基于混合邊緣檢測的極化SAR圖像海岸線檢測

劉　春, 殷君君, 楊　健

(清華大學電子工程系, 北京 100084)

?

基于混合邊緣檢測的極化SAR圖像海岸線檢測

劉春, 殷君君, 楊健

(清華大學電子工程系, 北京 100084)

摘要：針對傳統方法在金屬建筑反射干擾嚴重情況下無法實現海岸線精確檢測問題,本文在分析海岸線邊緣特有散射特性的基礎上,提出了混合統計和散射特性的海岸線邊緣檢測方法。該方法分別以似然比和體散射功率比值檢測子檢驗窗口相鄰區域統計和散射特性的不同,并通過模糊集方法融合兩個檢測子。在由提出的檢測子實現粗岸線檢測的基礎上,采用基于邊緣能量圖的快速活動輪廓模型對岸線進一步精細化。對大連海岸區域極化合成孔徑雷達(synthetic aperture radar, SAR)圖像進行實驗,結果表明提出算法有效減少了強金屬建筑干擾和不同海況區域導致的虛假岸線邊緣,實現了精確的海岸線檢測。

關鍵詞：合成孔徑雷達; 海岸線檢測; 極化; 邊緣檢測

0引言

作為合成孔徑雷達(synthetic aperture radar, SAR)圖像海岸帶地物解譯的基本步驟之一,精確的海岸線提取具有重要意義。海岸線位于海面與陸地的交界處,海面區域與陸地區域的散射特性具有明顯差異,因此海岸線的檢測可從整體上通過分割陸地與海面區域實現,也可以在局部上通過檢測海面與陸地交界處邊緣實現。受制于SAR圖像相干斑噪聲影響,無論是基于海陸分割的方法還是邊緣檢測的方法都難以實現精確檢測。

最初的海岸線檢測多采用基于邊緣檢測的方法實現,文獻[1]最早提出基于邊緣檢測與邊緣跟蹤的岸線檢測方法,采用閾值分割得到平滑后的邊緣能量圖,然后通過邊緣跟蹤實現岸線檢測。文獻[2]首先在低分辨率圖像上采用比值邊緣檢測和平滑、連接等處理實現岸線粗檢測,然后使用蛇形活動輪廓模型精細化岸線檢測結果。文獻[3]采用基于小波變換邊緣檢測的方法實現岸線的粗檢測,然后同樣采用蛇形活動輪廓模型精細化檢測結果?；谶吘墮z測的方法難點在于,由于SAR圖像乘性相干斑噪聲的影響,在具有強散射特性的區域會檢測出許多虛假邊緣;在海況不同的情況下,不同海況海面區域交界處也同樣會檢測出邊緣;此外近海裸地區域由于含水量較高,其與海面散射強度差異不明顯,這也難以保證檢測的海岸邊緣的連續性。

基于區域分割的海岸線檢測方法相比于邊緣檢測方法,充分利用海面區域與陸地區域散射強度整體上明顯的差異,檢測出的區域輪廓線連續,圖像預處理和后續處理相對簡單。文獻[4]和文獻[5]提出了基于馬爾可夫場分割的岸線檢測方法。文獻[6]在海面、陸地區域概率統計特性服從混合對數正態分布假設下,使用改進的水平集分割方法實現岸線檢測?；诤ｊ懛指罘椒ǖ碾y點在于,海面區域與陸地區域并非勻質區域,部分高海況區域散射強度甚至會高于部分陸地區域;而陸地區域同時包含人工建筑、植被、裸地及水域區域,無法使用單一統計或散射模型描述,這就導致簡單的兩區域分割無法實現精確的岸線檢測;此外,近海城市區域金屬建筑強的二次反射干擾會導致其相鄰海域散射強度大及散射成分復雜,導致基于統計特性的分割方法錯分。

