王成敏, 楊學(xué)志,2, 周 芳

(1.合肥工業(yè)大學(xué) 計(jì)算機(jī)與信息學(xué)院,安徽 合肥 230009; 2.光電控制技術(shù)重點(diǎn)實(shí)驗(yàn)室,河南 洛陽 471009)

SAR圖像超像素生成算法抗噪性能研究

王成敏1, 楊學(xué)志1,2, 周 芳1

(1.合肥工業(yè)大學(xué) 計(jì)算機(jī)與信息學(xué)院,安徽 合肥 230009; 2.光電控制技術(shù)重點(diǎn)實(shí)驗(yàn)室,河南 洛陽 471009)

合成孔徑雷達(dá)(synthetic aperture radar,SAR)圖像受相干斑噪聲影響嚴(yán)重,針對(duì)SAR圖像的超像素生成算法需具有較強(qiáng)的抗噪性能,現(xiàn)有的SAR圖像超像素生成算法有很多種,但對(duì)其抗噪性能的研究并不多。文章針對(duì)上述問題進(jìn)行研究,基于區(qū)域冗余度和區(qū)域準(zhǔn)確率,提出一種SAR圖像超像素生成算法的抗噪性能評(píng)價(jià)方法,對(duì)幾種經(jīng)典的SAR圖像超像素生成算法的抗噪性能進(jìn)行評(píng)價(jià)。實(shí)驗(yàn)采用不同噪聲水平的合成SAR圖像以及由SIR-C和RADARSAT-2獲取的真實(shí)SAR圖像進(jìn)行測試。結(jié)果表明,與其他算法相比,efficient graph-based segmentation(EG)算法的抗噪性能最優(yōu),最適用于SAR圖像分割。

合成孔徑雷達(dá);分割;超像素;抗噪性能

合成孔徑雷達(dá)(synthetic aperture radar,SAR)是一種高分辨率微波遙感成像雷達(dá),具有全天候、全天時(shí)、多波段、穿透性強(qiáng)等特點(diǎn),已得到廣泛應(yīng)用[1]。快速有效地實(shí)現(xiàn)SAR圖像的自動(dòng)解譯,提取圖像中所需要的信息將是SAR研究領(lǐng)域的主要發(fā)展方向。SAR圖像分割作為該發(fā)展方向的核心內(nèi)容,在圖像處理領(lǐng)域中占據(jù)重要地位。傳統(tǒng)的SAR圖像分割算法[2-3]以像素為單元進(jìn)行分割,而基于超像素的SAR圖像分割算法以超像素代替?zhèn)鹘y(tǒng)的單像素用于后續(xù)分割。相比而言,基于超像素的SAR圖像分割在很大程度上提高了分割準(zhǔn)確率,降低了后續(xù)圖像處理復(fù)雜度[4-5]。

目前常用于SAR圖像分割的超像素生成算法有很多種,比如efficient graph-based segmentation(EG)算法[6-8]、mean shift(MS)算法[9-11]、simple linear iterative clustering(SLIC)算法[12-15]、turbopixels(TP)[16-18]算法以及Watershed(WS)算法[19-20]。EG算法采用最小生成樹的思想來分割圖像,能較好地保持圖像邊界。MS算法是一個(gè)迭代模態(tài)搜索的過程,它能對(duì)復(fù)雜的特征空間進(jìn)行分割。SLIC算法基于顏色和距離相似性生成大小均勻、形狀規(guī)則的超像素。TP算法是基于幾何流的水平集算法,對(duì)初始的種子點(diǎn)逐步進(jìn)行碰撞,最終將區(qū)域近似均勻地分布到圖像平面上。WS算法以數(shù)學(xué)形態(tài)學(xué)為基礎(chǔ),構(gòu)筑水壩來得到分水線,該算法分割速度較快,超像素邊緣具有封閉性。

