李智， 曲長文， 周強， 劉晨

(海軍航空工程學院電子信息工程系， 山東煙臺 264001)

0 引言

星載合成孔徑雷達(Synthetic Aperture Radar, SAR)因其具有全天時、全天候、大覆蓋面積、高分辨、成像不受云霧影響等優(yōu)點，被廣泛地應用于農(nóng)業(yè)、海洋、軍事等領域[1]。大量的研究結(jié)果表明，對SAR圖像中的艦船目標進行檢測時，若包含陸地區(qū)域，由于陸地區(qū)域是強散射中心，會導致檢測結(jié)果在低檢測概率和高虛警概率之間波動，很難取得令人滿意的效果。為提高艦船檢測率、減小虛警率，需要將海洋SAR圖像中的陸地區(qū)域去處，即首先進行海陸分割。

海陸分割工作的目的是完成陸地掩膜，即將海洋SAR圖像中的強散射中心去除，防止其在艦船目標檢測中將艦船目標掩蓋。目前，海陸分割技術主要分為兩類：基于圖像邊緣紋理特征的自動海陸分割和基于圖形學的手動分割。第一類方法是基于雷達在海洋和陸地區(qū)域的不同反射系數(shù)，來進行海岸線檢測的算法[2]。第二類方法是通過人為手動標識多邊形來圈定陸地區(qū)域，再利用圖形學算法分割出陸地區(qū)域[3]。以上兩類算法都存在各自的不足，前者由于大入射角變化使得近距的高亮區(qū)域產(chǎn)生大量的干擾邊緣紋理，很明顯依據(jù)邊緣紋理進行海陸分割的方法將會出現(xiàn)很大的誤差，而后者要求精確地圈定陸地區(qū)域，而人工圈定難免有較大誤差，這使得未被掩膜的陸地區(qū)域容易被檢測成艦船目標帶來虛警，相反誤被當作陸地掩膜的海洋區(qū)域會使近海船舶漏檢，因此兩類方法均不適合對海洋SAR圖像進行批量處理。

Rent和Malik[4]提出了超像素分割的概念，通過超像素分割，控制相應的參數(shù)，可將圖像分成大量不規(guī)則的小塊(超像素)。該算法提供了一種圖像預處理的途徑，但在后續(xù)的改進算法中仍存在模型復雜、生成的超像素邊界也不能與原圖像邊界很好地匹配等缺點[5]。針對以上問題，Achanta等[6]提出了簡單線性迭代聚類的算法(Simple Linear Iterative Clustering, SLIC)，改進后的算法耗時短、效率高，分割的區(qū)域形狀比較規(guī)則，并且超像素邊界對圖像的原始邊界具有很強的依附性[7-8]。

傳統(tǒng)的圖像分割方法由于計算的復雜度，難以在較短的時間內(nèi)得到良好的分割結(jié)果。近來有研究者將SLIC應用于光學圖像與SAR圖像，均取得了較好的分割結(jié)果[9]。鑒于此，本文提出了基于SLIC超像素分割的SAR圖像海陸分割算法。

1 圖像預處理

由于SAR圖像固有的相干斑噪聲會對后續(xù)的分割產(chǎn)生一定的影響，故首先對原始SAR圖像進行相干斑噪聲抑制。本文采用精致Lee濾波算法[10]，因為精致Lee濾波可以保留更加完整的邊緣信息，這對于海陸分割是相當重要的。這里使用7×7的滑動窗口，假定中心像素為x：

1) 將7×7的滑動窗口分為9個3×3的子窗口，9個子窗口之間有重疊。

2) 計算每個子窗口的像素灰度均值，用計算出的9個子窗口像素均值按照一定順序構(gòu)造一個3×3的均值矩陣M，以此來估計局部窗中邊緣的方向。將3×3梯度模板應用到像素均值矩陣M，梯度絕對值最大的方向被確定為邊緣方向。用矩陣M與4種邊緣模板(水平、垂直、45°和135°四個方向的梯度模板，相反方向取相反數(shù))與之進行加權(quán)計算，加權(quán)結(jié)果絕對值最大的被確定邊緣方向。一種邊緣方向?qū)獌煞N模板Xij和Xji，比較Mij和Mji大小，確定選擇哪一種窗口。確定窗口后，用所有陰影區(qū)域外的像素來計算原來滑窗內(nèi)所有像素的局部均值和方差，從而重新估計局部窗的中心像素值。

