基于谱聚类的极化SAR影像分割改进算法

魏思奇，张 煜，叶 松

(长江科学院 空间信息技术应用研究所，武汉 430010)



基于谱聚类的极化SAR影像分割改进算法

魏思奇，张 煜，叶 松

(长江科学院 空间信息技术应用研究所，武汉 430010)

谱聚类的影像分割算法是一种基于点的聚类方法，其通过选用不同的特征构建相似性度量矩阵，来衡量像元间的相似性程度。在解算过程中需要计算每2个像元间的相似性度量，在处理大幅影像时，运算量大、耗时长。针对这一问题，提出了一种改进方法。首先通过均值漂移算法对极化SAR影像进行预处理，然后选取中心像元，构建相似性度量矩阵，采用归一化分割准则完成影像分割。实验结果表明，该算法分割结果优良，准确性高，有效地提高了原算法的分割效率，具有一定的实践意义。

谱聚类；均值漂移；极化SAR；图像分割；边缘检测

1 研究背景

极化SAR影像有着较多的椒盐噪声和丰富的纹理信息。传统的基于谱聚类的极化SAR影像分割算法忽略了极化SAR影像所特有的纹理信息，无法抑制极化SAR影像固有的椒盐噪声，导致最终的分割结果不理想。同时，运算过程复杂，工作量大，算法耗时长，性能低。例如:Benz等[1]利用eCognition软件中的分割功能，把影像切割成不同的尺度，通过H/α/A分解提取特征来分割影像。吴永辉等[2]提出的基于Wishart统计分布和马尔科夫随机场的极化SAR影像分割算法，在该算法中，作者采用了迭代的方式，通过求取最大后验概率来获得影像的分割结果。邹元同等[3]提出了基于均值漂移的极化SAR影像分割方法。张杰[4]提出了采用分水岭算法进行极化SAR影像分割的思想。张艳梅[5]提出把影像纹理信息和极化信息相结合的极化SAR影像分割算法。Vahid等[6]提出了一种结合马尔科夫随机场和影像纹理信息的分割算法，在Wishart统计分布中加入了相应的纹理信息，结合马尔科夫场模型进行分割，一定程度上改善了分割效果。

针对传统方法存在的缺陷，本文拟构建一种改进的边缘检测器，充分提取极化SAR影像的边缘信息；采用均值漂移算法对极化SAR影像进行预分割，减少需要处理的像元数目。在实验中，改进的分割算法结果优良，达到了预期的效果。

2 改进的基于谱聚类的极化SAR影像分割

2.1 均值漂移预处理

均值漂移算法是一种迭代算法，它基于核密度理论，具有快速匹配的能力。该算法通过映射把像元对应到特征空间中从而完成影像聚类，可有效克服传统聚类方法的缺陷，能够处理大量数据问题。通过该算法，使影像中的像元自动“漂移”到核密度极大值点处，具有良好的收敛性[7]。数据的密度估计方向和均值的平移方向相同。首先计算出目标点的平移向量，把该点平移到偏移值处，并把该点作为新的起点，反复迭代，到满足一定的条件为止。

2.2 改进的边缘检测方法

改进的边缘检测器包含4个方向。其窗口大小可以根据实际情况变化。检测器发现最中间的像元为边缘，则认为其两侧的像元存在强烈的反差。采用Wishart统计方法来衡量2个区域的差别情况。通过似然比函数来分别计算不同区域的协方差矩阵是否相等。差异性度量为

(1)

2.3 构建相似性矩阵

由于之前已经做了影像预分割处理，因此需要在每个区域中寻找出1个像元来代表整个区域。在特殊情况下，如果区域为规则图形(例如矩阵、圆形)，则其代表像元为该图形的几何中心。

获得每个分割区域的中心像元后，便可以通过极化SAR影像的边缘来构建相似性度量矩阵。2个像元间的差异性可以通过极化SAR影像的边缘来确定，其差异性Dc(x,y)如式(2)所示[8-9]。

(2)

式中：D*表示像元的边缘强度值；直线L是像元x和像元y之间的连线；z为直线L上边缘强度最大值处的像元位置。通过高斯核函数即可计算权重。然后通过代表像元得到不同区域间的相似性程度，从而构建出整幅影像的相似性度量矩阵。

