基于SLIC的哨兵1號(hào)雷達(dá)數(shù)據(jù)水體信息提取

湛 南 渝,李 小 濤,路 京 選,許 文 波

(1.電子科技大學(xué) 資源與環(huán)境學(xué)院，四川 成都 611731； 2.中國水利水電科學(xué)研究院,北京 100038)

星載合成孔徑雷達(dá)(Synthetic Aperture Radar，SAR)因具有全天時(shí)、全天候、大覆蓋面積、高分辨率、成像不受云霧影像等特點(diǎn)，被廣泛應(yīng)用于農(nóng)業(yè)、海洋、災(zāi)害監(jiān)測和軍事領(lǐng)域。

在SAR圖像中，由于鏡面反射的物理特性，水體的后向散射系數(shù)較低。SAR圖像固有的斑點(diǎn)噪聲以及波浪和植被反射的影響，使得水體表面出現(xiàn)一定程度的明暗變化。山區(qū)陰影和城市建筑物陰影，呈現(xiàn)出跟水體一樣的低后向散射系數(shù)，這些干擾信息給水體的精確提取造成了較大的困難[1]。

目前常用于SAR圖像水體信息提取的方法是基于閾值的分割方法[2-3]，其中Otsu閾值法[4-7]最為常見，該方法具有簡單快速的優(yōu)點(diǎn)，但對于復(fù)雜的影像，純粹的單閾值法提取效果并不好，因此如何自動(dòng)確定合適的閾值一直是一個(gè)難題。監(jiān)督分類方法[8-9]是另外一種提取SAR圖像水體信息的方法，但該方法需要手動(dòng)選擇訓(xùn)練樣本、較復(fù)雜，提取精度與訓(xùn)練樣本和分類算法密切相關(guān)。

SLIC(Simple Linear Iterative Cluster)[10]算法根據(jù)色彩和距離相似程度對圖像進(jìn)行分割，具有耗時(shí)短，生成的超像素塊大小均勻、輪廓規(guī)則等特點(diǎn)，被廣泛應(yīng)用在彩色圖像、光學(xué)遙感圖像分割中。本文針對Sentinel-1 SAR圖像的波段特征，簡化了SLIC[11]應(yīng)用于SAR圖像分割，并對分割的后超像素塊進(jìn)行分層區(qū)域合并，然后通過二值化得到水體信息。

1 SAR圖像SLIC超像素分割

1.1 SLIC超像素分割算法

SLIC以顏色和距離特征對圖像進(jìn)行聚類，首先將圖像的顏色空間由RGB轉(zhuǎn)為LAB，將LAB色彩空間的3個(gè)分量和距離x,y組成5維特征向量，然后使用K-Means按照一定的空間度量對圖像進(jìn)行聚類，生成一個(gè)個(gè)大小較為均勻的超像素，該算法時(shí)間復(fù)雜度為O(N)(N為圖像的像素個(gè)數(shù))，計(jì)算效率較高。SLIC算法步驟如下[12]。

(2)調(diào)整種子點(diǎn)位置。為了避免將初始種子點(diǎn)定位落在物體邊緣上，以及防止初始種子點(diǎn)落在噪聲上，計(jì)算初始種子點(diǎn)n×n鄰域(一般n=3)的梯度值，調(diào)整初始種子點(diǎn)的位置為其梯度最小值所處位置，并為每一個(gè)初始種子點(diǎn)賦上不同的標(biāo)簽。

(3)計(jì)算距離度量。計(jì)算每個(gè)像素點(diǎn)pi與距離其最近的種子點(diǎn)qk的距離，距離度量由顏色距離和空間距離組成，計(jì)算公式如下：

(1)

(2)

(3)

式中，dc為在LAB顏色空間的歐式距離；ds為在x，y空間上的歐式距離；D為像素點(diǎn)與種子點(diǎn)的總距離，D越小，說明像素點(diǎn)與該種子點(diǎn)之間越相似；m為緊湊度因子，用來調(diào)整顏色信息和距離信息的相對重要程度，對于LAB顏色空間來說，一般m=[1,40]；S為種子點(diǎn)之間的距離。

