SAR圖像分割算法綜述

宋國磊+侯巍

摘 要： SAR圖像分割是SAR圖像分析中的基本問題之一，也是目標(biāo)識(shí)別與檢測過程中的極其關(guān)鍵的步驟。文章在調(diào)研大量文獻(xiàn)的基礎(chǔ)上，對(duì)現(xiàn)有經(jīng)典的、主流的SAR圖像分割算法及理論進(jìn)行研究、分類和分析，并采用一種基于總體分割精度的SAR圖像分割評(píng)價(jià)指標(biāo)來對(duì)各種算法的實(shí)驗(yàn)結(jié)果進(jìn)行對(duì)比。

關(guān)鍵詞： SAR； 圖像分割； 算法分類； 分割評(píng)價(jià)指標(biāo)

中圖分類號(hào)：TP79 文獻(xiàn)標(biāo)志碼：A 文章編號(hào)：1006-8228（2017）05-01-04

Overview of SAR image segmentation algorithm

Song Guolei， Hou Wei

（School of computer and information engineering， Henan University， Kaifeng， Henan 475000， China）

Abstract： SAR image segmentation is one of the basic problems in SAR image analysis， and it is also the key step in the process of target recognition and detection. In this paper， the existing classical and mainstream SAR image segmentation algorithms and theories are studied， classified and analyzed based on a large number of literatures， and the SAR image segmentation evaluation indicators based on the overall segmentation accuracy are used to compare the experimental results of various algorithms.

Key words： SAR； image segmentation； algorithm classification； segmentation evaluation indicator

0 引言

圖像分割是指將圖像分成若干互不重疊的子區(qū)域，使得同一個(gè)子區(qū)域內(nèi)的特征具有一定相似性、不同子區(qū)域間特征呈現(xiàn)較為明顯的差異[1]。圖像分割是圖像識(shí)別、場景解析、目標(biāo)檢測等任務(wù)必須經(jīng)過的預(yù)處理過程，是圖像分析中一個(gè)基礎(chǔ)的問題。其中SAR圖像分割技術(shù)的發(fā)展可以追溯到20世紀(jì)80年代，經(jīng)過幾十年的發(fā)展，已經(jīng)提出多種基于不同理論的方法[2]。

目前，SAR圖像分割處理技術(shù)已經(jīng)有較多的研究成果[3-5]，但由于SAR地物場景的復(fù)雜性，致使各種分割算法都有較大的針對(duì)性，通用性不好。本文對(duì)現(xiàn)有的研究成果進(jìn)行了詳細(xì)的研究，綜述現(xiàn)有的SAR圖像分割算法，并根據(jù)SAR圖像分割所使用的理論差異的特點(diǎn)，把圖像分割方法分為基于閾值、水平集、模糊聚類和混合模型四類。

1 SAR圖像分割算法

1.1 基于閾值的SAR圖像分割

閾值法基本思想是通過設(shè)定一個(gè)閾值將圖像分割成兩個(gè)具有不同特性的區(qū)域。當(dāng)區(qū)域中像素值大于閾值就設(shè)置為目標(biāo)，區(qū)域中像素值小于閾值就是背景。根據(jù)像素灰度值與最佳閾值的關(guān)系，可以把目標(biāo)從背景中提取出來，該方法的優(yōu)點(diǎn)在于易于實(shí)現(xiàn)，給定閾值后分割速度非?？?，但是對(duì)于灰度均勻性的圖像來說，很難找到一個(gè)閾值將他們分割開來。經(jīng)典的閾值法是OTSU。

OTSU算法分析如下。

大類間方差法（OTSU法），是由大津展之[6]在1979年提出來。該方法是在判決分析的基礎(chǔ)上推導(dǎo)出來的，是一種自動(dòng)的無參數(shù)無監(jiān)督閾值分割方法。它是基于一維灰度直方圖，且計(jì)算簡單的一種閾值分割方法，因而應(yīng)用廣泛。Lee等人[7]分別使用錯(cuò)分概率，形狀和均勻性度量作為準(zhǔn)則函數(shù)評(píng)估了多種閾值分割方法的性能，結(jié)果表明，OTSU法是一種很好的閾值分割方法。原理如下：

設(shè)SAR圖像的灰度級(jí)為L，灰度值為i的像素個(gè)數(shù)為ni，則總像素?cái)?shù)為，并作歸一化處理，各灰度值所占的比重為，則SAR圖像的灰度平均值μ和方差σ分別為，。用灰度級(jí) T 作為閾值，將圖像分割為兩類C1={1～T}，C2={T+1～L}，設(shè)ω1和ω2作為C1，C2出現(xiàn)的概率，μ1和μ2為灰度平均值，，為方差。有：