因?yàn)镾AR圖像容易受相干斑噪聲影響,使得超像素邊緣和真實(shí)目標(biāo)區(qū)域邊界間定位產(chǎn)生偏差,降低后續(xù)分割的準(zhǔn)確性,所以針對(duì)SAR圖像的超像素生成算法需要具有較強(qiáng)的抗噪性能。然而,到目前為止,關(guān)于SAR圖像超像素生成算法抗噪性能的研究不多。本文針對(duì)上述問題,提出一種SAR圖像超像素生成算法的抗噪性能評(píng)價(jià)方法。該方法綜合考慮區(qū)域冗余度(Rr)和區(qū)域準(zhǔn)確率(Ra)2個(gè)指標(biāo)[20],首先以不同噪聲水平的合成SAR圖像作為輸入,得到各算法隨噪聲水平增加的Ra變化折線圖；然后結(jié)合高噪聲情況下的Ra完成抗噪性能評(píng)價(jià)。為了驗(yàn)證評(píng)價(jià)結(jié)果的有效性,在不同Rr取值下進(jìn)行多組評(píng)價(jià)。此外,各超像素生成算法針對(duì)真實(shí)SAR圖像的評(píng)價(jià)結(jié)果進(jìn)一步驗(yàn)證了本文評(píng)價(jià)結(jié)果的有效性。

1 幾種經(jīng)典的超像素生成算法

1.1 EG算法

EG算法[6]將圖像用加權(quán)圖抽象化表示,加權(quán)圖是由頂點(diǎn)集V和無向邊集E組成,表示為G=(V,E),各像素點(diǎn)為頂點(diǎn)v∈V,連接節(jié)點(diǎn)vi和vj的無向邊e∈E且具有一個(gè)權(quán)重w(e),以衡量2個(gè)節(jié)點(diǎn)vi和vj之間的差異。將V劃分成不同區(qū)域,得到一個(gè)分割為T,定義區(qū)域C∈T。

該算法首先使用標(biāo)準(zhǔn)差為σ的高斯濾波器平滑圖像,然后構(gòu)建數(shù)據(jù)點(diǎn)的最小生成樹(minimum spanning tree,MST)。定義區(qū)域C的內(nèi)部差異值為該區(qū)域的MST中差異度最大的一條邊,即

(1)

定義區(qū)域C1和C2之間的差異值Dif(C1,C2)為連接兩區(qū)域的最小邊緣權(quán)重,即

(2)

由此可以得到兩區(qū)域是否合并的標(biāo)準(zhǔn),MInt(C1,C2)可以理解為C1和C2可以允許的兩者間的最大差異,即

Dif(C1,C2)≤MInt(C1,C2)=

min(Int(C1),Int(C2))

(3)

其中,Int(C)=int(C)+τ(C),τ(C)=k/|C|,k為常數(shù),|C|為區(qū)域C的尺寸。

將像素?cái)?shù)低于min的區(qū)域同相鄰區(qū)域合并，EG算法的分割示意圖如圖1所示。

圖1 EG算法的分割示意圖

1.2 MS算法

MS算法[9]是一種非參數(shù)概率密度估計(jì)算法,在核函數(shù)窗口依次計(jì)算復(fù)雜特征空間各數(shù)據(jù)點(diǎn)的均值漂移矢量,沿著梯度上升的方向移動(dòng)到新位置,并將該點(diǎn)作為一個(gè)新起點(diǎn),迭代計(jì)算至收斂到概率密度函數(shù)的極大值點(diǎn),即模點(diǎn)。相同模點(diǎn)的像素聚集到相同的區(qū)域內(nèi),實(shí)現(xiàn)圖像分割。本文MS算法的特征空間包括空間特征和強(qiáng)度特征,其各自概率密度計(jì)算的核函數(shù)窗口hs和hr需要設(shè)定,該窗口選擇影響模點(diǎn)的數(shù)目。參數(shù)min為最終分割結(jié)果中允許區(qū)域所含的最少像素?cái)?shù)目。

1.3 SLIC算法

SLIC算法[12-13]在五維空間[l,a,b,x,y]上對(duì)圖像采用新的距離衡量方式進(jìn)行快速局部聚類,其中，[l,a,b]為CIELAB顏色空間的像素顏色；[x,y]為像素的空間位置。如果將一幅含有M像素點(diǎn)的圖像分割為N個(gè)大小基本相同的區(qū)域,那么分割后每個(gè)區(qū)域所含像素點(diǎn)數(shù)目約為M/N。SLIC算法中所采用的相似性度量公式為:

(4)

(5)

(6)

SLIC算法步驟為:

(1) 初始化聚類中心。將聚類中心初始化在距離為S的網(wǎng)絡(luò)中心點(diǎn)上,如圖2所示,為避免聚類中心落到邊緣上,需在聚類中心點(diǎn)的3×3鄰域內(nèi)選擇梯度最小的像素點(diǎn)作為新的聚類中心。

(2) 聚類。計(jì)算每個(gè)像素點(diǎn)和與之最近的聚類中心點(diǎn)的相似度,根據(jù)Ds的大小將最相似的聚類中心標(biāo)簽賦給各像素。重新計(jì)算聚類中心,在新的聚類中心上重新聚類,依次迭代直到收斂。

圖2 初始化種子點(diǎn)示意圖

1.4 TP算法

TP算法[16]是一種快速超像素生成算法。該算法基本思想是通過膨脹定量的初始化種子點(diǎn),并結(jié)合曲率演化模型和背景區(qū)域的骨架化過程,直到區(qū)域的邊緣相互重合時(shí)停止,從而得到網(wǎng)格狀超像素。該算法中唯一可調(diào)參數(shù)為超像素?cái)?shù)N。算法具體包含以下幾個(gè)步驟:

(1) 根據(jù)給定的種子數(shù),等間距地初始化種子點(diǎn)。

(2) 進(jìn)行曲線演化邊界。

(3) 估計(jì)未分配區(qū)域的骨架。

(4) 更新邊界上像素點(diǎn)的速度和在邊界附近未分配像素點(diǎn)的速度。

(5) 重復(fù)步驟(2)和步驟(4),直到所有的邊界速度為0。

1.5 WS算法

WS算法[19]屬于形態(tài)學(xué)分割算法范疇,基于拓?fù)淅碚?將圖像看作拓?fù)涞匦螆D,圖像中各像素點(diǎn)灰度值代表該點(diǎn)海拔高度。分割結(jié)果的形成通常有模擬“溢流”的過程和“雨滴法”,2種途徑最終均形成由局部極小值及其影響區(qū)域組成的集水盆,以及其邊界“分水嶺”。WS算法計(jì)算速度較快、原理簡單,能夠形成封閉的目標(biāo)輪廓?；谔荻鹊腤S算法唯一可調(diào)參數(shù)為梯度提取算子δ。

2 超像素生成算法抗噪性能評(píng)價(jià)

2.1 超像素生成性能評(píng)價(jià)指標(biāo)

為了提高后續(xù)SAR圖像解譯的準(zhǔn)確性,超像素生成算法的性能需要滿足以下2個(gè)方面:① 超像素邊緣需要準(zhǔn)確定位目標(biāo)區(qū)域邊界，因?yàn)槌袼剡吘壟c真實(shí)區(qū)域邊界之間的誤差一旦產(chǎn)生,在后續(xù)的處理中是更改不了的,這會(huì)導(dǎo)致分割分類產(chǎn)生錯(cuò)誤,并且影響各模型中的參數(shù)估計(jì)；② 同質(zhì)區(qū)域內(nèi)的過分割不應(yīng)過大，過分割的程度與后續(xù)優(yōu)化過程的搜索空間大小成正比,嚴(yán)重的過分割會(huì)成為后續(xù)處理的運(yùn)算負(fù)擔(dān),不利于算法的實(shí)時(shí)性,同時(shí)會(huì)使得越來越多的小區(qū)域在后續(xù)的特征統(tǒng)計(jì)中受到相干斑噪聲的影響,產(chǎn)生特征誤差。

Ra、Rr2個(gè)評(píng)價(jià)指標(biāo)恰好可以從這2個(gè)方面反映超像素生成算法的性能。兩者的定義均涉及2幅圖像,一幅是可以提取真實(shí)邊界的無噪?yún)⒖紙D,另一幅是對(duì)應(yīng)的噪聲圖像。

2.1.1 區(qū)域準(zhǔn)確率

Ra通過得到的超像素邊緣和真實(shí)區(qū)域邊界來度量邊界定位和區(qū)域劃分的準(zhǔn)確性,該指標(biāo)越大越好。Ra的計(jì)算公式為:

(7)

其中,Ne為真實(shí)邊界點(diǎn)數(shù)目;di為圖像的第i個(gè)真實(shí)邊界點(diǎn)和生成的超像素結(jié)果中與其對(duì)應(yīng)位置最近的邊緣點(diǎn)之間的歐氏距離;Ra的取值范圍為[0,1],其值越接近1,表示超像素邊緣和真實(shí)目標(biāo)邊界的一致性越強(qiáng)。

