海洋SAR圖像分割及邊緣梯度特征的提取

馬百雪，潘宏俠，韓吉衢

（1.中北大學(xué) 機(jī)械工程與自動(dòng)化學(xué)院，山西 太原030051；2.煙臺(tái)大學(xué) 光電信息科學(xué)技術(shù)學(xué)院，山東 煙臺(tái)264005）

0 引 言

溢油災(zāi)害、溢油事故的頻發(fā)使溢油檢測(cè)成為我國(guó)治理海洋環(huán)境、發(fā)展海洋經(jīng)濟(jì)的重要環(huán)節(jié)。合成孔徑雷達(dá)（SAR）具有全天候、全天時(shí)、覆蓋面積大等優(yōu)點(diǎn)使衛(wèi)星SAR遙感檢測(cè)在海上溢油事故處理中發(fā)揮著重要作用。

海洋表面的溢油區(qū)域形成的Bragg波抑制了雷達(dá)的后向散射，在SAR圖像上表現(xiàn)為暗斑區(qū)域，海洋低風(fēng)速區(qū)、海洋內(nèi)波、生物油膜、油脂狀冰等在SAR圖像上也呈暗斑區(qū)域，成為識(shí)別溢油的干擾因素［1，2］。溢油邊緣處包含豐富的梯度特征向量，數(shù)值相對(duì)較大，因此可以提取出來(lái)識(shí)別、區(qū)分溢油與類似溢油。

邊緣檢測(cè)方法眾多，但沒(méi)有一種能完美的解決邊緣檢測(cè)問(wèn)題，如何精確快速的獲得邊緣信息，一直是國(guó)內(nèi)外研究的熱點(diǎn)問(wèn)題。經(jīng)典的邊緣檢測(cè)算子包括Roberts算子［3］，Sobel算子，Prewitt算子，Laplacian算子，Canny算子［4］。近年來(lái)，隨著數(shù)學(xué)理論和其它學(xué)科的發(fā)展，新的邊緣檢測(cè)方法不斷出現(xiàn)，如基于小波變換、小波包的邊緣檢測(cè)法，基于神經(jīng)網(wǎng)絡(luò)、形態(tài)學(xué)的邊緣檢測(cè)法［5］等，每一種算法都有其特點(diǎn)但也存在不足，特別是在檢測(cè)精度，抗噪能力及檢測(cè)正確率上難以均衡。從邊緣檢測(cè)方法的發(fā)展來(lái)看，當(dāng)今主要發(fā)展趨勢(shì)是對(duì)原有算法不斷改進(jìn)或者多種方法的綜合運(yùn)用［6］。

本文結(jié)合迭代算法，最大類間方差法與直方圖法分別給Sobel邊緣算子提供閾值進(jìn)行SAR樣本圖像邊緣分割，并優(yōu)化迭代算法，提高閾值的準(zhǔn)確性，經(jīng)對(duì)比發(fā)現(xiàn)改進(jìn)的迭代算法得到的SAR邊緣分割圖像輪廓更加清晰，在此基礎(chǔ)上提取邊緣的梯度特征量，通過(guò)數(shù)據(jù)的分析、識(shí)別，提取出溢油區(qū)。

1 材料與方法

1.1 材 料

主要數(shù)據(jù)源選取2006年6月21日當(dāng)?shù)貢r(shí)間01點(diǎn)47分57秒拍攝黃海東海海域的ASA－WSM－1P遙感圖像，其空間范圍為東經(jīng)124038′－128°18′，北緯45°24′－39°23′。圖像中一些主要航道、石油勘探地點(diǎn)都有明顯的溢油區(qū)。

SAR圖像如圖1所示。

圖1 SAR圖像

1.2 方 法

1.2.1 圖像預(yù)處理

雷達(dá)在成像過(guò)程中，回波信號(hào)中的相鄰像素點(diǎn)會(huì)產(chǎn)生一些圍繞某一均值的隨機(jī)變化，SAR圖像存在不可避免的相干斑噪聲、特殊的輻角和幾何畸變，因此首先對(duì)SAR圖像進(jìn)行預(yù)處理［7］。預(yù)處理包括3個(gè)方面：輻射校正、幾何校正和相干斑濾波，使用的軟件是NEST 3C。

