SAR圖像分割算法綜述

宋國磊+侯巍

摘 要： SAR圖像分割是SAR圖像分析中的基本問題之一，也是目標識別與檢測過程中的極其關鍵的步驟。文章在調研大量文獻的基礎上，對現有經典的、主流的SAR圖像分割算法及理論進行研究、分類和分析，并采用一種基于總體分割精度的SAR圖像分割評價指標來對各種算法的實驗結果進行對比。

關鍵詞： SAR； 圖像分割； 算法分類； 分割評價指標

中圖分類號：TP79 文獻標志碼：A 文章編號：1006-8228（2017）05-01-04

Overview of SAR image segmentation algorithm

Song Guolei， Hou Wei

（School of computer and information engineering， Henan University， Kaifeng， Henan 475000， China）

Abstract： SAR image segmentation is one of the basic problems in SAR image analysis， and it is also the key step in the process of target recognition and detection. In this paper， the existing classical and mainstream SAR image segmentation algorithms and theories are studied， classified and analyzed based on a large number of literatures， and the SAR image segmentation evaluation indicators based on the overall segmentation accuracy are used to compare the experimental results of various algorithms.

Key words： SAR； image segmentation； algorithm classification； segmentation evaluation indicator

0 引言

圖像分割是指將圖像分成若干互不重疊的子區域，使得同一個子區域內的特征具有一定相似性、不同子區域間特征呈現較為明顯的差異[1]。圖像分割是圖像識別、場景解析、目標檢測等任務必須經過的預處理過程，是圖像分析中一個基礎的問題。其中SAR圖像分割技術的發展可以追溯到20世紀80年代，經過幾十年的發展，已經提出多種基于不同理論的方法[2]。

目前，SAR圖像分割處理技術已經有較多的研究成果[3-5]，但由于SAR地物場景的復雜性，致使各種分割算法都有較大的針對性，通用性不好。本文對現有的研究成果進行了詳細的研究，綜述現有的SAR圖像分割算法，并根據SAR圖像分割所使用的理論差異的特點，把圖像分割方法分為基于閾值、水平集、模糊聚類和混合模型四類。

1 SAR圖像分割算法

1.1 基于閾值的SAR圖像分割

閾值法基本思想是通過設定一個閾值將圖像分割成兩個具有不同特性的區域。當區域中像素值大于閾值就設置為目標，區域中像素值小于閾值就是背景。根據像素灰度值與最佳閾值的關系，可以把目標從背景中提取出來，該方法的優點在于易于實現，給定閾值后分割速度非常快，但是對于灰度均勻性的圖像來說，很難找到一個閾值將他們分割開來。經典的閾值法是OTSU。

OTSU算法分析如下。

大類間方差法（OTSU法），是由大津展之[6]在1979年提出來。該方法是在判決分析的基礎上推導出來的，是一種自動的無參數無監督閾值分割方法。它是基于一維灰度直方圖，且計算簡單的一種閾值分割方法，因而應用廣泛。Lee等人[7]分別使用錯分概率，形狀和均勻性度量作為準則函數評估了多種閾值分割方法的性能，結果表明，OTSU法是一種很好的閾值分割方法。原理如下：

設SAR圖像的灰度級為L，灰度值為i的像素個數為ni，則總像素數為，并作歸一化處理，各灰度值所占的比重為，則SAR圖像的灰度平均值μ和方差σ分別為，。用灰度級 T 作為閾值，將圖像分割為兩類C1={1～T}，C2={T+1～L}，設ω1和ω2作為C1，C2出現的概率，μ1和μ2為灰度平均值，，為方差。有：

由上述可得出類間方差為：

當類間方差取最大值時，對應的灰度值T即為所求得的閾值。

1.2 基于水平集的SAR圖像分割

基于幾何變形模型的水平集方法由Osher和Sethin于1982年提出[8-9]。分水嶺算法的思想主要運用地形學的思想，模擬了一個洼地積水的過程。主要有兩個重要的步驟，一個是排序，就是把像素點按梯度值進行排序，具有相同梯度值的處于同一個梯度級；第二個是泛洪，就是將排序后的像素構成帶有不同標記的積水盆地，這樣來自不同積水盆地的水就構成了水壩，這樣由多個互不重疊的區域構成的最終分割圖像。

根據水平集模型能量函數所使用的圖像內部信息，可以將水平集圖像分割方法分成兩大類：基于邊緣的水平集分割模型和基于區域的水平集分割模型。

基于邊緣的水平集模型主要包括Snake模型[10]。Snake由Kass等人于1988年提出，此模型通過建立參數化的曲線能量函數，并優化能量函數，使參數化的曲線向目標邊緣收斂。

基于區域的水平集模型利用圖像的區域信息構造能量函數，利用區域信息作為驅動力使水平集輪廓收斂向目標邊緣。基于全局區域的水平集模型主要包括Mumford-Shah模型[11]和Chan-Vese[12]模型。

