基于边缘强度特征和线性谱聚类的SAR图像超像素生成方法

陈 媛，赵凌君，匡纲要，赵力文



基于边缘强度特征和线性谱聚类的SAR图像超像素生成方法

陈 媛1，赵凌君1，匡纲要1，赵力文2

(1. 国防科技大学电子科学学院，湖南 长沙 410073；2.宇航动力学国家重点实验室，陕西 西安 710043)

面对高分辨合成孔径雷达(SAR)图像的海量数据，学界广泛通过基于超像素的方法简化图像处理过程。一般适用于光学图像的超像素分割算法对存在斑噪的SAR图像分割性能均不够理想。面向SAR图像改进现有超像素生成算法是目前的研究热点之一。在探讨了将边缘强度特征引入超像素分割算法的可行性的基础上，结合边缘强度特征和线性谱聚类方法，提出了一种新的SAR图像超像素生成方法(e-LSC)。通过仿真SAR图像和实测SAR图像的比较实验，证实了e-LSC算法与其他几种典型超像素生成算法相比，生成的超像素在边缘贴合度和匀质区域的规则化上都有所提高。

合成孔径雷达；超像素；线性谱聚类；边缘强度特征

近年来，随着合成孔径雷达(synthetic aperture radar，SAR)成像技术的提高，TerraSAR–X、COSMO-SkyMed、E-SAR、Sentinel-1、F-SAR[1]等高分辨率SAR传感器的发射运转，SAR图像的空间分辨率不断提高。高分辨率SAR数据中地物目标所含的信息更丰富具体，已被广泛应用于环境、交通、民用、军事以及国土安全等领域。同时，高分辨率SAR图像存在区域内部特征不均匀性和特征分布复杂性的问题，传统用于中低分辨率SAR图像的处理方法对高分辨率SAR图像地物分类有很大的局限性。图像分割是面向对象的地物分类的重要环节，用于提取图像中有意义、容易分析的对象，简化后续处理。而超像素算法作为一种新兴的图像分割方法，将若干像素组合成的有意义的同质区域作为操作的基本单元，大大降低了后续图像处理任务的复杂度。常见的超像素生成算法有SEEDS[2]、TurboPixel[3]、QS[4]、Ncuts[5]、SLIC[6]、ERS[7]等。由于这些算法是针对光学图像提出的，在设计中并没有充分考虑到乘性噪声的影响。当面对SAR图像中大量相干斑噪声的图像时，传统算法有很大的局限性。

一些学者针对这一问题展开了大量研究工作。XIANG 等[8]提出了一种基于SAR图像像素强度和位置相似度(pixel intensity and location similarity，PILS)的超像素生成算法。该算法定义的相似度综合考虑了像素强度和空间距离，对SAR图像中的乘性斑点噪声具有鲁棒性；另一方面，该算法的分类结果对超像素的尺寸较为敏感。QIN等[9]将改进的SLIC超像素分割算法引入到PolSAR图像处理领域，在AirSAR和ESAR L波段的PolSAR数据图像分割中取得了很好的效果。ARISOY和KAYABOL[10]根据特征对分割得到的超像素进行分类，提出了混合超像素(mixture-based superpixel ，MISP)模型和相关超像素分割算法。该算法利用用于空间聚类的高斯密度椭圆轮廓得到了边界平滑、形状规则的超像素，然后从超像素中提取特征向量进行分类。相比于经典的超像素分割方法，MISP在SAR图像土地覆盖分类中的效果最好。

可见，通过超级像素对SAR图像进行对象分割，在减少噪声影响的同时能够大大降低计算复杂度。同时，超像素普遍对匀质区域的分割效果较好，而对边缘信息丰富的非匀质区域分割效果一般，往往无法准确地贴合边缘。即部分超像素包含了边缘和分界线两侧的区域。由于超像素是后续处理的基本单元，这种现象对特征提取、对象分类的干扰很大。CHEN等[11]提出了线性谱聚类(linear spectral clustering，LSC)超像素分割算法，图像中的每个像素被映射到一个十维特征空间，并通过加权K-means聚类进行特征空间聚类从而实现图像分割。该算法能够高效地提取图像的全局特性，且所生成的超像素边缘贴合性好。本文在LSC算法的基础上，引入边缘强度特征，提出了一种基于边缘强度特征和线性谱聚类的SAR图像超像素生成方法，在一定程度上进一步提高了针对SAR图像的超像素分割的性能。

