聯(lián)合顯著性與MRF 的SAR 建筑物分割算法

張 磊，王小龍，劉 暢

（1.中國(guó)科學(xué)院 空天信息創(chuàng)新研究院，北京 100190；2.中國(guó)科學(xué)院大學(xué) 電子電氣與通信工程學(xué)院，北京 100049）

0 概述

合成孔徑雷達(dá)（Synthetic Aperture Radar，SAR）可以全天時(shí)、全天候進(jìn)行主動(dòng)式微波成像，已被廣泛應(yīng)用于偵察探測(cè)、城市規(guī)劃等任務(wù)中［1］。早期的SAR 圖像分辨率偏低，建筑物檢測(cè)任務(wù)側(cè)重于提取簡(jiǎn)單幾何結(jié)構(gòu)、陰影等信息。文獻(xiàn)［2］組合近似垂直目標(biāo)元，設(shè)計(jì)一種分級(jí)檢測(cè)方案。文獻(xiàn)［3］融合光學(xué)與SAR 圖像，利用主線條與陰影進(jìn)行輔助判別。文獻(xiàn)［4］通過感知編組（Perceptual Grouping，PG）的形式提取建筑物結(jié)構(gòu)信息。文獻(xiàn)［5］在傳統(tǒng)馬爾可夫隨機(jī)場(chǎng)（Markov Random Field，MRF）分割基礎(chǔ)上，結(jié)合區(qū)域Hough 變換設(shè)計(jì)L 型結(jié)構(gòu)并提取方案。

隨著SAR 圖像分辨率的不斷提高，建筑物呈現(xiàn)更明顯的紋理結(jié)構(gòu)信息，人們逐漸開始傾向于研究基于目標(biāo)紋理和結(jié)構(gòu)特征的提取算法。文獻(xiàn)［6］在分水嶺變換的基礎(chǔ)上將紋理信息和建筑物特征點(diǎn)結(jié)合分析。文獻(xiàn)［7］基于YOLOv3 框架，利用K-Means改進(jìn)先驗(yàn)框尺寸，引入淺層特征融合模塊和轉(zhuǎn)置卷積增強(qiáng)細(xì)節(jié)信息。文獻(xiàn)［8］利用復(fù)數(shù)卷積網(wǎng)絡(luò)將多尺度多通道信息融合，提升三維建筑物分割精度。然而，深度學(xué)習(xí)方案計(jì)算成本較高，需要大數(shù)據(jù)樣本支撐，且會(huì)隨SAR 系統(tǒng)差異出現(xiàn)遷移應(yīng)用受限等問題。在實(shí)際應(yīng)用中，目標(biāo)區(qū)域可能僅能獲取一幅SAR 圖像，因此，基于傳統(tǒng)SAR 建筑物分割方法的研究具備一定的現(xiàn)實(shí)意義。

顯著性特征與空間關(guān)系特征的提取能夠有效提升建筑物檢測(cè)的準(zhǔn)確率與效率。文獻(xiàn)［9］通過提取形態(tài)學(xué)顯著性特征提取建筑物，但在較復(fù)雜場(chǎng)景中，SAR 建筑物目標(biāo)會(huì)呈現(xiàn)出L 型、框型等多種幾何結(jié)構(gòu)。文獻(xiàn)［10］提出形態(tài)學(xué)建筑物指數(shù)（Morphological Building Index，MBI）算法，采用多方向形態(tài)學(xué)算子進(jìn)行白帽重構(gòu)，適用于矩形建筑物，而線形建筑物數(shù)值偏低，經(jīng)閾值處理可能會(huì)出現(xiàn)目標(biāo)斷裂問題。文獻(xiàn)［11］在SAR 建筑物分割任務(wù)中利用鄰域像素距離因子及強(qiáng)度差異改進(jìn)傳統(tǒng)MRF 勢(shì)函數(shù)模型，并提取空間關(guān)系特征，該模型能夠提升分割性能，但沒有充分考慮建筑物目標(biāo)與鄰域像素在特征空間的語義關(guān)系，制約了模型的泛化能力。

