基于多特征和WSVM的SAR图像河流目标检测

吴一全，李海杰，宋 昱

（1．南京航空航天大学电子信息工程学院，江苏南京210016；2．黄河水利委员会黄河水利科学研究院水利部黄河泥沙重点实验室，河南郑州450003；3．长江水利委员会长江科学院武汉市智慧流域工程技术研究中心，湖北武汉430010；4．南京水利科学研究院港口航道泥沙工程交通行业重点实验室，江苏南京210024；5．哈尔滨工业大学城市水资源与水环境国家重点实验室，黑龙江哈尔滨150090）

基于多特征和WSVM的SAR图像河流目标检测

吴一全1，2，3，4，5，李海杰1，宋 昱1

（1．南京航空航天大学电子信息工程学院，江苏南京210016；2．黄河水利委员会黄河水利科学研究院水利部黄河泥沙重点实验室，河南郑州450003；3．长江水利委员会长江科学院武汉市智慧流域工程技术研究中心，湖北武汉430010；4．南京水利科学研究院港口航道泥沙工程交通行业重点实验室，江苏南京210024；5．哈尔滨工业大学城市水资源与水环境国家重点实验室，黑龙江哈尔滨150090）

为进一步提高合成孔径雷达（synthetic aperture radar，SAR）图像中河流目标检测的准确性，本文提出了基于多特征和小波支持向量机（wavelet support vector machine，WSVM）的SAR图像河流目标检测方法。首先使用均值比表示像素点邻域的灰度特征，Gabor小波提取其纹理特征，并将其融合构造训练样本；然后将归一化处理后的特征矩阵输入WSVM进行训练，并利用训练好的WSVM对图像的每个像素点进行分类；最后根据河流的区域连通性和面积、形状特征，去除阴影、湖泊等与河流相似的区域。大量实验结果表明，与其他河流目标检测方法相比，本文方法检测的河流目标更加完整，背景与河流的误分区域更少，河流边缘保持得更好。

河流目标检测；合成孔径雷达图像；多特征；小波支持向量机；均值比；Gabor小波；区域连通性

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

河流是一种重要的地理目标，其检测对水利评估、水资源监测、水土保持、洪涝灾害预防、船舶导航等方面具有重要的作用。而合成孔径雷达（synthetic aperture radar，SAR）作为一种工作于微波频段的相干成像雷达，与光学、红外等其他传感器相比，具有全天时、全天候、不受光照影响、穿透能力强、大面积成像等优点。因此，基于SAR图像的河流目标检测方法受到广泛关注。

在SAR图像河流目标检测方法中，文献［1］将原始图像划分为互不重叠的图像子块，利用阈值对图像子块分类，进行河流目标粗检测，并依据河流连通区域的面积、体态比进行精检测。文献［2］首先使用梯度特征和Fisher准则检测河流目标，然后依据数学形态学消除误分区域，基于不重叠图像子块和形态学的检测方法易使河流边缘变得平滑，丢失较多的边缘细节信息。文献［3－4］利用边缘提取技术和脊线跟踪技术进行河流目标检测，其效果依赖于河流的边缘检测结果，当图像背景较复杂时，边缘提取较为困难，无法准确检测出河流目标。文献［5］利用统计特征和支持向量机（support vector machine，SVM）、文献［6］使用灰度共生矩阵（gray level co－occurrence matrix，GLCM）和SVM、文献［7］通过自适应特征和SVM、文献［8］则利用像素模板和Adaboost进行河流目标检测。基于SVM和Adaboost的方法对训练样本的选择要求较高，主观性大，对不同的图像需更换训练样本，普适性弱，因而训练样本选取困难，检测结果中河流与背景的误分区域较多。而小波支持向量机［9－10］（wavelet support vector machine，WSVM）是对内积空间的更高映射，可以更好地对数据分类，减小类内差异，增大类间差异，降低样本选取的主观性，增强普适性。文献［11］使用基于统计特征的WSVM进行河流目标检测，虽然可以完整地检测出河流区域，但仅使用灰度特征，不能够去除背景误分为河流的区域，且当河岸与河流灰度相近时，易出现河流区域与河岸的误分区域连通，致使后续步骤无法根据河流的面积、形状特征进行去除。