水平集方法的一般步驟如下。

Stepl：初始化。將水平集Φ>0函數初始化成符號距離函數形式。

Step2：根據實際問題，構造解決問題的總的能量函數。

steps：求解水平集。利用變分法求能量函數的梯度下降流方程，根據離散化后的梯度下降流方程，計算更新后的水平集函數。

Step4：判斷收斂性。如果已經收斂，則停止迭代，當前的水平集輪廓即為最終的邊緣，否則返回Step3繼續進行水平集的演化。

1.3 基于模糊聚類的SAR圖像分割

模糊分割算法相比硬聚類分割算法能更多的對圖像的原始信息進行保留，因此受到學者們的極大關注，特別是模糊C-均值（FCM）聚類算法作為一種無監督聚類算法，在圖像分割領域得受到極大歡迎，引起廣泛的關注。經過長期發展，已研究出多種模糊聚類理論和方法。

標準模糊C均值（FCM）聚類分割算法對數據稠密的球狀數據簇有相對不錯的聚類效果，其以歐式距離為相似性度量，不過現實中設定的簇的區域范圍均存在不同，G.H.Ball等人首次提出C均值聚類算法。丁等[13]先對原始圖像灰度直方圖進行分析處理，以此劃分峰值的類設其為初始的聚類中心、得到聚類；裴等人[14]結合有效性函數對圖像進行聚類中心初始化；先用K均值初始化聚類中心；周涓等[15]用最大最小距離法計算聚類個數和聚類中心。此外，文獻[14，16]對模糊指數m進行了研究，并通過物理解釋，得出m=2時最為合理。Ahmed[17]將像素信息和其鄰域信息綜合考慮，取得了相對更好的圖像分割結果；為削弱噪聲對分割的影響Chen等[18]使用鄰域均值達到簡化鄰域附加項節省了算法過程時間的效果。

1.3.1 FCM算法

設圖像的灰度級為L，樣本數目為N（圖像的像素點數），將N劃分成c類，則對應的有c個聚類中心C，每個樣本j屬于某一類i的隸屬度為μij，且滿足μij∈[0，1]，那么定義FCM目標函數⑴及其約束條件⑵如下：

則μij和ci更新等式分別為：

FCM算法的一般步驟如下。

⑴ 確定分類數，指數m的值，確定迭代次數（這是結束的條件，當然結束的條件可以有多種）。

⑵ 初始化一個隸屬度U（注意條件—和為1）。

⑶ 根據U計算聚類中心C。

⑷ 這個時候可以計算目標函數J了。

⑸ 根據C返回去計算U，回到步驟3，一直循環直到結束。

1.4 基于混合模型的SAR圖像分割

不同的新算法和理論對跨學科的交叉實現產生深遠影響，也使圖像分割技術理論體系完善起來。倪維平等[19]構造了一種基于馬爾可夫隨機場（MRF）模型和形態學運算的處理方法。首先利用SAR圖像鄰域空間上的馬爾可夫性以及像素灰度的高斯分布模型，以較少的迭代次數實現SAR圖像的初分割；然后通過形態學運算進行處理，抑制干擾性分割，同時填充目標區域內部空洞，改善分割效果；文獻[20]-[24]等在模糊理論中引入閾值法、水平集、分水嶺、蟻群等方法來解決噪聲抑制和運行時間等問題。

2 分割算法的性能評估及實測實驗結果

實驗采用數據為歐空局哨兵1號星載衛星獲取的丹江口水庫2016年10月份影像數據，圖像大小為923×597，圖像包括林區、植被區、水庫區與居民區等不同區域。圖1（a）為原始圖像，圖1（b）-（i）為文中所提到先關算法的實驗結果。

采用文獻[25]中所使用的評價標準，將文中算法與現有的分割算法從分割正確率、召回率和總體精度指標方面進行分析。

結合實驗結果可以看出，OTSU算法、分裂合并算法、MRF算法在對噪聲抑制上效果較差；二維OTSU在噪聲抑制上較一維OTSU有明顯改進；水平集與數學形態學算法雖在噪聲處理方面有較好的效果，但對于局部區域的支流存在漏分割；FCM算法僅利用了圖像中的灰度信息，因此算法本身對于噪聲沒有較好的抑制；OTSU與核聚類算法和自適應蟻群算法與聚類均產生誤分割。對于不同的環境背景和不同的圖像，不同算法的結果差異較大，也驗證了上述的圖像分割算法沒有通用性之說。在了解不同的算法的優劣之后，要結合不同的實驗數據與其實際的環境背景，才能最終選取最合理的分割算法。