為有效提取高分辨率SAR 建筑物的顯著性特征，本文提出一種多尺度顯著性建筑物指數(shù)值（Multi-scale Saliency Building Index，MSBI）算法，通過融合不同類型的SAR 建筑物特征獲取符合SAR建筑物的顯著性信息。為有效表征復(fù)雜場(chǎng)景下高分辨率圖像中SAR 建筑物目標(biāo)的空間關(guān)系特征，本文將MSBI 特征因子引入到基于改進(jìn)余弦函數(shù)的MRF勢(shì)函數(shù)模型，更加關(guān)注鄰域像素在特征語義層面的關(guān)系，加強(qiáng)勢(shì)函數(shù)模型對(duì)復(fù)雜SAR 建筑物目標(biāo)的表征能力。

1 算法方案

本文聯(lián)合高分辨率SAR 建筑物目標(biāo)的顯著性與空間關(guān)系特征，提出一種基于建筑物指數(shù)相似度距離改進(jìn)MRF 模型的分割方法。利用MSBI 算法提取SAR 建筑物顯著性特征從而進(jìn)行相似度約束，以改進(jìn)像素間空間關(guān)系，算法流程如圖1 所示。

圖1 建筑物分割流程Fig.1 Procedure of building segmentation

1.1 圖像預(yù)處理

SAR 獨(dú)特的成像機(jī)制會(huì)導(dǎo)致大量斑點(diǎn)噪聲的產(chǎn)生，嚴(yán)重影響特征提取的精度。Shearlets 變換［12］通過多尺度多方向的時(shí)頻分析策略，能夠提取局部化特征及采取最佳稀疏表示。相較于傳統(tǒng)SAR 圖像去噪方案，Shearlets 變換更適合SAR 建筑物這類包含豐富紋理信息的目標(biāo)，能夠更好地保留高頻信息。

1.2 多尺度顯著性建筑物指數(shù)

傳統(tǒng)MBI 算法采取多方向（通常為4 個(gè)方向）的形態(tài)學(xué)算子進(jìn)行多尺度白帽重構(gòu)，賦予矩形建筑物目標(biāo)較高的指數(shù)，如圖2（a）所示。考慮到較復(fù)雜場(chǎng)景下SAR 建筑物目標(biāo)可能呈現(xiàn)多種結(jié)構(gòu)形態(tài)的問題，本文基于多尺度濾波重構(gòu)的思路，通過引入多尺度低通及均值濾波代替形態(tài)學(xué)濾波降低算法復(fù)雜度，提取強(qiáng)度顯著性信息。在此基礎(chǔ)上，使用基于單演信號(hào)特征分析將多尺度局部相位信息融合，提取紋理顯著性信息。此外，通過頻域?qū)Ρ榷确治?，引入譜殘差權(quán)重，提取頻譜顯著性信息。最終通過多特征融合獲取建筑物顯著性指數(shù)圖，如圖2（b）所示。

圖2 MSBI 算法與MBI 算法的對(duì)比Fig.2 Comparison of MSBI and MBI algorithm

1.2.1 強(qiáng)度顯著性

形態(tài)學(xué)濾波重構(gòu)復(fù)雜度較高，考慮到線性濾波具有較低的計(jì)算成本，引入均值濾波與高斯低通濾波進(jìn)行目標(biāo)重構(gòu)，主要步驟如下。

步驟1線性濾波剖面生成。對(duì)原圖O（x，y）利用高斯核G和均值濾波模板Laver（s）分別進(jìn)行處理，計(jì)算公式如式（1）～式（4）所示：

其中：i、j均為整數(shù)；Llow_pass和Laver分別代表低通和均值濾波剖面；s代表從初始窗口Smin以步長(zhǎng)Δs增加至最終窗口Smax所對(duì)應(yīng)的各階段窗口尺寸。