鉴于上述分析，考虑到SAR图像中河流的下列4个特征：河流灰度值偏低且灰度变化缓慢，即灰度一致性；河流没有较明显的纹理特征，即纹理一致性；河流一般为连通区域；河流形状不规则。本文首先将图像划分为以每个像素点为中心的多个图像块，使用均值比表示图像块的灰度特征，以此反映河流灰度一致性；使用Gabor小波提取图像块的纹理特征，对应河流纹理一致性。然后，利用提取的上述特征对河流图像的每个像素点进行分类，其中分类器选择要使得河流误分为背景的区域尽可能少，河流区域与背景误分为河流的区域尽量不连通，这里选用WSVM作为分类器。最后根据河流的区域连通性和面积、形状特征，去除阴影、湖泊等与河流相似的区域。文中给出了所提出方法的实验结果，并与基于梯度特征和Fisher准则、基于统计特征和SVM、基于像素模板和Adaboost、基于统计特征和WSVM的河流目标检测方法进行了比较，依据主观视觉效果和客观定量评价指标两个方面论证了本文方法的优越性。

1 SAR图像河流特征提取

1．1 灰度特征提取

根据SAR图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图像的灰度均值；河流区域的灰度方差相对于背景区域较小。若待处理的河流图像为I，其均值和方差分别用EI和VI表示，使用大小为S×S的图像块Hi，j表示像素点（i，j）的邻域窗口。计算Hi，j的均值和方差，分别记做Ei，j和Vi，j。则像素点（i，j）的方差特征为Vi，j，均值比特征可以表示为

若F1i，j、Vi，j均较小，则该像素点属于河流区域；F1i，j、Vi，j均较大，则属于背景区域。但在实际操作中由于窗口尺度不同，以Vi，j为特征，当窗口取得较小时，背景区域易出现较小的Vi，j。因此，这里只选择F1i，j作为像素点（i，j）的灰度特征。

1．2 纹理特征提取

Gabor小波能够很好地描述哺乳动物的视觉系统，完整地提取物体的纹理特征［12］。根据SAR图像中河流的纹理一致性，这里使用Gabor小波提取图像的纹理特征。二维Gabor小波的数学表达式为

式中，σx和σy为Gabor滤波器窗口的大小；w为径向中心频率；a－m为尺度因子；m和n分别表示尺度和方向，且m∈［0，M－1］，n∈［0，N－1］，M为总尺度数，N为总方向数。

利用二维Gabor小波提取图像子块Hi，j的特征作为像素点（i，j）的纹理特征。

2 SAR图像河流目标检测

2．1 小波支持向量机

WSVM是标准SVM核方法与小波框架理论相结合得到的SVM模型［13］，其实质是引入小波基函数构造SVM的核函数。其中小波基函数必须能够生成小波框架，满足

式中，E0为原图像能量；E是图像经过小波变换后的总能量；A、B为框架的下界和上界。

另外，可以生成小波框架的小波基函数还需满足Mercer条件

式中，R［k］（ω）为核函数的傅里叶变换；K（x－x′）是K（x，x′）的平移不变形式。

设尺度参数ai，母小波φ（x）满足式（11）、式（14）和式（15），x∈Rd，则可构建小波核为

式中，x表示d维向量；f∈L2（Rd）；K（x，x′）表示核函数；K（〈x，x′〉）是K（x，x′）的点积形式。

对待不能够将核函数分解为两个相同函数点积形式的情况，可采用Mercer条件［14］的充分必要条件来判断：

WSVM可将数据映射到再生希尔伯特空间［15］进行分类，而再生希尔伯特空间是一个具有特殊属性函数的希尔伯特空间，它把依靠经验数据学习问题的解表示成一种简单的形式，能够减小类内差异，增大类间差异。因此，由式（17）构建WSVM的小波核函数，并根据式（10）提取的特征对图像I的每个像素点进行分类。

2．2 区域连通性与河流的面积、形状特征

在SAR图像中，仅依靠河流的灰度特征和纹理特征无法区分湖泊、阴影等与河流相似的区域。而针对河流一般为连通区域和其形状不规则的特点，可以依据河流的区域连通性和面积、形状特征，对WSVM的输出结果做进一步处理，去除误分为河流的区域。区域连通性的4连通模板和8连通模板如图1所示。