對于極化SAR圖像,若采用基于馬爾可夫場模型的圖像分割方法[7]和水平集圖像分割方法[8]進行海岸線檢測,對于受金屬建筑強干擾的海域同樣會導致錯誤分割。而采用基于局部統計特性的恒虛警似然比邊緣檢測子[9]進行海岸線檢測,雖然對于受金屬建筑強干擾海域能檢測出海岸線邊緣,但同時會檢測出虛假邊緣,并且對于海況復雜區域,也會在海面區域檢測出虛假邊緣導致錯誤的岸線檢測結果?？紤]到金屬建筑強的二次反射干擾對于相鄰海域干擾成分主要以二次散射成分為主,而不同海況區域散射成分仍然以Bragg表面散射成分為主,為減少海面區域的虛假邊緣,充分利用海岸帶周邊地物的散射特性,本文提出一種基于混合統計特性和散射特性邊緣檢測子的極化SAR圖像海岸線檢測方法。該方法首先提出了基于Freeman三成分分解[10]體散射成分的邊緣檢測子;然后將其與經典的基于統計特性的邊緣檢測子相融合,并通過海面區域邊緣少、整體連通好的特性實現海岸線的粗略檢測;最后在粗岸線檢測結果基礎上,采用基于邊緣能量圖的快速蛇形活動輪廓模型實現精細化的岸線檢測。

1基于混合統計和散射特性邊緣檢測子的海岸線檢測

本部分在簡要介紹經典的基于統計特性的邊緣檢測子和分析海岸線邊緣的特性基礎上,介紹提出的基于Freeman三成分分解體散射成分的邊緣檢測子,并給出基于兩種檢測子融合的海岸線檢測方法。

1.1基于統計特性的似然比邊緣檢測子

極化SAR數據每一分辨單元表示目標在一組極化天線照射下的散射系數,表示為一個2×2復矩陣:

(1)

式中，H,V表示一組極化基方向；Sqp表示在p極化天線發射q極化天線接收下目標的后向散射系數。對于單站極化雷達,滿足互易定理,SHV=SVH。此時,目標的極化特征可用Pauli矢量k表示

(2)

為抑制極化SAR數據固有的相干斑噪聲,通常采用多視處理,即多個分辨單元數據進行非相干平均:

(3)

式中，(·)H表示共軛轉置；L表示多視處理視數。

(4)

極化SAR圖像似然比恒虛警(constant false alarm rate, CFAR)檢測子[9],以像素為中心劃定一定窗區域,對兩相鄰區域統計特性作假設檢驗,若兩區域散射矩陣Zx和Zy,分別服從復Wishart分布,Zx～W(Σx,Lx,p)和Zy～W(Σy,Ly,p)。則基于統計特性的假設檢驗模型為

在H0假設條件下,由廣義似然比準則,可得檢測子為

(5)

若Lx=Ly,則

(6)

1.2基于散射特性的邊緣檢測子

基于統計特性的邊緣檢測子進行海岸線檢測時,雖能檢測出海岸線邊緣,但對于受金屬建筑強干擾海域和海面海況復雜區域,會在海面區域檢測出許多虛假邊緣,這些虛假邊緣使得正確檢測海岸線十分困難?？紤]到海岸線邊緣的特殊性,其位于海面區域與植被、人工建筑、沙灘交界處,海面區域散射以Bragg表面散射為主,其體散射成分與植被和人工建筑相比具有顯著差異。另外金屬建筑強的二次回波信號對于相鄰海域干擾成分主要以二次散射成分為主,不同海況區域的體散射成分差異相對微弱。類似于似然比邊緣檢測子,構造基于體散射成分的邊緣檢測子。

根據Freeman三成分分解, 多視極化SAR圖像相干矩陣可分解為平面散射、二次散射、體散射3種散射成分的和。

(7)

式中，Ps, Pd, Pv分別代表平面散射，二次散射及體散射的功率大小。

若相鄰區域體散射成分分別為Pvx,Pvy。則基于體散射成分的假設檢驗模型為

由Freeman分解得到的體散射成分Pv=4〈|SHV|2〉,對于多視極化SAR圖像〈|SHV|2〉服從Gamma分布,在H0假設條件下,若窗口區域兩領域等效視數Lx=Ly,同樣可得體散射功率似然比檢測子

(8)

類似對數似然比邊緣檢測子,對r取對數并取負,可得

(9)

1.3兩種檢測子融合

海面與沿岸沙灘體散射成分差異微弱,采用基于體散射特性的邊緣檢測子邊緣能量微弱。實際的岸線邊緣在其相鄰兩區域應該同時具有統計特性和體散射成分的差異,即實際的海岸線邊緣判斷的假設檢驗模型為

(10)

由式(10)可知σ滿足

(11)

