基于支持向量機（SVM）單目標SAR圖像分割

黃 亮，舒 寧

（武漢大學遙感信息工程學院，湖北武漢 430079）

基于支持向量機（SVM）單目標SAR圖像分割

黃 亮，舒 寧

（武漢大學遙感信息工程學院，湖北武漢 430079）

將考慮 SAR圖像局部灰度均值和方差及像素空間分布特征等統計量，以灰度共生矩陣產生的紋理統計量為特征向量，經過歸一化后進行特征選擇，然后輸入到支持向量機中進行訓練建模，利用支持向量機分類方法，以實現分割結果。最后，將此方法分類結果與傳統方法進行了比較，從對比結果可以看出此方法行之有效。

SAR圖像；灰度共生矩陣；圖像分割；支持向量機

合成孔徑雷達(Synthetic ApertureRadar，簡稱SAR)是一種工作在微波波段的相干成像雷達，是1951年美國的Wiley C第一個提出的。它作為一種可供選擇的遠距離對地觀測途徑，具有高分辨率、全天候、強透射等優點，在遙感、軍事、水文、地礦等領域有著廣泛的應用[1]，得到了迅猛的發展，因而對SAR圖像的分析處理也變得越來越重要，其中，SAR圖像的分割則是一個重要方面。

圖像分割是計算機視覺領域的一個經典難題，盡管人們在圖像分割方面已取得了大量的研究成果，但目前尚無通用的分割理論提出，現已提出的算法大多都是針對具體問題[2]。正是由于圖像分割的不確定性及分割任務的重要性，人們至今仍在不斷研究探索新的分割理論與分割算法。再加上SAR是一種相干成像系統，因此要受其相干斑噪聲的嚴重影響。這種噪聲的存在降低了其圖像的質量，SAR圖像的這種特性使其分割工作變得更為困難。

目前的分割方法在對高維特征向量，小樣本數據等方面很難獲得好的分割效果。因此，在進行圖像分割時，除了重視多種特征融合、多種分割算法的有效結合外，還需要繼續致力于將新的概念、新的方法引入圖像分割領域中，充分利用新方法的優點，以期取得好的分割效果。本文將支持向量機 (Support Vector Machine)這種新方法應用到SAR圖像分割中。

1 支持向量機原理

式中，C>0為懲罰因子，用于控制對錯分樣本懲罰的程度。

注意到無論訓練樣本在原始特征空間中是否線性可分，求解其對應的優化問題以及最終得到的最優分類超平面都只需計算原始特征空間中樣本之間的內積，而不需要知道從原始特征空間到高維特征空間的非線性映射的具體形式。統計學習理論指出，滿足 Mercer定理的函數K(x,y)可作為內積使用，且能以系數展開成稱之為核函數。引入核函數后，當樣本在高維特征空間中不是線性可分時，可求得基于高維特征空間中廣義最優分類超平面的決策函數為

怎樣從理論上保證選擇最優的核函數，現在仍然是一個重要的問題。在大多數應用中，普遍采用的核函數有：

原始的SVM是兩類分類器，對于多類分類問題，需要對其進行擴展。常用的方法有一類對余類和一類對一類。對N類數據分類問題，前者通過構N個SVM分別將各個類與剩余的類分開，后者則對每兩類構造一個SVM，共需N(N一1)/2個分類器。本文采用一類對一類的方法。

2 試驗原理與方法分析

2.1 基于灰度共生矩陣紋理特征

間隔d為歐式距離

一幅圖像的灰度共生矩陣反映了圖像灰度關于方向、相鄰間隔、變化幅度的綜合信息。它是分析圖像的局部模式和它們排列規則的基礎，從它出發可以進一步提取描述圖像紋理的一系列特征。我們考慮由以上灰度共生矩陣提取以下幾個反映紋理特征統計量：

同時要注意，在計算灰度共生矩陣時，需要確定窗口的大小。太小的窗口，不能得到有效的紋理信息；然而，太大的窗口，同一窗口中可能包含有不同的紋理信息，同時增加了共生矩陣的儲存代價?？梢远嘤脦讉€大小不一的窗口來進行比較以便得到較好的結果。

按照上述原理，我們按照以下步驟進行特征提?。?/p>

1)考慮到處理速度,通常以塊為處理單元。將原圖像分成N×N的小塊圖像 (子區域)，N取值為8；

2)計算每個子區域圖像塊的灰度均值、灰度中值和方差，作為小塊圖像的局部統計紋理特征；

3)計算各個子區域圖像塊的灰度共生矩陣特征。首先計算每個子區域四個方向上的灰度共生矩陣，然后分別提取d=1時四個方向（0°，45°，90°，135°）上的5個特征值。

2.2 特征歸一化

在使用SVM分類方法之前，對提取的特征進行歸一化非常重要。主要的優點是在建立分類超平面時，避免動態范圍大的特征淹沒了動態范圍小的特征，使它們具有同等的作用。另外一個優點是，在特征向量的內積計算時避免大數計算的困難，大的特征值可能引起計算的溢出。因此，常常需要對特征進行歸一化處理。采用下面的公式進行歸一化處理：

