海洋SAR图像分割及边缘梯度特征的提取

马百雪，潘宏侠，韩吉衢

（1.中北大学 机械工程与自动化学院，山西 太原030051；2.烟台大学 光电信息科学技术学院，山东 烟台264005）

0 引 言

溢油灾害、溢油事故的频发使溢油检测成为我国治理海洋环境、发展海洋经济的重要环节。合成孔径雷达（SAR）具有全天候、全天时、覆盖面积大等优点使卫星SAR遥感检测在海上溢油事故处理中发挥着重要作用。

海洋表面的溢油区域形成的Bragg波抑制了雷达的后向散射，在SAR图像上表现为暗斑区域，海洋低风速区、海洋内波、生物油膜、油脂状冰等在SAR图像上也呈暗斑区域，成为识别溢油的干扰因素［1，2］。溢油边缘处包含丰富的梯度特征向量，数值相对较大，因此可以提取出来识别、区分溢油与类似溢油。

边缘检测方法众多，但没有一种能完美的解决边缘检测问题，如何精确快速的获得边缘信息，一直是国内外研究的热点问题。经典的边缘检测算子包括Roberts算子［3］，Sobel算子，Prewitt算子，Laplacian算子，Canny算子［4］。近年来，随着数学理论和其它学科的发展，新的边缘检测方法不断出现，如基于小波变换、小波包的边缘检测法，基于神经网络、形态学的边缘检测法［5］等，每一种算法都有其特点但也存在不足，特别是在检测精度，抗噪能力及检测正确率上难以均衡。从边缘检测方法的发展来看，当今主要发展趋势是对原有算法不断改进或者多种方法的综合运用［6］。

本文结合迭代算法，最大类间方差法与直方图法分别给Sobel边缘算子提供阈值进行SAR样本图像边缘分割，并优化迭代算法，提高阈值的准确性，经对比发现改进的迭代算法得到的SAR边缘分割图像轮廓更加清晰，在此基础上提取边缘的梯度特征量，通过数据的分析、识别，提取出溢油区。

1 材料与方法

1.1 材 料

主要数据源选取2006年6月21日当地时间01点47分57秒拍摄黄海东海海域的ASA－WSM－1P遥感图像，其空间范围为东经124038′－128°18′，北纬45°24′－39°23′。图像中一些主要航道、石油勘探地点都有明显的溢油区。

SAR图像如图1所示。

图1 SAR图像

1.2 方 法

1.2.1 图像预处理

雷达在成像过程中，回波信号中的相邻像素点会产生一些围绕某一均值的随机变化，SAR图像存在不可避免的相干斑噪声、特殊的辐角和几何畸变，因此首先对SAR图像进行预处理［7］。预处理包括3个方面：辐射校正、几何校正和相干斑滤波，使用的软件是NEST 3C。

在分析遥感图像时，很容易受到辐射误差造成的失真图像的影响，可以使用NEST 3C对图像进行校正来清除或削弱这些失真。同时，利用NEST 3C校正SAR拍摄过程中形成的几何畸变。辐射校正和几何校正处理后分别如图2（b）和图2 （c）所示。

图2 SAR图像预处理

结合均值滤波的经典SAR图像滤波方法和具有SAR图像统计性能的滤除斑点噪声的Gamma滤波［8］，可以的得到具有较高分辨率的、清晰的SAR图像。

对于空间滤波器，滤波窗口越大，对斑点噪声的滤波效果越好，但也会损失边缘、纹理和SAR图像的一些细节特征。这里使用NEST 3C软件首先进行5＊5窗口均值滤波，在此基础上进行5＊5窗口Gamma Map滤波，效果较好。结果如图2（d）所示。

1.2.2 SAR图像阈值选取及边缘分割

图像分割可以把SAR图像中暗斑区域提取出来，是由图像处理到图像分析的关键步骤。目前图像分割主要分为以下几类：基于阈值的分割方法、基于区域的分割方法、基于边缘的分割方法及基于特定理论的分割方法［9］等。文中使用基于边缘的分割方法［10］，运用Sobel边缘检测算子结合自适应阈值通过MATLAB7.1编程对样本图像进行边缘分割。

在边缘分割过程中，关键是确定一个最优阈值，将图像中的各个像素的灰度值与选取的阈值相比较，结果是将对应的像素分为两类，这两类像素分属于SAR图像的暗斑区域和背景两部分。根据所要分析的图像本身的特点，阈值选取分为全局阈值法和局部阈值法［11］。本文选取的是局部阈值法，在提供的SAR图像中截取了13组含有暗斑或暗条纹的区域作为样本图像。现在以其中一幅为例。

典型的阈值选取方法主要有直方图分析法 （最优阈值法）［12］、最大类间方差法 （Ostu算法）［12］、迭代法等。对于给定的SAR样本图像，通过MATLAB编程绘制出直方图 （图3）。根据最优阈值法原理结合图3看出，该样本图像的两个峰值相差很大，说明暗斑与背景面积相差很大，谷底T1＝0.0275即为最优阈值。另外，通过最大类间方差法和迭代法计算的阈值分别为T2＝0.0353，T3＝0.0332。结合以上3种方法得到的最佳阈值，分别使用Sobel算子对SAR样本图像进行边缘分割，分割结果如图4（a）、图4（b）和图4 （c）所示。

