基于SNIC的雙時相SAR圖像超像素協同分割算法

馬 倩, 鄒煥新, 李美霖, 成 飛, 賀詩甜

(國防科技大學電子科學學院, 湖南 長沙 410073)

0 引 言

近年來,遙感平臺和傳感器技術取得了飛速發展,實現了對全球大部分區域的連續重復觀測,積累了海量多源、多時相遙感數據[1]。在合成孔徑雷達(synthetic aperture radar, SAR)、光學、紅外、多光譜等多源數據中,SAR具備全天時、全天候、高分辨、大幅寬等多種優點,是一種良好的信息源。SAR圖像廣泛應用在目標檢測、地物分類、動態監測和變化檢測等領域,其中變化檢測在國民經濟和國防建設上發揮著巨大作用,已經成為遙感數據應用研究中的一個重要內容。盡管不少學者圍繞雙時相(或者多時相,為行文簡便起見,以下統一用雙時相來描述)SAR圖像變化檢測開展了大量工作。但是,如何快速準確地提取雙時相SAR圖像變化區域仍然面臨著許多挑戰。

變化檢測方法在發展初期,主要以像素級統計方法[2-3]為主。這類方法無法充分利用地物在圖像上的空間位置和空間關系等重要信息,且逐像素處理消耗大量時間。隨著遙感圖像分辨率的提高和數據的積累,迫切需要高精度、快速度的變化檢測方法。因此,面向區域(或者面向對象)的變化檢測方法[4-5]受到了研究人員的重視。與基于像素的統計方法不同,這類方法首先對SAR圖像中具有同質特征的相鄰像素進行分割,組成一個個像素塊區域,然后以這些區域為基本單元進行后續的變化檢測處理,有效提高了變化檢測的精度和速度[6]。顯然,在面向區域的變化檢測方法中,一個關鍵的問題是如何在雙時相SAR圖像上獲取邊緣和空間對應關系一致的圖像區域分割結果,以保證變化檢測結果的精度和效率。

對圖像進行超像素分割是面向區域的變化檢測方法中常用的預處理方式之一。2003年Ren等首次提出超像素[7]這一概念。超像素是指根據圖像的輪廓、紋理和亮度等特征信息,將位置相近、特征相似的像素點聚集成的一個局部均勻連通區域。超像素分割可以將一幅圖像從數百萬個像素簡化為大約少兩個數量級的超像素,從而可以有效減少圖像冗余信息,加快后續變化檢測處理的速度,并且由于考慮了圖像的局部空間鄰域信息,超像素具有一定的噪聲抑制能力。針對單幅光學圖像的超像素分割方法已發展得比較成熟,這些方法大致可以分為基于圖論的算法和基于梯度下降的算法兩大類[8]。基于圖論的經典方法主要包括: Normalized Cuts算法[9]、Graph-Based算法[10]、Superpixel Lattice算法[11]、基于熵率的算法(entropy rate superpixel,ERS)[12]等。而基于梯度下降的經典方法則主要包括:Watersheds算法[13]、Mean Shift算法[14]、Quick Shift算法[15]、基于幾何流的水平集算法(turbopixel,TB)[16]、簡單線性迭代聚類算法(simple linear iterative clustering,SLIC)[17]、SEEDS算法[18]、基于迭代邊緣精煉的算法[19]、線性譜聚類算法[20]、簡單非迭代聚類算法(simple non-iterative clustering,SNIC)[21]等。其中,SLIC算法是應用最為廣泛的一種超像素分割算法。該算法通過計算像素點到聚類中心的CIELAB顏色距離和歐氏空間距離進行分割,算法的思想簡單、計算效率高,且能夠控制超像素的大小、數量和緊湊度,是一種優秀的超像素分割算法,因此,有不少SAR圖像超像素分割算法是在SLIC算法基礎上改進而來的。SLIC算法雖然取得了廣泛的應用,但仍存在需要多次迭代收斂聚類中心、只將生成超像素的連接性作為后處理步驟以及使用與輸入圖像像素數量相同的距離映射圖從而消耗大量內存的問題。