2.1.2 區(qū)域冗余度

Rr通過得到的超像素邊緣點(diǎn)數(shù)和真實(shí)區(qū)域邊界點(diǎn)數(shù)來度量圖像的過分割程度,該指標(biāo)值不應(yīng)過大。Rr的計(jì)算公式為:

(8)

從定義可以看出,這2個(gè)指標(biāo)與最終的超像素性能緊密相關(guān),判斷一個(gè)超像素生成算法的優(yōu)劣需要綜合考慮以上2個(gè)指標(biāo)。

2.2 超像素生成算法抗噪性能評(píng)價(jià)方法

綜上所述,Ra、Rr都能反映超像素生成性能,但是超像素生成算法均含有可調(diào)節(jié)參數(shù),隨著參數(shù)的調(diào)節(jié),Ra、Rr同時(shí)變化,并且各算法的可調(diào)節(jié)參數(shù)并非完全相同,因此在評(píng)價(jià)方法中限定Rr來觀察Ra的變化。

超像素生成算法具有較好的抗噪性能需要滿足在高噪聲水平下Ra較高,并且隨噪聲水平增加Ra波動(dòng)較小。本文綜合Rr、Ra2個(gè)指標(biāo),提出一種SAR圖像超像素生成算法抗噪性能評(píng)價(jià)方法。評(píng)價(jià)方法通過對(duì)無噪圖像分別添加不同視數(shù)L的相干斑噪聲,得到不同噪聲水平的合成SAR圖像,視數(shù)越小,代表相干斑噪聲水平越大。對(duì)于一幅輸入SAR圖像,通過調(diào)節(jié)各算法的參數(shù),使Rr為某一特定值,在此基礎(chǔ)上記錄對(duì)應(yīng)的Ra；針對(duì)不同噪聲水平下的SAR圖像計(jì)算各算法的Ra,繪成隨噪聲水平增加的Ra變化折線圖；對(duì)各算法的Ra變化折線圖進(jìn)行比較,Ra隨噪聲水平增加變化越緩、高噪聲情況下Ra越高的算法抗噪性能越好。以Rr=0.5為例,超像素抗噪性能評(píng)價(jià)方法示意圖如圖3所示。

圖3 Rr=0.5時(shí)超像素抗噪性能評(píng)價(jià)方法示意圖

根據(jù)Rr的定義,本文選擇Rr=0.5、0.6、0.7、0.8,使得評(píng)價(jià)可以在一個(gè)較合適的分割程度下進(jìn)行,通過調(diào)節(jié)各算法的參數(shù),改變Rr取值,從而使得評(píng)價(jià)可以在不同的Rr取值下進(jìn)行,若Rr

為不同值的情況下得到的評(píng)價(jià)結(jié)果一致,則能充分說明評(píng)價(jià)結(jié)果的有效性。本文采用高噪聲的真實(shí)SAR圖像對(duì)評(píng)價(jià)結(jié)果有效性做進(jìn)一步驗(yàn)證。因?yàn)檎鎸?shí)SAR圖像的視數(shù)固定,所以不比較隨噪聲水平增加Ra的變化,而是比較隨Rr增加各算法的Ra變化。若其中一種算法的Ra總體水平越高,則該算法的超像素生成性能越好。

3 實(shí)驗(yàn)結(jié)果與分析

3.1 實(shí)驗(yàn)參數(shù)設(shè)計(jì)

實(shí)驗(yàn)分別采用合成SAR圖像和真實(shí)SAR圖像進(jìn)行超像素生成算法抗噪性能評(píng)價(jià)。SAR圖像中較強(qiáng)的相干斑噪聲會(huì)導(dǎo)致梯度的局部不規(guī)則性,使得WS算法存在嚴(yán)重的過分割現(xiàn)象,調(diào)節(jié)參數(shù)δ,其Rr基本保持恒定且遠(yuǎn)遠(yuǎn)大于其他4種算法,故不將WS算法列入后續(xù)比較中。