2 SLIC超像素分割SAR圖像

SLIC是Achanta等提出的一種思想簡單、實現(xiàn)方便的算法。該算法首先將彩色圖像轉(zhuǎn)換為CIE LAB圖像空間，利用LAB顏色空間中的亮度分量、2個顏色分量以及x，y坐標組合而成的五維空間向量進行K-means聚類。其算法步驟如下[11]：

1) 設定要分割的超像素的個數(shù)k，由圖像的總像素點個數(shù)除以超像素的個數(shù)k得出每個超像素所包含的像素點數(shù)，然后初始化聚類中心Ck=[lk,ak,bk,xk,yk]在間隔為S的網(wǎng)格節(jié)點上；

2) 依次計算聚類中心3×3鄰域內(nèi)9個像素點的梯度大小，將梯度最小的像素點確定為新的聚類中心；

3) 對于每個新確定的聚類中心，根據(jù)距離度量依次在每個聚類中心2S×2S區(qū)域內(nèi)分配像素點；

4) 重新計算聚類中心并重新聚類，重復迭代，計算前后2次聚類中心的距離E，直到E≤threshold，聚類結(jié)束。

在超像素分割算法中，實驗參數(shù)的大小設置直接影響超像素分割的效果，不同參數(shù)設置情況下的超像素分割結(jié)果如圖1所示。圖1(a)為實驗原圖，截取自德國TerrSAR-X衛(wèi)星于2008年5月12日獲取的直布羅陀海峽圖像。圖中方框區(qū)域是不同參數(shù)設置產(chǎn)生的超像素分割誤差區(qū)域，可見不同參數(shù)設置對超像素分割的一致性有顯著影響。分割算法中最重要的參數(shù)是超像素的個數(shù)k，它決定著每個超像素的尺寸大小以及分割不同質(zhì)區(qū)域的效果。我們希望得到的每個超像素區(qū)域中只包含海面或者陸地。為了能夠在細節(jié)邊緣使海水和陸地分割開來，需要著重注意每個超像素區(qū)域的尺寸。如圖1(b)、圖1(e)、圖1(h)所示，當k=200時，由于超像素個數(shù)太少，會出現(xiàn)將海面和陸地分割到同一超像素中的情況。而超像素個數(shù)無需太多便可以取得很好的效果，同時超像素個數(shù)太多會使得算法效率降低。第二個參數(shù)是超像素的緊密度，決定著相似像素的聚合程度。通過實驗可以得出，緊密度系數(shù)Compactness若設置過大會導致分割算法的失敗，如圖1(h)、圖1(i)、圖1(g)所示，緊密度系數(shù)太大，使得某些細節(jié)處出現(xiàn)比較明顯的分割錯誤。相反緊密度系數(shù)太小會導致分割算法效果不盡人意，且超像素形狀極其不規(guī)則，如圖1(b)、圖1(c)、圖1(d)所示。綜合兩個參數(shù)對實驗效果的影響以及實驗實際效果的對比，在后續(xù)對原圖的處理中，選用圖1(f)，參數(shù)設置為k=500，Compactress=100。

(a)原圖(b) k=200, Compactness=50

(c) k=500, Compactness=50 (d) k=1 000, Compactness=50

(e) k=200, Compactness=100 (f) k=500, Compactness=100

(g) k=1 000, Compactness=100 (h) k=200, Compactness=200

(i) k=500, Compactness=200 (j) k=1 000, Compactness=200圖1不同參數(shù)設置下的SLIC超像素分割結(jié)果