在分析遙感圖像時(shí)，很容易受到輻射誤差造成的失真圖像的影響，可以使用NEST 3C對(duì)圖像進(jìn)行校正來(lái)清除或削弱這些失真。同時(shí)，利用NEST 3C校正SAR拍攝過(guò)程中形成的幾何畸變。輻射校正和幾何校正處理后分別如圖2（b）和圖2 （c）所示。

圖2 SAR圖像預(yù)處理

結(jié)合均值濾波的經(jīng)典SAR圖像濾波方法和具有SAR圖像統(tǒng)計(jì)性能的濾除斑點(diǎn)噪聲的Gamma濾波［8］，可以的得到具有較高分辨率的、清晰的SAR圖像。

對(duì)于空間濾波器，濾波窗口越大，對(duì)斑點(diǎn)噪聲的濾波效果越好，但也會(huì)損失邊緣、紋理和SAR圖像的一些細(xì)節(jié)特征。這里使用NEST 3C軟件首先進(jìn)行5＊5窗口均值濾波，在此基礎(chǔ)上進(jìn)行5＊5窗口Gamma Map濾波，效果較好。結(jié)果如圖2（d）所示。

1.2.2 SAR圖像閾值選取及邊緣分割

圖像分割可以把SAR圖像中暗斑區(qū)域提取出來(lái)，是由圖像處理到圖像分析的關(guān)鍵步驟。目前圖像分割主要分為以下幾類：基于閾值的分割方法、基于區(qū)域的分割方法、基于邊緣的分割方法及基于特定理論的分割方法［9］等。文中使用基于邊緣的分割方法［10］，運(yùn)用Sobel邊緣檢測(cè)算子結(jié)合自適應(yīng)閾值通過(guò)MATLAB7.1編程對(duì)樣本圖像進(jìn)行邊緣分割。

在邊緣分割過(guò)程中，關(guān)鍵是確定一個(gè)最優(yōu)閾值，將圖像中的各個(gè)像素的灰度值與選取的閾值相比較，結(jié)果是將對(duì)應(yīng)的像素分為兩類，這兩類像素分屬于SAR圖像的暗斑區(qū)域和背景兩部分。根據(jù)所要分析的圖像本身的特點(diǎn)，閾值選取分為全局閾值法和局部閾值法［11］。本文選取的是局部閾值法，在提供的SAR圖像中截取了13組含有暗斑或暗條紋的區(qū)域作為樣本圖像?，F(xiàn)在以其中一幅為例。

典型的閾值選取方法主要有直方圖分析法 （最優(yōu)閾值法）［12］、最大類間方差法 （Ostu算法）［12］、迭代法等。對(duì)于給定的SAR樣本圖像，通過(guò)MATLAB編程繪制出直方圖 （圖3）。根據(jù)最優(yōu)閾值法原理結(jié)合圖3看出，該樣本圖像的兩個(gè)峰值相差很大，說(shuō)明暗斑與背景面積相差很大，谷底T1＝0.0275即為最優(yōu)閾值。另外，通過(guò)最大類間方差法和迭代法計(jì)算的閾值分別為T2＝0.0353，T3＝0.0332。結(jié)合以上3種方法得到的最佳閾值，分別使用Sobel算子對(duì)SAR樣本圖像進(jìn)行邊緣分割，分割結(jié)果如圖4（a）、圖4（b）和圖4 （c）所示。