步驟2微分線性濾波剖面生成。將相鄰Laver依次取差值可得到k-1 個(gè)相應(yīng)的微分圖像，計(jì)算公式如式（5）和式（6）所示：

其中：k=（Smax-Smin）/Δs+1；Dlow_pass和Daver分別代表高斯低通濾波和均值濾波的微分剖面。

步驟3基于強(qiáng)度信息顯著性權(quán)重生成。將通過均值濾波和低通濾波獲取到的相應(yīng)k-1 個(gè)微分圖像進(jìn)行累加，歸一化至［0，1］，計(jì)算公式Iintensity如式（7）所示：

其中：μ為超參數(shù)；Iintensity為區(qū)域權(quán)重值，強(qiáng)度差異高的區(qū)域，該值越大，反之，該值越小。

1.2.2 紋理顯著性

高分辨SAR 建筑物目標(biāo)具有明顯的方向性結(jié)構(gòu)信息，紋理特征提取有利于分析不同建筑物目標(biāo)的細(xì)節(jié)信息。文獻(xiàn)［13］基于單演信號(hào)構(gòu)造的特征具有良好的尺度不變和旋轉(zhuǎn)不變特性，針對(duì)圖像處理任務(wù)，二維單演信號(hào)經(jīng)過Riesz 變換，同時(shí)結(jié)合原始信號(hào)在高維空間進(jìn)行特征提取與分析。f（x，y）為原信號(hào)，單演信號(hào)fM（x，y）表達(dá)式如式（8）所示：

其中：fRiesz（x，y）為Riesz 變換結(jié)果；i 和j 均為虛數(shù)。

利用局部相位提取建筑物目標(biāo)幾何結(jié)構(gòu)信息，表示式如式（9）所示：

考慮到圖像信號(hào)長(zhǎng)度受限，在Riesz 變換之前一般采用帶通濾波進(jìn)行預(yù)處理。低尺度特征包含SAR建筑物豐富的細(xì)節(jié)信息，而高尺度建筑物特征具備更強(qiáng)的語義性。因此，通過構(gòu)造多尺度的局部相位信息，融合處理得到Gphase。

1.2.3 頻譜顯著性

基于頻域的顯著性模型能通過提取目標(biāo)的基本輪廓信息，引入頻域顯著性信息來輔助增強(qiáng)建筑物目標(biāo)區(qū)域，文獻(xiàn)［14］提出的譜殘差算法（Spectral Residual，SR）利用圖像幅度譜與平均譜之間的差異來提取顯著性區(qū)域。首先對(duì)輸入圖像進(jìn)行傅里葉變換得到頻域幅度信息，再通過對(duì)數(shù)運(yùn)算獲取幅度譜，并經(jīng)過高斯平滑處理得到平均譜取差值，最終進(jìn)行逆變換獲得頻譜顯著圖Ffrequency，處理流程如圖3 所示。

圖3 譜殘差算法流程Fig.3 Procedure of spectral residual algorithm

通過對(duì)上述強(qiáng)度、紋理和頻譜3 種顯著性特征進(jìn)行融合，獲取全局MMSBI值，計(jì)算公式如下：

其中：λ1，λ2∈（0，1）。

相比傳統(tǒng)算法MBI，MSBI 算法能夠?qū)ㄖ锱c背景雜波賦予不同權(quán)重，同時(shí)加強(qiáng)L 型、框型等建筑物目標(biāo)的顯著度。

2 改進(jìn)MRF 模型的SAR 圖像建筑物分割

2.1 基于MRF 模型圖像分割

MRF 模型通過點(diǎn)集L=｛l=（a，b）|1≤a≤M，1≤b≤N｝描述二維M×N圖像，同時(shí)定義標(biāo)簽場(chǎng)X=｛X1，X2，…，Xm｝，δ={δab：(a,b)∈L,δab∈L}為鄰域系統(tǒng)，用以描述像素間的空間狀態(tài)關(guān)系。所有服從二維MRF 分布的變量，其概率值僅與其鄰域變量狀態(tài)有關(guān)［15］。

