基于Radarsat-1数据的北极海冰SAR图像自动分割研究

赵庆平，于力刚，王 耀，张馨月

(1.淮北师范大学 a.物理与电子信息学院，b.实验室与设备管理处，安徽 淮北 235000；2.塔斯马尼亚大学 信息技术与系统学院，澳大利亚 塔斯马尼亚 7005)

0 引言

随着全球气候变暖，对于极地海冰的研究得到了越来越多的关注。海冰监测对气候变化研究和航行安全保障具有重要意义。合成孔径雷达(Synthetic Aperture Radar SAR)是海冰监测的有效工具，它是一种能产生高分辨率遥感图像的主动式微波传感器，具有全天时、全天候、多波段、穿透力强等特点[1]，现已经得到了广泛的应用。海冰SAR图像的分割是图像处理(解译)的重要环节，加拿大冰署(CIS)的海冰分析员曾对Radarsat-1/2所提供的大量的海冰SAR图像进行处理，制作冰况图，以反映海冰的密集度、类型和尺寸等信息，但由于当时缺少有效的业务化分割工具，只能由海冰分析员对图像进行人工分割，而人工分割费时耗力，且其精确度和分辨率均是有限的[2]。因此，实现海冰SAR图像的自动分割变得尤为重要。

为了满足海冰SAR图像分割的实时性要求，计算机视觉技术在此领域得到了重要应用。目前已提出的海冰图像分割方法中普遍采用了提取SAR图像的纹理特征描述海冰的方法[3-5]，纹理特征提取方法主要包括灰度共生矩阵、Gabor变换、小波变换和马尔科夫随机场模型等。和强度特征相比，纹理特征通过描述像素的位置分布特性能够更好地实现海冰SAR图像分割。

基于Radarsat-1数据，本文提出了一种集成Gibbs采样标记步骤的海冰SAR图像分割算法，该方法经由像素到区域再到大尺度区域这一途径，把区域化标识、Gibbs采样标记以及区域合并等操作组合起来，以有效提高分割算法的准确度。

1 分割算法

假设把图像分为n(冰)类，S是栅格上的一组位置，s∈S是栅格中的某个位置。

图像分割是把原始图像转换成符号，即

R：{Is|s∈S}→{xs|s∈S}。

(1)

通过这种方式图像空间被划分成n个分割段Ω1，…，Ωn，得到

a)Ωi={s|xs=i，s∈S}，

c)∀i≠j：Ωi∩Ωj=φ。

(2)

在上面的定义中，任一Ωi可以是单个区域，也可以是一个不相邻区域集合(区域集群)。每个区域中的像素具有相同的类标记。

图1为算法流程图，图中虚线给出了本文所提方法的主要步骤，包括：预处理、区域化表示、计算区域特征、Gibbs采样标记和区域合并。实线代表了未包括Gibbs采样标记步骤的分割流程，称之为基于区域的MRF(Markov Random Field，MRF)图像分割算法。

图1 算法流程图

1.1 预处理及区域化表示

由于SAR图像受相干斑噪声的影响，如果直接进行分水岭分割，过分割现象比较严重，影响后续的分割与分类的准确性。因此，在分水岭分割之前需进行SARD滤波[6]，在保持地物边界的同时能够有效地抑制过分割现象，减少分割时间。SARD滤波是将各向异性扩散引入传统的自适应相干滤波器，构造偏微分方程来消除SAR图像的相干斑噪声。区域化表示的目的是消除雷达图像的噪声影响，并识别显著的同质区域。具体步骤为：

对滤波结果进行分水岭分割[7]，获得大量同质区域，每个区域v由一组属于该区域的位置Sv构成，通过把各位置的特征矢量{ys|s∈Sv}平均到每一个区域的特征矢量yv上，可以有效降低斑点噪声，此过程称为结构去噪。接下来构建区域邻接图(RAG)[8]，在RAG中，每个结点代表一个区域，结点之间的弧表示相邻区域之间的共同边界。分水岭分割及RAG表示的示意图如图2所示，其中，U(x)表示区域的一元属性，U(x，y)表示邻接区域之间的二元属性。

图2 区域邻接图构建示意图

1.2 计算区域特征

假设特征模型服从高斯分布，则矢量ys的分布是n个高斯函数的混合，这里n是类的数量。通过期望最大化(EM)算法求解高斯混合模型的参数[2]。

根据给定的观察数据和所有参数的当前估计，假设πi代表类Ωi的先验，ωsi表示位置s属于类Ωi的概率。EM算法通过计算E步骤进行迭代：

(3)

迭代M步骤：

(4)