(4)局部迭代聚類。為了增加算法的運(yùn)算效率，SLIC在對每一個(gè)種子點(diǎn)聚類時(shí)，將算法的計(jì)算范圍限制在了2S×2S的鄰域范圍內(nèi)。在范圍內(nèi)計(jì)算所有種子點(diǎn)的距離，如果該點(diǎn)的距離小于之前計(jì)算的距離，則認(rèn)為該點(diǎn)在這個(gè)超像素中，并對該點(diǎn)的標(biāo)簽值和距離值重新賦值。重復(fù)迭代(1)～(4)步驟，直到誤差收斂到某一閾值或者最大的迭代次數(shù)后，停止計(jì)算。實(shí)驗(yàn)中發(fā)現(xiàn)，在多數(shù)情況下，10次迭代對于絕大多數(shù)影像都能取得比較好的分割效果。

(5)增強(qiáng)連通性。經(jīng)過上述步驟后，會(huì)出現(xiàn)多連通、超像素尺寸過小、單個(gè)超像素被切割成多個(gè)不連續(xù)超像素等情況，需通過增強(qiáng)連通性來解決此問題。主要思路為：新建一張標(biāo)記表，表內(nèi)元素均為-1，按照“Z”型走向?qū)⒚娣e小于理想超像素一半大小的超像素重新分配給鄰近的超像素，同時(shí)賦予相應(yīng)的標(biāo)簽，直到所有點(diǎn)遍歷完成。

1.2 基于SAR的超像素分割算法

傳統(tǒng)的SLIC超像素分割方法基于彩色圖像RGB，雖然理論上可以把RGB 3個(gè)波段都賦值為灰度信息，但由于運(yùn)算時(shí)將RGB顏色空間轉(zhuǎn)LAB顏色空間并不適用，因此本文采用灰度信息替代彩色信息的[13]。簡化后的算式如下：

(4)

(5)

式中，dgray為在灰度顏色空間的歐式距離；D為像素點(diǎn)與種子點(diǎn)的總距離。

1.3 區(qū)域合并

由于SLIC只是把相似的塊進(jìn)行了聚類，并不能直接將圖像進(jìn)行二分化，所以可以先根據(jù)一定合并規(guī)則逐步將相似度較高的塊進(jìn)行合并，從而只剩下相似度差值較大的區(qū)域，再使用閾值分割實(shí)現(xiàn)水體信息的提取。常采用的方法是層次區(qū)域合并(Hierarchical Stepwise Region Merging，HSRM)[14]，它基于區(qū)域鄰接圖(Region Adjacency Graph，RAG)進(jìn)行區(qū)域合并，用相似度來判斷兩個(gè)鄰近區(qū)域是否融合。區(qū)域就是初始分割后，屬于同一標(biāo)記的像素集合。K個(gè)區(qū)域的RAG表示為G=(V,E)，其中頂點(diǎn)集V=1,2,…，K，對應(yīng)的邊集合E?V×V。每個(gè)頂點(diǎn)節(jié)點(diǎn)代表一個(gè)區(qū)域，邊表示和鄰近區(qū)域相連，邊權(quán)重就是兩個(gè)區(qū)域之間的相似度，如圖1所示。

相似度的計(jì)算公式為

(6)

計(jì)算所有區(qū)域之間的相似度，找到RAG的邊集合中最相似的邊(Cij最小)，融合最相似邊對應(yīng)的兩個(gè)區(qū)域的頂點(diǎn)，得到K-1的RAG，更新頂點(diǎn)和邊集合，直到最小的相似度大于一個(gè)閾值，停止合并。