由上述可得出類間方差為：

當(dāng)類間方差取最大值時(shí)，對(duì)應(yīng)的灰度值T即為所求得的閾值。

1.2 基于水平集的SAR圖像分割

基于幾何變形模型的水平集方法由Osher和Sethin于1982年提出[8-9]。分水嶺算法的思想主要運(yùn)用地形學(xué)的思想，模擬了一個(gè)洼地積水的過程。主要有兩個(gè)重要的步驟，一個(gè)是排序，就是把像素點(diǎn)按梯度值進(jìn)行排序，具有相同梯度值的處于同一個(gè)梯度級(jí)；第二個(gè)是泛洪，就是將排序后的像素構(gòu)成帶有不同標(biāo)記的積水盆地，這樣來自不同積水盆地的水就構(gòu)成了水壩，這樣由多個(gè)互不重疊的區(qū)域構(gòu)成的最終分割圖像。

根據(jù)水平集模型能量函數(shù)所使用的圖像內(nèi)部信息，可以將水平集圖像分割方法分成兩大類：基于邊緣的水平集分割模型和基于區(qū)域的水平集分割模型。

基于邊緣的水平集模型主要包括Snake模型[10]。Snake由Kass等人于1988年提出，此模型通過建立參數(shù)化的曲線能量函數(shù)，并優(yōu)化能量函數(shù)，使參數(shù)化的曲線向目標(biāo)邊緣收斂。

基于區(qū)域的水平集模型利用圖像的區(qū)域信息構(gòu)造能量函數(shù)，利用區(qū)域信息作為驅(qū)動(dòng)力使水平集輪廓收斂向目標(biāo)邊緣?；谌謪^(qū)域的水平集模型主要包括Mumford-Shah模型[11]和Chan-Vese[12]模型。

水平集方法的一般步驟如下。

Stepl：初始化。將水平集Φ>0函數(shù)初始化成符號(hào)距離函數(shù)形式。

Step2：根據(jù)實(shí)際問題，構(gòu)造解決問題的總的能量函數(shù)。

steps：求解水平集。利用變分法求能量函數(shù)的梯度下降流方程，根據(jù)離散化后的梯度下降流方程，計(jì)算更新后的水平集函數(shù)。

Step4：判斷收斂性。如果已經(jīng)收斂，則停止迭代，當(dāng)前的水平集輪廓即為最終的邊緣，否則返回Step3繼續(xù)進(jìn)行水平集的演化。

1.3 基于模糊聚類的SAR圖像分割

模糊分割算法相比硬聚類分割算法能更多的對(duì)圖像的原始信息進(jìn)行保留，因此受到學(xué)者們的極大關(guān)注，特別是模糊C-均值（FCM）聚類算法作為一種無監(jiān)督聚類算法，在圖像分割領(lǐng)域得受到極大歡迎，引起廣泛的關(guān)注。經(jīng)過長期發(fā)展，已研究出多種模糊聚類理論和方法。

標(biāo)準(zhǔn)模糊C均值（FCM）聚類分割算法對(duì)數(shù)據(jù)稠密的球狀數(shù)據(jù)簇有相對(duì)不錯(cuò)的聚類效果，其以歐式距離為相似性度量，不過現(xiàn)實(shí)中設(shè)定的簇的區(qū)域范圍均存在不同，G.H.Ball等人首次提出C均值聚類算法。丁等[13]先對(duì)原始圖像灰度直方圖進(jìn)行分析處理，以此劃分峰值的類設(shè)其為初始的聚類中心、得到聚類；裴等人[14]結(jié)合有效性函數(shù)對(duì)圖像進(jìn)行聚類中心初始化；先用K均值初始化聚類中心；周涓等[15]用最大最小距離法計(jì)算聚類個(gè)數(shù)和聚類中心。此外，文獻(xiàn)[14，16]對(duì)模糊指數(shù)m進(jìn)行了研究，并通過物理解釋，得出m=2時(shí)最為合理。Ahmed[17]將像素信息和其鄰域信息綜合考慮，取得了相對(duì)更好的圖像分割結(jié)果；為削弱噪聲對(duì)分割的影響Chen等[18]使用鄰域均值達(dá)到簡化鄰域附加項(xiàng)節(jié)省了算法過程時(shí)間的效果。

1.3.1 FCM算法

設(shè)圖像的灰度級(jí)為L，樣本數(shù)目為N（圖像的像素點(diǎn)數(shù)），將N劃分成c類，則對(duì)應(yīng)的有c個(gè)聚類中心C，每個(gè)樣本j屬于某一類i的隸屬度為μij，且滿足μij∈[0，1]，那么定義FCM目標(biāo)函數(shù)⑴及其約束條件⑵如下：