經過上述公式歸一化處理后，特征的泛圍限制在[-1,1]之間。在進行特征歸一化時，需要對訓練集與測試集樣本的特征采用同樣的方式進行歸一化（如圖 1所示）。

圖1 紋理特征提取

本實驗中，將 (2)和 (3)求得的特征值歸一化到[-1,1]，經組合后組成特征矢量，按照指定的格式作為訓練輸入樣本，輸入到向量機中進行訓練建模，具體步驟如下：

將所需特征組成一個特征向量 (y1,x1,x2,…xi)，y=1或-1，分別表示水體區或非水體區，xi的值為fi經歸一化后所對應的值，通過支持向量機學習方法構建一個基于SAR圖像的水體分類器。訓練樣本的選取對分類的結果有一定的影響，樣本數太少，容易引起欠學習的問題；樣本數過多，一方面，增加訓練的代價，另一方面，容易出現過學習的現象。關鍵在于需要選擇有代表性的樣本進行訓練。選取樣本中的一半作為訓練集，另一半作為測試集。采用標準支持向量機進行訓練建模，在此過程中首先要確定合適的核函數類型、核參數、懲罰因子以及窗口尺度，以便獲得最好的分割性能。然后通過訓練后的模型就可對SAR圖像進行分類,將圖像分割成水體區和非水體區的二值圖像。

為此，首先結合分割參考圖，對特定的模型及窗口尺度采用 5-折交叉驗證法估計其分類精度，選取分類精度最高的模型及窗口尺度作為支持向量機的模型和特征形成窗口尺度。最終，我們選擇在窗口尺度為3的情況下，懲罰因子C=100、徑向基核函數RBF核函數作為最佳參數，同時選取f1，f2，f3，f4，f5為特征向量，最后用訓練好的分類器對SAR圖像進行分割。

2.3 試驗結果

1)本次試驗采用radarsat衛星的單極化SAR圖像數據，截取圖像大小為710*710。對SAR圖像，采用了不同分割方法對其進行分割，效果對比如圖2所示。

圖2 不同方法分割效果對比圖

圖2(a)是SAR圖像原圖，(b)是迭代閾值分割的結果，(c)是區域生長分割的結果，(d)是K-Means法分割結果，(e)是最佳熵閾值法分割結果，(f)是本文方法分割的結果，從圖可以看出以上方法均分割出了河流主干，而 (b)很明顯除河流主干部分外，其他水體部分分割不準確，(c)、(d)和 (e)對于細節部分分割不清楚，而本文的方法分割出的圖像細節清楚，整體輪廓清晰，一目了然，說明本文的分割方法是有效的，同時還優于其他的閾值分割方法。

2)當窗口尺度S=3時，不同參數性能對比。

表1 不同模型參數下RBF核函數的分類精度及支持向量數的比較結果

從表 1可以看出，通過試驗結果分析，最優參數為 C=100，2=8，因為此時分類精度最大，其值為97.54%，此時分類器性能最好，也體現了本文設計算法的優勢。

3結 語

本文詳細討論了單目標SAR圖像的分割過程。首先，對原始SAR圖像，從中提取局部統計特征和由灰度共生矩陣得到的 5個紋理特征，經過歸一化處理后進行特征選擇，然后輸入到支持向量機中進行訓練建模，用訓練好的分類器實現分割。最后，將本文方法分割結果與傳統方法進行了比較，從對比結果可以看出本文方法還是行之有效的。

[1] HenriMaitre.孫洪譯.合成孔徑雷達圖像處理[M].北京:電子工業出版社,2005

[2] 章毓晉.圖像分割[M].北京:科學出版社,2001

[3] 宋建社,袁禮海,薛文通.SAR圖像處理的最新研究與應用[J].遙感技術與應用,2002,17(5):284-288

[4] 賈永紅.數字圖像處理[M].武漢:武漢大學出版社,2006

[5] 汪西莉,劉芳,焦李成.一種分層馬爾可夫圖像模型及其推導算法[J].軟件學報,2003,14(9):1 558-1 563

[6] 徐海祥.基于支持向量機方法的圖像分割與目標分類[D].武漢:華中科技大學,2005

[7] 楊強.支持向量機的模型及其在圖像分割中的應用[D].重慶：重慶大學,2004

[8]Ulaby FT，Kouyate F，Brisco B.Textural Information in SAR Image[J].IEEE Transaction on Geoscience and Remote Sensing，1986，24(2)：235-245

[9]Chew H,Bogener R andLM.Dual C.V-support Vector Machine w ith Error Rate and Training Size Beasing[J].Proceedings of IEEE Int.Conf.on Acoustics,Speech and Signa Processing,2001: 1269-1272

[10]Lin C and Wan S.Fuzzy Support Vector M achines[J].IEEE Trans.on NeuralNetworks,2002,13(2):464-471

Single Ob jective Segm entation of SAR Im ages Based on Support Vector Machine(SVM)

by Huang liang

In this paper,some SAR image Statistics in dice were considered such as the local gray mean,variance and the spatial distribution characteristics of pixel.Then,the texture statistics from GLCM was taken as features and was normalized,for which feature selection was carried on.In the end,the support vector machine training model(SVM)was constructed,the segmentation was achieved by SVM.This method of classification were com pared with the traditional method by test,it showed that it was more effective.

SAR,im age segmentation,GLCM,support vector machines（Page:60）

P237.3

B

1672-4623(2011)01-0060-03

2010-04-22

項目來源：湖北省自然科學基金資助項目 (2006ABD003)。

黃亮，碩士，主要從事 SAR影像分類方面的研究。