基于區(qū)域型M RF的SAR圖像分割算法

徐 康, 楊學(xué)志, 李長(zhǎng)凱, 范良?xì)g

(合肥工業(yè)大學(xué)計(jì)算機(jī)與信息學(xué)院,安徽合肥 230009)

基于區(qū)域型M RF的SAR圖像分割算法

徐 康, 楊學(xué)志, 李長(zhǎng)凱, 范良?xì)g

(合肥工業(yè)大學(xué)計(jì)算機(jī)與信息學(xué)院,安徽合肥 230009)

針對(duì)迭代區(qū)域生長(zhǎng)算法(IRGS)在處理含相干斑噪聲嚴(yán)重的合成孔徑雷達(dá)(SAR)圖像時(shí)具有的邊緣定位不準(zhǔn)確和初始過度分割的兩大不足,文章提出了一種新型的改進(jìn)分割算法。通過各向異性擴(kuò)散濾波(SRAD)抑制SAR圖像的斑點(diǎn)噪聲并增強(qiáng)圖像的邊緣信息,采用分水嶺分割與區(qū)域鄰接圖(RAG)構(gòu)建SAR圖像的區(qū)域化表達(dá)。在此基礎(chǔ)上,與IRGS算法相結(jié)合,實(shí)現(xiàn)SAR圖像的快速、精確分割。將新算法用于一組添加了不同噪聲水平的合成圖像和真實(shí)SAR圖像,實(shí)驗(yàn)結(jié)果表明新算法在分割準(zhǔn)確度和時(shí)間效率上均有較大提高。

合成孔徑雷達(dá);圖像分割;迭代區(qū)域生長(zhǎng)(IRGS);各向異性擴(kuò)散的相干斑降噪(SRAD)

近年來,微波遙感技術(shù)的典型代表合成孔徑雷達(dá)(SAR)[1]以全天候、全天時(shí)、多波段、多極化、可變側(cè)視角以及穿透能力強(qiáng)等諸多優(yōu)點(diǎn)被廣泛應(yīng)用于軍事和國(guó)民經(jīng)濟(jì)領(lǐng)域。人們?cè)谘芯縎AR成像技術(shù)的同時(shí)不斷致力發(fā)展SAR圖像處理技術(shù),以便從包含豐富觀測(cè)數(shù)據(jù)的SAR圖像中獲得所需實(shí)時(shí)信息。SAR圖像分割技術(shù)是SAR圖像處理的關(guān)鍵技術(shù)之一,研究和發(fā)展高精度、快速有效的SAR圖像分割方法具有重要的理論意義和商用價(jià)值。目前,提出的SAR圖像分割算法主要包括:閾值分割方法、聚類方法、結(jié)合邊緣檢測(cè)與區(qū)域合并的混合方法和基于MRF模型的分割方法[2-5]。上述方法是將傳統(tǒng)的圖像分割方法與SAR圖像的本身特性相結(jié)合,實(shí)現(xiàn)SAR圖像的有效分割。閾值分割方法和聚類方法實(shí)現(xiàn)簡(jiǎn)單,但易受噪聲影響;邊緣檢測(cè)和區(qū)域合并的分割方法難以確定分割的終止邊界,往往分割出來的結(jié)果存在過分割或欠分割現(xiàn)象;基于MRF模型和MRF模型的改進(jìn)分割方法需要構(gòu)建精準(zhǔn)的分割模型和對(duì)模型參數(shù)的準(zhǔn)確估計(jì)。

本文在基于MRF改進(jìn)分割方法——IRGS算法的基礎(chǔ)上[6],針對(duì)SAR圖像的本身特性,分析提出處理含斑點(diǎn)噪聲嚴(yán)重的SAR圖像分割算法。

1 新算法原理

1.1 IRGS算法

IRGS算法是文獻(xiàn)[6]提出的一種區(qū)域型MRF方法的改進(jìn)算法。與傳統(tǒng)MRF分割方法相比,IRGS算法分割精度更高,時(shí)間效率更快。傳統(tǒng)的MRF分割以貝葉斯公式為基礎(chǔ),通過計(jì)算最大后驗(yàn)概率完成圖像分割,即

