极化SAR图像分割方法研究

    蒋婷+覃发超+徐珍

    摘 要：极化SAR图像分割是面向对象的极化SAR图像分析处理的重要组成部分，也是极化SAR图像处理的关键和难题。然而，目前还没有一种极化SAR分割方法被广泛接受。文章通过对现有的极化SAR图像分割方法进行综述，以使各位研究者对其有一个较全面的认识。文章首先介绍了国内外在极化SAR图像分割方面的主要研究机构；然后对现有的极化SAR图像分割算法进行了分类，并归纳了不同方法的基本思想，分析了各自的性能特点；最后对极化SAR图像分割方法的研究现状及发展趋势进行了总结和展望。

    关键词：极化SAR；面向对象；图像分割

    合成孔径雷达（Synthetic Aperture Radar，SAR）是一种全天候、全天时的主动微波遥感成像雷达，在地质勘测、灾害控制、参数反演和军事领域等方面应用广泛。极化SAR（Polarimetric SAR，PolSAR）可记录地面目标完整的极化散射信息，极大地提高了图像解译分析精度。目前，极化SAR图像分割仍是极化SAR图像处理领域的研究热点之一。

    面向对象分类（Object-Oriented Classification，OOC）将空间相邻、光谱特征相近的多个像元合并为均一同质对象，然后对图像分类。其结果可视性和整体性较好，可有效避免噪声影响，便于目标识别和图像解译。但SAR系统的成像特性使SAR图像存在大量相干斑噪声，限制了面向对象的极化SAR图像处理的应用。

    极化SAR图像分割是面向对象的极化SAR图像解译处理的基础和前提。迄今为止（不完全统计），主要有以下国家机构投入到极化SAR图像分割分类的研究中。（1）国外：美国海军研究实验室（NRL）遥感部、美国宇航局（NASA）喷气推进实验室（JPL）、密歇根大学电子工程与计算机系辐射实验室、麻省理工学院等；日本宇宙航空研究开发机构（JAXA）；德国宇航中心（DLR）；加拿大遥感中心（CCRS）等。（2）国内：清华大学电子工程系，复旦大学波散射与遥感信息国家教育部重点实验室，电子科技大学工程学院，中科院电子研究所和遥感应用研究所，武汉大学测绘遥感信息工程国家重点实验室和电信学院，国防科技大学电子科学与工程学院等。

    1 极化SAR图像分割算法

    现有极化SAR图像分割方法主要有以下几类：基于阈值的分割方法、基于区域和聚类的分割方法和基于特定理论的分割方法。

    1.1 基于阈值的分割方法

    阈值分割是用数个阈值将图像的灰度级分为几个部分，将所有灰度值处于阈值间的像素视为一类。阈值确定是阈值分割的关键，其准确性决定了图像分割的准确性，最优阈值的选择是该方法研究的难点。该算法简单便捷、运算效率高，但只考虑了像素本身的灰度值，忽略了空间特征，因而对于包含复杂地物信息的极化SAR图像分割适用性较差。安健[1]研究了基于Otsu和模糊聚类算法的极化SAR图像分割分类，该算法对噪声和离群点有一定容忍度，但阈值和参数的设置需进一步研究。

    1.2 基于区域和聚类的分割方法

    先选一些同质像素作为种子点，然后按某种相似性准则将邻域中与种子点性质相同或相似的像素合并到种子点的区域并更新种子点，重复上述步骤，直到没有像素可被合并为止，即得到分割结果。该方法计算简单，对于具有匀质区域的极化SAR图像，可取得较好的分割效果。但是该算法需要人工确定种子点，对噪声敏感。

    1.2.1 分水岭算法

    分水岭算法（Watershed）用图像中像素点的灰度值表示该点的海拔，每一个局部极小值及其影响区域称为集水盆，集水盆的边界则形成分水岭。该算法对微弱邊缘有良好的响应，运算简洁、效率高，具有较好的边界精度，但是易产生严重的过分割现象。朱腾等[2]利用分水岭过分割和极化参数Span进行迭代分类，分割结果可较好地避免“椒盐”现象，改善分类效果，但对纹理信息的保持有所欠缺。

    1.2.2 SLIC算法

    SLIC（Simple Linear Iterative Cluttering）是一种基于K均值聚类的超像素分割算法，效率高，可生成形状紧凑、近似均匀的超像素，基本算法过程主要包括3个步骤。（1）聚类中心初始化，在整个图像上均匀初始化K个聚类中心，把像素点纳入与其距离最近的聚类中心；（2）局部迭代更新，直到满足终止条件为止；（3）后处理，对孤立的小尺寸区域进行近邻合并处理，以提高结果的紧密度。Qin 等[3]对SLIC算法进行改进，使其可直接用于极化SAR数据，实验算法能明显去除斑点，且较好保持点和边缘特征。