則μij和ci更新等式分別為：

FCM算法的一般步驟如下。

⑴ 確定分類數(shù)，指數(shù)m的值，確定迭代次數(shù)（這是結(jié)束的條件，當(dāng)然結(jié)束的條件可以有多種）。

⑵ 初始化一個(gè)隸屬度U（注意條件—和為1）。

⑶ 根據(jù)U計(jì)算聚類中心C。

⑷ 這個(gè)時(shí)候可以計(jì)算目標(biāo)函數(shù)J了。

⑸ 根據(jù)C返回去計(jì)算U，回到步驟3，一直循環(huán)直到結(jié)束。

1.4 基于混合模型的SAR圖像分割

不同的新算法和理論對(duì)跨學(xué)科的交叉實(shí)現(xiàn)產(chǎn)生深遠(yuǎn)影響，也使圖像分割技術(shù)理論體系完善起來。倪維平等[19]構(gòu)造了一種基于馬爾可夫隨機(jī)場（MRF）模型和形態(tài)學(xué)運(yùn)算的處理方法。首先利用SAR圖像鄰域空間上的馬爾可夫性以及像素灰度的高斯分布模型，以較少的迭代次數(shù)實(shí)現(xiàn)SAR圖像的初分割；然后通過形態(tài)學(xué)運(yùn)算進(jìn)行處理，抑制干擾性分割，同時(shí)填充目標(biāo)區(qū)域內(nèi)部空洞，改善分割效果；文獻(xiàn)[20]-[24]等在模糊理論中引入閾值法、水平集、分水嶺、蟻群等方法來解決噪聲抑制和運(yùn)行時(shí)間等問題。

2 分割算法的性能評(píng)估及實(shí)測實(shí)驗(yàn)結(jié)果

實(shí)驗(yàn)采用數(shù)據(jù)為歐空局哨兵1號(hào)星載衛(wèi)星獲取的丹江口水庫2016年10月份影像數(shù)據(jù)，圖像大小為923×597，圖像包括林區(qū)、植被區(qū)、水庫區(qū)與居民區(qū)等不同區(qū)域。圖1（a）為原始圖像，圖1（b）-（i）為文中所提到先關(guān)算法的實(shí)驗(yàn)結(jié)果。

采用文獻(xiàn)[25]中所使用的評(píng)價(jià)標(biāo)準(zhǔn)，將文中算法與現(xiàn)有的分割算法從分割正確率、召回率和總體精度指標(biāo)方面進(jìn)行分析。

結(jié)合實(shí)驗(yàn)結(jié)果可以看出，OTSU算法、分裂合并算法、MRF算法在對(duì)噪聲抑制上效果較差；二維OTSU在噪聲抑制上較一維OTSU有明顯改進(jìn)；水平集與數(shù)學(xué)形態(tài)學(xué)算法雖在噪聲處理方面有較好的效果，但對(duì)于局部區(qū)域的支流存在漏分割；FCM算法僅利用了圖像中的灰度信息，因此算法本身對(duì)于噪聲沒有較好的抑制；OTSU與核聚類算法和自適應(yīng)蟻群算法與聚類均產(chǎn)生誤分割。對(duì)于不同的環(huán)境背景和不同的圖像，不同算法的結(jié)果差異較大，也驗(yàn)證了上述的圖像分割算法沒有通用性之說。在了解不同的算法的優(yōu)劣之后，要結(jié)合不同的實(shí)驗(yàn)數(shù)據(jù)與其實(shí)際的環(huán)境背景，才能最終選取最合理的分割算法。

3 結(jié)束語

本文對(duì)近年來國內(nèi)外割及再利用邊界追蹤技術(shù)等對(duì)分割后的圖像邊緣輪廓進(jìn)行描述，對(duì)SAR圖像分割技術(shù)進(jìn)行了綜述性研究，歸納了SAR圖像分割的性能評(píng)估方法，并給出了實(shí)驗(yàn)數(shù)據(jù)的分割結(jié)果和性能分析。從本文分析可以看出，不同的分割理論在SAR圖像的分割中均具有重要意義，基于閾值的分割算法簡單，且與其他理論可以很好的融合，具有較好的擴(kuò)展性和適用性；水平集的分割利用的輪廓曲線的幾何特征，可以很好的描述目標(biāo)的邊界輪廓。模糊聚類的分割方法在處理圖像信息中不確定因素時(shí)，提供了一個(gè)好的解決方案。基于混合模型的方法則是取各家所長，在實(shí)際的應(yīng)用中能夠依據(jù)不同的分割場景應(yīng)用最合理的分割方案。但是隨著高分辨率SAR技術(shù)的發(fā)展，數(shù)據(jù)樣本數(shù)量劇增，算法計(jì)算耗時(shí)過長等問題越來越成為SAR圖像分割中的瓶頸。混合模型的擴(kuò)展和分割算法的并行處理將SAR圖像分割的必然趨勢，能快速、準(zhǔn)確的獲得SAR圖像的最佳分割是SAR圖像分割的目標(biāo)。

參考文獻(xiàn)（References）：

[1] 周莉莉，姜楓.圖像分割方法綜述研究[J].計(jì)算機(jī)應(yīng)用研究，2017.7：1-11

[2] 馮籍瀾.高分辨率SAR圖像分割與分類方法研究[D].電子科技大學(xué)，2015.