通过比较分析可以看出，图4（a）中虽然暗斑区域的边缘已经被分割出来，但相应的也出现很多黑色杂斑区域，图4（b）、图4（c）则有较少的黑色杂斑区域，并且边缘的连续性较好。最大类间方差法能通过目标函数确定极值，是一种优化过程，适用于绝大多数情况，但是最大缺点是针对SAR图像这类周围环境复杂、暗斑区域和海面背景灰度差别很大的情况，其边缘分割后会出现大量无法避免的黑色杂斑。对于经典的直方图分割方法，实现简单，前提是仅仅针对少数种类不同的物体并且灰度值相差很大时取得较好的分割效果。但当类似于SAR样本图像的灰度直方图双峰不明显，人工选取阈值难度增大，故边缘分割效果也难以确定。迭代算法对SAR图像的边缘分割效果较好，但有时针对目标和背景灰度值差异悬殊的情况下分割效果也不是很理想。总之，传统算法提取的暗斑边缘特征会存在一些断裂、定位不准确，在细化描述边缘轮廓时不能有效检测等情况［13］。

传统的迭代算法是分别以双峰灰度均值为两个起始点，往波谷方向进行迭代，适合于直方图中双峰比较明显的SAR图像；对于直方图中双峰相差很大的SAR图像，灰度均值相差大，迭代后得到的阈值偏离真正的波谷，产生一定的误差。

针对以上情况，本文提出一种改进的迭代算法求最佳阈值，由于标准差表示变量与均值的偏离程度，在传统的迭代算法内引入标准差，迭代阈值计算时，用双峰的灰度均值分别加或减其标准差来缩小两者之间的起始差距，不断迭代逼近波谷获得最优阈值。

基本步骤如下：

（1）确定图像灰度均值的一半为初始阈值T0；

（2）利用T0将图像分为两部分—R1和R2，分别计算这两部分的均值和标准差

（3）Ti＋1表示新的阈值

（4）重复步骤 （2）～ （3），直到Ti＋1和Ti无限逼近且小于某个给定值后完毕。

T0表示初始阈值；R1，R2表示图像的两部分；μ1，μ2，σ1，σ2分别表示为R1，R2均值，标准差；Ti表示迭代i次后的阈值利用改进后的迭代算法计算出的最优阈值T4＝0.0309，边缘分割得到的图像如图5所示。

图5 改进迭代算法分割样本图像

图5相较于图4，边缘更加清晰、连续，并且没有出现黑色的杂斑区域，能较好的描述原始SAR图像中溢油区与非溢油区分界处边缘轮廓信息，相较于经典的算法，尤其适用于暗斑区域与背景灰度值相差悬殊的情况。

1.2.3 边缘梯度特征的提取

通过提取海面上暗斑区域的特征量可以区分出溢油区与类似溢油区，这些特征值量包括：暗斑几何特征、物理特性、纹理特征、边缘梯度特征等。

海洋油膜边缘点处梯度特征变化剧烈，通过提取分割图像边缘处的梯度特征量，对不同的样本进行边缘梯度值的比较确定溢油区域。用图像灰度的变化率和方向来表示边缘点处的剧烈变化，投影到公式中分别表示为梯度向量的幅值和方向。设图像中灰度值矩阵格式为F（x，y），梯度列向量为

梯度幅值为

通过5＊5窗口对分割图像边缘点进行 MATLAB 7.1编程提取梯度特征量，应用数理统计的方法在excel表中统计出每个样本的总体均值和方差，分析每幅样本的特征值变化程度来确定溢油区。

2 结果与分析

含有油膜的区域内的梯度值是变化的，在边缘点处的变化尤其剧烈，若样本图像的边缘梯度均值明显大于其他部分图像的均值，且总体方差相对较大，则可以确定所选取的样本图像含有溢油区域。得到的样本相关数据见表1。

表1 样本图像边界点均值与方差

数据分析得出，样本1、2、5、9、11中边缘处梯度均值明显小于其他图像，总体方差也相对较小，图像边缘处的梯度变化很小，样本图像部分处在海洋中陆地和暗礁导致的低风速场，范围通常很大，形状类似漩涡状；其余的暗斑条纹比较规则，并且条纹之间平行排列，为风条纹或者浪条纹，可以判定这些区域为类似溢油区。样本3、4、6、7、8、10、12、13，边界点处的梯度均值明显大于类似溢油区的均值，总体方差相对变化很大，即边缘点处梯度变化非常大，符合溢油区域的边缘梯度的特点，并且样本在SAR图像中处在主要航道，河流入海口，海上油田钻井平台附近，形状大多呈黑暗狭长带状，边界比较明显，范围不大，说明这些为油膜暗斑。

3 结束语

本文通过提取边缘的梯度特征量来区分溢油区域与类似溢油区，其中改进的迭代算法能较好的描述原始SAR图像中溢油区与非溢油区分界处边缘轮廓信息，相较于经典的算法，尤其适用于暗斑区域与背景相差悬殊的情况。