    1.2.3 均值漂移

    均值漂移（Mean-shift，MS）是一种统计迭代算法，它依次计算各像素点在一定窗口中的均值漂移向量，将起始点移动至向量所指位置，并以此为新起始点继续漂移，直到停止漂移，停止位置为模态点。把具有相同模态点的像素合并到同一区域，实现图像分割。其分割结果轮廓和边界较清晰，但收敛较慢，存在过分割问题。Zhang等[4]结合MS和MRF并用于PolSAR图像分类，取得了较好的分类结果。

    1.3 基于特定理论的分割方法

    1.3.1 基于图论的分割算法

    谱图分割，又叫谱聚类分割，主要用加权无向图来表征待分割图像，图的顶点为图像像素，顶点的属性对应图的特征信息，图的边表征像素的空间关系，边的属性对应像素间的特征关系。该方法灵活性较强、计算效率较高、分割特性较好，是图像分割领域中一个新的研究热点。赵磊等[5]结合均值漂移和谱图分割，用Radarsat-2全极化数据进行实验分割，证明了其具有效性和稳健性。

    1.3.2 基于MRF的分割算法

    马尔科夫随机场（Markov Random Field，MRF）用最优准则确定目标函数，通过求解函数的最大可能分布，将分割问题转化成最优化问题。该方法目标分割准确，边缘定位清晰，有很大的发展前景。Wu等[6]先利用条件迭代模型对图像进行Wishart MRF过分割，再作Wishart ML分类，实验算法可有效抑制相干斑，获得较好的分割结果。

    1.3.3 水平集方法

    基于曲線演化理论和零水平集思想的水平集（Level-set）方法，可追踪拓扑结构的变化，解决参数活动轮廓模型难以解决的问题。其主要思想是将n维移动变形曲线隐式表达为n+1维的水平集函数，由封闭超曲面的演化方程得到函数的演化方程，确定演化函数在零水平截面上的位置，即得到移动变形曲线的演化结果。ZOU等[7]采用Kummer U分布以提高分割准确性，同时引入距离限制项以避免水平集函数重新初始化，减少迭代次数，提高分割效率。

    2 结语

    通过国内外学者的不懈努力，已有很多极化SAR图像分割方法，取得了丰硕的成果。但其发展还不够成熟，仍存在很多问题，需进一步研究和解决。（1）如何在克服噪声的同时保持图像的点、线、边缘等细节信息，以提高分割精度；（2）如何充分利用纹理、形状等特征，以获得高质量、高保真的极化SAR图像；（3）如何在图像分割时选择最优分割尺度，以抑制过分割、欠分割现象的发生；（4）如何降低运算代价、提高运算效率，以满足大数据和实时性需求。

    为了取得高精度、低噪声和可视性、均一性、鲁棒性好的极化SAR图像分割结果，面向对象已成为研究热点。在其后续发展中，极化SAR数据特点的充分利用，其他领域新理论新技术的借鉴将仍是该领域的一个主要发展趋势。随着成像技术和计算机技术的不断提高和发展，加之各种新理论、新方法的应用和改进，相信极化SAR图像分割会不断完善和成熟。

    [参考文献]

    [1]安健.基于极化合成孔径雷达图像分类算法研究[D].成都：电子科技大学，2014.

    [2]朱腾，余洁，李小娟，等.基于超像素与Span-Pauli分解的SAR影像分类[J].华中科技大学学报（自然科学版），2015（7）：77-81.

    [3]QIN F，GUO J，LANG F. Superpixel segmentation for polarimetric SAR imagery using local iterative clustering[J].IEEE Geoscience & Remote Sensing Letters，2015（1）：13-17.

    [4]ZHANG B，MA G，ZHANG Z，et al. Region-based classification by combining MS segmentation and MRF for POLSAR images[J].Journal of Systems Engineering & Electronics，2013（3）：400-409.

    [5]赵磊，陈尔学，李增元，等.基于均值漂移和谱图分割的极化SAR影像分割方法及其评价[J].武汉大学学报（信息科学版），2015（8）：1061-1068.

    [6]WU Y，JI K，YU W，et al. Region-based classification of polarimetric SAR images using wishart MRF[J].IEEE Geoscience & Remote Sensing Letters，2008（4）：668-672.

    [7]ZOU P，LI Z，TIAN B，et al. A level set method for segmentation of high-resolution polarimetric SAR images using a heterogeneous clutter model[J].Remote Sensing Letters，2015（7）：548-557.

    Abstract： Polarimetric SAR image segmentation is an important component of the object-oriented polarimetric SAR image analysis and processing， and also is the key and difficult problem of the polarimetric SAR image processing. However， there is no one polarimetric SAR image segmentation method that is accepted widely so far. This paper summarized the existing methods of polarimetric SAR image segmentation so that researchers have a comprehensive understand of it. Firstly， the main research institutions of polarimetric SAR image segmentation at home and abroad are introduced. Then， the existing algorithms of polarimetric SAR image segmentation are classified and the basic ideas of different methods is summarized， and performance characteristics are analyzed respectively. Finally， the research status and developing trends of polarimetric SAR image segmentation are summarized and prospected..

    Key words： polarimetric SAR； object-oriented； image segmentation