3 FT區(qū)域顯著性檢測及顯著值相似度聚類

3.1 FT區(qū)域顯著性檢測

本文在超像素分割的基礎上，通過顯著性檢測把陸地高亮部分檢測出來，將區(qū)域顯著值相似的區(qū)域合并，進行圖像二值化，達到海陸分割的效果。

為了突出整幅圖片中最大的物體，點亮整個顯著區(qū)域，并且使區(qū)域擁有清晰的輪廓，這里采用Achanta等提出的頻率調(diào)諧(Frequency-Tuned, FT)[12]算法對超像素分割后的圖片進行處理。

設大小為m×n的輸入圖像f，F(xiàn)T算法的實現(xiàn)過程如下：

首先，求出f在CIE LAB顏色空間模型中3個特征分量的平均值：

(1)

然后，計算輸入圖像f高斯濾波后的圖像fG：

fG=f?G

(2)

式中，G為p×p的高斯濾波器，其尺寸一般選取為3×3或5×5。圖像fG在CIE LAB顏色空間模型中的3個特征值為Iμ=[Lμ,aμ,bμ]T。

定義圖像f在像素點(x,y)處的顯著值為S(x,y)：

S(x,y)=‖IG(x,y)-IG‖

(3)

式中， ‖·‖表示向量的空間距離。

3.2 顯著值相似度聚類

在經(jīng)過SLIC超像素分割以及頻率調(diào)諧區(qū)域顯著性檢測后，需要對圖像中超像素進行顯著值相似度聚類來達到將陸地與海面分離的效果。設第i個超像素的顯著值為Si(i=1,2,…,k)，對任一超像素i周圍的所有像素塊進行如下運算：若|Si-Sj|≤T(T為經(jīng)驗閾值)，則將兩塊區(qū)域合并，新生成的像素塊的顯著值為(niSi+njSj)/(ni+nj)，其中ni,nj為第i,j個超像素中所包含的像素個數(shù)；合并后的區(qū)域繼續(xù)進行次運算，直至遍歷所有超像素。

4 實驗結(jié)果與分析

實驗1： 以圖1(a)為實驗圖像，首先經(jīng)過超像素分割，將圖1(f)經(jīng)過FT算法以及超像素進行顯著值相似度聚類后，得到如圖2(a)所示效果，圖2(b)、圖2(c)、圖2(d)、圖2(e)分別為HC，LC，RC，SR算法區(qū)域顯著性檢測的結(jié)果，由實驗效果圖明顯可以得出經(jīng)過超像素分割后FT，HC，LC算法的顯著區(qū)域突出明顯，其中FT算法的顯著性效果最佳。

(a)SLIC+FT (b)SLIC+HC

(c)SLIC+LC (d)SLIC+RC

(e)SLIC+SR圖2不同算法的區(qū)域顯著性檢測結(jié)果

進行超像素顯著值相似度聚類后，對圖像進行二值化，得到如圖3所示效果，即得到最終的海陸分割結(jié)果。由實驗結(jié)果可以得出，最終得到的海陸分割線與真實海岸線有很好的契合度。

(a)二值化結(jié)果 (b)海岸線契合度圖示圖3本文算法的海陸分割結(jié)果

為評價本文算法的實際性能，以分割品質(zhì)作為評價標準，并與雙閾值Otus法的實驗結(jié)果進行比較。分割品質(zhì)的定義如式(4)所示：

(4)

式(4)中的分割品質(zhì)融合考慮了虛警率與漏警率，最優(yōu)值為1。

經(jīng)過對比實驗，雙閾值Otus法與本文算法的分割品質(zhì)分別為99.57%和99.89%。在主頻為2.13 GHz、內(nèi)存為2 GB的PC上處理時間分別為4.2 s和2.1 s。

實驗2： 為驗證本文所提算法的有效性，再次選取SAR圖像進行實驗。實驗SAR圖像來自加拿大探測衛(wèi)星Radarsat-2獲取的圖像，如圖4(a)所示，圖像于2015年6月2日拍攝，圖像大小為1 076×864像素。獲取圖片時衛(wèi)星處于聚束模式，升軌右視，VV極化，SLC數(shù)據(jù)，實驗區(qū)域為煙臺港附近海域。