需要注意的是,以上算法均是針對單幅光學圖像的超像素分割提出的,直接采用上述算法進行雙時相SAR圖像超像素協同分割時,存在兩個方面的困難。首先,SAR圖像本身存在嚴重的相干斑噪聲,直接采用上述算法進行超像素分割,可能會出現超像素邊緣不規則或者產生細小的孤立超像素等問題。其次,以上方法均針對單幅圖像進行分割,不能利用雙時相SAR圖像的特征對兩幅SAR圖像同時進行分割(即協同分割)。因此,一些研究人員在上述算法的基礎上進行改進,使之適應于單幅SAR圖像的超像素分割或多幅SAR圖像的超像素協同分割。具體來說,2013年Xiang等[22]提出一種基于像素強度和空間位置的SAR圖像超像素分割(簡稱為PILS)算法。該算法在計算像素強度時考慮相干斑噪聲的概率密度函數,生成的超像素較規則,但邊緣保持效果不佳,存在一定的過分割情況。2016年Zou等[23]提出了一種基于廣義Gamma分布的改進SLIC算法,可以獲得較好的SAR圖像超像素分割結果,但該方法計算效率較低。2017年Hu等[24]提出一種基于DBSCAN聚類的SAR圖像超像素分割算法,該算法的邊緣保持效果好,但緊湊度不高。2019年邵寧遠等[25]提出一種面向變化檢測的SAR圖像超像素協同分割(superpixel cosegmentation,SCS)算法。該算法采用PILS算法的相似度測度,分別計算雙時相SAR圖像的相似度進行加權,并采用指數加權均值比(簡稱為ROEWA)檢測算子[26]進行邊緣檢測,將圖像邊緣信息融入相似度測度。該算法可以較好地實現超像素協同分割并在一定程度上提高分割精度,但該算法采用的ROEWA算子對多時相SAR圖像中的弱邊緣檢測能力相對有限,因此無法充分利用圖像中的邊緣信息提升超像素協同分割性能。

為了解決面向區域的雙時相SAR圖像變化檢測方法中存在的雙時相圖像邊緣和空間對應關系不一致的問題,提高超像素分割結果邊緣與雙時相SAR圖像真實地物邊緣(特別是變化區域邊緣)的貼合率,本文提出了一種基于SNIC的雙時相SAR圖像SCS算法。本文算法的主要思路為:① 構造一幅融合圖像,該融合圖像將雙時相SAR圖像的特征結合在一起,并以該融合圖像為基礎,計算待處理像素點到聚類中心的像素強度相似度和空間距離相似度;② 對兩幅SAR圖像,分別采用多尺度弱邊緣檢測算法進行邊緣檢測,并將兩幅SAR圖像的邊緣檢測結果進行組合以形成一幅統一的地物邊緣圖;③ 將像素強度相似度、空間距離相似度和地物邊緣圖信息進行加權以形成新的距離度量,采用改進SNIC算法對融合圖像進行超像素分割,以得到與雙時相SAR圖像中真實地物邊緣均貼合的協同分割結果。

基于一組仿真和一組實測雙時相SAR圖像的超SCS實驗結果表明,本文算法的邊緣貼合率(boundary recall,BR)、欠分割誤差(under-segmentation error,USE)和可達分割準確率(achievable segmentation accuracy,ASA)均優于其他7種經典方法。在實際應用中,針對已經配準好的雙時相SAR圖像,利用本文算法進行超像素協同分割,可以使得兩幅SAR圖像的超像素分割結果中的邊緣和空間對應關系一致,從而為后續區域/對象級的變化檢測處理和分析奠定良好的基礎。

1 算法介紹

1.1 SNIC算法原理

SNIC算法是Achanta等人在2017年提出的SLIC算法改進版本,該算法與SLIC算法采用相同的距離測度。與SLIC算法不同的是,SNIC算法無需迭代收斂聚類中心,從算法聚類起始即要求強制連接,占用更少的內存且速度更快。SNIC算法采用CIELAB顏色距離和空間歐氏距離加權計算像素點與聚類中心的距離。設空間位置x=[x,y]T,CIELAB顏色c=[l,a,b]T,則第j個待處理像素點到第k個聚類中心C[k]的距離為

(1)

SNIC算法通過設計一個優先級隊列以實現非迭代的聚類。其基本原理為:將包含像素點信息的元素推入優先級隊列中,依次推出優先級隊列的頂端元素進行超像素標記。優先級隊列采用特殊的數據結構——堆,堆是用數組實現的二叉樹,分為最大堆和最小堆兩種。兩者的差別在于節點的排序方式,最大堆中任意一個節點的值總不大于其父節點的值,最小堆中任意一個節點的值總不小于其父節點的值。采用最大堆或最小堆可以快速找出一個集合中的最大值或最小值。SNIC算法中的優先級隊列的本質是一個最小堆,可以迅速推出到某個聚類中心距離最小的元素進行超像素標記。當有新的元素被推入最小堆時,如果節點到聚類中心的距離比它的父節點到聚類中心的距離小,則將該節點與其父節點交換位置,使數值較小的節點在數組中位置上升。圖1為最小堆結構的示意圖。

