基于区域型M RF的SAR图像分割算法

徐 康, 杨学志, 李长凯, 范良欢

(合肥工业大学计算机与信息学院,安徽合肥 230009)

基于区域型M RF的SAR图像分割算法

徐 康, 杨学志, 李长凯, 范良欢

(合肥工业大学计算机与信息学院,安徽合肥 230009)

针对迭代区域生长算法(IRGS)在处理含相干斑噪声严重的合成孔径雷达(SAR)图像时具有的边缘定位不准确和初始过度分割的两大不足,文章提出了一种新型的改进分割算法。通过各向异性扩散滤波(SRAD)抑制SAR图像的斑点噪声并增强图像的边缘信息,采用分水岭分割与区域邻接图(RAG)构建SAR图像的区域化表达。在此基础上,与IRGS算法相结合,实现SAR图像的快速、精确分割。将新算法用于一组添加了不同噪声水平的合成图像和真实SAR图像,实验结果表明新算法在分割准确度和时间效率上均有较大提高。

合成孔径雷达;图像分割;迭代区域生长(IRGS);各向异性扩散的相干斑降噪(SRAD)

近年来,微波遥感技术的典型代表合成孔径雷达(SAR)[1]以全天候、全天时、多波段、多极化、可变侧视角以及穿透能力强等诸多优点被广泛应用于军事和国民经济领域。人们在研究SAR成像技术的同时不断致力发展SAR图像处理技术,以便从包含丰富观测数据的SAR图像中获得所需实时信息。SAR图像分割技术是SAR图像处理的关键技术之一,研究和发展高精度、快速有效的SAR图像分割方法具有重要的理论意义和商用价值。目前,提出的SAR图像分割算法主要包括:阈值分割方法、聚类方法、结合边缘检测与区域合并的混合方法和基于MRF模型的分割方法[2-5]。上述方法是将传统的图像分割方法与SAR图像的本身特性相结合,实现SAR图像的有效分割。阈值分割方法和聚类方法实现简单,但易受噪声影响;边缘检测和区域合并的分割方法难以确定分割的终止边界,往往分割出来的结果存在过分割或欠分割现象;基于MRF模型和MRF模型的改进分割方法需要构建精准的分割模型和对模型参数的准确估计。

本文在基于MRF改进分割方法——IRGS算法的基础上[6],针对SAR图像的本身特性,分析提出处理含斑点噪声严重的SAR图像分割算法。

1 新算法原理

1.1 IRGS算法

IRGS算法是文献[6]提出的一种区域型MRF方法的改进算法。与传统MRF分割方法相比,IRGS算法分割精度更高,时间效率更快。传统的MRF分割以贝叶斯公式为基础,通过计算最大后验概率完成图像分割,即

其中,在特征模型中,P(C｜f)表示已知图像 f的分割标记结果C的后验概率;p(f｜C)表示已知标记结果C的条件概率分布;在空间上下文模型P(C)中,P(C)表示C的先验概率。

与传统求解目标函数最优解所采用的组合优化方法如模拟退火算法、ICM算法不同,IRGS算法采用迭代区域生长技术求解目标函数的最优解。通过计算合并前后的δEij值,判定相应的区域是否进行合并。

若 δEij值为负,则 Ωi和 Ωj进行合并;反之,Ωi和 Ωj不进行合并。每一次迭代合并使 δEij值减少最大的相邻区域,循环迭代,直到能量差值δEij为正为止。IRGS算法分割流程如图1所示。

IRGS的全局分割算法描述如下:

(1)对原始图像进行分水岭初始分割[7],设定边缘惩罚函数的参数K值为0。构建初始分割后的 RAG(region adjacency graph,简称 RAG),并给每一个 RAG节点赋一个随机的分割标号值。