圖4(b)為本實驗的SLIC超像素分割結(jié)果。由于實驗原圖過大，為取得更好的分割效果，通過實驗分析對比，當參數(shù)設置為k=1 000，Compactness=50時效果最好。之后對超像素分割結(jié)果進行FT區(qū)域顯著性檢測、顯著值相似度聚類以及圖像二值化得到如圖4(d)所示的海陸分割結(jié)果，最終得到的海陸分割線與真實海岸線有很好的契合度。

同樣，與雙閾值Otus法進行對比實驗。實驗結(jié)果顯示雙閾值Otus法與本文算法的分割品質(zhì)分別為98.21%和99.32%。在主頻為2.13 GHz，內(nèi)存為2 GB的PC上處理時間分別為12.3 s和6.5 s。

(c)SLIC+FT (d)海陸分割結(jié)果

(e)海岸線契合度圖示圖4本文算法實驗效果圖

由兩次實驗的結(jié)果可以得出，本文算法具有更高的分割精度及運行效率。

5 結(jié)束語

本文在分析當前常用海陸分割算法的基礎上，提出了基于SLIC超像素分割的海陸分割算法，該方法首先用精致Lee濾波對圖像進行預處理，再經(jīng)過SLIC算法來生成超像素，在此基礎上對超像素分割圖像進行FT區(qū)域顯著性檢測以及顯著值相似度聚類，最終通過圖像二值化得到海陸分割結(jié)果。為驗證本文所提算法的分割效果，使用德國TerrSAR-X雷達衛(wèi)星數(shù)據(jù)和加拿大Radarsat-2數(shù)據(jù)。實驗結(jié)果表明，本文所提海陸分割算法的性能很好，最終提取的海陸分割線與海岸線有很好的契合度，具有很高的分割精度及較高的運行效率，適合進行圖像的批量處理。下一步研究的方向是在海陸分割的基礎上，把岸邊的艦船等屬于高亮像素的目標分割出來。

[1]BROWN L G.A Survey of Image Registration Techniques[J].ACM Computing Surveys, 1992, 24(4):326-376.

[2]王玉平,蔡元龍. 多尺度B樣條小波邊緣檢測算子[J]. 中國科學：A輯, 1995, 25(4):426-437.

[3]O’ROUKE J. Computational Geometry in C[M]. 2nd ed. Cambridge:Cambridge University Press, 2005.

[4]REN X, MALIK J. Learning a Classification Model for Segmentation[C]∥9th IEEE International Conference on Computer Vision, Nice, France:IEEE, 2003:10-17.

[5]VEDALDI A, SOATTO S. Quick Shift and Kernel Methods for Mode Seeking[C]∥European Conference on Computer Vision, Marseille, France:Springer, 2008:705-718.

[6]ACHANTA R, SHAJI A, SMITH K, et al. SLIC Superpixels Compared to State-of-the-Art Superpixel Methods[J]. IEEE Trans on Pattern Analysis and Machine Intelligence, 2012, 34(11):2274-2282.

[7]趙淵,彭濟根,高義. 基于SLIC超像素分割的圖分割算法[J]. 工程數(shù)學學報, 2016, 33(5):441-449.

[8]孫巍,郭敏. 基于SLIC與條件隨機場的圖像分割算法[J]. 計算機應用研究, 2015, 32(12):3817-3820.

[9]QIN Fachao, GUO Jiming, LANG Fengkai. Superpixel Segmentation for Polarimetric SAR Imagery Using Local Iterative Clustering[J]. IEEE Geoscience and Remote Sensing Letters, 2015, 12(1):13-17.

[10]劉晨,張宗虎. 一種改進的Lee濾波相干斑噪聲抑制方法[J]. 新疆師范大學學報(自然科學版), 2015, 34(1):5-11.

[11]汪成,陳文兵. 基于SLIC超像素分割顯著區(qū)域檢測方法的研究[J]. 南京郵電大學學報(自然科學版), 2016, 36(1):89-93.

[12]黃應清,梁新彬,謝志宏,等. 基于特征顯著值歸一化與位置加權(quán)的FT算法[J]. 兵器裝備工程學報, 2016, 37(6):124-128.