3 結束語

本文對近年來國內外割及再利用邊界追蹤技術等對分割后的圖像邊緣輪廓進行描述，對SAR圖像分割技術進行了綜述性研究，歸納了SAR圖像分割的性能評估方法，并給出了實驗數據的分割結果和性能分析。從本文分析可以看出，不同的分割理論在SAR圖像的分割中均具有重要意義，基于閾值的分割算法簡單，且與其他理論可以很好的融合，具有較好的擴展性和適用性；水平集的分割利用的輪廓曲線的幾何特征，可以很好的描述目標的邊界輪廓。模糊聚類的分割方法在處理圖像信息中不確定因素時，提供了一個好的解決方案。基于混合模型的方法則是取各家所長，在實際的應用中能夠依據不同的分割場景應用最合理的分割方案。但是隨著高分辨率SAR技術的發展，數據樣本數量劇增，算法計算耗時過長等問題越來越成為SAR圖像分割中的瓶頸。混合模型的擴展和分割算法的并行處理將SAR圖像分割的必然趨勢，能快速、準確的獲得SAR圖像的最佳分割是SAR圖像分割的目標。

參考文獻（References）：

[1] 周莉莉，姜楓.圖像分割方法綜述研究[J].計算機應用研究，2017.7：1-11

[2] 馮籍瀾.高分辨率SAR圖像分割與分類方法研究[D].電子科技大學，2015.

[3] Cao Lanying， Zhang Kunhui， Xia Liangzheng. SAR image segmentation by 2-D fussy entropy[J].IEEE Proceedings of Geo-science and Remote Sensing Symposium，2004.6：3798-3801

[4] Xue Xiaorong， Zhang Yanning， Chen Yi， et al.ANewMethod of Sar Image Segmentation Based on Neural Network[C].ICCIMA，2003：149-153

[5] Xin XU， Deren LI， Hong Sun. Multiscale SAR imagesegmentation using a double markov random field model[J]. IEEE Proceedings of Seventh International Symposium on Signal Processing and Its Appli-cations，2003.1：349-352

[6] otsuNA.Threshold Seleetion Method from Gray-level Histogram.IEEE TraPs.1979.SMC-9：62-66

[7] SU Lee，etal.A comparative Perfonnance Study of SeveralGlobal Thresholding Teehniques for Seglnentation.CVGIP，1990.52：171-190

[8] Osher S.A Level Set Formulation for the Solution of the Dirichlet Problem for Hamilton-Jacobi Equations，1993.

[9] Osher S，Ronald P.Fedkiw.Level Set Methods：An Overview and Some Recent Results.http：//www.mathe.ucla.edu/-images

[10] M.Kass， A.Wltkin， and D.Terzopoulos， Snakes， active contourmodel[J]. International Journal of Computer Vision，1988：321-331

[11] A LAIN， J FAN. Texture classifieation by Wavelet Paeket signatures[J]. IEEE Transaction on Pattem Analy，1993.15：1186-1191

[12] C，Xu and J.Prinee.Snakes，shapes，and gradient vector flow[J]. IEEE Transaction on Image Proeess，1998.7（3）：359-369

[13] 丁震，胡鐘山，楊靜宇等.一種基于模糊聚類的圖像分割方法[J].計算機研究與發展，1997.7：536-541

[14] 高新波，裴繼紅，謝維信.模糊C均值聚類算法中加權指數m的研究[J].電子學報，2000.28（4）：81-83

[15] 周涓，熊忠陽，張玉芳，任芳. 基于最大最小距離法的多中心聚類算法[J].計算機應用，2006.26（6）：1425-1426

[16] Kenneth R， Castleman. Digital Image Processing[M]，2006：378-379

[17] Ahmed M N，Yamany S M，Mohamed N，Farag A，Moriarty T. A modified fuzzy c-means algorithm for bias field estimation and segmentation of MRI data[J]. IEEE Trans.Med.Imag，2002.21：193-199

[18] Chen Song-Can， Zhang Dao-Qiang. Robust image segmentation using FCM with spatial constraint based on new kernelinduced distance measure[J]. IEEE Transaction on Systems，Man，and Cybernet，2004.34（4）：1907-1916

[19] 倪維平，嚴衛東，邊輝等.基于MRF模型和形態學運算的SAR圖像分割[J].電光與控制，2011.1：32-36

[20] 毛萬峰，張紅，張波等.基于模糊水平集的SAR圖像分割方法[J].中國科學院研究生院學報，2013.2：238-243

[21] 朱逸婷.基于改進的模糊聚類的分水嶺分割算法研究[D].安徽大學碩士學位論文，2013.

[22] 鮑義東，周改云，趙偉艇.自適應蟻群和模糊聚類的SAR圖像分割[J].測繪科學，2016.8：121-124，120

[23] 趙鳳，范九倫.一種結合二維Otsu法和模糊熵的圖像分割方法[J].計算機應用研究，2007.24（6）：189-191

[24] 張永梅，巴德凱，邢闊.基于模糊閾值的自適應圖像分割方法[J].計算機測量與控制，2016.24（4）：126-128

[25] 蘇磊磊.基于小區域的圖像顯著度提取及應用研究[D].山東師范大學碩士學位論文，2015.