(2)基于当前RAG标记的结果,采用EM算法估计分割目标特征模型参数ui和δ2i。

(3)对在RAG里面每一对标记为相同标号的相邻区域节点计算能量差值δEij,并找到其中最小的δE min。

(4)如果δE min是负值,则合并使δE m in最小的对应标记节点区域,合并结束后返回步骤(3)。

(5)循环迭代执行步骤(3)和步骤(4),直到δE m in为正,即不能合并时,对合并后的图像基本区域重新构建RAG节点,依据目标函数(8)式计算图像最优的标记分割结果。

(6)如果设定的迭代分割的次数还未完成,则增大K值,返回到步骤(2)继续执行。

图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,以有源主动方式工作,形成了SAR图像特有的噪声特征。由相干波引起的相干斑噪声是影响SAR图像分割准确与否的关键因素。IRGS算法是基于MRF方法的改进算法,它在MRF方法的基础上,利用了图像的边缘强度信息,采用迭代区域生长技术进行图像分割。将IRGS算法直接用于含噪严重的SAR图像,主要存在2个方面的问题:

(1)相干斑噪声的存在影响了SAR图像梯度信息的提取,初始分割不能准确地保持图像的边缘,而梯度信息是IRGS算法进行后续区域合并的重要依据。

(2)当前的IRGS算法是基于基本区域的,相干斑噪声的存在致使初始分割的基本区域数目过大,使得后续的区域合并,目标函数求解的运算量增加,分割时间加长,难以扩展应用。

1.3 IRGS算法的改进

相干斑点噪声的存在是影响IRGS算法用于SAR图像分割的关键因素,实现SAR图像准确分割的关键在于选用合适的去噪技术。目前,常采用的滤波方法为空域处理技术,包括中值类滤波、均值类滤波和统计类滤波[8,9]。一般地,利用局部统计信息去除相干斑噪声的统计类滤波,如LEE滤波、Kuan滤波和Gama MAP滤波等,优于基于像素级处理的中值类滤波和均值滤波。然而,由于统计类滤波固有的特性,在有效抑制斑点噪声的同时,却无法准确保留图像的结构信息和边缘信息,而图像的边缘信息是IRGS分割算法进行区域生长和构建分割目标函数的核心信息。

针对上述问题,本文采用基于偏微分方程(PDE)的各向异性扩散滤波去噪[10]。与统计类滤波相比,各向异性扩散滤波在滤除相干斑噪声的同时有效保持了图像的边缘信息;在此基础上,通过分水岭初始分割和区域连接图构建SAR图像的区域化表达,与 IRGS算法相结合,完成SAR图像分割。各向异性扩散滤波原理如下:构造偏微分方程(PDE),经过多次迭代得到的扩散滤波结果I(t)为:

其中,I0表示初始图像;t表示时间变量;div为散度算子;▽为梯度算子;c(q)表示扩散系数。c(q)可以表示为:

其中▽2为拉普拉斯算子。

引入参数c(q)的各向异性扩散滤波在图像的同质区域进行等方向性扩散,在图像的边缘区域沿边缘方向扩散,从而在平滑同质区域的同时有效保持了图像的边缘强度信息。采用迭代方法完成滤波过程。

2 实验结果与分析

2.1 实验参数和评价指标

为了验证本文方法的有效性,本文通过以下2种分割方法进行对比:

(1)对SAR图像直接进行IRGS算法分割。

(2)各向异性扩散滤波(SRAD)与IRGS算法相结合用于SAR图像分割。

将2种方法分别用于一组含有不同等效视数的相干斑噪声的合成图像和真实的SAR海冰图像。

在目标函数(8)式中,参数 uxs、δ2xs的初始值可以通过EM算法估计获得,权值参数β由人工凭经验设定。对于合成 SAR图像,参数 β取0.1;对于真实SAR图像,β取3.0。迭代区域生长的迭代次数设置为300次,初始K值为0。

为了衡量实验中各种方法的对比性能,本文引入了整体准确率和kappa系数用于评价分割性能[9]。

整体准确率指的是被正确标记的像素的百分比;kappa系数一般用来评价遥感图像的分类的正确程度,该系数的取值范围为[-1,1],其值接近1时,说明分类性能较好,当kappa系数大于0.8时,分类性能则较好。