通過(guò)比較分析可以看出，圖4（a）中雖然暗斑區(qū)域的邊緣已經(jīng)被分割出來(lái)，但相應(yīng)的也出現(xiàn)很多黑色雜斑區(qū)域，圖4（b）、圖4（c）則有較少的黑色雜斑區(qū)域，并且邊緣的連續(xù)性較好。最大類間方差法能通過(guò)目標(biāo)函數(shù)確定極值，是一種優(yōu)化過(guò)程，適用于絕大多數(shù)情況，但是最大缺點(diǎn)是針對(duì)SAR圖像這類周圍環(huán)境復(fù)雜、暗斑區(qū)域和海面背景灰度差別很大的情況，其邊緣分割后會(huì)出現(xiàn)大量無(wú)法避免的黑色雜斑。對(duì)于經(jīng)典的直方圖分割方法，實(shí)現(xiàn)簡(jiǎn)單，前提是僅僅針對(duì)少數(shù)種類不同的物體并且灰度值相差很大時(shí)取得較好的分割效果。但當(dāng)類似于SAR樣本圖像的灰度直方圖雙峰不明顯，人工選取閾值難度增大，故邊緣分割效果也難以確定。迭代算法對(duì)SAR圖像的邊緣分割效果較好，但有時(shí)針對(duì)目標(biāo)和背景灰度值差異懸殊的情況下分割效果也不是很理想。總之，傳統(tǒng)算法提取的暗斑邊緣特征會(huì)存在一些斷裂、定位不準(zhǔn)確，在細(xì)化描述邊緣輪廓時(shí)不能有效檢測(cè)等情況［13］。

傳統(tǒng)的迭代算法是分別以雙峰灰度均值為兩個(gè)起始點(diǎn)，往波谷方向進(jìn)行迭代，適合于直方圖中雙峰比較明顯的SAR圖像；對(duì)于直方圖中雙峰相差很大的SAR圖像，灰度均值相差大，迭代后得到的閾值偏離真正的波谷，產(chǎn)生一定的誤差。

針對(duì)以上情況，本文提出一種改進(jìn)的迭代算法求最佳閾值，由于標(biāo)準(zhǔn)差表示變量與均值的偏離程度，在傳統(tǒng)的迭代算法內(nèi)引入標(biāo)準(zhǔn)差，迭代閾值計(jì)算時(shí)，用雙峰的灰度均值分別加或減其標(biāo)準(zhǔn)差來(lái)縮小兩者之間的起始差距，不斷迭代逼近波谷獲得最優(yōu)閾值。

基本步驟如下：

（1）確定圖像灰度均值的一半為初始閾值T0；

（2）利用T0將圖像分為兩部分—R1和R2，分別計(jì)算這兩部分的均值和標(biāo)準(zhǔn)差

（3）Ti＋1表示新的閾值

（4）重復(fù)步驟 （2）～ （3），直到Ti＋1和Ti無(wú)限逼近且小于某個(gè)給定值后完畢。

T0表示初始閾值；R1，R2表示圖像的兩部分；μ1，μ2，σ1，σ2分別表示為R1，R2均值，標(biāo)準(zhǔn)差；Ti表示迭代i次后的閾值利用改進(jìn)后的迭代算法計(jì)算出的最優(yōu)閾值T4＝0.0309，邊緣分割得到的圖像如圖5所示。

圖5 改進(jìn)迭代算法分割樣本圖像

圖5相較于圖4，邊緣更加清晰、連續(xù)，并且沒(méi)有出現(xiàn)黑色的雜斑區(qū)域，能較好的描述原始SAR圖像中溢油區(qū)與非溢油區(qū)分界處邊緣輪廓信息，相較于經(jīng)典的算法，尤其適用于暗斑區(qū)域與背景灰度值相差懸殊的情況。

1.2.3 邊緣梯度特征的提取

通過(guò)提取海面上暗斑區(qū)域的特征量可以區(qū)分出溢油區(qū)與類似溢油區(qū)，這些特征值量包括：暗斑幾何特征、物理特性、紋理特征、邊緣梯度特征等。

海洋油膜邊緣點(diǎn)處梯度特征變化劇烈，通過(guò)提取分割圖像邊緣處的梯度特征量，對(duì)不同的樣本進(jìn)行邊緣梯度值的比較確定溢油區(qū)域。用圖像灰度的變化率和方向來(lái)表示邊緣點(diǎn)處的劇烈變化，投影到公式中分別表示為梯度向量的幅值和方向。設(shè)圖像中灰度值矩陣格式為F（x，y），梯度列向量為