設(shè)Y為圖像的特征矢量，即已知的觀測(cè)數(shù)據(jù)，X為與Y對(duì)應(yīng)的分類標(biāo)簽，分割問題［16］即分類標(biāo)簽X的后驗(yàn)概率分布，其表達(dá)式如式（11）所示，其中MRF 分割最優(yōu)化即求取最大后驗(yàn)概率對(duì)應(yīng)的分類標(biāo)簽，表達(dá)式如式（12）所示：

根據(jù)Hammersley-Clifford 定理可知，Markov 隨機(jī)場(chǎng)與吉布斯分布具有同一性。吉布斯分布如式（13）所示：

最優(yōu)分割求取過程［17］從最大化后驗(yàn)概率轉(zhuǎn)化為尋找使全局能量最低的分類狀態(tài)。本文使用ICM 算法［18］尋找能量穩(wěn)定狀態(tài)，此時(shí)的分類標(biāo)簽為SAR 建筑物分割的最優(yōu)結(jié)果。

2.2 改進(jìn)的MRF 勢(shì)函數(shù)模型

在標(biāo)簽域傳統(tǒng)MRF 模型中對(duì)每次迭代的結(jié)果利用K-Means 進(jìn)行初始標(biāo)簽提取，之后利用勢(shì)函數(shù)模型對(duì)像素點(diǎn)鄰域進(jìn)行標(biāo)簽概率統(tǒng)計(jì)［19］。傳統(tǒng)勢(shì)函數(shù)模型如Potts 模型［20］等，對(duì)圖像中的簡(jiǎn)單目標(biāo)結(jié)構(gòu)具有一定的表征能力，計(jì)算公式如式（14）所示：

其中：xi代表當(dāng)前像素；xj為xi的鄰域像素。當(dāng)兩者標(biāo)簽一致時(shí)，勢(shì)函數(shù)能量為0，標(biāo)簽不同時(shí)則為β。

但Potts 模型并未考慮到像素特征語義層面的關(guān)系，在SAR 建筑物分割時(shí)，由于目標(biāo)受背景雜波干擾，易產(chǎn)生過分割現(xiàn)象。故本文提出并設(shè)計(jì)一種改進(jìn)的MRF 分割模型，命名為BSID-MRF，算法流程如圖4 所示。模型主要在標(biāo)簽域利用改進(jìn)的勢(shì)函數(shù)模型對(duì)當(dāng)前像素點(diǎn)以及鄰域像素的MSBI 值進(jìn)行相似性度量，利用SAR 建筑物在特征語義層面的信息生成新的標(biāo)簽信息，在此基礎(chǔ)上與特征域能量信息結(jié)合，求取最大后驗(yàn)概率。

圖4 BSID-MRF 分割模型的流程Fig.4 Procedure of BSID-MRF segmentation model

將鄰域MSBI 因子引入到基于改進(jìn)余弦函數(shù)的勢(shì)函數(shù)模型中，改進(jìn)后的勢(shì)函數(shù)公式如式（15）所示：

其中：β為初始能量與鄰域能量的比值，β∈［0，1］；d為相似度距離，代表當(dāng)前像素點(diǎn)與其鄰域在SAR 建筑物顯著性特征層面的相似程度，d∈［0，π］；α為超參，代表尺度變換，一般取1。勢(shì)函數(shù)變化曲線如圖5 所示。由圖5 可知，當(dāng)像素點(diǎn)xa與鄰域像素點(diǎn)xb初始分類標(biāo)簽相同時(shí)，勢(shì)函數(shù)能量賦值為0；而當(dāng)分類標(biāo)簽不同時(shí)，利用上述改進(jìn)的余弦函數(shù)評(píng)估兩者間的MSBI特征相似度，在像素空間通過概率形式進(jìn)行能量約束。相似度距離d取值越小，則歸屬一類的概率越高；反之，賦予不同標(biāo)簽值的概率越高。