圖1 區(qū)域鄰接示意

2 實(shí)驗(yàn)結(jié)果與分析

2.1 數(shù)據(jù)源與研究區(qū)域

Sentinel-1號(hào)衛(wèi)星是歐空局發(fā)射的第一個(gè)哥白尼計(jì)劃衛(wèi)星，由A、B兩顆衛(wèi)星組成，兩個(gè)衛(wèi)星的組合，可以達(dá)到每6 d對同一地點(diǎn)進(jìn)行影像獲取。其中C波段衛(wèi)星，有4種成像模式：超精細(xì)模式(Strip Map Mode，SM)、干涉寬幅模式(Interferometric Wide Swath，IW)、超寬幅模式(Extra-Wide Swath Mode，EW)、微波模式(Wave-Mode，Wave)。對地球陸地進(jìn)行覆蓋的主要為IW模式，SM模式主要用于應(yīng)急事件，EW和Wave模式主要用于海洋監(jiān)測。Sentinel-1號(hào)衛(wèi)星數(shù)據(jù)可以免費(fèi)獲取，IW模式的寬幅為250 km，分辨率為5m×20 m，從衛(wèi)星拍攝到數(shù)據(jù)分發(fā)至數(shù)據(jù)庫只要3～6 h左右，對地觀測能夠穿透云霧，不受天氣影像，這些特性使其非常適合應(yīng)用于洪澇災(zāi)害遙感監(jiān)測。

為了驗(yàn)證方法的有效性，基于2018年7月29日Sentinel-1A GRDH的IW的影像，選擇了湘江湖南省段的4個(gè)實(shí)驗(yàn)區(qū)域進(jìn)行水體信息提取，這4個(gè)區(qū)域的水體占比依次降低。并用同一天的光學(xué)影像Landsat8提取的水體作為真實(shí)水體進(jìn)行精度評(píng)估。

2.2 超像素分割參數(shù)分析

在超像素分割算法中，參數(shù)的設(shè)置對于超像素的分割效果起著十分重要的作用，參數(shù)主要有兩個(gè)：超像素個(gè)數(shù)K和緊湊度因子m。緊湊度因子主要用于調(diào)節(jié)距離信息和顏色信息的相對重要程度，對于灰度值為0～255 RGB的影像而言，m一般取值為[1,40]。為探究緊湊度因子對分割的影響，采用固定超像素個(gè)數(shù)，改變緊湊度因子的方式。當(dāng)m太小時(shí)，分割就會(huì)失敗；當(dāng)m太大時(shí)，顏色信息占比很小，距離基本由空間距離決定，圖像會(huì)被分割成均勻的方塊，結(jié)果如圖2所示。

圖2 不同緊湊度因子對于超像素分割的影響

根據(jù)超像素分割的原理，超像素的個(gè)數(shù)由超像素的邊長N決定，通過分層區(qū)域合并，使用閾值二值化，得到最終水體提取結(jié)果。不同邊長N對應(yīng)的水體信息提取結(jié)果見圖3。

圖3 不同超像素邊長提取結(jié)果

從圖3中可以看出，分割出的水域面積主要取決于分割目標(biāo)的大小，也就是超像素的數(shù)量。由于小于這個(gè)面積的超像素塊在增強(qiáng)聯(lián)通性的時(shí)候被合并，所以理論上能提出來的水域大于超像素大小一半以上的水體。即當(dāng)邊長較大時(shí)，可以提出大面積的水域，當(dāng)邊長較小時(shí)，可以提出細(xì)小的水體和河流，但分割時(shí)間會(huì)增加。所以對于不同分辨率的影像和不同的分割目標(biāo)，應(yīng)設(shè)置不同的超像素邊長。

考慮sentinel-1中的水體顯示特征和效率的因素，本文的參數(shù)設(shè)置為：超像素的邊長N=10，m=10。

2.3 與Otsu閾值法對比

為了驗(yàn)證本方法的有效性，選擇了4個(gè)水體占比依次減少的實(shí)驗(yàn)區(qū)域，將本方法的提取效果與Otsu閾值法的提取效果進(jìn)行對比分析，結(jié)果如圖4～7所示。

圖4 區(qū)域1水體信息提取結(jié)果及灰度直方圖

區(qū)域1為寬河道水體，水域面積占比約為12%，此時(shí)圖像直方圖顯示為顯著的雙峰特性，兩種方法在主河道的提取效果上均很好，Otsu方法提取出了細(xì)小的水體，本文提出的方法提取結(jié)果比較純凈，提取的準(zhǔn)確率高于Otsu閾值法。

圖5 區(qū)域2水體信息提取結(jié)果及灰度直方圖

區(qū)域2為寬河道與細(xì)小河道并存，此時(shí)水體占比約為7%，此時(shí)直方圖仍具有相對顯著的雙峰特性，兩種方法在主要的河道的提取效果上均保持不錯(cuò)，但Otsu閾值法仍存在較多的誤提區(qū)域，提取的準(zhǔn)確率相對較低。