图1 4连通模板和8连通模板

对一幅二维图像，在目标像素点P周围的q（q≤8）个相邻像素中，若某个像素的灰度值与P的灰度值满足特定的相似准则，那么称该像素点与P是连通的。这里处理的为WSVM输出的二值图像，相似准则为判断两像素点的值是否相等。4连通性判断上下左右4个邻点中，是否有与P相等的像素点；8连通性则判断与P相邻的8个邻点中，是否有与P相等的像素点。

在检测出连通区域后，对每个连通区域进行标记，并使用每个区域的像素点个数表示面积特征，长宽比表示河流形状特征，去除与河流相似区域。

2．3 算法步骤与流程图

基于多特征和WSVM的SAR图像河流目标检测的流程图如图2所示，算法具体步骤如下：

步骤1 分别在河流区域和背景区域选取大小为30像素×30像素的图像作为河流样本和背景样本；

步骤2 对河流和背景样本图像，分别以样本图像中的每个像素点为中心，使用大小为3像素×3像素的窗口进行遍历，得到多个图像块；

步骤3 使用均值比表示每个图像块的灰度特征，采用Gabor小波提取其纹理特征；

步骤4 将提取的灰度特征、纹理特征按式（9）进行融合，由式（10）组成特征矩阵，并将特征矩阵的每一列进行归一化处理；

步骤5 将归一化处理后的特征矩阵输入WSVM进行训练，构造决策函数；

步骤6 对待检测的河流图像进行步骤2～步骤5操作，并将得到的特征矩阵输入WSVM，根据决策函数判断图像的每个像素点属于河流区域还是背景区域；

步骤7 对WSVM输出的二值图像，依据河流的区域连通性和面积、形状特征，去除与河流相似的区域，准确检测河流目标。

图2 基于多特征和WSVM的河流目标检测流程图

3 实验结果与分析

实验图像使用美国Sandia实验室开发的Twin－Otter机载多波段SAR系统获得，河流图像为X波段、分辨率为1m、处理视数为10km。在2．5GHz／4．00G内存／Matlab R2012b实验环境下，将应用本文方法得到的河流目标检测结果，与基于梯度特征和Fisher准则、基于统计特征和SVM、基于像素模板和Adaboost、基于统计特征和WSVM等4种现有的河流目标检测方法，进行了主观视觉效果和客观定量评价指标的对比。其中实验参数设置如下：基于统计特征和SVM的方法中，遍历窗口大小为3像素×3像素，SVM的核函数选用高斯核，核参数σ＝0．05；基于像素模板和Adaboost的方法中，遍历窗口的大小为7像素×7像素，20个Adaboost弱分类器；基于统计特征和WSVM的方法中，遍历窗口大小为3像素×3像素，WSVM核参数a＝100；本文方法的中心频率w＝2，尺度数M＝1，方向数N＝8，遍历窗口大小为3像素×3像素，WSVM核参数a＝30。本文方法和对比方法的训练样本如图3所示，利用5种方法所得到的SAR图像河流目标检测结果如图4所示。

图3 河流样本和背景样本

图4 5种方法的SAR图像河流目标检测结果

表1列出了5种方法的SAR图像河流目标检测结果的定量评价数据。依据图4（b）所示的河流目标的人工检测结果，定义了Nr、Nb、Er、Eb、η等5种定量评价指标。其中，Nr表示河流区域中正确检测的像素点个数；Er表示河流区域中误分为背景的像素点个数；Nb表示背景区域中正确检测的像素点个数；Eb表示背景区域中误分为河流的像素点个数；η表示整体的分类正确率。

基于梯度特征和Fisher准则的方法对背景区域的检测效果较好，但在河流区域，有较多的像素点被误分为背景区域，且河流的边缘变得平滑，整体分类正确率很低；基于SVM和基于Adaboost方法的检测结果中存在较多的河流与背景误分的区域，其中背景误分为河流，且与河流不连通的区域可以根据河流的面积、形状特征进行去除，但河流误分为背景的区域则无法根据河流特征进行填补，需要对分类器进行优化；基于统计特征和WSVM的方法可以较准确地检测出河流区域，但仍有背景误分为河流的区域，且存在误分区域与河流区域处于连通的情况；本文提出的基于多特征和WSVM方法充分利用河流的先验知识，在图3所示的少量训练样本下，可对不同的河流图像达到更好的检测结果，如图5所示。该方法适用于背景复杂的图像，且河流与背景误分的区域较少，不存在误分区域与河流区域连通的情况，边缘保持完整，整体分类正确率较高。

