基于Mean shift的全极化SAR影像分割算法研究

王杰,方芳,杨魁,2

(1．天津市测绘院,天津 300381; 2．天津市遥感中心,天津 300381)

基于Mean shift的全极化SAR影像分割算法研究

王杰1,2∗,方芳1,杨魁1,2

(1．天津市测绘院,天津 300381; 2．天津市遥感中心,天津 300381)

针对高分辨率全极化SAR影像斑点噪声严重的特点,基于Mean shift影像分割原理和目标分解理论提出和实现了基于目标分解的Mean shift影像分割算法。并利用ESAR提供的全极化数据对分割算法进行了实验研究,从算法思想、实验成果对比分析了基于Mean shift分割算法、ROI算子的分割结果,从而验证了本文影像分割方法的有效性和适用性,可为后续SAR影像解译和应用研究提供参考。

Mean shift;全极化SAR;影像分割;目标分解

1　引 言

随着SAR卫星技术的发展,全极化SAR影像数据逐渐丰富,对其开展影像解译、参数反演研究成为当前SAR技术的重要研究方向。作为其中关键性步骤, SAR影像分割算法也得到众多学者的重视和研究。目前全极化SAR影像分割算法主要可以分为三类:基于影像分类的分割(如基于H/a/A分解+Wishart分类的分割)、基于边缘提取的分割(如采用ROI算子提取有效边缘实现分割)、基于阈值的分割(如按某准则函数求解最优阈值的分割)[1～3]。但是对于高分辨率机载SAR影像而言,上述算法均难以有效解决“椒盐现象”。1975年由Fukunaga等人提出的Mean shift算法通过采用移动的滤波窗口来选择同质像素,且在滤波过程中同时考虑空间和光谱信息。在估计中心像素值的时候,Mean shift算法采用加权平均的方式,实现抑制噪声的同时保持细节[4],因此本文采用该算法针对全极化SAR影像进行分割研究。

但在SAR影像处理领域,Mean shift算法的应用还很少见。以往的研究中,学者在使用Mean shift算法之前首先对SAR影像进行对数变换、规范化等预处理,这些预处理操作会引入偏移,并造成强散射点的模糊,不利于后续进一步的解译[4]。因此为有效减弱SAR斑点噪声过大导致的“椒盐现象”,本文针对全极化SAR影像的特点,提出基于Mean shift算法与SAR目标分解理论的分割算法,并采用VC++构建相应的实验平台,以德国ESAR数据为例验证本文算法的有效性。

2　基于目标分解的Mean shift影像分割算法

为有效减弱SAR斑点噪声过大导致的“椒盐现象”,本文基于全极化SAR数据的特点和Mean shift原理,采用基于目标分解理论的Mean shift影像分割算法来实现影像的有效分割。

Mean shift的基本原理是基于传统的模式识别程序,通过研究影像的特征空间和聚类算法实现分割。它本质上是一个自适应的梯度上升搜索峰值的方法,首先将影像空间中的元素在由位置和颜色组成的特征空间进行表示,通过计算指定窗口内的聚类中心,按照某种相似性度量方法(如最小距离方法),将像素点沿概率密度函数的梯度方向漂移到局部极大值点,从而实现特征空间点的聚集,然后再将它们映射回影像空间得到分割结果[1]。

设S为N维欧几里得空间X中的一个有限集合,用F表示X空间中λ球体的一个核函数,常用的单位均匀核函数表达式为:

其中,x∈X。假设所有的样本点xi中,重要性并不一样。因此在针对每个样本引入一个权重系数的基础上得到量x点处的样本均值为:

m(x)-x的值叫Mean shift。而Mean shift算法就是通过重复移动数据点到达样本均值。移动的步长同时与梯度的大小和该点的概率密度相关。密度大的地方,Mean shift算法获得的步长小,密度小的地方,Mean shift算法获得的步长大。在每一次迭代中,对于所有的s∈S,s←m(s)是同时的。作为一种聚类分析方法, Mean shift的密度估计器的梯度是递增的,而其收敛点则为密度梯度的局部最大值点。