其中,在特征模型中,P(C｜f)表示已知圖像 f的分割標(biāo)記結(jié)果C的后驗(yàn)概率;p(f｜C)表示已知標(biāo)記結(jié)果C的條件概率分布;在空間上下文模型P(C)中,P(C)表示C的先驗(yàn)概率。

與傳統(tǒng)求解目標(biāo)函數(shù)最優(yōu)解所采用的組合優(yōu)化方法如模擬退火算法、ICM算法不同,IRGS算法采用迭代區(qū)域生長(zhǎng)技術(shù)求解目標(biāo)函數(shù)的最優(yōu)解。通過計(jì)算合并前后的δEij值,判定相應(yīng)的區(qū)域是否進(jìn)行合并。

若 δEij值為負(fù),則 Ωi和 Ωj進(jìn)行合并;反之,Ωi和 Ωj不進(jìn)行合并。每一次迭代合并使 δEij值減少最大的相鄰區(qū)域,循環(huán)迭代,直到能量差值δEij為正為止。IRGS算法分割流程如圖1所示。

IRGS的全局分割算法描述如下:

(1)對(duì)原始圖像進(jìn)行分水嶺初始分割[7],設(shè)定邊緣懲罰函數(shù)的參數(shù)K值為0。構(gòu)建初始分割后的 RAG(region adjacency graph,簡(jiǎn)稱 RAG),并給每一個(gè) RAG節(jié)點(diǎn)賦一個(gè)隨機(jī)的分割標(biāo)號(hào)值。

(2)基于當(dāng)前RAG標(biāo)記的結(jié)果,采用EM算法估計(jì)分割目標(biāo)特征模型參數(shù)ui和δ2i。

(3)對(duì)在RAG里面每一對(duì)標(biāo)記為相同標(biāo)號(hào)的相鄰區(qū)域節(jié)點(diǎn)計(jì)算能量差值δEij,并找到其中最小的δE min。

(4)如果δE min是負(fù)值,則合并使δE m in最小的對(duì)應(yīng)標(biāo)記節(jié)點(diǎn)區(qū)域,合并結(jié)束后返回步驟(3)。

(5)循環(huán)迭代執(zhí)行步驟(3)和步驟(4),直到δE m in為正,即不能合并時(shí),對(duì)合并后的圖像基本區(qū)域重新構(gòu)建RAG節(jié)點(diǎn),依據(jù)目標(biāo)函數(shù)(8)式計(jì)算圖像最優(yōu)的標(biāo)記分割結(jié)果。

(6)如果設(shè)定的迭代分割的次數(shù)還未完成,則增大K值,返回到步驟(2)繼續(xù)執(zhí)行。

圖1 IRGS算法分割流程

1.2 IRGS算法的不足

SAR采用微波相干方式成像,以有源主動(dòng)方式工作,形成了SAR圖像特有的噪聲特征。由相干波引起的相干斑噪聲是影響SAR圖像分割準(zhǔn)確與否的關(guān)鍵因素。IRGS算法是基于MRF方法的改進(jìn)算法,它在MRF方法的基礎(chǔ)上,利用了圖像的邊緣強(qiáng)度信息,采用迭代區(qū)域生長(zhǎng)技術(shù)進(jìn)行圖像分割。將IRGS算法直接用于含噪嚴(yán)重的SAR圖像,主要存在2個(gè)方面的問題:

(1)相干斑噪聲的存在影響了SAR圖像梯度信息的提取,初始分割不能準(zhǔn)確地保持圖像的邊緣,而梯度信息是IRGS算法進(jìn)行后續(xù)區(qū)域合并的重要依據(jù)。

(2)當(dāng)前的IRGS算法是基于基本區(qū)域的,相干斑噪聲的存在致使初始分割的基本區(qū)域數(shù)目過大,使得后續(xù)的區(qū)域合并,目標(biāo)函數(shù)求解的運(yùn)算量增加,分割時(shí)間加長(zhǎng),難以擴(kuò)展應(yīng)用。