(5)

(6)

经由上述EM算法获得的参数就是初始使用的参数。在每一次迭代中进一步更新参数，使用M步骤计算参数。在本文中对大量不同初始值进行了随机选择，在少量迭代后，选择具有最小能量的值，并经由更多次迭代进行细化，以获得最终解。

1.3 Gibbs采样标记

Gibbs采样标记的目的是要找出每个分水岭区域的最优标记，这是通过找出标记的配置来完成的。最小化的成本函数表示如下：

(7)

其中，Ri表示第i个区域；ls表示区域Ri的类别标号；μls和σls表示区域Ri内所有像素的均值和标准差；C表示双位团邻域系统；g(st)表示边界强度函数，即边界惩罚函数；点s和点t组成属于不同类别的邻接区域的共享边界的点对。

1.4 区域合并

在每次迭代的同时进行区域合并的操作，减少了区域的数目，降低了优化过程最优解的搜索空间，提高了运算速度。邻接区域可以合并的条件如下：

(8)

其中，Ri和Rj是两个邻接区域，同时Ri和Rj的类别标号不同；Rk=Ri∪Rj；NRi表示区域Ri的边界点的集合；ηs表示s点的邻域系统[2]。当δE为负数时，即区域合并前后能量减少，表示区域Ri和Rj可以合并，否则不能合并。

2 实验结果与分析

2.1 评价指标

评价海冰图像分割效果常用的两个度量指标是分割精度和Kappa系数[9]。分割精度是指正确划分像素的百分比。Kappa系数定义如下：

(9)

式中，P(A)为观测一致率，P(E)为期望一致率。Kappa系数的范围为[-1，1]。

2.2 实验数据

为验证本文提出的算法的有效性，选择两幅不同的海冰SAR图像，应用基于区域的MRF分割算法和本文提出的算法进行分割测试，结果如图3，图4和表1所示。两幅测试图像中第一幅是由Radarsat-1模式于2003年2月18日采集的S. Laurence Bay图像，包括初期冰和平滑冰两类，如图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两类，如图4(a)所示。

对比图3中(b)(c)和图4中(b)(c)可知，基于区域的MRF分割算法出现了海冰类型误分的情况，即原属于平滑冰的区域被错误地划分为初期冰，同样，原属于初期冰的区域也被错误地划分为平滑冰。而且定性地看，对于Beaufort海冰SAR图像，基于区域的MRF算法的分割结果(图4(b))显示出了更多的歧义性，特别是在中、右区段，而本文提出的分割算法的分割结果(图4(c))具有更好的区域连通性，在同样的区域能够比较好地兼顾边界位置定位和区域一致性，图像中孤立区域明显减少。

(a)原始海冰SAR图像；(b)基于区域的MRF算法分割结果；(c)本文算法分割结果；(d)地面实况图

(a)原始SAR海冰图像；(b)基于区域的MRF算法分割结果；(c)本文算法分割结果；(d)地面实况图

方法S. Laurence Bay海冰SAR图像分割精度(%)Kappa系数分割数所用时间/sBeaufort海海冰SAR图像分割精度(%)Kappa系数分割数所用时间/s基于区域的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，对于S. Laurence Bay海冰SAR图像，基于区域的MRF分割算法的Kappa系数是0.748 6，精度为76.89%，而本文提出的分割算法Kappa系数是0.796 5，精度为81.63%；对于Beaufort海海冰SAR图像，基于区域的MRF分割算法的Kappa系数是0.776 4，精度为80.64%，而本文提出的分割算法Kappa系数是0.857 3，精度为87.75%。数据表明本文算法更有效地实现了海冰SAR图像的准确分割。

本文算法利用Gibbs采样标记实现了海冰SAR图像的准确分割，克服了分割特征鲁棒性差的问题，并从特征的鲁棒性和分割过程的自适应性两方面提高了对SAR海冰图像结构的认知能力。另外，从表1还可以看出，本文提出的分割算法与基于区域的MRF分割算法相比，大幅度减少了分割区数目，从而降低了计算量，节省了计算时间。

3 结论

本文针对Radarsat-1获取的海冰SAR图像提出了一种新的分割算法，该算法经由像素到区域再到大尺度区域这一途径，把区域化、Gibbs采样标记以及区域合并等操作组合起来实现对海冰SAR图像的分割。将本文算法运用到由Radarsat-1所获取的两幅真实海冰SAR图像进行测试，结果表明，在精确定位边界和生成较大均匀区域方面该算法具有优越性，同时证明了该算法的可行性和准确性，这为实现海冰SAR图像的准确分割提供了一条新途径。