2.4 归一化分割准则

在谱聚类中，极化SAR影像的分割问题最终转换为了图的划分问题。常用的分割划分准则有最小分割准则(Mini cut)、平均分割准则(Average cut)、归一化分割准则(Normalized cut)[9]、最大最小分割准则(Min-max cut),比例分割准则(Ratio cut)、多路归一化分割准则(MN cut)等。归一化分割准则在图像分割中应用比较多，本文实验中选取该方法。

图1 AIRSAR全极化图像Pauli-RGB合成图Fig.1 Pauli-RGB composite image of AIRSAR full polarization image

图2 实验区域光学影像Fig.2 Optical image of experimental area

3 实验与结果分析

3.1 实验数据

实验采用的数据为美国AIRSAR的全极化数据，影像大小为750×1 024,其Pauli-RGB假彩色影像如图1所示。图2为Google Earth中对应的光学

影像。从图中可见，该地区地物几何形状规则，主要地物为耕地，适合用作影像分割的实验图像。

3.2 改进方法的分割实验

将实验数据滤波处理后，设置极化SAR影像的边缘检测器，提取极化SAR影像的边缘信息，边缘提取结果如图3所示。图中边缘信息清晰，该步骤过后，极化SAR影像中的极化信息即转换为边缘信息，该信息将被用作分割依据，在下一步影像分割中使用。

图3 影像边缘提取结果Fig.3 Result of edge extraction

图4 影像均值漂移预处理结果Fig.4 Result of mean shift preprocess

在均值漂移算法中，不同的参数设置将导致不同的影像分割结果。文本将参数设置为如下:hs=8,hr=5，M=300，其中M表示分割区域的最小面积，hs和hr表示窗口大小的阈值。图4为均值漂移分割算法的结果。从图4中可以发现，均值漂移分割结果破碎，过分割现象严重，由于在分割前进行了滤波处理，影像上椒盐噪声较少，影像亮度降低，纹理信息较少。

将均值漂移预处理得到的分割图像作为谱图分割的输入影像，首先需要选取能够代表分割区域的中心点，按照本文之前提到的方法，选取各分割区域的中心，为了方便显示，截取了局部区域的放大图像，如图5所示。

图5 中心像元选取Fig.5 Selected center pixels

选取区域中心后，根据之前提取的边缘信息构建相似性度量矩阵，然后选择归一化分割准则，进行影像分割，其整体结果如图6所示。经过谱聚类分割后，影像中过分割区域明显减少，均值漂移预处理中分割破碎现象得到改善，过分割区域通过改进算法，已被合并到相邻区域中，分割结果良好。

图6 影像分割结果Fig.6 Segmentation result

在算法运行时间上，本文所采用的影像大小为750×1 024，如果按照传统的谱聚类分割算法，则至少需要进行C2768 000次建立768 000×768 000大小的矩阵，而本文提出的改进方法则只需要计算C21 700次建立1 700×1 700大小的矩阵，运算时间消耗大约降低了20万倍。可以认为，均值漂移预处理极大地提高了谱聚类分割算法的性能，同时也结合了该算法分割结果全局性好的特点，获得了预期的实验效果。

3.3 实验结果评价

为了方便进行定量分析，文本使用相同的图像在eCognition软件上进行了分割实验。在参数设置上，保持Color参数为定值0.2，尺度参数Scale分别为40,80,120，具体结果如图7所示。

图7 不同Scale值时的分割结果Fig.7 Segmentation results with different scales

从图7可以看出，当尺度参数Scale为40时，能够准确切割图中椭圆形区域，但存在一定的过分割现象；随着尺度参数设置为80和120，图中过分割现象减少，但欠分割现象越来越明显，大量区域没有得到充分分割，这说明eCognition软件的分割结果与均值漂移算法的结果相类似，无法得到全局优良的效果。

本文接着进行了定量的数据分析。在分析时选取了影像中的部分区域。将该区域的光学影像进行矢量化，作为参考影像，如图8(a)所示。在文本提出的精度评价方法上,分别选取本文方法的分割结果和eCognition软件多尺度分割中尺度为40的分割结果进行对比，如图8(b)和图8(c)所示。