1.3 IRGS算法的改進(jìn)

相干斑點(diǎn)噪聲的存在是影響IRGS算法用于SAR圖像分割的關(guān)鍵因素,實(shí)現(xiàn)SAR圖像準(zhǔn)確分割的關(guān)鍵在于選用合適的去噪技術(shù)。目前,常采用的濾波方法為空域處理技術(shù),包括中值類濾波、均值類濾波和統(tǒng)計(jì)類濾波[8,9]。一般地,利用局部統(tǒng)計(jì)信息去除相干斑噪聲的統(tǒng)計(jì)類濾波,如LEE濾波、Kuan濾波和Gama MAP濾波等,優(yōu)于基于像素級(jí)處理的中值類濾波和均值濾波。然而,由于統(tǒng)計(jì)類濾波固有的特性,在有效抑制斑點(diǎn)噪聲的同時(shí),卻無法準(zhǔn)確保留圖像的結(jié)構(gòu)信息和邊緣信息,而圖像的邊緣信息是IRGS分割算法進(jìn)行區(qū)域生長(zhǎng)和構(gòu)建分割目標(biāo)函數(shù)的核心信息。

針對(duì)上述問題,本文采用基于偏微分方程(PDE)的各向異性擴(kuò)散濾波去噪[10]。與統(tǒng)計(jì)類濾波相比,各向異性擴(kuò)散濾波在濾除相干斑噪聲的同時(shí)有效保持了圖像的邊緣信息;在此基礎(chǔ)上,通過分水嶺初始分割和區(qū)域連接圖構(gòu)建SAR圖像的區(qū)域化表達(dá),與 IRGS算法相結(jié)合,完成SAR圖像分割。各向異性擴(kuò)散濾波原理如下:構(gòu)造偏微分方程(PDE),經(jīng)過多次迭代得到的擴(kuò)散濾波結(jié)果I(t)為:

其中,I0表示初始圖像;t表示時(shí)間變量;div為散度算子;▽為梯度算子;c(q)表示擴(kuò)散系數(shù)。c(q)可以表示為:

其中▽2為拉普拉斯算子。

引入?yún)?shù)c(q)的各向異性擴(kuò)散濾波在圖像的同質(zhì)區(qū)域進(jìn)行等方向性擴(kuò)散,在圖像的邊緣區(qū)域沿邊緣方向擴(kuò)散,從而在平滑同質(zhì)區(qū)域的同時(shí)有效保持了圖像的邊緣強(qiáng)度信息。采用迭代方法完成濾波過程。

2 實(shí)驗(yàn)結(jié)果與分析

2.1 實(shí)驗(yàn)參數(shù)和評(píng)價(jià)指標(biāo)

為了驗(yàn)證本文方法的有效性,本文通過以下2種分割方法進(jìn)行對(duì)比:

(1)對(duì)SAR圖像直接進(jìn)行IRGS算法分割。

(2)各向異性擴(kuò)散濾波(SRAD)與IRGS算法相結(jié)合用于SAR圖像分割。

將2種方法分別用于一組含有不同等效視數(shù)的相干斑噪聲的合成圖像和真實(shí)的SAR海冰圖像。

在目標(biāo)函數(shù)(8)式中,參數(shù) uxs、δ2xs的初始值可以通過EM算法估計(jì)獲得,權(quán)值參數(shù)β由人工憑經(jīng)驗(yàn)設(shè)定。對(duì)于合成 SAR圖像,參數(shù) β取0.1;對(duì)于真實(shí)SAR圖像,β取3.0。迭代區(qū)域生長(zhǎng)的迭代次數(shù)設(shè)置為300次,初始K值為0。

為了衡量實(shí)驗(yàn)中各種方法的對(duì)比性能,本文引入了整體準(zhǔn)確率和kappa系數(shù)用于評(píng)價(jià)分割性能[9]。

整體準(zhǔn)確率指的是被正確標(biāo)記的像素的百分比;kappa系數(shù)一般用來評(píng)價(jià)遙感圖像的分類的正確程度,該系數(shù)的取值范圍為[-1,1],其值接近1時(shí),說明分類性能較好,當(dāng)kappa系數(shù)大于0.8時(shí),分類性能則較好。