2．2基于目标分解的影像分割

由上可知,影响Mean shift运行结果的因素主要有:核函数、带宽F、容许误差λ,其中,核函数和容许误差的设置一般相对固定,因此如何设置带宽成为极化SAR数据的Mean shift分割算法的关键。由于目标分解理论主要是指采用极化散射矩阵来反映散射体的物理机制,以便于更好的利用极化SAR信息实现SAR数据的解译,因此本文提出基于目标分解的Mean shift分割算法。

目标分解理论主要可以分成针对相关散射矩阵的分解(如Pauli分解、Krogager分解等)、针对协方差矩阵的分解(如Freeman分解等)[5～7]。由于各种分解方法均是针对真实地物的一种客观反映,具有一致性。因此本文主要选择典型的Pauli分解来实现基于目标分解的影像分割。

Pauli基分解采用Pauli基将标准的散射矩阵[S]分解为代表单次散射机制、二面角散射机制、各向同性偶次散射等不同物理意义的分量。在正交线性基(H, V)下,依据互易定理,Pauli基为{[Sa],[Sb],[Sc]},因此散射矩阵[S]可写成下式:

其中,a,b和c表示的均为复数,写成向量的形式:

企业资源除了设备等硬件设施还要有适合的软件环境，如果只是部分设备先进，不能形成整体生产能力，最终只能是一种浪费。只有合理的工作设施设计、控制生产资源投入成本、规范员工的操作行为、生产区域的合理规划及有效利用，才是保证生产效率的必备条件。

在Pauli基分解之后的分量中,单次散射机制用[Sa]表示,旋转轴0度的二面角散射机制用[Sb]表示,绕轴45°倾角的各向同性偶次散射用[Sc]表示,三类散射分类在整体能量上的贡献则可用a2,b2,c2来表示,这三个分解系数可以当做表现目标散射机理的特征量用于地物分析。

因此式(2)中的常规Mean shift算法在基于目标分解的理论下的Mean shift分割算法转化为:

2．3算法实现

由于SAR成像机制的影响,各个极化方式下的SAR影像均存在较大的斑点噪声,因此首先进行SAR影像滤波来增加SAR影像的光滑度;然后采用Pauli基对全极化(包含有HH、HV、VH、VV)方式下的SAR影像进行目标分解获取三种散射机制下(分布为单次散射机制、二面角散射机制、各向同性偶次散射机制)的地物信息;将此三种散射机制分别进行K均值聚类初分割,提高分割效率的同时提高分割准确度;最后采用式(6)中的基于目标分解理论的Mean shift分割算法进行全极化影像分割。

需要说明的是本文针对全极化SAR提出的分割算法与经典的Mean shift算法有存在两个区别:①经典的Mean shift是针对光学影像下每个分量的亮度信息进行分割,其取值范围为[0,255]的整数,数值范围较小。但目标分解后的SAR极化分量往往采用浮点型数据存储,取值范围较大;②本文定义的算法,每个极化分量均有着特殊的物理意义,可以根据区域目标的特性进行权重调整,具有自适应性强的特点,如图1所示。

图1　基于目标分解的Mean shift影像分割技术流程

3　实验及结果分析

3．1实验数据

实验数据为德国的机载ESAR数据,其覆盖区域为德国某机场,如图2所示为HV(水平垂直)极化方式下的SAR数据的幅度影像,图像大小为272×263,空间分辨率为10 m,影像内的主要地物有草地、林地、道路、居民地等地物。图3所示为分别对HH、HV、VH、VV极化方式下的SAR影像进行滤波、Pauli基分解后进行假彩色合成后的影像。

图2　HV极化方式下的SAR幅度图

图3　Pauli基分解后的假彩色图

3．2实验结果分析

采用图1中的算法流程对ESAR数据进行基于Mean shift的影像分割,并以经典的基于兴趣区域(ROA)算子[8]的影像分割结果为例进行对比分析,如图4、图5所示。为有效分析极化SAR数据的分割细节,选择不同类型的特征点进行分析,并进行标注。