EG算法中的K取50、100、150、200,min=10、20、30、40,通過調(diào)節(jié)σ使得Rr為固定值,記錄此時(shí)的16組Ra數(shù)據(jù),取平均值,最終得到Rr為0.5～0.8時(shí)對(duì)應(yīng)的Ra。MS算法中的hs取6、7、8,min=10、20、30,調(diào)節(jié)hr,記錄9組Ra數(shù)據(jù),對(duì)其求平均得到最終Rr為0.5～0.8時(shí)對(duì)應(yīng)的Ra。對(duì)于SLIC算法與TP算法,調(diào)節(jié)超像素?cái)?shù)目N,使得Rr為0.5～0.8。

3.2 合成SAR圖像測試結(jié)果與分析

無噪SAR海冰合成圖如圖4a所示,其中較亮的區(qū)域?yàn)楦”?較暗的區(qū)域?yàn)楹Ｋ?。給圖4a的無噪圖分別添加視數(shù)L為1、2、4、6、10、14的相干斑噪聲,獲得不同噪聲水平的合成SAR圖像,如圖4b～圖4g所示。Rr為0.5、0.6、0.7、0.8時(shí)隨著輸入合成SAR海冰圖像噪聲水平的增加，各算法的Ra變化折線圖如圖5所示。

由不同寬度的矩形、星形以及波形組成的合成SAR圖像,分別添加視數(shù)L為1、2、4、6、10、14的相干斑噪聲獲得不同噪聲水平的合成SAR圖像,如圖6所示。

Rr為0.5、0.6、0.7、0.8時(shí)，隨著輸入SAR圖像噪聲水平的增加，各算法Ra變化折線圖如圖7所示。

圖4 合成SAR海冰圖像

圖5 合成SAR海冰圖像在不同Rr下各算法的Ra變化折線圖

圖6 合成SAR圖像

圖7 合成SAR圖像在不同Rr下各算法的Ra變化折線圖

通過分析圖5、圖7可知,各算法Ra變化折線的相對(duì)位置基本相同,兩組實(shí)驗(yàn)的評(píng)價(jià)結(jié)果一致。隨著Rr的增加,各算法的Ra變化折線距離逐漸減小,性能差距拉近;在不同Rr下,各算法的Ra變化折線的相對(duì)位置基本相同;隨著噪聲水平的增加,各算法的Ra變化折線均呈下降趨勢(shì);SLIC、TP算法隨著噪聲水平增加的Ra下降速度相對(duì)于MS算法較緩,與EG算法的下降速度大致相同,但是它們的Ra整體水平遠(yuǎn)低于MS、EG算法,且超像素邊緣定位不準(zhǔn)確,這是因?yàn)镾LIC、TP算法的分割結(jié)果中超像素是均勻分布的,不能很好地定位局部邊緣且在設(shè)計(jì)過程中沒有考慮噪聲的影響,所以SLIC、TP算法的抗噪性能最差;MS算法通過核函數(shù)窗口依次計(jì)算特征空間各數(shù)據(jù)點(diǎn)的均值漂移矢量,具有一定的平滑作用,因此噪聲較低時(shí),MS算法的Ra最高,優(yōu)于SLIC、TP算法,略高于EG算法。在噪聲增加的過程中,MS算法的概率密度函數(shù)梯度計(jì)算易受相干斑噪聲的影響,因此MS算法的Ra下降最快；在高噪聲情況下,該算法與SLIC、TP算法相比已經(jīng)沒有優(yōu)勢(shì)且其Ra遠(yuǎn)遠(yuǎn)低于EG算法,因此MS算法的抗噪聲能力高于SLIC、TP算法,但是比EG算法較差;因?yàn)镋G算法在設(shè)計(jì)過程中考慮到噪聲的影響,算法初始時(shí)采用濾波器對(duì)圖像進(jìn)行平滑,所以EG算法的Ra變化折線圖一直在較高位置,隨著噪聲水平的增加,EG算法的Ra下降速度低于MS算法,且在較高噪聲水平時(shí)Ra明顯高于其他3種算法,表現(xiàn)出的抗噪性能優(yōu)于MS算法。通過對(duì)兩組合成圖像下的實(shí)驗(yàn)結(jié)果分析,可知EG算法的抗噪性能最佳,評(píng)價(jià)結(jié)果有效。

