区域SAR海冰图像分割

赵庆平，崔少华，姜恩华，李 峥

（1. 淮北师范大学 物理与电子信息学院，安徽 淮北 235000；2. 淮北师范大学 信息学院，安徽 淮北 235000）

计算机科学与技术研究

区域SAR海冰图像分割

赵庆平1,2，崔少华1，姜恩华1，李 峥1

（1. 淮北师范大学 物理与电子信息学院，安徽 淮北 235000；2. 淮北师范大学 信息学院，安徽 淮北 235000）

针对宽观测带合成孔径雷达（Synthetic Aperture Radar，SAR）图像，提出了一种集成区域分割的算法。以区域为研究对象，依次进行基于区域的初始聚类和区域合并。基于Radarsat-1模式数据的实验结果表明，该算法可有效地提高分割准确性。

合成孔径雷达；入射角效应；分割；海冰

1 引言

合成孔径雷达以其全天时、全天候、高分辨率等诸多优点成为目前极地海冰监测的主要手段。极地区域的遥感在气象和全球气候研究中具有重要的作用。例如，海冰厚度会影响大气和水面间的热流。因此，海冰分类可用作全球气候监测。合成孔径雷达是一种主动式微波传感器，具有全天候、全天时、穿透性强等特性[1]，它以侧视方式传输一系列脉冲，并记录后向散射信号以形成2D图像[2]。合成孔径雷达在海冰监测已经得到了广泛应用。加拿大海冰署（CIS）和芬兰海冰署（FIS）等研究所的海冰图像分析员每天收到大量的SAR数据集，由于缺少自动解译的工具，手工解译不仅劳动量大、耗时长，而且准确度有限。因此，实现SAR海冰图像的自动分类能辅助海冰图像分析员从数量不断增长的数据中提取有效的信息。

为了满足SAR海冰图像解译的实时性要求，计算机视觉技术在此领域得到了重要应用。目前已提出的海冰分割方法中普遍采用了SAR图像的纹理特征描述海冰[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分割。

本文针对RadarSat-1获取的海冰图像提出了一种基于区域的海冰分割方法。该方法首先对SAR图像进行区域化表示，然后针对每个分割后的区域结合强度特征实现分割。

2 算法

2.1 区域化表示

算法从读入一幅图像开始，首先用分水岭分割算法[6]，对海冰SAR图像进行初始分类，把SAR图像划分为一组区域。每个区域都用平均强度和尺寸来标识。因为对整个区域而言，可把各位置的特征矢量{ys|s∈Sv}平均到一个特征矢量yv。

为了生成分水岭，必须计算图像梯度。因为在一幅图像中可能有多个通道，使用一个矢量场梯度方法利用所有通道来计算联合图像梯度。通过除以场景中的最大梯度，总是对计算得到梯度进规格化，以便最大梯度值为1.0。

2.2 基于区域的K-means聚类初始化

作为初始化过程的一部分，以及作为一种推动该算法找出局部可接受方案的技术，通过区域的K-means聚类算法后，把标记赋给所得的每个区域v。对于单个区域v，K-means聚类算法找出最佳的标记，寻找最佳标记的公式如下：

其中ys是在位置s处的特征矢量，T为转置算子。通过迭代过程，从随机均值μi开始，每次迭代μi都有更新。

2.3 区域合并

为了产生最优分割xr*，最小化的成本函数如下：

这里Ef是特征模型能量，Es是空间语境模型能量。Ef定义如下：

这里c是图像中的通道数，n是类别数，Sv是每个分水岭区域v中的位置，后者是区域Ωi的一部分，Ωi被赋值为类i，∑i是类i的协方差矩阵，μi是类i的均值。Ef是与假设有关能量，每一类中分水岭区域的图像值遵守多变量高斯分布，该分布能给出合理的结果[7-8]。

3 实验结果与分析

3.1 评价指标

常用的两种测量方法的度量是分割精度和kappa系数[9]。分割精度是正确划分像素的百分比。Kappa系数定义如下：

其中xij是分割误差矩阵的第i行的第j列元素，P代表SAR图像中的总的像素个数。k表示分割评价度量，取值在[-1, 1]之间，当k＜0时，表明分割结果有歧义，与正确分割有很大的误差。当k = 0时，分割的效果相当于随机分配。当0＜k＜1时，k值越大，分割的结果越接近完美。当k =1时，分割结果是完美的。

3.2 SAR海冰图像分割

第一幅测试的SAR海冰图像由RadarSat-1模式于2003年2月21日在S. Laurence Bay上空采集，如图1(a)所示。图2(a)所示是由RadarSat-1于2006年11月22日在Beaufort海上空采集的海冰图像。

对于S. Laurence Bay的SAR海冰图像，参考芬兰海洋研究提供的冰况图和文献[7]，我们把海冰类型分为初期冰和平滑冰两类，并制作地面实况图[7]。图1(b)、图1(c)展示了两种分类方法的结果。图1(d)是地面实况图。图1(c)分类结果更接近地面实况图，尤其是上半部分更明显。由表1可知，基于像素级MRF分割算法的kappa系数是0.719 1，精度为75.96%，而本文提出的分割算法kappa系数是0.783 6，精度为80.02%。对于图1(b)而言，由于图像边界的强弱不平稳性，搜索会陷入某些局部最小值的陷阱。而图1(b)可能是由于本文提出算法集成区域的形状是高斯函数，具有某种局部能力行为的能力，可以改进模型对图像的非平稳性的适应性。因为分割是在区域而不是在像素级上完成的，近一步证明了大范围的空间交互式有效的[10]。

