基于边缘保持的区域能量最小化SAR海冰 像分割

摘   要： 提出了一种基于边缘保持的区域能量最小化的SAR海冰图像分割算法。首先对图像进行 SRAD滤波，然后进行分水岭初始分割和区域能量最小化分割，从而得到最终分割结果。将该算法用于SAR海冰图像的分割中, 实验结果表明,该分割方法有效、准确性好。
关键词： 图像分割； 合成孔径雷达(SAR)； 海冰

    SAR是一种主动式微波传感器，具有全天候、全天时和高分辨率的成像能力，它已经成为海冰监测的有效工具，并在科学研究和商业活动中(如气候研究和船舶导航等)发挥了重要作用。在加拿大冰署(CIS)和芬兰冰署(FIS)等单位，冰情分析人员每天对收到的大量SAR海冰图像进行进一步处理，为用户绘制冰况分布图。由于SAR图像的数据量巨大，现有的人工分割费时费力，且精确度和分辨率均有限[1]。因此,迫切期待对SAR海冰图像的自动分割能帮助冰情分析人员更好地解释海冰图像。
    海冰通常是淡水冰、盐水和空气的混合物。WMO[2]主要基于冰的厚度和持续时间对海冰种类进行定义。如头年冰(First Year Ice)有较大的盐体，因此微波不容易穿透，这里表面散射占优势。针对头年平滑冰，信号能量的大部分反射出去，少部分能量沿雷达方向返回，这种区域的色调值是非常低的，显得比较暗。针对头年粗糙冰，可以获得更多的返回能量，相应的区域显得较亮。多年冰（Multi-year ice）的含盐率非常低。除了有限的表面散射，经由体散射的后向散射是最主要的贡献，它受粒子（气泡和冰晶）尺寸和密度的影响。尽管多年冰通常看起来显得比初期冰更亮，但相对于新冰而言，每日和每季的变化有时候可能掩盖后向散射特征。而表面雪溶化或偶尔海水的入侵，这些变化是由含水率和盐浓度引起的。
    对于SAR图像的分割，最常用的是阈值法和聚类方法它们仅考虑像素本身的灰度值,一般不考虑空间特征，因而对噪声很敏感。在实际应用中，通常与其他方法结合使用。为了提高分割算法的稳定性，其他很多方法则或多或少、内在或外在地利用空间上下文信息来指导分割，如区域生长与合并方法[3]、边缘检测方法[4]以及基于模型[5]的方法等。但这些方法都各具优点和缺点。区域增长与合并方法对复杂图像的分割效果较好，但算法较复杂，计算量大，合并还可能破坏区域的边界；边缘检测方法的性能主要取决于图像中边界定义的好坏，因此如果图像是有噪的或边界模糊通常会遇到困难。经实验证明,在图像分割和边缘检测中[6]，分水岭分割算法是一种很有效的方法，因此可以运用分水岭算法对冰区进行初始分割。


1.2 SAR 海冰图像的区域化以及构建区域邻接图
    从图像的局部结构出发，将图像划分为相似像素组成的基本区域，从而把像素分类问题转化为区域分类问题，增强了对相干斑噪声及特征不稳定性的抗干扰能力。实际上本步骤是对分水岭算法的描述。
   Vincent和Soille在1991年以沉浸算法定义了分水岭(Water shed)算法。分水岭是地形学的经典概念,也是图像形态学中的重要算子。在图像处理领域,分水岭的实现方法有很多,其中最典型的一种方法是基于模拟泛洪的思想，它将图像分割成大量不重叠的封闭区域。
    在本文中，首先由Canny算子计算出梯度，原始图像与高斯核的一阶导数在水平和垂直方向分别卷积，从而获得两个方向上的导数。高斯函数的方差对所获得的边界的平滑度有一定程度的影响，本文中的方差设置为1.0。然后运用模拟泛洪的算法[7]计算SAR图像中的分水岭，得到作为后继区域能量最小化的初始子区域。分水岭初始分割通常会得到大量的区域，如何有效地描述每个区域的属性及区域间的上下文关系是实际算法实现中的难题。本文实现了一种称为区域邻接图RAG(Region Adjacency Graph) [8]数据结构。其本质上是一种图，每个节点代表一个区域，节点间的弧反映域间的上下文关系，如图2所示。

2 实验结果及分析
    将提出的算法应用到两幅SAR图像的分割上证实其在实际应用中的价值，如图3和图4所示。将本算法与基于像素级的MRF分割和基于区域的MRF分割进行比较。

    图3 (a)是从工作在 ScanSAR C-频段模式的RADARSAT-1卫星在1997年10月13日拍摄的Beaufort海的SAR海冰图像提取的，分辨率为100 m。此SAR海冰图像中海冰类型有两种，其中较亮的区域代表多年冰，其他区域表示灰度冰。图4(a)是从工作在 ScanSAR C-频段模式的RADARSAT-1卫星在1998年6月24日拍摄的Baffin Bay的SAR海冰图像中提取的,分辨率为100 m。该SAR图像有海冰（亮的区域）和敞水（相对较暗的区域）组成。

    图3(b)基于像素级的MRF分割由于噪声的影响，得到的图像依然保留着很多斑点，产生大量的孤立误分小区域。而基于区域的MRF分割以及本文算法，由于采取区域的方法，其准确率有了显著提高。与图3(c)基于区域型的MRF分割算法相比,本文提出的这种算法在图像分割方面有了明显的进步。图4所示的实验结果进一步验证了本文算法的有效性。
    本文提出了一种基于边缘保持的区域能量最小化的SAR海冰图像分割算法，该算法首先对图像进行 SRAD滤波，然后进行分水岭初始分割和区域能量最小化分割。通过对SAR海冰图像的分割，证明了该算法的有效性，克服了基于像素级分割算法只考虑像素自身特征、对噪声较为敏感的缺点；与基于区域型MRF分割相比，本文算法具有物体边缘定位准确及分割效率高等优点。
参考文献
[1] Yang Xuezhi,CLAUSI D A. 2007.SAR sea ice image segmentation based on edge-preserving watersheds[C].Fourth Canadian Conference on Computer and Robot Vision(CRV’ 07),2007:426-431.
[2] www.eorc.jaxa.jp. EORC|Images & Data-ALOS Data Acquisition Planning Begun to Study the Global Carbon Cycle. 2007．
[3] ADAMS R, BISCHOF L. Seeded region growing[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 1994,16(6):641-647.
[4] BOVIK A C. On detecting edges in speckle imagery[J]. IEEE Transactions on Acoustics,Speed and Signal Processing,1998,36(10):1648-1627.
[5] WON C S, DERIN H. Unsupervised segmentation of noisy and textured images using Markov random Fields[J]. CVGIP: Graphical Models and Image Processing, 1992,54(4):308-328.
[6] GAUCH J M.Image segmentation and analysis via multiscale gradient watershed hierarchies[J]. IEEE Transactions, on Image Processing,1999,8(1):69-79．
[7] VINCENT L, SOILLE P. Watersheds in digital spaces: an afficient algorithm based on immersion simulations[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence,1991,13(6): 583-598.
[8] LI S Z. Markov random field modeling in image analysis[M].Springer, 2001.