3.3 真實(shí)SAR圖像測試結(jié)果與分析

RADARSAT-2衛(wèi)星于2009年1月14日獲取的中國遼東灣的SAR圖像,如圖8a所示,極化方式為HV極化,視數(shù)為1,圖像大小為400×400。專家解譯圖如圖8b所示。4種經(jīng)典的超像素生成算法對(duì)圖8a的超像素生成結(jié)果如圖8c～圖8f所示。

由圖8可以看出,SLIC算法和TP算法超像素分布均勻且不能抑制相干斑噪聲,無法定位小范圍出現(xiàn)的多條邊緣;由于噪聲嚴(yán)重干擾概率密度函數(shù)的梯度計(jì)算,MS算法提取的均為局部較小的邊緣,忽略了目標(biāo)整體的邊界;EG算法采用濾波器對(duì)圖像進(jìn)行了預(yù)處理,明顯地提高了超像素邊緣定位的準(zhǔn)確性,很好地保持了局部和整體的邊緣,尤其是灰冰區(qū)域的定位準(zhǔn)確性得到了較大的提高。

4種超像素生成算法在真實(shí)SAR圖像下的Ra變化折線圖如圖9所示。

圖8 Rr=0.5時(shí)遼東灣SAR圖像超像素生成結(jié)果

圖9 遼東灣SAR圖像各算法Ra變化折線圖

由圖9可以看出,隨著Rr的增加,各算法的Ra變化折線圖均呈上升趨勢(shì);在不同Rr過分割程度下,MS、SLIC、TP 3種算法的Ra基本保持一致,表現(xiàn)出的超像素生成性能較差且Ra遠(yuǎn)遠(yuǎn)低于EG算法;EG算法的Ra在不同的Rr下均高于其他3種算法。由圖8和圖9可知,對(duì)高噪聲的SAR圖像EG算法有著最佳的超像素生成性能。

1994年4月18日SIR-C衛(wèi)星拍攝的拉布拉多海紐芬蘭海岸部分場景如圖10a所示,極化方式為HH極化,視數(shù)為1,圖像大小為500×500。該地區(qū)的地物主要分為一年冰和海水2類。人工解譯圖如圖10b所示。圖10b由于受嚴(yán)重的相干斑噪聲影響,一年冰和海水的特征差異較小,分割難度較大。為了更好地展現(xiàn)各算法的超像素性能,本文抽取Rr=0.5時(shí)4種算法對(duì)圖10a局部的超像素分割結(jié)果,如圖10c～圖10f所示。

各超像素生成算法的Ra變化折線圖如圖11所示。

圖10 Rr=0.5時(shí)拉布拉多海岸SAR圖像超像素生成結(jié)果

圖11 拉布拉多海岸SAR圖像各算法Ra變化折線圖

由圖10、圖11可知,SLIC、TP算法的結(jié)果基本無法完成邊緣的準(zhǔn)確定位,存在大量誤分割現(xiàn)象,原因是該SAR圖像噪聲較大,而算法本身不具有抗噪能力且超像素分布均勻,忽略了局部邊緣,其Ra變化折線遠(yuǎn)低于EG算法;MS算法受相干斑噪聲影響,分割結(jié)果在局部能準(zhǔn)確定位邊緣,但對(duì)全局邊緣定位差,其Ra變化相對(duì)SLIC、TP算法基本相同,分割結(jié)果不夠理想;EG算法因本身對(duì)噪聲有一定的抑制作用,相比于其他3種算法誤分割現(xiàn)象明顯減少,與真實(shí)的人工解譯圖最為吻合。綜上所述,高噪聲的真實(shí)SAR圖像情況下,EG算法的超像素生成性能最優(yōu)。

通過分析圖10、圖11可知,與其他3種算法相比，EG算法的超像素生成性能最優(yōu),最適用于高噪聲的SAR圖像超像素生成。該結(jié)論與上述的評(píng)價(jià)結(jié)果一致,驗(yàn)證了評(píng)價(jià)結(jié)果的有效性。