图1 S. Laurence Bay SAR海冰图像分割的结果

表1 S. Laurence Bay SAR海冰图像分割度量比较

对于Beaufort海SAR海冰图像，参考加拿大海冰署提供的冰况图和文献[10]，我们把Beaufort海SAR海冰图像的海冰类型分为初期冰和平滑冰两类，并制作地面实况图[10]。由表2可知，基于像素级MRF分割算法的kappa系数是0.762 4，精度为79.06%，而本文提出的分割算法kappa系数是0.849 6，精度为86.62%。定性地看，Beaufort海冰SAR图像，基于像素级MRF的分割结果（图2(b)）显示出更多的歧义性，特别是在中、右区段，而本文提出分割算法（图2(c)）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。和基于像素级的MRF的分割算法获得的结果（图2(b)）相比较，通过本文提出分割算法所获得的分割结果（图2(c)）具有更好的区域连通性，图像中孤立区域明显减少。

图2 Beaufort海SAR海冰图像分割的结果

表2 Beaufort海SAR海冰图像分割度量比较

4 结论

针对Radarsat-1获取的海冰图像提出了一种基于区域的海SAR冰分割方法，该方法首先对SAR图像进行区域化表示，然后针对每个分割后的区域结合强度特征实现分割。实验结果表明，在精确定位边界和生成较大均匀区域方面该方法具有优越性。将本文方法运用到合成的图像和由Radarsat-1所获取的两幅真实海冰SAR图像，证明了该方法的可行性和准确性，为实现海冰的准确分割提供了一个新途径，本方法亦可应用到其他海冰SAR（如Envisat、RadarSat-2等）图像的分类上。

[1] 崔莹,熊博莅,蒋咏梅,等.结合结构相似度的自适应多尺度SAR图像变化检测[J].中国图象图形学报,2014,19(10): 1507-1513.

[2] 赵庆平,姜恩华,赵鑫.基于区域增长迭代算法的SAR海冰图像分割[J].井冈山大学学报,2013,34(6):38-43.

[3] Clausi D A, Yue B. Comparing co-occurrence probabilities and Markov random fields for texture analysis of SAR sea ice imagery[J]. IEEE Transaction on Geoscience and Remote Sensing, 2004, 42(1): 215-228.

[4] Yu Q, Moloney C, Williams F M. SAR sea-ice texture classification using discrete wavelet transform based methods[C]. Proceeding of the 2002 IEEE International Geoscience and Remote Sensing Symposium (IGARSS 2002), 2002, 5: 3041-3043.

[5] Soh L K, Tsatsoulis. Texture analysis of SAR sea ice imagery using grey level co-occurrence matrices[J].IEEE Transaction on Geoscience and Remote Sensing, 1999, 37(2): 780-795.

[6] Vincent L, Solille P. Watershed in digital spaces: an efficient algorithm based on immersion simulations[J]. IEEE Transaction on Pattern Analysis and Machine Intelligence, 1991, 13(6): 583-598.

[7] 赵庆平,姜恩华,李素文.带有纹理保护的SAR海冰图像分割[J].安徽大学学报,2014,38(3):61-67.

[8] Li S. Markov Random Field Modeling in Computer Vision[M]. New York: Springer, 2009: 108-112.

[9] Yang X Z, Clausi D A. SAR sea ice image segmentation based on edge-preserving watersheds[C]. Montreal Quebec, Canada, Fourth Canadian Conference on Computer and Robot Vision (CRV'07), 2007: 426-431.

[10] Yu Q Y. Automated SAR sea ice interpretation[D]. Waterloo: University of Waterloo, 2006: 30-32.

（责任编辑、校对：田敬军）

SAR Ice Image Segmentation with Region

ZHAO Qing-ping1,2, CUI Shao-hua1, JIANG En-hua1, LI Zheng1
(1. School of Physics and Electronic Information, Huaibei Normal University, Huaibei 235000, China; 2. Information College, Huaibei Normal University, Huaibei 235000, China)

According to the Wide Band Aperture Radar Synthetic (SAR) ice image, it proposes an algorithm based on the class of the incidence angle effect. Based on Radarsat-1 Scan SAR mode data, it proposes a segmentation algorithm for integrated incidence angle effect correction steps. Sea ice regions are reserched as objects, which does region-based intial clustering, then does type of correction based incidence angle effect and region merging one by one. The efficiency of the proposed algorithm has been demonstrated on the segmentation of SAR sea ice image. The incidence angle effect has a significant influence on the backscattering of the mine.

SAR; incidence angle effect; segmentation; sea ice

TP751.1

A

1009-9115(2016)02-0058-03

10.3969/j.issn.1009-9115.2016.02.017

安徽省高等学校自然科学研究项目（KJ2014B07，KJ2016A650，KJ2016A628）

2016-02-09

赵庆平（1972-），男，辽宁阜新人，硕士，讲师，研究方向为图像处理。