基于上下文分析的SAR图像分割算法

林婷婷

摘  要：合成孔径雷达（synthetic aperture radar， SAR）是一种主动的微波遥感成像雷达，合成孔径原理的使用可以获得高分辨率的图像，提供丰富的地面信息。同时，特殊的成像原理也产生了新的图像处理问题。文章针对SAR图像的特点设计一种自适应滑动窗口，并将图像上下文信息（邻域信息和边缘信息）应用进模糊聚类算法，可以有效的抑制噪声的干扰，分割的效果有了很大的提高。

关键词：SAR图像;图像分割;上下文信息;聚类算法;区域生长算法

中图分类号：TN957.52      文献标志码：A         文章编号：2095-2945（2019）26-0123-02

Abstract： Synthetic aperture radar （SAR） is an active microwave remote sensing imaging radar. The use of synthetic aperture principle can obtain high-resolution images and provide rich-ground information. At the same time， the special imaging principle also gives rise to new image processing problems. In this paper， an adaptive sliding window is designed according to the characteristics of SAR image， and the image context information （neighborhood information and edge information） is applied to the fuzzy clustering algorithm， which can effectively suppress the interference of noise. The effect of segmentation has been greatly improved.

Keywords： SAR image; image segmentation; context information; clustering algorithm; region growth algorithm

SAR是一种主动的微波遥感成像雷达。在距离位方向，它发射大时间带宽积的线性调频脉冲信号，采用脉冲压缩技术处理接收到的回波信号，很好的解决了测量距离与分辨率的矛盾。在方位向，利用合成孔径的原理来形成一个大的等效天线来提高分辨率，最后利用特定的成像技术生成SAR图像。SAR能够全天候、全天时工作，有穿透能力，视角灵活可变，产生高分辨率的二维图像等优点，已经成为一种非常重要的对地、对空观测不可或缺的技术手段，在科学领域还有灾害、地质、森林、城市航空等方面都发挥着至关重要的作用。随着SAR的不断优化以及SAR图像处理技术的发展和完善，其应用范围也会有更大的拓展[1]。

1 基于上下文自适应滑动窗的FCM算法

分类是人类的处理事物的一种非常传统而且有效的方式。当接触到新奇的物体或者为了理解一种新的现象时，人们总是习惯性地按照已有的判断标准将它归属于一种已知的类别中，进而加深了解。而在今天互联网技术和信息技术的飞速发展，任何领域都会产生数量巨大的数据，这些大规模的数据无论是容量还是表达的信息量都已经远遠的超过了人类的处理能力。利用计算机将这些数据进行有效的分类或者聚类显得尤为重要。聚类分析就是一种有效将数据实现良好分类的思想[2]。聚类算法可以在不需要事先了解数据的内在特征的情况下将有限未标记的数据集分成有限的离散“自然”数据集来发现数据的结构特征[1]。

1.1 传统法的FCM算法

传统的模糊c均值聚类算法（FCM算法）由于其算法的简洁性、稳定性成为应用最为广泛的模糊聚类算法。它可以很好的处理数据分析、特征分析等方面的问题。该算法的中心思想是最小化某个价值函数的基础上对无标签的数据进行无监督的分类。相比较对K-means算法的硬性聚类的性质，FCM算法的先进之处为引入隶属度因子的概念，使得一个数据点并不只是单纯的依靠距离的尺度来说明属于哪一个确定的点群，而是以概率的角度来表示这个数据点属于所有点群的大小，隶属度的引入可以使得FCM算法在保留图像的细节方面做得更好，数据分析更加灵活。

1.2 基于自适应滑动窗的FCM算法

上文中我们曾经提到过SAR图像中包含着大量的相干斑噪声，导致很多传统的算法失效，其中FCM算法对噪声点也是比较的敏感，所以直接使用FCM算法对SAR图像进行分割的效果并不好。上文曾经提到过，相干斑噪声的影响使得原本相同区域的灰度值会围绕一个均值点而上下波动，对待这种噪声，最好的方法就是平均滤波。

然而，一般的滑动窗口对SAR图像进行滑动滤波，窗口的大小会是一个难以计算的问题，窗口过大滤波的效果固然更好，然而大的窗口会使得图像丢掉细节信息，造成图像处理的不准确;窗口过小可以保留更多的细节信息，但是过小的窗口平均难以抑制相干斑噪声的影响。如此说来，本文设计采用自适应的滑动窗口来实现对图像的平均滤波。窗口的大小在图像的边缘信息的控制下变化[2]。