圖5 勢(shì)函數(shù)能量與相似度距離的變化關(guān)系Fig.5 Change relationship between potential function energy and similarity distance

3 實(shí)驗(yàn)與分析

為驗(yàn)證算法的有效性，本文采用機(jī)載和星載2 類不同的SAR 圖像開展了不種場(chǎng)景下的建筑物分割實(shí)驗(yàn)，如圖6 所示。其中，機(jī)載SAR 圖像為中科院空天信息創(chuàng)新研究院的高分辨率SAR 影像，星載SAR 圖像為美國(guó)Capella-2 星載高分辨率SAR 圖像。此外，為了評(píng)估算法性能，傳統(tǒng)MRF 模型、MBI 算法以及文獻(xiàn)［21］的快速魯棒模糊C 均值（Fast and Robust Fuzzy C-Means，F(xiàn)RFCM）算法被選用開展對(duì)比實(shí)驗(yàn)。實(shí)驗(yàn)中，由于SAR 場(chǎng)景下同一目標(biāo)整體強(qiáng)度分布不均，算法分割結(jié)果與地面真實(shí)值存在一定偏差。

圖6 不同平臺(tái)下原始高分辨率SAR 圖像示例Fig.6 Examples of original high-resolution SAR images on different platforms

如圖6（a）所示為機(jī)載SAR 圖像，用于展示本文MSBI 算法相較傳統(tǒng)MBI 算法的改進(jìn)效果。圖7（a）～圖7（c）分別為原SAR圖像、地面真值圖和細(xì)節(jié)放大圖；圖7（d）～圖7（f）分別為MBI 處理結(jié)果；圖7（g）～圖7（i）分別為本文MSBI處理結(jié)果。不難看出，MBI算法能將類似矩面結(jié)構(gòu)的建筑物目標(biāo)賦值較高，而部分L 型、框型建筑物目標(biāo)指數(shù)值偏低，進(jìn)行閾值處理容易導(dǎo)致L型、框型等建筑物目標(biāo)出現(xiàn)嚴(yán)重?cái)嗔眩鐖D7（f）所示。如果為了防止目標(biāo)斷裂而將閾值設(shè)置過低，則會(huì)引入過多的虛警目標(biāo)。MSBI算法能夠?qū)€條型建筑物區(qū)域進(jìn)行增強(qiáng)，提取的細(xì)節(jié)信息如圖7（i）所示。綜上分析，與傳統(tǒng)MBI算法相比，MSBI算法對(duì)SAR 建筑物目標(biāo)的整體結(jié)構(gòu)信息的保留效果更佳，可以有效處理可能出現(xiàn)的目標(biāo)斷裂問題。

圖7 MSBI 算法和MBI 算法的效果對(duì)比Fig.7 Effect comparison between MSBI and MBI algorithm

針對(duì)建筑物空間關(guān)系特征提取，傳統(tǒng)MRF 算法的分割結(jié)果如圖8（a）所示，算法過分割現(xiàn)象較為嚴(yán)重，出現(xiàn)較多的誤分割區(qū)域和冗余連接。BSID-MRF 算法可以在一定程度上避免建筑物目標(biāo)過分割。FRFCM 算法對(duì)L 型、框型等目標(biāo)斷裂較為嚴(yán)重的建筑物，分割效果不理想，如圖8（b）所示。本文將鄰域MSBI 因子引入改進(jìn)的MRF 勢(shì)函數(shù)模型中，分割結(jié)果如圖8（c）所示，BSID-MRF 算法能夠更好地提取L 型、框型等建筑物目標(biāo)，最終的分割結(jié)果更有利于后續(xù)設(shè)計(jì)目標(biāo)、提取規(guī)則，提升建筑物檢測(cè)算法的精度。算法的分割結(jié)果中誤分割區(qū)域較少，有效地去除了大部分建筑物邊緣冗余連接，使建筑物目標(biāo)分割更加精準(zhǔn)。