融合檢測子提高了兩種檢測子同時偏高時的置信程度,降低了兩種檢測子同時偏低時的置信程度。

1.4基于融合檢測子的海岸線檢測

采用融合檢測子進行海岸線檢測時,需確定檢測子門限。融合檢測子的概率分布無法解析表達,為保證岸線邊緣的連續性,選擇均質海面區域進行檢測子分布擬合,在設定的虛警概率下確定門限。其中均質海面區域與似然比檢測子中等效視數估計區域相同,可采用監督或非監督方法確定,非監督方法在極化SAR圖像Span圖(功率圖)上等間隔選擇10%的像素,以各像素為中心確定M×M窗口區域,選擇功率方差最小區域作為檢測子門限確定和等效視數估計區域。

以極化SAR圖像各像素為中心劃定wr×wr的窗口區域,分別通過式(6)～式(9)計算不同窗口方向(見圖1)相鄰區域融合檢測子能量,選擇能量最大值為像素的邊緣能量σ。

圖1　邊緣檢測窗口方向(例:wr=5)

在設定的虛警概率Pfa (0.01～0.05)下,根據估計區域邊緣能量直方圖分布確定檢測門限。對于檢測得到的邊緣圖,陸地區域邊緣密集,而海面區域邊緣稀疏,根據海面無邊緣區域的連通性可確定出海面區域,剔除海面區域小面積邊緣得到粗略的海岸線檢測結果。

2基于活動輪廓模型的海岸線精細化算法

由融合邊緣檢測子得到的粗略海岸線檢測結果受窗口區域選擇和岸線形狀的復雜性距離真實岸線有一定偏差。為得到精確的海岸線,以粗略岸線檢測結果為初始化,結合邊緣能量圖σ,使用快速蛇形活動輪廓模型[13]精細化檢測結果,算法原理及步驟如下。

蛇形活動輪廓模型將曲線參數化表達,分別定義曲線的內部和外部能量函數,曲線逐步演進搜索直至能量函數達到極小值,由此確定的曲線作為待檢測的輪廓線。若曲線參數化表示為v(s)=(x(s),y(s)),曲線能量函數定義如下:

(12)

式中，內部能量Einternal包括曲線彈性能量和彎曲應變能量;外部能量Eexternal為表征圖像邊緣等特征的能量;限制能量Econstraint為外部限制。

忽略外部能量限制,由曲線內部和外部能量定義可得

(13)

(14)

式中，Gi為Vi點處梯度幅度圖。使用粗岸線檢測得到的融合檢測子邊緣能量圖σ為各像素的梯度幅度,則精細化岸線檢測算法可描述如下:

步驟 1對粗岸線檢測結果進行邊緣跟蹤,得到岸線輪廓(包括圖像邊界)的有序點{Vi,i=0,1,2,…,n}表示；

步驟 2初始化活動輪廓模型邊界曲線γ(0)為{Vi,i=0,1,2,…,n},將邊緣能量圖σ按8比特量化值作為圖像各像素點的梯度幅度值{G(x,y)|(x,y)∈Ω}。初始化參數α,β,γ值為1,設定像素鄰域窗口N,設k=1;

步驟 3開始迭代,在第k次迭代,對曲線的每一點Vi,根據曲線能量近似定義計算Vi8鄰域各點{Vj,j=0,1,…,7}能量Econ,j,Ecur,j和Eimage,j,Econ,j和Ecur,j由曲線上的點近似計算獲得,Eimage,j由Vj的N×N鄰域按式(14)計算獲得,由此得到Vj的曲線能量Evj=αiEcon,j+βiEcur,j+γiEimage,j,找出局部能量最小的Vjmin,并將Vi移至Vjmin,得到第k次演進結果γ(k);

3實驗結果及分析

使用2012年4月17日Radarsat2C波段大連海岸區域數據進行實驗,數據分辨率為4.73m×5.33m,大小為5 491×2 156。

3.1多視數據局部區域處理結果

首先對多視處理后部分區域進行實驗說明本文提出算法仿真流程及性能,邊緣檢測子窗口大小設為5×5,虛警概率Pfa設為0.01。如圖2所示,其中圖2(a)為原始數據4視處理后800像素×1 000像素Pauli著色圖;圖2(b)為似然比檢測子邊緣能量圖;圖2(c)為在虛警概率為0.01下似然比檢測子得到的邊緣檢測結果;圖2(d)為提出的融合邊緣檢測子邊緣能量圖;圖2(e)為在虛警概率為0.01下提出邊緣檢測子邊緣檢測結果。

圖3為確定檢測門限均勻海面區域似然比邊緣檢測子和融合邊緣檢測子邊緣檢測門限與虛警概率的關系,其中圖3(a)為似然比檢測子的結果,圖3(b)為提出邊緣檢測子的結果。