表1 5种方法的SAR图像河流目标检测结果的定量评价

图5 本文方法针对不同河流图像的检测结果

河流SAR图像在获取、传输过程中，会受到系统本身、外界环境等诸多因素的影响，不可避免地存在相干斑噪声的干扰。为进一步验证本文方法的普适性，图6给出了受不同程度相干斑噪声污染的河流图像及采用本文方法所得到的检测结果。由图6可见，受相干斑噪声污染的河流图像中，河流区域基本不受影响，背景区域出现较多灰度值偏低的部分，污染较为严重。因此，从相干斑噪声污染的河流图像中检测河流，关键在于消除背景中灰度值偏低区域的影响，而本文方法选取的均值和纹理特征均基于图像块，具有较好的抗噪能力。对比图6与图5可得，随着相干斑噪声方差的增大，本文方法可稳定地检测出完整的河流区域。

图6 不同程度相干斑噪声污染的河流图像及本文方法的检测结果

4 结 论

本文充分利用SAR图像中河流的先验知识，提出一种基于多特征和WSVM的SAR图像河流目标检测方法。针对河流面积特征、形状特征只能消除背景误分为河流的区域，提出使用WSVM对融合特征进行处理，在较少训练样本下，大大地减少了河流误分为背景的区域，完整地提取了河流区域。另外，对于河流区域和背景误分为河流的区域处于连通的情况，提出利用灰度、纹理的融合特征，减少了与河流区域连通的误分区域。大量实验结果表明，与基于梯度特征和Fisher准则、基于统计特征和SVM、基于像素模板和Adaboost、基于统计特征和WSVM等4种河流目标检测方法相比，本文提出的方法可完整地检测出河流目标，且误分区域少，边缘细节保持得更好。

［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．（陈爱军，魏祥泉，朱兵．卫星遥感图像中河流的快速提取方法［J］．红外与激光工程，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．（陈升来，李云茹，李涛．基于合成孔径雷达图像的河流检测方法研究［J］．计算机测量与控制，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，孙进平，袁运能，等．基于小波边缘提取和脊线跟踪技术的SAR图像河流检测算法［J］．电子与信息学报，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．（程辉，于秋泽，柳健，等．基于SVM的SAR图像中水上桥梁目标的检测［J］．宇航学报，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．（钟微宇，沈汀．结合多特征和SVM的SAR图像分割［J］．计算机应用研究，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，王世东，等．结合空间像素模板和Adaboost算法的高分辨率遥感影像河流提取［J］．测绘学报，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．（谭琨，杜培军．基于再生核Hilbert空间小波核函数支持向量机的高光谱遥感影像分类［J］．测绘学报，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．（程辉，于秋泽，柳健，等．基于小波支持向量机分割的SAR图像桥梁目标检测［J］．华中科技大学学报（自然科学版），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．（李元诚，方廷健．小波支持向量机［J］．模式识别与人工智能，2004，17（2）：168－172．）

［14］Smola A J，Schölkopf 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，硕士研究生，主要研究方向为图像处理、遥感图像分割。

E－mail：15951982713＠163．com

宋 昱（1988－），男，博士研究生，主要研究方向为图像处理、遥感图像分割。

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

吴一全（1963－），男，教授，博士研究生导师，博士，主要研究方向为遥感图像处理与分析、目标检测与识别、智能信息处理。

1001－506X（2015）06－1288－06

2014－08－13；

2014－10－23；网络优先出版日期：2014－11－21。

网络优先出版地址：http：∥www．cnki．net／kcms／detail／11．2422．TN．20141121．0932．005．html

水利部黄河泥沙重点实验室开放课题基金（2014006）；长江科学院开放研究基金（CKWV2013225／KY）；南京水利科学研究院港口航道泥沙工程交通行业重点实验室开放基金；城市水资源与水环境国家重点实验室开放研究项目（ES201409）；江苏高校优势学科建设工程资助课题