圖8 不同算法檢測(cè)建筑物的性能對(duì)比Fig.8 Comparison of building detection performance with different algorithms

如圖6（b）所示為機(jī)載SAR 圖像，用于開展改進(jìn)MRF 勢(shì)函數(shù)模塊的消融實(shí)驗(yàn)，并展示改進(jìn)勢(shì)函數(shù)模型在特征提取中的優(yōu)勢(shì)。圖9（a）、圖9（b）分別為原始圖像和地面真值圖；圖9（c）為傳統(tǒng)MRF 算法的分割結(jié)果，目標(biāo)與背景雜波混雜，算法過分割嚴(yán)重。圖9（d）為改進(jìn)MRF 勢(shì)函數(shù)模塊的消融結(jié)果，基于傳統(tǒng)MRF 勢(shì)函數(shù)模型，利用MSBI 算法結(jié)果代替初始標(biāo)簽域賦值，并通過迭代進(jìn)行標(biāo)簽更新。由圖9（d）可以看出，引入MSBI 算法能夠有效解決大部分背景與目標(biāo)的過分割問題。但由于單個(gè)目標(biāo)區(qū)域灰度分布不均，傳統(tǒng)勢(shì)函數(shù)模型無法有效表達(dá)目標(biāo)的結(jié)構(gòu)信息，導(dǎo)致部分矩形建筑物周邊存在冗余像素點(diǎn)，目標(biāo)結(jié)構(gòu)信息丟失。圖9（e）、圖9（d）為在傳統(tǒng)MRF 算法的基礎(chǔ)上加入改進(jìn)MRF 勢(shì)函數(shù)模型的處理結(jié)果，即本文完整算法處理結(jié)果。對(duì)圖9（e）、圖9（d）進(jìn)行差值比對(duì)，結(jié)果如圖9（f）所示，可見本文算法通過特征空間約束，能夠在一定程度上保留建筑物目標(biāo)的結(jié)構(gòu)信息，使SAR 建筑物分割更加精準(zhǔn)。

圖9 改進(jìn)勢(shì)函數(shù)模型的消融實(shí)驗(yàn)結(jié)果Fig.9 Ablation experimental results of improved potential function model

圖10 所示為MBI 和FRFCM 算法與本文算法的處理結(jié)果對(duì)比圖。如圖10（a）和圖10（b）所示，前2 種算法均無法同時(shí)兼顧虛警率以及漏檢率。圖10（c）為本文BSID-MRF 算法的處理結(jié)果，由于融合了鄰域顯著性特征約束因子，建筑物邊緣區(qū)域分割更精準(zhǔn)，在一定程度上能夠去除部分冗余虛警像素，同時(shí)保證其他SAR 建筑物的完整性，目視效果更佳。

圖10 針對(duì)場(chǎng)景2 下的建筑物分割實(shí)驗(yàn)Fig.10 Building segmentation experiment for scene 2

圖6（b）為星載SAR 圖像，用于展示本文算法在不同SAR 系統(tǒng)圖像間的適用性。在該場(chǎng)景中，SAR 建筑物目標(biāo)結(jié)構(gòu)形態(tài)多樣，背景雜波主要包括散斑噪聲、植被、廣場(chǎng)道路等干擾信息，針對(duì)此類場(chǎng)景的SAR建筑物提取可以進(jìn)一步檢驗(yàn)本文算法在星載應(yīng)用中的可行性。圖11（a）、圖11（b）分別為星載SAR 圖像及其地面真值圖。傳統(tǒng)MRF 算法對(duì)SAR 建筑物目標(biāo)的分割效果良好，如圖11（c）所示，但引入了較多類建筑物的虛警目標(biāo)，漏檢率較低但虛警率偏高，致使算法整體檢測(cè)性能不佳。而如圖11（d）、圖11（e）所示的MBI 算法和FRFCM 算法的處理結(jié)果針對(duì)L 型、框型等建筑物目標(biāo)斷裂較為嚴(yán)重，無法完整地提取此類建筑物目標(biāo)，虛警率較低但漏檢率偏高，導(dǎo)致算法檢測(cè)性能降低。與之相比，本文BSID-MRF 算法能夠有效平衡虛警率與漏檢率，分割結(jié)果如圖11（f）所示，整體檢測(cè)性能優(yōu)于其他算法。