從圖2(a)可以看出在大連港口區域附近,海面受金屬建筑干擾嚴重,海面同時存在不同海況情況,從似然比檢測子和提出檢測子邊緣能量圖來看,提出融合檢測子邊緣能量圖在金屬建筑附近值相對其他區域偏高,導致其他區域邊緣呈現暗色。從兩種檢測子邊緣檢測結果來看,提出檢測子在受金屬建筑干擾和海況不同區域虛假岸線邊緣少,且檢測出的岸線邊緣連續。

圖2　似然比和提出邊緣檢測子邊緣能量圖及檢測結果

圖3　似然比和融合邊緣檢測子門限與虛警率關系

按粗略海岸線檢測算法流程,通過邊緣檢測圖最大連通域判斷和小面積邊緣像素剔除可得粗略岸線檢測結果。圖4為基于似然比邊緣檢測子和基于提出邊緣檢測子結果對比,其中圖4(a)為基于似然比邊緣檢測子結果,圖4(b)為基于提出邊緣檢測子結果。

圖4　似然比邊緣檢測子和提出邊緣檢測子結果對比

從圖4結果可以看出,基于似然比邊緣檢測子無法實現海岸線正確檢測,主要原因是在受金屬建筑干擾區域邊緣不連續,而不同海況區域交界邊緣也被錯誤當作海岸邊緣。

在粗岸線檢測結果基礎上,設定曲線移動點門限為Npts=0.01Ntotal,Ntotal粗岸線輪廓線像素總點數,采用第2節岸線精細化算法可得精細化檢測結果,圖5為基于提出融合檢測子粗略岸線檢測和精細化結果對比。其中圖5(a)為粗岸線檢測結果;圖5(b)為粗岸線檢測局部放大結果;圖5(c)為采用活動輪廓模型岸線精細化結果;圖5(d)為精細化岸線局部放大結果。

從圖5實驗結果可知,提出融合檢測子能實現粗略岸線檢測,通過岸線精細化處理,提出算法能精確定位二次散射干擾嚴重區域岸線邊緣。

圖5　提出融合檢測子粗略岸線檢測和精細化結果

3.2單視數據全局圖像處理結果

在邊緣檢測子窗口大小為5×5,虛警概率為0.01條件下,圖6為海岸線檢測結果。圖6(a)為原始數據Pauli分解圖,圖6(b)為融合檢測子邊緣檢測結果,圖6(c)為精細化海岸線檢測結果,圖6(d)為精細化岸線局部放大圖。計算精細化岸線結果與實際岸線平均偏差,發現岸線整體平均偏差小于1個像素。

圖6　單視數據精細岸線檢測結果

圖6表明,在受沿岸金屬建筑強干擾和海況復雜條件下,提出算法仍能實現岸線精確檢測。圖6(d)局部區域結果表明,對于海岸線輪廓復雜區域,提出算法同樣能無誤差定位到實際海岸線。此外,單視數據噪聲級別相對多視數據更高,這表明提出算法受圖像噪聲級別影響小。

4結論

實現海岸線檢測的經典方法包括基于海陸分割和基于邊緣檢測的方法,對于受金屬建筑強干擾的海域,其統計特性與一般海域有明顯差異,若采用基于海陸分割方法會導致錯誤分割,而采用基于統計特性的邊緣檢測子會導致虛假邊緣的出現。對于海況不同海面區域,基于統計特性的邊緣檢測子同樣會將不同海況區域交界錯誤檢測為海岸邊緣。

本文在分析海岸線邊緣特有散射特性的基礎上,海面區域與沿岸植被、人工建筑部體散射成分和統計特性差異明顯,與裸地區域統計特性差異明顯,建立新的假設檢驗模型,提出了一種適用于海岸線檢測的混合統計與散射特性的邊緣檢測子,該方法將傳統基于統計特性似然比邊緣檢測子與提出的基于體散射成分的邊緣檢測子有效融合起來。針對基于邊緣海岸線受窗口選擇和岸線形狀復雜性距離真實岸線有一定偏差的問題,對采用新的邊緣檢測子檢測出的粗岸線使用快速活動輪廓模型進行精細化。實驗結果表明,提出算法在受金屬建筑干擾海面區域和不同海況交界處虛假邊緣少,岸線檢測結果精確。

參考文獻：

[1] Lee J S, Jurkevich I. Coastline detection and tracing in SAR images[J].IEEETrans.onGeoscienceandRemoteSensing, 1990, 28(4): 662-668.

