域鄰接圖構建示意圖

1.2 計算區域特征

假設特征模型服從高斯分布，則矢量ys的分布是n個高斯函數的混合，這里n是類的數量。通過期望最大化(EM)算法求解高斯混合模型的參數[2]。

根據給定的觀察數據和所有參數的當前估計，假設πi代表類Ωi的先驗，ωsi表示位置s屬于類Ωi的概率。EM算法通過計算E步驟進行迭代：

(3)

迭代M步驟：

(4)

(5)

(6)

經由上述EM算法獲得的參數就是初始使用的參數。在每一次迭代中進一步更新參數，使用M步驟計算參數。在本文中對大量不同初始值進行了隨機選擇，在少量迭代后，選擇具有最小能量的值，并經由更多次迭代進行細化，以獲得最終解。

1.3 Gibbs采樣標記

Gibbs采樣標記的目的是要找出每個分水嶺區域的最優標記，這是通過找出標記的配置來完成的。最小化的成本函數表示如下：

(7)

其中，Ri表示第i個區域；ls表示區域Ri的類別標號；μls和σls表示區域Ri內所有像素的均值和標準差；C表示雙位團鄰域系統；g(st)表示邊界強度函數，即邊界懲罰函數；點s和點t組成屬于不同類別的鄰接區域的共享邊界的點對。

1.4 區域合并

在每次迭代的同時進行區域合并的操作，減少了區域的數目，降低了優化過程最優解的搜索空間，提高了運算速度。鄰接區域可以合并的條件如下：

(8)

其中，Ri和Rj是兩個鄰接區域，同時Ri和Rj的類別標號不同；Rk=Ri∪Rj；NRi表示區域Ri的邊界點的集合；ηs表示s點的鄰域系統[2]。當δE為負數時，即區域合并前后能量減少，表示區域Ri和Rj可以合并，否則不能合并。

2 實驗結果與分析

2.1 評價指標

評價海冰圖像分割效果常用的兩個度量指標是分割精度和Kappa系數[9]。分割精度是指正確劃分像素的百分比。Kappa系數定義如下：

(9)

式中，P(A)為觀測一致率，P(E)為期望一致率。Kappa系數的范圍為[-1，1]。

2.2 實驗數據

為驗證本文提出的算法的有效性，選擇兩幅不同的海冰SAR圖像，應用基于區域的MRF分割算法和本文提出的算法進行分割測試，結果如圖3，圖4和表1所示。兩幅測試圖像中第一幅是由Radarsat-1模式于2003年2月18日采集的S. Laurence Bay圖像，包括初期冰和平滑冰兩類，如圖3(a)所示；第二幅由Radarsat-1模式于2006年11月27日在Beaufort海上空采集，包含初期冰和平滑冰兩類，如圖4(a)所示。

對比圖3中(b)(c)和圖4中(b)(c)可知，基于區域的MRF分割算法出現了海冰類型誤分的情況，即原屬于平滑冰的區域被錯誤地劃分為初期冰，同樣，原屬于初期冰的區域也被錯誤地劃分為平滑冰。而且定性地看，對于Beaufort海冰SAR圖像，基于區域的MRF算法的分割結果(圖4(b))顯示出了更多的歧義性，特別是在中、右區段，而本文提出的分割算法的分割結果(圖4(c))具有更好的區域連通性，在同樣的區域能夠比較好地兼顧邊界位置定位和區域一致性，圖像中孤立區域明顯減少。

(a)原始海冰SAR圖像；(b)基于區域的MRF算法分割結果；(c)本文算法分割結果；(d)地面實況圖

(a)原始SAR海冰圖像；(b)基于區域的MRF算法分割結果；(c)本文算法分割結果；(d)地面實況圖

方法S. Laurence Bay海冰SAR圖像分割精度(%)Kappa系數分割數所用時間/sBeaufort海海冰SAR圖像分割精度(%)Kappa系數分割數所用時間/s基于區域的MRF算法76.890.748 629 1532380.640.776 435 48525本文算法81.630.796 514 6861287.750.857 316 45718

由表1可知，對于S. Laurence Bay海冰SAR圖像，基于區域的MRF分割算法的Kappa系數是0.748 6，精度為76.89%，而本文提出的分割算法Kappa系數是0.796 5，精度為81.63%；對于Beaufort海海冰SAR圖像，基于區域的MRF分割算法的Kappa系數是0.776 4，精度為80.64%，而本文提出的分割算法Kappa系數是0.857 3，精度為87.75%。數據表明本文算法更有效地實現了海冰SAR圖像的準確分割。

本文算法利用Gibbs采樣標記實現了海冰SAR圖像的準確分割，克服了分割特征魯棒性差的問題，并從特征的魯棒性和分割過程的自適應性兩方面提高了對SAR海冰圖像結構的認知能力。另外，從表1還可以看出，本文提出的分割算法與基于區域的MRF分割算法相比，大幅度減少了分割區數目，從而降低了計算量，節省了計算時間。

3 結論

本文針對Radarsat-1獲取的海冰SAR圖像提出了一種新的分割算法，該算法經由像素到區域再到大尺度區域這一途徑，把區域化、Gibbs采樣標記以及區域合并等操作組合起來實現對海冰SAR圖像的分割。將本文算法運用到由Radarsat-1所獲取的兩幅真實海冰SAR圖像進行測試，結果表明，在精確定位邊界和生成較大均勻區域方面該算法具有優越性，同時證明了該算法的可行性和準確性，這為實現海冰SAR圖像的準確分割提供了一條新途徑。