圖11 針對(duì)場(chǎng)景3 下的建筑物分割實(shí)驗(yàn)Fig.11 Building segmentation experiment for scene 3

本文選用SAR 建筑物提取研究領(lǐng)域廣泛使用的分割指標(biāo)進(jìn)行定量評(píng)估算法性能，Dice 指標(biāo)［22］能夠有效表示2 類樣本間的相似性程度，Jaccard 系數(shù)［23］為集合間相似性度量指標(biāo)，mIoU 代表集合平均交并比［24］，以上三者系數(shù)值越高，代表分割算法的性能越佳。利用漏檢率（False Negative Rate，F(xiàn)NR）與虛警率（False Positive Rate，F(xiàn)PR）描述分割算法的特性［25］。這些指標(biāo)的具體公式如式（16）～式（20）所示：

其中：TTP、FFP、FFN分別為真正例、假正例、假負(fù)例；RSeg代表算法實(shí)際分割結(jié)果；RGT代表地面真實(shí)值。

基于不同平臺(tái)SAR 場(chǎng)景下的幾類建筑物分割算法性能的對(duì)比情況分別如表1～表3 所示。由表1～表3 可知，相比于其他建筑物分割方法，BSID-MRF 算法能夠保持合適的漏檢率與虛警率，Jaccard、mIoU 和Dice 指標(biāo)均高于其它方法，證明了BSID-MRF 算法對(duì)于高分辨率SAR 建筑物分割任務(wù)的可行性與有效性。

表1 不同算法針對(duì)場(chǎng)景1下的建筑物分割性能指標(biāo)對(duì)比Table 1 Comparison of building segmentation performance indexes of different algorithms for scene 1

表2 不同算法對(duì)場(chǎng)景2 下的建筑物分割性能指標(biāo)對(duì)比Table 2 Comparison of building segmentation performance indexes of different algorithms for scene 2

表3 不同算法對(duì)場(chǎng)景3 下的建筑物分割性能指標(biāo)對(duì)比Table 3 Comparison of building segmentation performance indexes of different algorithms for scene 3

4 結(jié)束語

本文提出一種基于建筑物指數(shù)相似度的改進(jìn)MRF 分割算法BSID-MRF。通過強(qiáng)度信息重構(gòu)、紋理特征構(gòu)造、譜殘差權(quán)重統(tǒng)計(jì)來提取SAR 建筑物目標(biāo)不同區(qū)域的顯著性指數(shù)。在此基礎(chǔ)上，引入鄰域MSBI 因子相似度，利用特征空間語義特性對(duì)原始像素空間進(jìn)行有效約束，提升MRF 勢(shì)函數(shù)模型對(duì)建筑物目標(biāo)結(jié)構(gòu)的表征能力。建筑物分割結(jié)果表明，本文所提算法BSID-MRF 相比于傳統(tǒng)MRF、MBI、FRFCM 等算法，Dice 指標(biāo)平均提升4.3～10.7 個(gè)百分點(diǎn)，且能夠有效平衡虛警率和漏檢率，更適用于高分辨率SAR 建筑物分割任務(wù)。下一步將通過設(shè)計(jì)目標(biāo)提取規(guī)則提升SAR 建筑物檢測(cè)算法精度。