2.2 合成图像分割

合成图像分割结果,如图2所示。

图2 合成图像分割结果

分割算法首先用于评价图2a中所示的合成图像,该图像大小为512×512,包括星型、不同宽度的直线和曲线。对该图像添加8种不同等效视数水平的相干斑噪声,即 50、30、25、20、15、10、5和 1,获得一组模拟SAR图像,其中等效视数是表征SAR图像相干斑噪声强度的常用指标,可定义为:

其中,I表示图像的一个平坦区域;E[I]为图像均值;Var[I]为图像方差。ENL反映了SAR图像受相干斑噪声污染的程度,图像的ENL值越高,图像噪声越少。分割结果评价见表1所列。

表1 分割结果评价(整体准确率/kappa系数)

表1列出了不同相干斑噪声水平的合成图像的分割准确性,含噪声越严重的合成图像,采用各向异性扩散滤波与IRGS结合的分割方法更优于直接采用IRGS算法进行SAR图像分割。

图2b显示添加了等效视数为10的相干斑噪声的合成图像,图2c和图2d为分割结果,从中可以看出采用各向异性扩散滤波与IRGS算法相结合的分割算法能够分割出右侧细小的曲线波纹和左侧上方的细直线,保持了合成图像的边缘结构信息。

2.3 SAR海冰图像的分割

SAR图像分割结果如图3和图4所示。

将本文提出的算法用于真实SAR海冰图像,图3a是由分辨率为100 m,工作在ScanSAR C-频段模式的RADARSAT-1卫星拍摄的1997年10月13日的Beaufort海的海冰图像;图4a是于1998年2月20日拍摄的Saint Law rence海峡的影像,较亮的区域表示成年冰,其它区域表示灰白冰。对图3和图4的分割结果进行对比,结果见表2所列。采用各向异性扩散滤波与IRGS相结合的分割算法,比直接采用IRGS算法能更好地保持图像的边缘信息,克服了相干斑点对SAR图像分割的影响,减少了错误分割的数目,这是由于各向异性扩散滤波有效减少了初始分割的区域数目。

从表2可以看出,各向异性扩散滤波与IRGS算法相结合的分割算法,在提高分割精度的同时降低了计算量,大幅度减少了初始分割区域数目,节省了计算时间。

图3 SAR图像分割结果(一)

图4 SAR图像分割结果(二)

表2 初始分割数与分割时间

3 结束语

各向异性扩散滤波在有效抑制SAR图像斑点噪声的同时保留了SAR图像的边缘信息。通过各向异性扩散滤波与IRGS算法相结合,有效地解决了IRGS算法在处理含相干斑点噪声的SAR图像分割中遇到的边缘定位不准确和初始过度分割的两大问题。各向异性扩散滤波与IRGS相结合的新方法与直接采用IRGS算法相比,提高了SAR图像分割的准确度,降低了分割时间。

[1] 舒 宁.雷达遥感原理[M].北京:测绘出版社,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 晓,夏传浩.一种改进的 SAR图像相干斑抑制方法[J].合肥工业大学学报:自然科学版,2005,28(5):473-476.

[9] 吴保奎,范素凤.改进的基于小波变换SAR图像去噪方法的性能评价[J].合肥工业大学学报:自然科学版,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

国家自然科学基金资助项目(41076120;60890075);安徽省优秀青年科技基金资助项目(10040606Y09);安徽省人才开发基金资助项目(2008Z054);教育部留学回国人员科研启动基金资助项目和合肥工业大学计算机与信息学院人才培育计划资助项目(2010HGXJ0017)

徐 康(1985-),男,安徽安庆人,合肥工业大学硕士生;

杨学志(1970-),男,安徽合肥人,博士,合肥工业大学教授,硕士生导师.

(责任编辑 张秋娟)