图8 分割结果对比Fig.8 Comparison of segmentation result

以矢量参考图为依据，运用累计像元的方法对分割结果进行精度评价，得出结果为:本文方法的正确率为82.5%,eCognition软件中多尺度分割结果的正确率为76.3%，在这种情况下，文本的分割精度高于eCognition软件中的多尺度分割。通过对比可以发现，eCognition在小的细节方面分割效果好于本文提出的算法，但存在一定的过分割和欠分割现象，在大块区域分割边界较差，而本文提出的分割算法，分割结果整体性较好，过分割区域和欠分割区域相对较少。

4 结 论

本文针对传统谱聚类算法存在的问题，提出了一种新的改进方法。通过均值漂移分割算法对影像进行预处理，降低了后续分割的运算代价。利用极化SAR影像的边缘信息，采用基于Wishart统计分布的改进方法构建相似性度量矩阵。在预分割的基础上完成影像分割。根据Google Earth提供的参考影像，参照eCognition软件的分割结果，进行了定性和定量的分析。

实验结果表明，本文提出的分割算法显著提高了原算法的运算效率，分割结果良好，全局性优。具有一定的实践意义。

[1] BENZ U, POTTIER E. Object Based Analysis of Polarimetric SAR Data in Alpha-Entropy-Anisotropy Decomposition Using Fuzzy Classification by eCognition[C]∥Proceedings of the IEEE 2011 International Geoscience and Remote Sensing Symposium. Australia, 2011:1426-1428. DOI: 10.1109/IGARSS.2001.976867.

[2] 吴永辉，计科峰，李 禹，等.基于Wishart分布和MRF的多视全极化SAR图像分割[J].电子学报，2012，35(12)：2302-2306.

[3] 邹同元，杨 文，代登信，等.一种新的极化SAR图像非监督分类算法研究[J].武汉大学学报(信息科学版)，2009，34(8)：910-913.

[4] 张 杰.极化SAR影像的分割[D].青岛：山东科技大学，2012.

[5] 张艳梅.融合极化和纹理特征的SAR影像面向对象分类[D].青岛：山东科技大学，2012.

[6] VAHID A, ANTHONY P, GABRIELE M,etal. A Textural Contextual Model for Unsupervised Segmentation of Multi-polarization Synthetic Aperture Radar Images[J]. IEEE Transactions on Geoscience and Remote Sensing, 2013, 51(4):2442-2453.

[7] 李乡儒，吴福朝，胡占义.均值漂移算法的收敛性[J].软件学报，2012,16(3):366-375.

[8] SHI J, MALIK J. Normalized Cuts and Image Segmentation[J]. IEEE Transactions on PAMI, 2011, 22(8): 887-903.

[9] LIU B, HU H, WANG Huan-yu,etal. Superpixel-based Classification with an Adaptive Number of Classes for Polarimetric SAR Images[J]. IEEE Transactions on Geoscience and Remote Sensing, 2013, 51(2): 907-924.

[10]WEBB A R.统计模式识别(第二版)[M].王萍等译.北京:电子工业出版社，2004.

(编辑：王 慰)

Polarimetric SAR Image Segmentation Algorithmby Spectral Clustering

WEI Si-qi, ZHANG Yu, YE Song

(Spatial Information Technology Application Department, Yangtze River Scientific Research Institute, Wuhan 430010, China)

Image segmentation by spectral clustering is a clustering method based on points. It is characterized by the use of similarity measure matrixes. We usually need to calculate the similarity matrixes between every two cells, which consumes huge computation task and a lot of time when processing large images. To solve this problem, we propose an improved method. First, we use mean shift algorithm for polarimetric SAR image, and then select center pixel to construct similarity measure matrix. At last, we use the normalized segmentation rule for image segmentation. Computation experiment proves that the algorithm could improve the efficiency with high accuracy and satisfactory result, hence is of practical significance.

spectral clustering; mean shift; Polarimentric SAR; image segmentation; edge detection

2016-08-01

云南省水利重大科技项目(CKSK2015852/KJ)

魏思奇(1990-)，男，湖北汉川人，助理工程师，硕士，研究方向为倾斜摄影测量，(电话)13720226568(电子信箱)weisiqirs@126.com。

10.11988/ckyyb.20160820

2016,33(11):28-31

TP317.4

A

1001-5485(2016)11-0028-04