圖1 最小堆示意圖

為了更好地說明SNIC算法的原理,圖2展示了采用SNIC算法以對一幅6像素×6像素的圖像進行超像素分割的流程。圖2共分為4個部分,每部分均由輸入圖像、優先級隊列和標簽圖組成。第1行為輸入圖像(6像素×6像素),輸入圖像上的數值代表顏色信息(假設彩色圖像3個通道的值一樣);第2行為優先級隊列,以dj,k的大小進行排序;第3行為超像素標簽圖L。具體步驟如下。

步驟 1在全圖均勻初始化K個聚類中心C[k]={xk,ck},xk和ck分別為空間位置和CIELAB顏色。將這K個聚類中心以元素e={xk,ck,k,0}的形式依次存入優先級隊列Q中,k設置為從1到K個不重復的超像素標簽,元素e的第4列為dj,k,表示第j個待處理像素點到第k個聚類中心C[k]的距離。初始化聚類中心的dj,k為0。

步驟 2推出優先級隊列Q的頂端元素ei。如果推出的元素在標簽圖L[xi]上沒有被標記,則將聚類中心的超像素標簽ki賦給L[xi],同時用xi和ci的值更新聚類中心C[ki]。依次計算該元素的四鄰域像素點到聚類中心的距離,創建元素ej={xj,cj,ki,dj,ki},把ej推入優先級隊列Q,并按照dj,k的大小排序。

步驟 3如果推出元素的四鄰域像素點已被標記,則已被標記的像素點不推入優先級隊列。如圖2紅色方框處所示,推出元素的右鄰像素點已被標記,則只將由上下鄰像素點創建的元素推入優先級隊列。每一次向優先級隊列Q中推入一個元素,都會更新一次排序,使優先級隊列Q中元素保持從小到大的順序。

步驟 4依次推出優先級隊列Q的頂端元素進行計算,直到所有的像素點均被標記,并且優先級隊列Q為空時,停止算法運行,輸出超像素標簽圖。

1.2 SAR圖像像素點間相似度測度

由于SAR圖像存在嚴重的相干斑噪聲,在直接采用針對光學圖像的算法進行超像素分割時,往往存在超像素邊緣不規則和產生細小超像素等問題。為了解決這些問題,本文設計了一種融入邊緣信息的SAR圖像像素點間相似度測度。該測度由像素強度相似度、空間距離相似度和邊緣信息加權形成,能夠有效克服相干斑噪聲的影響,并生成形狀規則的、BR高的超像素。

圖2 SNIC算法示意圖

1.2.1 像素強度和空間距離相似度

歐氏距離對于加性噪聲具有較好的魯棒性,但對于SAR圖像中的乘性噪聲則不具有。為了解決這個問題,Feng等[27]2011年提出一種基于像素強度比值距離的方法來衡量兩個受噪聲影響的切片之間的相似度,對SAR圖像具有較強的魯棒性。定義像素強度比值為

(2)

式中,INi和INj分別是以Ni和Nj為中心點的兩個相同尺寸切片的強度向量;M表示切片所包含的像素點個數(通常取M=1或M=9);G表示標準高斯核函數;dI(i,j)表示Ni和Nj的比值距離,該比值距離對SAR圖像的乘性噪聲有較強的魯棒性[27]。定義像素強度相似度為

(3)

式中,ri, j,k是像素強度比值的商;ri, j,k的概率密度函數(probability density function,PDF)定義為

(4)

式中,Γ(·)為Gamma分布函數;L為成像視數。在采用歐氏距離來衡量兩個切片的空間距離dXY(i,j)的情況下,可以使用標準高斯核函數將該距離映射成空間相似度SXY(i,j),表示為

(5)

(6)

在衡量SAR圖像中兩個像素點之間的相似度時,通常需要同時考慮像素強度相似度和空間相似度,并利用參數λ1調整空間距離相似度的比重。因此, PILS相似度SP(i,j)[27]定義為

SP(i,j)=SI(i,j)+λ1SXY(i,j)

(7)