要想进一步获得比较精确的海上溢油信息，还需要结合一些其他的特征量，如纹理特征、几何特征、物理特征等。另外，在提取样本时，也要结合专家经验来选取暗斑区域，SAR图像上在均匀风速区域出现的暗斑、由于风向或者海洋表层流影响形成的面积较小的黑暗狭长区域及距陆地较远的暗斑是溢油的几率很大，而低风速区或者海岸带的背风岬角出现的暗斑区域则会是海洋浮游植物、鱼类释放的天然油膜，海洋底部产生的自然矿物质，油脂状冰等类似溢油［14］。只有提前掌握了这些，才能及时的收集到关于溢油区域的相关信息，采取相应的措施祛除油污，将溢油造成的损失降到最小。

［1］Karathanassi V，Topouzelis K，Pavlakis P，et al.An objectoriented methodology to detect oil spill ［J］.International Journal of Remote Sensing，2006，27 （23）：5235－5251.

［2］Anne H，Solberg S.Oil spill detection in radarsat and envisat SAR images ［J］.IEEE Transaction on Geoscience and Remote Sensing，2007，45 （3）：746－755.

［3］WANG Bing.Edge processing with roberts operator ［J］.Gansu Science and Technology，2008，24 （10）：18－20 （in Chinese）.［王冰.用Roberts算子进行边缘处理 ［J］.甘肃科技，2008，24 （10）：18－20.］

［4］WANG Jun.The oil spill target edge detection of SAR image and realization ［D］.Dalian：Dalian Maritime University，2009：26－33 （in Chinese）.［王俊.SAR影像溢油目标边缘提取方法及实现 ［D］.大连：大连海事大学，2009：26－33.］

［5］ZHANG Ximin，JIA Kebin，ZHUO Dongfeng.Application of BP neural network for image edge detection ［J］.Computer Engineering and Design，2011，32 （6）：2146－2149 （in Chinese）.［张习民，贾克斌，卓东风.BP神经网络在图像边缘检测中的应用 ［J］.计算机工程与设计，2011，32 （6）：2146－2149.］

［6］JIA Lei，JIAO Shuhong.The research review of image edge detection technology ［J］.Technology Trend，2010 （8）：226（in Chinese）.［贾磊，焦淑红.图像边缘检测技术的研究综述［J］.科技风，2010 （8）：226.］

［7］Konstantinos Karantzalos，Demetre Argialas.Automatic detection and tracking of oil spill in SAR imagery with level set segmentation ［J］.International Journal of Remote Sensing，2008，29 （21）：6281－6296.

［8］JIANG Yongxin，WANG Xiaotong，XU Xiaogang，et al.Speckle noise filtering for sea synthetic aperture radar images［J］.High Technology Letters，2009，19 （6）：586－590 （in Chinese）.［蒋永馨，王孝通，徐晓刚，等.海洋合成孔径雷达图像斑点噪声的滤除 ［J］.高技术通讯，2009，19 （6）：586－590.］

［9］ZHU Youyong，WANG Shitong.Adaptive multithresholds image segmentation method based on normalized cut criterion ［J］.Computer Engineering and Design，2009，30 （9）：2217－2221 （in Chinese）.［朱友勇，王士通.基于归一化分割的自适应多阈值图像分割方法 ［J］.计算机工程与设计，2009，30 （9）：2217－2221.］

［10］TANG Min.Edge extraction of gray images using cellular neural network method ［J］.Computer Engineering and Design，2010，31 （10）：2275－2279 （in Chinese）. ［汤敏.基于细胞神经网络的灰度图像边缘提取 ［J］.计算机工程与设计，2010，31 （10）：2275－2279.］

［11］WANG Lei，DUAN Huichuan.Application of Otsu’method in multi－threshold image segmentation ［J］.Computer Engineering and Design，2008，29 （11）：2844－2845 （in Chi－nese）.［王磊，段会川.Ostu方法在多阈值图像分割中的应用 ［J］.计算机工程与设计，2008，29 （11）：2844－2845.］

［12］ZHANG Wenjuan，PAN Xiaolan.Based on the gray histogram closed value segmentation algorithm analysis and comparison ［J］.Science ＆ Techinology Information，2008 （14）：12－14 （in Chinese）. ［张文娟，潘晓岚.基于灰度直方图的阈值分割算法分析与比较 ［J］.科技资讯，2008 （14）：12－14.］

［13］MA Huaichong，XU Yong，YANG Dehe.Sea oil edge detection algorithm which is based on the fusion of the SAR image and the MATALAB realization ［J］.Silicon Valley，2012（14）：173－174 （in Chinese）. ［马怀冲，许勇，杨德合.基于融合的SAR图像海洋溢油边缘检测算法及MATALAB实现 ［J］.硅谷，2012 （14）：173－174.］

［14］Topouzelis K，Karathanassi V，Pavlakis P，et al.Detection and discrimination between oil spills and look－alike phenomena through neural networks ［J］.ISPRS Journal of Photo Grammetry ＆Remote Sensing，2007，64 （4）：264－270