2.2 合成圖像分割

合成圖像分割結(jié)果,如圖2所示。

圖2 合成圖像分割結(jié)果

分割算法首先用于評(píng)價(jià)圖2a中所示的合成圖像,該圖像大小為512×512,包括星型、不同寬度的直線和曲線。對(duì)該圖像添加8種不同等效視數(shù)水平的相干斑噪聲,即 50、30、25、20、15、10、5和 1,獲得一組模擬SAR圖像,其中等效視數(shù)是表征SAR圖像相干斑噪聲強(qiáng)度的常用指標(biāo),可定義為:

其中,I表示圖像的一個(gè)平坦區(qū)域;E[I]為圖像均值;Var[I]為圖像方差。ENL反映了SAR圖像受相干斑噪聲污染的程度,圖像的ENL值越高,圖像噪聲越少。分割結(jié)果評(píng)價(jià)見表1所列。

表1 分割結(jié)果評(píng)價(jià)(整體準(zhǔn)確率/kappa系數(shù))

表1列出了不同相干斑噪聲水平的合成圖像的分割準(zhǔn)確性,含噪聲越嚴(yán)重的合成圖像,采用各向異性擴(kuò)散濾波與IRGS結(jié)合的分割方法更優(yōu)于直接采用IRGS算法進(jìn)行SAR圖像分割。

圖2b顯示添加了等效視數(shù)為10的相干斑噪聲的合成圖像,圖2c和圖2d為分割結(jié)果,從中可以看出采用各向異性擴(kuò)散濾波與IRGS算法相結(jié)合的分割算法能夠分割出右側(cè)細(xì)小的曲線波紋和左側(cè)上方的細(xì)直線,保持了合成圖像的邊緣結(jié)構(gòu)信息。

2.3 SAR海冰圖像的分割

SAR圖像分割結(jié)果如圖3和圖4所示。

將本文提出的算法用于真實(shí)SAR海冰圖像,圖3a是由分辨率為100 m,工作在ScanSAR C-頻段模式的RADARSAT-1衛(wèi)星拍攝的1997年10月13日的Beaufort海的海冰圖像;圖4a是于1998年2月20日拍攝的Saint Law rence海峽的影像,較亮的區(qū)域表示成年冰,其它區(qū)域表示灰白冰。對(duì)圖3和圖4的分割結(jié)果進(jìn)行對(duì)比,結(jié)果見表2所列。采用各向異性擴(kuò)散濾波與IRGS相結(jié)合的分割算法,比直接采用IRGS算法能更好地保持圖像的邊緣信息,克服了相干斑點(diǎn)對(duì)SAR圖像分割的影響,減少了錯(cuò)誤分割的數(shù)目,這是由于各向異性擴(kuò)散濾波有效減少了初始分割的區(qū)域數(shù)目。

從表2可以看出,各向異性擴(kuò)散濾波與IRGS算法相結(jié)合的分割算法,在提高分割精度的同時(shí)降低了計(jì)算量,大幅度減少了初始分割區(qū)域數(shù)目,節(jié)省了計(jì)算時(shí)間。

圖3 SAR圖像分割結(jié)果(一)

圖4 SAR圖像分割結(jié)果(二)

表2 初始分割數(shù)與分割時(shí)間

3 結(jié)束語

各向異性擴(kuò)散濾波在有效抑制SAR圖像斑點(diǎn)噪聲的同時(shí)保留了SAR圖像的邊緣信息。通過各向異性擴(kuò)散濾波與IRGS算法相結(jié)合,有效地解決了IRGS算法在處理含相干斑點(diǎn)噪聲的SAR圖像分割中遇到的邊緣定位不準(zhǔn)確和初始過度分割的兩大問題。各向異性擴(kuò)散濾波與IRGS相結(jié)合的新方法與直接采用IRGS算法相比,提高了SAR圖像分割的準(zhǔn)確度,降低了分割時(shí)間。

[1] 舒 寧.雷達(dá)遙感原理[M].北京:測(cè)繪出版社,1997:2-5.