对比Mean shift算法、基于ROA算子的影像分割结果,从边缘图可以很直观的看出,用ROA算子检测出来边缘信息特别少,且还存在边缘连续性不好,细节较差的问题。道路(图4中标记4处)只能得到部分细节边缘信息,而其他类型的地物所能反映的边缘信息就更少,说明ROA算子不足以应用于大面积的信息提取。原因在于ROA等边缘算子主要基于图像局部像素均值对比度的差异,这种基于像素的光谱信息算法难以在大区域的SAR影像分割中得到实用。相比较而言,由于Mean shift局部最优求解的特点可以实现弱边缘的检测。

图4　基于目标分解的Mean shift影像分割结果

图5　基于ROA算子的影像分割结果

对Mean shift算法的细节进行分析,道路(图4中标记2、3、4处)等同质性表现明显的区域能够获取很好的效果。不同类型的草地由于与周围地物存在的微小差异被识别出来(图4中标记1、5、6处),较好体现了局部的细节特征;尤其是5处的草地,其与周围地物的边界被有效提取出来。其原因主要是Mean shift基于极化分量的特征空间进行分析,在采用最小距离进行空间聚类过程中,相似的地物被优先合并,差异较大的地物则直接被算法所排除,通过不断迭代实现合并的过程中,具有同质性的地物最终被有效合并。

通过将基于目标分解的Mean shift影像分割算法与经典的ROI分割算法从实验结果上进行比较分析,本文所提出和实现的基于目标分解Mean shift影像分割算法对于全极化数据而言,具有实用性强、可靠性高的优点。

4　结 论

影像分割的本质就是将反映真实地表覆盖的复杂混合总体分解为差异明显的子集合。本文针对高分辨率全极化SAR影像的特点,基于Mean shift影像分割的原理和全极化SAR目标分解理论,以Pauli基分解为例,提出和实现了基于目标分解的Mean shift影像分割算法,从物理机制层面实现了SAR数据的分析。并以德国全极化ESAR数据为例,开展本文方法与经典ROI算子的对比分析工作,验证了基于Mean shift的极化SAR影像分割算法可以获取较好的影像分割成果,算法实用性强。

[1] 杨魁．面向对象的极化SAR影像多尺度分割算法研究[D]．武汉:武汉大学,2011．

[2] 关元秀,程晓阳．高分辨率卫星影像处理指南[M]．北京:科学出版社,2008．

[3] 孙家抦．遥感原理与应用[M]．武汉:武汉大学出版社, 2009:221～223．

[4] 郎丰铠．极化SAR影像滤波及分割方法研究[D]．武汉:武汉大学,2014．

[5] 汪洋,鲁加国,吴先良．极化目标分解在目标分类中的应用[J]．安徽大学学报,2006,30(5):33～36．

[6] S．R．Cloude,E．Pottier．A review of target decomposition theorems in radar polarimetry[J]．IEEE Trans．Geosci．Remote Sensing,1996,34(2):498～518．

[7] 尹杰,杨魁,段毅．面向对象的极化干涉SAR影像分割算法研究[J]．测绘通报,2013,6:74～77．

[8] 木林．高分辨率极化干涉SAR影像道路提取方法研究[D]．阜新:辽宁工程技术大学,2011．

Study on Polarization SAR Segmentation based on Mean shift

Wang Jie1,2,Fang Fang1,Yang Kui1,2
(1．Tianjin Institute of Surveying and Mapping,Tianjin 300381,China; 2．Tianjin Remote Center,Tianjin 300381,China)

According to the speckle characteristics of the high-resolution SAR images,a segmentation algorithm based on Mean shift and target decomposition is proposed and realized．The ESAR data is used to validate the effective of the algorithm,and the results from Mean shift and ROI is compared from the algorithm theory and experiments．The experiment results demonstrate the effectiveness of the proposed method,and provides the basis for the subsequent research in the image interpretation and application．

Mean shift;polarization SAR;image segmentation;target decomposition

1672-8262(2016)01-39-04

P237,TP753

A

∗2015—07—06

王杰(1959—),男,高级工程师,主要从事工程测量、遥感应用工作。

国土资源部公益性行业科研专项(201311045)