梯度幅值為

通過(guò)5＊5窗口對(duì)分割圖像邊緣點(diǎn)進(jìn)行 MATLAB 7.1編程提取梯度特征量，應(yīng)用數(shù)理統(tǒng)計(jì)的方法在excel表中統(tǒng)計(jì)出每個(gè)樣本的總體均值和方差，分析每幅樣本的特征值變化程度來(lái)確定溢油區(qū)。

2 結(jié)果與分析

含有油膜的區(qū)域內(nèi)的梯度值是變化的，在邊緣點(diǎn)處的變化尤其劇烈，若樣本圖像的邊緣梯度均值明顯大于其他部分圖像的均值，且總體方差相對(duì)較大，則可以確定所選取的樣本圖像含有溢油區(qū)域。得到的樣本相關(guān)數(shù)據(jù)見表1。

表1 樣本圖像邊界點(diǎn)均值與方差

數(shù)據(jù)分析得出，樣本1、2、5、9、11中邊緣處梯度均值明顯小于其他圖像，總體方差也相對(duì)較小，圖像邊緣處的梯度變化很小，樣本圖像部分處在海洋中陸地和暗礁導(dǎo)致的低風(fēng)速場(chǎng)，范圍通常很大，形狀類似漩渦狀；其余的暗斑條紋比較規(guī)則，并且條紋之間平行排列，為風(fēng)條紋或者浪條紋，可以判定這些區(qū)域?yàn)轭愃埔缬蛥^(qū)。樣本3、4、6、7、8、10、12、13，邊界點(diǎn)處的梯度均值明顯大于類似溢油區(qū)的均值，總體方差相對(duì)變化很大，即邊緣點(diǎn)處梯度變化非常大，符合溢油區(qū)域的邊緣梯度的特點(diǎn)，并且樣本在SAR圖像中處在主要航道，河流入海口，海上油田鉆井平臺(tái)附近，形狀大多呈黑暗狹長(zhǎng)帶狀，邊界比較明顯，范圍不大，說(shuō)明這些為油膜暗斑。

3 結(jié)束語(yǔ)

本文通過(guò)提取邊緣的梯度特征量來(lái)區(qū)分溢油區(qū)域與類似溢油區(qū)，其中改進(jìn)的迭代算法能較好的描述原始SAR圖像中溢油區(qū)與非溢油區(qū)分界處邊緣輪廓信息，相較于經(jīng)典的算法，尤其適用于暗斑區(qū)域與背景相差懸殊的情況。

要想進(jìn)一步獲得比較精確的海上溢油信息，還需要結(jié)合一些其他的特征量，如紋理特征、幾何特征、物理特征等。另外，在提取樣本時(shí)，也要結(jié)合專家經(jīng)驗(yàn)來(lái)選取暗斑區(qū)域，SAR圖像上在均勻風(fēng)速區(qū)域出現(xiàn)的暗斑、由于風(fēng)向或者海洋表層流影響形成的面積較小的黑暗狹長(zhǎng)區(qū)域及距陸地較遠(yuǎn)的暗斑是溢油的幾率很大，而低風(fēng)速區(qū)或者海岸帶的背風(fēng)岬角出現(xiàn)的暗斑區(qū)域則會(huì)是海洋浮游植物、魚類釋放的天然油膜，海洋底部產(chǎn)生的自然礦物質(zhì)，油脂狀冰等類似溢油［14］。只有提前掌握了這些，才能及時(shí)的收集到關(guān)于溢油區(qū)域的相關(guān)信息，采取相應(yīng)的措施祛除油污，將溢油造成的損失降到最小。

［1］Karathanassi V，Topouzelis K，Pavlakis P，et al.An objectoriented methodology to detect oil spill ［J］.International Journal of Remote Sensing，2006，27 （23）：5235－5251.

［2］Anne H，Solberg S.Oil spill detection in radarsat and envisat SAR images ［J］.IEEE Transaction on Geoscience and Remote Sensing，2007，45 （3）：746－755.