1 超像素分割算法

与基于像素的方法相比，基于超像素的方法把超像素作为操作基本单元，对噪声、异常值具有一定的鲁棒性，保留了图像的大部分结构信息，边缘贴合性好，尺度灵活，且大幅减少了后续处理阶段的计算负荷[12]。各种超像素生成算法的原理不同，各有其优势和局限性及其适用领域。其中，SLIC算法应用最为广泛。本文以SLIC算法为例，介绍自底向上的超像素分割算法的一般思路。

SLIC算法是一种改进的K-means聚类算法，能够高效地生成超像素。该算法仅需要2个参数，即所需生成的超像素的数目和超像素的致密度系数。图像中每个像素的颜色被转换到[,,]颜色空间。按个像素等间隔地进行网格采样，初始化个初始聚类中心C=[l,a,b,x,y]，保证所生成的超像素的尺寸大约一致。然后按距离聚类中心2×2的范围搜索可能属于该超像素的像素，若当前像素与聚类中心C的距离小于属于该超像素的所有像素与聚类中心的距离最小值()，则该像素属于该类，更新当前像素的标签和()。每次迭代搜索完成后，以各超像素[,,,,]T向量的均值更新各聚类中心，计算聚类中心更新前后的剩余残差，当该值小于提前设定的容许范围或者迭代次数大于设置的最大循环次数时停止迭代。像素间的光谱距离和空间距离通过欧几里得距离来衡量，即

其中，d为光谱距离；d为空间距离。

计算总的距离为

其中，为两种距离分量的权重调节因子，直观地表现不同分量对SLIC所生成超像素的影响。

以上是经典的SLIC超像素生成算法的基本原理。其后，研究者们提出了多种新型的超像素算法。其中，LSC算法是一种较为新颖的超像素生成算法，其分割性能得到进一步提升。本文将LSC算法和边缘强度特征相结合，用于SAR图像超像素生成。

2 基于边缘强度特征和线性谱聚类超像素分割算法

本节将详细介绍基于边缘强度特征和线性谱聚类的SAR图像超像素生成算法(edge strength feature -based linear spectral clustering，e-LSC)的原理。

2.1 线性谱聚类(LSC)

LSC算法中有两个重要的概念、一个推论和一个法则。当满足如下条件时，加权K-means和Ncuts算法的目标函数的优化方向一致，即

法则1要求亲和度关系(,)必须满足正值性条件。只有当满足这两个条件时，对十维特征空间的加权K-means聚类才等价于对原始图像进行Ncuts分割。并以此实现了线性谱聚类。等价关系式为

其中，F为加权K-means的目标函数；F为K-划分Ncuts的目标函数；C为一个常量；(,)为图像中任意两点的相似度。

e-LSC算法是在LSC超像素分割算法的基础上，结合边缘特征改进的一种算法。在每个像素点映射到的八维特征空间进行加权K-means聚类，实现超像素分割。

2.2 e-LSC算法

将图像的每个点映射到高维特征空间。当提前设置了所要生成的超像素数目后，在水平方向以v为间隔、在垂直方向以v为间隔进行均匀采样得到个种子点。这些点将作为线性谱聚类的聚类中心，通过其高维特征空间的值初始化对应聚类中心，即

其中，

式(15)中八维特征即e-LSC所求的高维特征空间。该算法将Ncuts的求解转换到加权K-means算法对高维特征空间目标函数最优化问题，大大减少了算法执行过程中的计算量。

综上，e-LSC算法流程可概括为基于边缘强度特征和线性谱聚类的SAR图像超像素生成方法，具体表述如下：

设每个点的标签()=0

while iter<=MaxIter

if＜()