[2] Soh L K,Tsatsoulis C.Unsupervised segmentation of ERS and RADARSAT sea ice im agesusing multiresolu tion peak detection and aggregated population equalization[J].International Journal of Rem ote Sensing,1999,20(15/16):3087-3109.

[3] Soh L K,Tsatsoulis C,Gineris D,et al.ARKTOS:an intelligent system for SAR sea ice im age classification[J].IEEE Trans Geosci Rem ote Sensing,2004,42(1):229-248.

[4] Yu Q,Clausi D A.Filam ent preserving segmentation for SAR sea ice imagery using a new statistical model[J].IEEE T rans Geosci Remote Sensing,2006,44(12):3678-3684.

[5] Li S.Markov random fieldm odeling in im age analysis[M].New York:Springer,2009:21-90.

[6] Yu Q,Clausi D A.IRGS:MRF based image segm entation using edge penalties and region grow ing[J].IEEE T rans Pattern AnalM achine Intell,2008,30(12):2126-2139.

[7] Vincent L,SoilleP.W atershed in digital spaces:an efficient algorithm based on immersion sim ulations[J].IEEE T rans Pattern AnalM achine Intell,1991,13(6):583-598.

[8] 王 曉,夏傳浩.一種改進(jìn)的 SAR圖像相干斑抑制方法[J].合肥工業(yè)大學(xué)學(xué)報(bào):自然科學(xué)版,2005,28(5):473-476.

[9] 吳?？?范素鳳.改進(jìn)的基于小波變換SAR圖像去噪方法的性能評(píng)價(jià)[J].合肥工業(yè)大學(xué)學(xué)報(bào):自然科學(xué)版,2006,29(3):379-381.

[10] Yu Y,Acton S T.Speckle reducing anisotropic diffusion[J].IEEE T rans Image Processing,2002,11(11):1260-1270.

SAR image segmentation algorithm based on region-level MRF

XU Kang, YANG Xue-zhi, LIChang-kai, FAN Liang-huan

(School of Compu ter and Inform ation,Hefei University of Technology,H efei 230009,China)

An imp roved segmentation algorithm for the synthetic aperture radar(SAR)image is p roposed in view of two disadvantages of the iterative region grow ing using semantics(IRGS)in solving speck le noise of SAR image,including inaccurate positioning of the edge and excess segmentation at initial stage.The speck le reduction anisotropic diffusion(SRAD)is used to reduce the impact of speck le noise and enhance the edge information of SAR image.Then thewatershed transform and the region adjacency graph(RAG)are used to construct the regionalexpression of SAR image.Finally by using IRGS algorithm,fast and efficient SAR image segmentation is achieved.The new algorithm is tested on several artificial imagesand SAR images with different noise levels and the result proves its accuracy in segmentation and efficiency in time consump tion.

synthetic aperture radar(SAR);im age segmentation;iterative region growing using semantics(IRGS);speckle reduction anisotropic diffusion(SRAD)

TP751.1

A

1003-5060(2011)01-0071-05

10.3969/j.issn.1003-5060.2011.01.017

2009-12-30;

2010-03-16

國(guó)家自然科學(xué)基金資助項(xiàng)目(41076120;60890075);安徽省優(yōu)秀青年科技基金資助項(xiàng)目(10040606Y09);安徽省人才開發(fā)基金資助項(xiàng)目(2008Z054);教育部留學(xué)回國(guó)人員科研啟動(dòng)基金資助項(xiàng)目和合肥工業(yè)大學(xué)計(jì)算機(jī)與信息學(xué)院人才培育計(jì)劃資助項(xiàng)目(2010HGXJ0017)

徐 康(1985-),男,安徽安慶人,合肥工業(yè)大學(xué)碩士生;

楊學(xué)志(1970-),男,安徽合肥人,博士,合肥工業(yè)大學(xué)教授,碩士生導(dǎo)師.

(責(zé)任編輯 張秋娟)