[2] Mason D C, Davenport I J. Accurate and efficient determination of the shoreline in ERS-1 SAR images[J].IEEETrans.onGeoscienceandRemoteSensing, 1996, 34(5): 1243-1253.

[3] Niedermeier A, Romaneessen E, Lehner S. Detection of coastlines in SAR images using wavelet methods[J].IEEETrans.onGeoscienceandRemoteSensing, 2000, 38(5): 2270-2281.

[4] Descombes X, Moctezuma M, Matre H, et al. Coastline detection by a Markovian segmentation on SAR images[J].SignalProcessing, 1996, 55(1): 123-132.

[5] Baselice F, Ferraioli G. Unsupervised coastal line extraction from SAR images[J].IEEEGeoscienceandRemoteSensingLetters, 2013, 10(6): 1350-1354.

[6] Silveira M, Heleno S. Separation between water and land in SAR images using region-based level sets[J].IEEEGeoscienceandRemoteSensingLetters, 2009, 6(3): 471-475.

[7] Rignot E, Chellappa R. Segmentation of polarimetric synthetic aperture radar data[J].IEEETrans.onImageProcessing, 1992, 1(3): 281-300.

[8] Ben A I, Mitiche A, Belhadj Z. Polari metric image segmentation via maximum-likelihood approximation and efficient multiphase level-sets[J].IEEETrans.onPatternAnalysisandMachineIntelligence, 2006, 28(9): 1493-1500.

[9] Schou J, Skriver H, Nielsen A A, et al. CFAR edge detector for polarimetric SAR images[J].IEEETrans.onGeoscienceandRemoteSensing, 2003, 41(1): 20-32.

[10] Freeman A, Durden S L. A three-component scattering model for polarimetric SAR data[J].IEEETrans.onGeoscienceandRemoteSensing, 1998, 36(3): 963-973.

[11] Bloch I. Information combination operators for data fusion: a comparative review with classification[J].IEEETrans.onSystems,ManandCybernetics,PartA:SystemsandHumans, 1996, 26(1): 52-67.

[12] Tupin F, Maitre H, Mangin J F, et al. Detection of linear features in SAR images: application to road network extraction[J].IEEETrans.onGeoscienceandRemoteSensing,1998,36(2):434-453.

[13] Williams D J, Shah M. A fast algorithm for active contours and curvature estimation[J].CvgipImageUnderstanding, 1992, 55(1): 14-26.

劉春(1988-),男,博士研究生,主要研究方向為極化SAR圖像處理。

E-mail:liuchun12@tsinghua.edu.cn

殷君君(1983-),女,博士后,主要研究方向為極化雷達。

E-mail:yinjj07@gmail.com

楊健(1965-),通信作者,男,教授,博士,主要研究方向為極化雷達。

E-mail:yangjian_ee@tsinghua.edu.cn

Coastline detection in polarimetric SAR images based on mixed edge detection

LIU Chun, YIN Jun-jun, YANG Jian

(DepartmentofElectronicEngineering,TsinghuaUniversity,Beijing100084,China)

Abstract:When the reflection interference of metal buildings is severe, a new coastline detection method is proposed based on edge detection mixing statistics and scattering characteristics. It overcomes the difficulty in accurate coastline detection by the traditional methods. The differences between statistical characteristics and scattering characteristics in adjacent region of the detection window are tested by using the likelihood ratio detector and ratio detector of volume scattering power respectively, and then the two detectors are fused by using the fuzzy set method. On the basis of coarse coastline detection by using the proposed detector, the coarse results are further improved by using the fast active contour model based on the edge energy map. The detection scheme is tested by using polarimetric synthetic aperture radar (SAR) images acquired by RADARSAT-2 over Dalian area of China. Experiment results demonstrate that the false edges resulted with the reflection interference of metal buildings and complex ocean environment are greatly reduced and the real coastline is accurately detected.

Keywords:synthetic aperture radar (SAR); coastline detection; polarization; edge detection

收稿日期：2015-07-13；修回日期：2015-10-20；網絡優先出版日期：2016-02-23。

基金項目：國家自然科學基金(61490693, 61132008, 41171317)；中國航空科學基金(20132058003)資助課題

中圖分類號：TN 957.52

文獻標志碼：A

DOI:10.3969/j.issn.1001-506X.2016.06.07

作者簡介：

網絡優先出版地址：http://www.cnki.net/kcms/detail/11.2422.TN.20160223.0847.018.html