()=,()=

end if

更新所有集群的加权均值和搜索中心

iter = iter +1

合并相邻的较小超像素

3 实验结果分析

本节将比较e-LSC超像素生成算法与标准SLIC、标准LSC超像素生成算法的性能。整个实验测试包括两个阶段：第一阶段是通过各算法实现一幅实测SAR图像的超像素分割，主要通过目视效果来评价各算法的效果；第二阶段各算法将分别通过一幅仿真SAR图像进行定量的性能测试，测试量包括边界回归率(boundary recall，BR)[13]、欠分割错误率(under-segmentation error，UE)[14]、可完成的分割精度(achievable segmentation accuracy，ASA)[7]和单次分割的运行时间进行比较。从而获得对本文提出的方法的客观评价。

3.1 实测SAR图像对比实验与分析

用于测试的实测SAR图像是一幅尺寸为256×256像素大小、空间分辨率为3 m的Ku波段美国加利福尼亚州中国湖机场的SAR图像。该图像显示的区域包括机场跑道、建筑物和其他一些自然地物。

图1显示的是原始SAR图像和对应的标准SLIC、标准LSC和本文提出的e-LSC算法对该图的超像素分割结果。图1标注的A、B区域的局部放大图如图2所示。标准SLIC、LSC算法生成的超像素大部分形状不规则，而e-LSC算法生成的超像素则更为匀称规整。从局部放大图可以看出，在一些对比度较低的边缘处，SLIC和LSC算法生成的超像素都无法准确地检测出边缘，产生了包含边缘在内部的超像素。而e-LSC算法能够很好地检测出这些相对模糊的边缘。可见，标准SLIC、LSC算法对噪声相对较为敏感，e-LSC算法在权衡了图像的灰度强度、边缘强度特征和空间距离后，有效抑制了噪声对超像素分割的影响。即边缘强度加权下，SAR图像内含有斑噪的相对匀质区域(如实验图中灰度强度中等的草地区域)相当于进行了滤波操作，规则化同质区域，同时又保留了边缘。

图1 3种算法生成的超像素

图2 A、B两个区域的局部放大图

3.2 仿真SAR图像对比实验与分析

为了更准确地评估e-LSC算法地性能，各超像素分割算法将分别通过一幅仿真SAR图像进行定量的性能测试。仿真SAR图像的尺寸为200×200，如图3所示。

测试中，每种算法在3.1节实验的基础上，分别对仿真图像以预设超像素数目100、200、300、400、500、600进行超像素分割。然后计算各算法分割结果的BR、UE、ASA和时间值，实验结果如图4所示。实验在AMD处理器、内存6 GB的电脑上完成。从图中可以看出，本文提出的e-LSC算法的BR、UE和ASA评估结果值均优于其他3种方法，算法的耗时略多于标准SLIC和LSC算法。e-LSC算法的BR值最大，可见该算法检测到的准确边缘比率最大，生成的超像素贴合度最好。同时，其UE值最低，ASA值最高，分别说明该算法分割错误的比率最低，分割效果最好。综上，虽然耗时稍高于标准SLIC、和LSC算法，e-LSC算法对SAR图像的超像素分割在边缘贴合度、同质区域规则化的性能上优于其他几种超像素生成算法。

图3 仿真SAR图像及其真值图和边缘图

图4 4种算法基于仿真SAR图像的结果图

4 结 论

本文提出了一种结合边缘强度特征和线性谱聚类的SAR图像超像素生成算法(e-LSC算法)。虽然边缘信息对噪声较为敏感，但是在线性谱聚类中图像映射的特征空间，边缘强度特征与灰度特征和空间位置特征的距离加权，对噪声具有鲁棒性，发挥了边缘信息有利的一面。同时将图像分割转化到像素灰度强度、边缘特征强度和空间相似度对应的八维特征空间的加权K-means聚类，降低了计算复杂度。通过对仿真SAR图像和实测SAR图像的实验，与其他SAR图像超像素生成算法相比较，本文算法在边缘贴合度、同质区域规则化方面均有一定的优势。

[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

国家自然科学基金项目(61701508)；湖南省自然科学基金项目(2017JJ2304)

陈 媛(1993-)，女，浙江嘉兴人，硕士研究生。主要研究方向为SAR图像解译。E-mail：chenyuan16@nudt.edu.cn

赵凌君(1981-)，女，安徽安庆人，副教授，博士。主要研究方向为遥感信息处理、合成孔径雷达目标自动识别。E-mail：nudtzlj@163.com