［3］WANG Bing.Edge processing with roberts operator ［J］.Gansu Science and Technology，2008，24 （10）：18－20 （in Chinese）.［王冰.用Roberts算子進(jìn)行邊緣處理 ［J］.甘肅科技，2008，24 （10）：18－20.］

［4］WANG Jun.The oil spill target edge detection of SAR image and realization ［D］.Dalian：Dalian Maritime University，2009：26－33 （in Chinese）.［王俊.SAR影像溢油目標(biāo)邊緣提取方法及實(shí)現(xiàn) ［D］.大連：大連海事大學(xué)，2009：26－33.］

［5］ZHANG Ximin，JIA Kebin，ZHUO Dongfeng.Application of BP neural network for image edge detection ［J］.Computer Engineering and Design，2011，32 （6）：2146－2149 （in Chinese）.［張習(xí)民，賈克斌，卓東風(fēng).BP神經(jīng)網(wǎng)絡(luò)在圖像邊緣檢測(cè)中的應(yīng)用 ［J］.計(jì)算機(jī)工程與設(shè)計(jì)，2011，32 （6）：2146－2149.］

［6］JIA Lei，JIAO Shuhong.The research review of image edge detection technology ［J］.Technology Trend，2010 （8）：226（in Chinese）.［賈磊，焦淑紅.圖像邊緣檢測(cè)技術(shù)的研究綜述［J］.科技風(fēng)，2010 （8）：226.］

［7］Konstantinos Karantzalos，Demetre Argialas.Automatic detection and tracking of oil spill in SAR imagery with level set segmentation ［J］.International Journal of Remote Sensing，2008，29 （21）：6281－6296.

［8］JIANG Yongxin，WANG Xiaotong，XU Xiaogang，et al.Speckle noise filtering for sea synthetic aperture radar images［J］.High Technology Letters，2009，19 （6）：586－590 （in Chinese）.［蔣永馨，王孝通，徐曉剛，等.海洋合成孔徑雷達(dá)圖像斑點(diǎn)噪聲的濾除 ［J］.高技術(shù)通訊，2009，19 （6）：586－590.］

［9］ZHU Youyong，WANG Shitong.Adaptive multithresholds image segmentation method based on normalized cut criterion ［J］.Computer Engineering and Design，2009，30 （9）：2217－2221 （in Chinese）.［朱友勇，王士通.基于歸一化分割的自適應(yīng)多閾值圖像分割方法 ［J］.計(jì)算機(jī)工程與設(shè)計(jì)，2009，30 （9）：2217－2221.］

［10］TANG Min.Edge extraction of gray images using cellular neural network method ［J］.Computer Engineering and Design，2010，31 （10）：2275－2279 （in Chinese）. ［湯敏.基于細(xì)胞神經(jīng)網(wǎng)絡(luò)的灰度圖像邊緣提取 ［J］.計(jì)算機(jī)工程與設(shè)計(jì)，2010，31 （10）：2275－2279.］

［11］WANG Lei，DUAN Huichuan.Application of Otsu’method in multi－threshold image segmentation ［J］.Computer Engineering and Design，2008，29 （11）：2844－2845 （in Chi－nese）.［王磊，段會(huì)川.Ostu方法在多閾值圖像分割中的應(yīng)用 ［J］.計(jì)算機(jī)工程與設(shè)計(jì)，2008，29 （11）：2844－2845.］

［12］ZHANG Wenjuan，PAN Xiaolan.Based on the gray histogram closed value segmentation algorithm analysis and comparison ［J］.Science ＆ Techinology Information，2008 （14）：12－14 （in Chinese）. ［張文娟，潘曉嵐.基于灰度直方圖的閾值分割算法分析與比較 ［J］.科技資訊，2008 （14）：12－14.］

［13］MA Huaichong，XU Yong，YANG Dehe.Sea oil edge detection algorithm which is based on the fusion of the SAR image and the MATALAB realization ［J］.Silicon Valley，2012（14）：173－174 （in Chinese）. ［馬懷沖，許勇，楊德合.基于融合的SAR圖像海洋溢油邊緣檢測(cè)算法及MATALAB實(shí)現(xiàn) ［J］.硅谷，2012 （14）：173－174.］

［14］Topouzelis K，Karathanassi V，Pavlakis P，et al.Detection and discrimination between oil spills and look－alike phenomena through neural networks ［J］.ISPRS Journal of Photo Grammetry ＆Remote Sensing，2007，64 （4）：264－270