1.2.2 多尺度弱邊緣檢測算法

超像素內部包含圖像的真實邊緣是造成分割精度差的主要原因之一。因此,準確提取出圖像中的真實邊緣作為像素點間相似度測度的一部分,可以有效提高超像素邊緣與圖像真實邊緣的貼合率。Ofir等[28-29]針對光學圖像提出了一種高效的多尺度弱邊緣檢測算法。該算法將邊緣檢測看作是對大量可能曲線的高效搜索,分層構造不同的與曲線軌跡匹配的濾波器,能夠有效檢測出強噪聲圖像中的弱邊緣。對于SAR圖像而言,構造與曲線軌跡匹配的濾波器的思想,能夠有效減少相干斑噪聲對邊緣檢測結果的影響。雖然該算法并不是直接針對SAR圖像的邊緣檢測提出的。但是該算法考慮了圖像在受到強高斯噪聲污染情況下的弱邊緣檢測問題。因此,采用該算法對SAR圖像進行邊緣檢測時也可以取得較好的結果。在實驗部分將該算法與文獻[26]中提出的改進REOWA檢測算子進行了對比,驗證了該算法在檢測SAR圖像中邊緣(特別是弱邊緣)時的適用性。

采用多尺度弱邊緣檢測算法分別檢測雙時相SAR圖像中的邊緣,得到兩幅邊緣強度圖。邊緣強度圖的數值越接近1表示邊緣越強,數值越接近0表示邊緣越弱。為了綜合形成一幅統一的邊緣圖,取兩幅邊緣強度圖中某個像素點處較大的值作為該像素點處最終的邊緣強度圖,并對最終的邊緣強度圖進行二值化。定義最終邊緣檢測結果二值圖為E,當待處理像素點為邊緣時,降低待處理像素點到聚類中心的相似度。融入邊緣信息的新的相似度定義為

S(i,j)=SP(i,j)-λ2SP(i,j)E(j)=

(1-λ2)SP(i,j)E(j)

(8)

若第j個待處理像素點處于邊緣上，將相似度降低為原來的(1-λ2)倍。基于上述分析,在采用SNIC算法進行超像素分割時,定義第j個待處理像素點到第k個聚類中心C[k]的相似度計算方式如下:

sj,k=S(j,k)=SP(j,k)-λ2SP(j,k)E(j)

(9)

1.2.3 SCS

對于不同時間在相同地理地區獲取的一組雙時相SAR圖像,希望能夠在兩幅圖像上得到一致的超像素分割結果。因此,本文考慮融合兩幅圖像的特征進行協同分割。特征融合主要體現在邊緣融合和灰度值融合兩個方面。首先,采用第1.2.2節所述的方法進行邊緣融合;其次,進行灰度值融合。將雙時相SAR圖像IT1(x,y)和IT2(x,y)進行灰度值融合時,融合圖中每個像素點的灰度值定義為

I(x,y)=IT1(x,y)+λIT2(x,y)

(10)

式中,λ表示灰度值比例系數,通常λ的取值為0.5。這種融合方式同時考慮了雙時相SAR圖像的特征,并將對兩幅圖像的處理轉化為對單幅圖像的處理,從而可以提高算法的計算效率。

1.3 算法流程

本文提出的雙時相SAR圖像SCS算法的流程為:① 構造包含雙時相SAR圖像灰度特征信息的融合圖I(x,y);② 采用多尺度弱邊緣檢測算法分別檢測雙時相SAR圖像中的邊緣,得到雙時相SAR圖像邊緣檢測結果二值圖E;③ 采用結合邊緣信息的SAR圖像像素點間相似度測度sj,k代替原始SNIC算法中的dj,k,并將優先級隊列由最小堆轉換為最大堆,即推出相似度最大的像素點進行計算,按照SNIC方法的聚類方式進行超像素分割。具體流程如圖3所示。

圖3 本文算法流程示意圖

2 實驗結果及分析

2.1 雙時相SAR圖像仿真

為了評估本文提出算法的性能,并與其他算法進行對比分析,本文根據文獻[30]中提出的方法仿真了一組雙時相SAR圖像。該方法基于典型單通道SAR圖像乘積模型將SAR圖像測量值Z分解為紋理X(地物的后向散射)和相干斑分量Y的乘積。其中,紋理分量X服從逆Gamma分布,相干斑分量Y服從單位均值Gamma分布,且設置相干斑分量的視數n為4。在這些參數設置條件下,仿真得到一組帶有乘性相干斑噪聲的SAR雜波圖像,如圖4所示,圖像尺寸為300像素×300像素。其中,前時相SAR圖像與后時相SAR圖像發生變化的區域采用紅色線條進行了標記。兩幅SAR圖像的亮度不完全一致,主要原因是考慮模擬圖像獲取時地物后向散射強度的變化情況。在本文后續的定量分析實驗中,采用雙時相仿真SAR圖像的內邊緣融合圖作為真值圖。