2 基于上下文分析的区域生长算法

2.1 传统的区域生长算法

区域生长算法，又称为种子算法，它的基本思想是根据设计的的生长准则将像素点或者子区域聚合成更大的区域。基本方法是以一个种子点或者是一组种子点作为初始点，将与初始点性质相近（例如灰度值或者是颜色的相似性）的像素点加入到分割的区域当中。这里的提到的初始点是根据不同的问题而人为选定的起点。生长的过程总是从这些起点出发，检测邻域内的像素点并根据准则判断是否应该加入到分割区域当中，形成新的种子点之后不断的重复生长过程，直到遍历图像中所有的像素点。

区域生长算法流程：第一步：选定初始生长点（图1中A点），标定四邻域内像素点，同时读取灰度值（图中深色区域）。第二步：选取灰度值与初始点最为接近的像素点进入到分割区域当中（选定图中2点）。第三步：以新生长的像素点作为初始点，重复第二步操作;直到所有的像素点都经历过生长条件，算法结束;图中的灰色区域便是生长的路径图。

区域生长算法的设计的关键在于三点：生长种子点的确定;区域生长的条件设计;区域生长停止的条件。

本文中生长种子点由人为选取;当涉及到区域生长的条件，在实际中，由于噪声的干扰，使得原本灰度值相等的像素点的灰度值有一定的差，所以设定两个灰度值相等作为生长条件是不合理的，在此我们引入容差的概念，理解为，两个像素点的灰度值的差。在实际的应用中，容差一般指的是相似判断所允许的最大的灰度差。在这里需要注意的是，容差越大，填充的精度越低，进入到分割区域中的像素点就越多，分割区域内的点分割的误差越小，而它的边缘信息会越差。相反的，容差越小，填充的精度越高，图像的边缘信息会更加的精确，但是在存在噪声的情况下，分割区域内的点将有可能被滤除。如何设计出最好的生长条件是区域生长的关键和难点。

最直观的实现便是回溯算法，即从一个点出发，按照事先设计好的区域生长条件判断它的四邻域或者是八邻域的像素点是否应该进入分割区域，生长的过程当中，对已经生长的像素点不再计算。由于该方法中用到了迭代的思想，执行的效率较低，可以用堆栈的思想消除，这就是漫水法。

该算法的具体步骤为：步骤一：选取种子点，获取灰度值，将种子点压入堆栈。步骤二：弹栈，用弹出的像素点作为新的种子生长点，将八邻域或者四邻域的像素点进入到判断条件，满足生长条件的像素点进入堆栈中。步骤三：重复步骤二，直到堆栈中无数据，说明无新的生长点生成。

算法结束。

算法的流程图如图2。

2.2 基于上下文信息的非均衡快速区域生长算法

从上文中传统区域生长算法的计算过程就可以看出，区域生长算法在应对SAR图像中大量的相干斑噪声的時候是无能无力的，像素点的灰度值在相干斑噪声的影响下围绕一个数值而上下波动，导致区域生长条件无法确定，满足图像边缘信息和内部信息的共同生长有一定的难度。生长条件（阈值）设置的宽松，使得大多数像素点可以进入到分割区域内，可以得到比较好的图像内部信息，生长条件（阈值）设置的苛刻，可以滤除更多的噪声，使得图像的边缘信息分割较好，但是在图像的内部，很多本应该进入分割区域的像素点在相干斑噪声的影响下被生长条件滤除，导致图像的内部效果不好。

3 结束语

本文针对SAR图像的特点，在上下文信息的指导下完成了对FCM算法和区域生长算法的优化，实现了对SAR图像的良好的分割。

SAR图像中含有大量的相干斑噪声，同时图像的尺寸含有的信息比较多，本文采用图像边缘信息控制的自适应的滑动窗口对图像实现平均滤波，同时在自适应窗口中提取目标像素点的邻域信息构成上下文信息对像素点进行升维度的处理，使得每一个像素点含有的信息量以及信息的准确度都有了很大的提升，不仅抑制了相干斑噪声的影响，更能指导FCM算法的分割。

参考文献：

[1]黄世奇.合成孔径雷达成像及其图像处理（第一版）[M].北京：科学出版社，2015.

[2]何清.模糊聚类分析理论与应用研究进展[J].模糊系统与数学，1998，12（2）：89-94.