[3] Cao Lanying， Zhang Kunhui， Xia Liangzheng. SAR image segmentation by 2-D fussy entropy[J].IEEE Proceedings of Geo-science and Remote Sensing Symposium，2004.6：3798-3801

[4] Xue Xiaorong， Zhang Yanning， Chen Yi， et al.ANewMethod of Sar Image Segmentation Based on Neural Network[C].ICCIMA，2003：149-153

[5] Xin XU， Deren LI， Hong Sun. Multiscale SAR imagesegmentation using a double markov random field model[J]. IEEE Proceedings of Seventh International Symposium on Signal Processing and Its Appli-cations，2003.1：349-352

[6] otsuNA.Threshold Seleetion Method from Gray-level Histogram.IEEE TraPs.1979.SMC-9：62-66

[7] SU Lee，etal.A comparative Perfonnance Study of SeveralGlobal Thresholding Teehniques for Seglnentation.CVGIP，1990.52：171-190

[8] Osher S.A Level Set Formulation for the Solution of the Dirichlet Problem for Hamilton-Jacobi Equations，1993.

[9] Osher S，Ronald P.Fedkiw.Level Set Methods：An Overview and Some Recent Results.http：//www.mathe.ucla.edu/-images

[10] M.Kass， A.Wltkin， and D.Terzopoulos， Snakes， active contourmodel[J]. International Journal of Computer Vision，1988：321-331

[11] A LAIN， J FAN. Texture classifieation by Wavelet Paeket signatures[J]. IEEE Transaction on Pattem Analy，1993.15：1186-1191

[12] C，Xu and J.Prinee.Snakes，shapes，and gradient vector flow[J]. IEEE Transaction on Image Proeess，1998.7（3）：359-369

[13] 丁震，胡鐘山，楊靜宇等.一種基于模糊聚類的圖像分割方法[J].計(jì)算機(jī)研究與發(fā)展，1997.7：536-541

[14] 高新波，裴繼紅，謝維信.模糊C均值聚類算法中加權(quán)指數(shù)m的研究[J].電子學(xué)報(bào)，2000.28（4）：81-83

[15] 周涓，熊忠陽，張玉芳，任芳. 基于最大最小距離法的多中心聚類算法[J].計(jì)算機(jī)應(yīng)用，2006.26（6）：1425-1426

[16] Kenneth R， Castleman. Digital Image Processing[M]，2006：378-379

[17] Ahmed M N，Yamany S M，Mohamed N，F(xiàn)arag A，Moriarty T. A modified fuzzy c-means algorithm for bias field estimation and segmentation of MRI data[J]. IEEE Trans.Med.Imag，2002.21：193-199

[18] Chen Song-Can， Zhang Dao-Qiang. Robust image segmentation using FCM with spatial constraint based on new kernelinduced distance measure[J]. IEEE Transaction on Systems，Man，and Cybernet，2004.34（4）：1907-1916

[19] 倪維平，嚴(yán)衛(wèi)東，邊輝等.基于MRF模型和形態(tài)學(xué)運(yùn)算的SAR圖像分割[J].電光與控制，2011.1：32-36

[20] 毛萬峰，張紅，張波等.基于模糊水平集的SAR圖像分割方法[J].中國科學(xué)院研究生院學(xué)報(bào)，2013.2：238-243

[21] 朱逸婷.基于改進(jìn)的模糊聚類的分水嶺分割算法研究[D].安徽大學(xué)碩士學(xué)位論文，2013.

[22] 鮑義東，周改云，趙偉艇.自適應(yīng)蟻群和模糊聚類的SAR圖像分割[J].測繪科學(xué)，2016.8：121-124，120

[23] 趙鳳，范九倫.一種結(jié)合二維Otsu法和模糊熵的圖像分割方法[J].計(jì)算機(jī)應(yīng)用研究，2007.24（6）：189-191

[24] 張永梅，巴德凱，邢闊.基于模糊閾值的自適應(yīng)圖像分割方法[J].計(jì)算機(jī)測量與控制，2016.24（4）：126-128

[25] 蘇磊磊.基于小區(qū)域的圖像顯著度提取及應(yīng)用研究[D].山東師范大學(xué)碩士學(xué)位論文，2015.