圖4 仿真的雙時相SAR圖像

為了驗證本文采用的多尺度弱邊緣檢測算法的有效性,將該算法與文獻[26]中提出的改進ROEWA算子在仿真的雙時相SAR圖像上進行對比分析,對比結果如圖5所示。

圖5 兩種不同邊緣檢測算法的邊緣檢測結果比較

圖5(a)～圖5(d)分別為采用ROEWA算法得到的前時相SAR圖像邊緣強度圖、后時相邊緣強度圖、雙時相SAR圖像邊緣強度融合圖和邊緣檢測結果二值圖,圖5(e)～圖(h) 分別為采用多尺度弱邊緣檢測算法得到的前時相SAR圖像邊緣強度圖、后時相邊緣強度圖、雙時相SAR圖像邊緣強度融合圖和邊緣檢測結果二值圖。可以看出圖5(d)中存在明顯的邊緣噪聲點,并且在邊緣較弱的區域(紅色矩形處),絕大部分弱邊緣未被檢測出。由圖5(h)可以看出,多尺度弱邊緣檢測算法能夠有效抑制這些虛假邊緣噪聲并檢測出圖像中的弱邊緣。

為了充分對比評估本文算法與其他算法的性能,本文的實驗設計如下:① 采用一組仿真雙時相SAR圖像和渥太華地區的實測雙時相SAR圖像作為測試圖像數據集;② 將本文算法與目前表現較好的其他7種算法進行對比分析,包括SLIC算法、SLICO算法、PILS算法、ERS算法、TB算法、SNIC算法和CSC算法;③ 采用BR、USE和ASA3種典型的評價參數對算法進行定量評估。需要說明的是,由于目前直接應用于雙時相SAR圖像SCS的算法相當有限,因此,在對比算法中,本文選擇了一些原本只適用于單幅圖像超像素分割的算法,如SLIC算法、SLICO算法、PILS算法、ERS算法、TB算法以及SNIC算法。對于這些算法,采用第1.2.3節中所提出的灰度值融合方式,將雙時相SAR圖像融合成單通道圖像作為其輸入圖像。本文所有實驗均在Intel i5-9300H 2.4GHz CPU,16GB RAM的個人電腦上實現。

2.2 基于仿真SAR圖像的算法參數分析

本節將基于仿真雙時相SAR圖像討論控制空間距離相似度占比的參數λ1和邊緣信息占比的參數λ2對本文算法性能的影響。采用BR、USE和ASA3種典型的評價指標進行評價,實驗結果如圖6所示。

2.2.1 BR

BR是衡量超像素分割精度的一個重要指標,定義為超像素與真值圖共有的邊緣像素點占真實邊緣像素點的比率。其定義式如下:

BR=Ns∩G/NG

(11)

式中,NG為真值圖邊緣像素點的數目;Ns∩G表示超像素邊緣與真值圖邊緣共有的像素點數目,計算超像素邊緣和真值圖邊緣時,一般取內邊緣。BR值越大,則表明超像素分割效果越好,反之越差。

2.2.2 USE

USE是另一個衡量邊緣粘附性的指標,定義真值圖中灰度值不同的區域分別為g1,g2,…,gM,覆蓋某一灰度值區域的超像素分別為s1,s2,…,sn,則USE的定義如下:

(12)

式中,sj|sj∩gi表示覆蓋這個灰度區域的超像素sj從該灰度區域的邊緣中泄露出來的像素點數目；B表示sj與gi重疊的最小像素點數目(本文中采用的B值設定為每一個超像素包含的像素點數目的0.05倍);|sj|表示超像素sj內包含的像素點數目;M是具有不同灰度值的區域的數目;N是整幅圖像分割得到的超像素數目。USE的值越小,表明超像素分割效果越好。

2.2.3 ASA

ASA是性能上限的度量,表示當用超像素為單位時所能達到的最高分割精度。將超像素中每個像素的標簽記作與其有最大重疊的真值圖標簽,即ASA表示正確標記的超像素的比例。其定義如下:

(13)

式中,M是具有不同灰度值的區域的數目;K是整幅圖像分割得到的超像素數目。

對仿真的雙時相SAR圖像進行SCS時,設置期望得到的超像素數目為2 500個,在[1,10) 范圍內以1為步進量調整空間距離相似度占比參數λ1,在[0.1,1) 范圍內以0.1為步進量調整邊緣信息占比參數λ2。圖6(a)～圖6(c)分別展示了BR、USE和ASA隨λ1和λ2的變化趨勢。

圖6 BR、USE、ASA隨參數λ1和λ2的變化趨勢

可以看出空間距離相似度和邊緣信息對最終的分割結果均有較大影響。BR和ASA隨λ1的增大而減小,USE隨λ1的增大而增大,算法性能變差。當λ2<0.5時,算法性能隨λ1增大呈顯著下降趨勢;當λ2>0.5時,算法性能下降較緩慢。當λ1<6,λ2>0.5時,BR均大于94%,USE均小于3%,ASA均大于99.5%。因此,為了得到較好的SCS結果,在本文的后續實驗中,λ1和λ2的取值范圍為0<λ1<6,0.5<λ2<1。

2.3 基于仿真SAR圖像的算法性能分析

本節利用圖4所示的仿真雙時相SAR圖像將本文算法與其他7種算法的分割性能進行定量對比分析。在采用8種算法對仿真雙時相SAR圖像進行SCS時,期望得到的超像素數目在[500,3 000]范圍內以500為步進量增加生成超像素的數目,并采用BR、USE和ASA 3個評價指標對不同算法的超像素協同分割結果進行定量對比分析。在對比算法中,SLIC算法和SNIC算法的緊致系數設置為30,PILS算法參照文獻[23]中的參數設置,CSC算法采用文章[25]中的參數設置,SLICO算法、ERS算法、TB算法只需要設置超像素個數。本文算法取λ1=2,λ2=0.5。圖7(a)～圖7(c) 分別展示了8種算法的BR、USE和ASA隨超像素個數的變化趨勢。

圖7 本文算法與其他7種對比算法的性能對比

從圖7(a)～圖7(c)可以看出,本文算法的BR最高,USE較小,可達分割精度高。SLIC算法對單通道SAR圖像進行超像素分割時,受相干斑噪聲影響較大,聚類時容易產生細小的超像素,且該算法后處理階段的強制連接,容易將這些細小的超像素強制連接到其附近的超像素中,造成算法精度低。SLICO算法可以自適應調整緊致系數,在降低緊致系數后能夠取得比標準SLIC算法更好的結果,但生成的超像素不規則。PILS算法采用適用于SAR圖像的像素強度相似度測度,能在一定程度上降低相干斑噪聲對分割結果的影響。TB算法、ER算法、SNIC 算法和SCS算法的性能較好,但均未超過本文算法。此外,從圖7(a)～圖7(c)還可以明顯看出本文算法的BR、USE和ASA隨超像素個數的變化非常小,這是本文算法一個非常重要的特點,主要歸功于邊緣信息的融入,使得在生成超像素個數少時,也可以取得較好的結果。

相比于其他7種對比算法,本文算法具有較高的精度,主要得益于以下兩個因素:① 采用基于像素強度和空間距離的相似度測度,計算待處理像素點到聚類中心的相似度,能夠有效抑制相干斑噪聲對分割結果的影響;② 采用多尺度弱邊緣檢測算法能夠準確提取雙時相SAR圖像的邊緣信息,并將邊緣信息融入相似度測度,可以有效提升算法的BR。

2.4 基于實測SAR圖像的算法性能分析

為了進一步驗證本文提出算法的有效性,下面采用一組實測雙時相SAR圖像進行實驗,觀察各種不同算法的性能。圖8是由RadarSAT分別于1997年5月和1997年8月所采集的加拿大渥太華市遙感圖像,兩次拍攝期間,該地區發生了水災。圖8(a)為發生水災前的SAR圖像,圖8(b)為發生水災后的SAR圖像。