圖6 區(qū)域3水體信息提取結(jié)果及灰度直方圖

圖7 區(qū)域4水體信息提取結(jié)果及灰度直方圖

區(qū)域3和區(qū)域4均為蜿蜒的細(xì)小河道，水體占比約為3%和2%，此時(shí)直方圖中雙峰特性不顯著，Otsu閾值法的提取效果非常差，誤提現(xiàn)象十分嚴(yán)重，而本文方法則仍能提取出大部分水體，保證了河道的完整性。

綜上所述，當(dāng)圖像水域面積占比較大時(shí)，圖像具有明顯雙峰特性，兩種方法的水體提取效果均不錯(cuò)，但當(dāng)水體占比較少時(shí)，雙峰特性不顯著，甚至呈現(xiàn)單峰特性，Otsu水體提取效果很差。而本文提出的算法由于同時(shí)考慮了距離和色彩信息，在提取之前先對水域聚類，在合并時(shí)能使得聯(lián)通的水體得到保留，所以仍能提取出大部分水體。因此本文方法在水體提取的穩(wěn)定性上強(qiáng)于Otsu閾值法。

2.4 精度評(píng)估與分析

將本文方法和Otsu閾值法提取的水體范圍和同一時(shí)間landsat8確定水體范圍進(jìn)行比較，采用查全率和查準(zhǔn)率以及綜合評(píng)價(jià)指標(biāo)來評(píng)估其精度。查全率R、查準(zhǔn)率P以及綜合評(píng)價(jià)指標(biāo)F1定義為

(7)

(8)

(9)

如表1所示，Otsu算法在4個(gè)區(qū)域中的查全率都比較高，但這源于它提取了大量的錯(cuò)誤水體，尤其是在區(qū)域3和區(qū)域4水體占比較小的情況下，準(zhǔn)確率相當(dāng)?shù)牡?。而本文算法則在查準(zhǔn)率上全面優(yōu)于Otsu算法，綜合性能也強(qiáng)于Otsu算法。當(dāng)圖像中水體占比較少，河道較窄時(shí)，雙峰特性不明顯，此時(shí)Otsu基本不能識(shí)別水體，但本文的方法仍能識(shí)別出大部分河道，說明本文方法有很好的魯棒性。

表1 不同方法水體提取精度對比

3 實(shí)例應(yīng)用

洪水監(jiān)測是水體提取的一個(gè)重要應(yīng)用[15-16]。以2019年7月份株洲的洪水監(jiān)測為例，驗(yàn)證本文提出方法的有效性。

基于Sentinel-1A雷達(dá)影像，對受災(zāi)較為嚴(yán)重的湘江和淥水的交匯地段進(jìn)行動(dòng)態(tài)監(jiān)測數(shù)據(jù)如表2所示。

表2 監(jiān)測數(shù)據(jù)情況

監(jiān)測結(jié)果如圖8～10所示。監(jiān)測結(jié)果顯示，2019年7月12日監(jiān)測區(qū)域內(nèi)湘江和淥水沿岸受災(zāi)嚴(yán)重，監(jiān)測范圍內(nèi)，淹沒面積達(dá)到10.06 km2；到7月19日，沿岸洪水基本全部退去，河道恢復(fù)正常。

圖8 株洲洪水前后水體信息提取情況

圖9 株洲災(zāi)前災(zāi)中對比

圖10 株洲災(zāi)中災(zāi)后對比

4 結(jié) 語

本文基于Sentinel-1A SAR數(shù)據(jù)，提出了采用簡化的超像素分割方法SLIC先對圖像進(jìn)行分割，再用分層區(qū)域合并準(zhǔn)備對圖像進(jìn)行合并，最后進(jìn)行二值化得到水體信息的方法。并與Otsu閾值法水體信息提取進(jìn)行了對比，結(jié)果表明，在水域面積占比較高和較低的場景中，本文提出的方法在綜合性能上都高于Otsu方法，能夠較好地提取出水體信息。同時(shí)以2019年7月份株洲洪水為例進(jìn)行了實(shí)例應(yīng)用，得到了較好的監(jiān)測結(jié)果，驗(yàn)證了本方法的適用性。