圖8 渥太華市SAR數據集

圖9展示了采用8種算法分別對Ottawa SAR數據集進行SCS的結果圖。其中圖9(a)和圖9(b)分別為采用SLIC算法得到的前、后時相SCS結果圖;圖9(c)和圖9(d)分別為采用SLICO算法得到的前、后時相SCS結果圖;圖9(e)和圖9(f)分別為采用PILS算法得到的前、后時相SCS結果圖;圖9(g)和圖9(h)分別為采用ERS算法得到的前、后時相SCS結果圖;圖9(i)和圖9(j)分別為采用TB算法得到的前、后時相SCS結果圖;圖9(k)和圖9(l)分別為采用SNIC算法得到的前、后時相SCS結果圖;圖9(m)和圖9(n)分別為采用CSC算法得到的前、后時相SCS結果圖;圖9(o)和圖9(p)分別為采用本文算法得到的前時相、后時相SCS結果圖。

為了更好地展示細節部分,從各種不同算法對雙時相SAR圖像的SCS結果中選擇了A、B和C 3塊區域,在圖9中用藍色方框標記,并分別對A、B和C 3塊區域局部放大以進行細節對比。A、B和C 3塊區域局部放大的結果分別如圖10～圖12所示。

圖9 采用8種算法分別對渥太華市雙時相SAR數據集進行超像素協同分割的結果圖

圖10 SCS結果A區域局部放大圖(左為前時相,右為后時相)

圖11 SCS結果B區域局部放大圖(左為前時相,右為后時相)

圖12 SCS結果C區域局部放大圖(左為前時相,右為后時相)

從圖10～圖12中局部放大的超像素協同分割結果可以看出,SLIC算法和SLICO算法得到的超像素不規則且超像素內部包含圖像的邊緣,這是因為將基于顏色和空間的距離測度直接應用在SAR圖像上,受相干斑噪聲的影響較大,導致分割得到的超像素不規則,算法后處理階段的強制連接導致超像素內部包含邊緣。PILS算法能夠在一定程度上抑制SAR圖像中的相干斑噪聲,但對于弱邊緣不敏感,不能較好地黏附圖像中的弱邊緣。ERS算法的分割結果十分不規則,這有可能是因為隨機路徑的熵率受SAR圖像相干斑噪聲的影響較大導致的。TB算法不能較好地黏附SAR圖像的邊緣,是因為SAR圖像中存在某些長條形灰度區域,而該算法不能很好地處理細長物體。SNIC算法同樣受到相干斑噪聲的影響,在噪聲較強的區域產生了一些細小的超像素,但邊緣貼合程度有所提升。SCS算法采用適應于SAR圖像的相似度測度,且融入了邊緣信息,在一定程度上可以抑制相干斑噪聲對SCS的影響,得到了較好的分割結果,但在弱邊緣區域依然效果不佳。

而本文算法的分割結果較其他7種對比算法的分割結果更理想,超像素邊緣與雙時相SAR圖像中的邊緣貼合程度高,且生成的超像素比較規則。這些實驗結果充分說明了本文算法對雙時相SAR進行超像素協同分割的有效性。

3 結 論

區域/對象級雙時相SAR圖像變化檢測方法正逐漸替代像素級的SAR圖像變化檢測方法,成為SAR圖像變化檢測的主流方法。雙時相SAR圖像SCS是一種非常有效的區域/對象級變化檢測預處理手段,可以為后續的變化檢測提供特征均勻、形狀規則的基本處理單元。本文針對已有分割方法在分割雙時相SAR圖像時存在的雙時相圖像邊緣和空間對應關系不一致的問題,提出了一種基于簡單非迭代聚類的雙時相SAR圖像超像素協同分割算法。

本文算法針對SAR圖像的特性設計了新的相似度測度,有效抑制了相干斑噪聲對SCS結果的影響,較好實現了雙時相SAR圖像的SCS。采用一組仿真雙時相SAR圖像數據和一組實測雙時相SAR圖像數據驗證了本文算法的分割性能,并與其他7中超像素分割算法進行了詳細的實驗對比評估。實驗結果表明,本文算法生成的超像素比較規則,較好地保留了雙時相SAR圖像中的真實地物邊緣信息,這對于后續面向區域的變化檢測過程具有較大的優越性。然而,在本文提出的算法中,采用了一種面向光學圖像的多尺度弱邊緣檢測算法來檢測雙時相SAR圖像中的邊緣,雖然取得了較好的邊緣檢測結果,但是該算法并未充分結合和利用SAR圖像本身的特性。在本文的后續研究工作中,將進一步改進該算法使之更加適合于SAR圖像的地物邊緣檢測,從而得到更好的SCS結果。