4 結(jié) 論

SAR圖像受相干斑噪聲影響嚴(yán)重,具有較強(qiáng)抗噪性能的超像素生成算法將更有利于后續(xù)的SAR圖像解譯。本文綜合考慮Rr和Ra2個(gè)評(píng)價(jià)指標(biāo),提出一種可靠的超像素生成算法抗噪性能評(píng)價(jià)方法,對(duì)EG、MS、SLIC、TP 4種經(jīng)典的超像素生成算法的抗噪性能進(jìn)行研究。評(píng)價(jià)方法通過固定過分割程度Rr的范圍,比較在輸入SAR圖像噪聲水平增加的過程中各算法的Ra變化和高噪聲情況下的Ra,分析得到各算法的抗噪性能優(yōu)劣。實(shí)驗(yàn)采用不同噪聲水平下的合成SAR圖像和真實(shí)SAR圖像,充分驗(yàn)證了評(píng)價(jià)結(jié)果的有效性,與SLIC、TP、MS算法相比,EG算法的抗噪性能最優(yōu),更適用于SAR圖像分割。

[1] 楊學(xué)志,劉燦俊,吳克偉,等.SRRG-MRF的SAR海冰圖像分割算法[J].遙感學(xué)報(bào),2014,18(6):1247-1257.

[2] LANG F K,YANG J,LI D R,et al.Polarimetric SAR image segmentation using statistical region merging[J].IEEE Geoscience and Remote Sensing Letters,2014,11(2):509-513.

[3] BARNES C F,BURKI J.Late-season rural land-cover estimation with polarimetric-SAR intensity pixel blocks and σ-tree-structured near neighbor classifiers [J].IEEE Transactions on Geoscience and Remote Sensing,2006,44(9):2384-2392.

[4] WU Y H,JI K F,YU W X,et al.Region-based classification of polarimetric SAR images using Wishart MRF[J].IEEE Geoscience and Remote Sensing Letters,2008,5(4):668-672.

[5] 王春瑤,陳俊周,李煒.超像素分割算法研究綜述[J].計(jì)算機(jī)應(yīng)用研究,2014,31(1):6-12.

[6] FELZENSZWALB P F,HUTTENLOCHER D P.Efficient graph-based image segmentation.IJCV′04[J].International Journal of Computer Vision,2004,59(2):167-181.

[7] HUANG Z J,ZHANG J F,Li X,et al.Remote sensing image segmentation based on dynamic statistical region merging[J].Optik-International Journal for Light and Electron Optics,2014,125(2):870-875.

[8] MOSER G,SERPICO S B,BENEDIKTSSON J A.Land-cover mapping by Markov modeling of spatial:contextual information in very-high-resolution remote sensing images [J].Proceedings of the IEEE,2013,101(3):631-651.

[9] COMANICIU D,MEER P.Mean shift:a robust approach toward feature space analysis [J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2002,24(5):603-619.

[10] 呂倩,高君,高鑫.基于圖割及均值漂移的合成孔徑雷達(dá)圖像強(qiáng)散射目標(biāo)分割[J].計(jì)算機(jī)應(yīng)用,2014,34(7):2018-2022.

[11] SU X,HE C,FENG Q,et al.A supervised classification method based on conditional random fields with multiscale region connection calculus model for SAR image [J].IEEE Geoscience and Remote Sensing Letters,2011,8(3):497-501.

[12] RADHAKRISHNA A,SHAJI A,SMITH K,et al.SLIC superpixels:EPFL technial report:149300[R].[S.l.:s.n.],2010.

[13] ACHANTA R,SHAJI A,SMITH,et al.SLIC superpixels compared to state-of-the-art superpixel methods[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2012,34(11):2274-2282.

[14] MOYA M M,KOCH M W,PERKINS D N,et al.Superpixel segmentation using multiple SAR image products[C]//Proc SPIE 9077,Radar Sensor Technology ⅩⅧ,90770R.Baltimore:SPIE Proceedings,2014:90770R-12.

[15] CHEN D Y,SHANG S B,WU C D.Shadow-based building detection and segmentation in high-resolution remote sensing image [J].Journal of Multimedia,2014,9(1):181-188.

[16] LEVINSHTEIN A,STERE A,KUTULAKOS K N,et al.Turbopixels:fast superpixels using geometric flows[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2009,31(12):2290-2297.

[17] 余航,焦李成,劉芳.基于上下文分析的無監(jiān)督分層迭代算法用于SAR圖像分割[J].自動(dòng)化學(xué)報(bào),2014,40(1):100-116.

[18] TIAN X,JIAO L C,Yi L,et al.The image segmentation based on optimized spatial feature of superpixel[J].Journal of Visual Communication and Image Representation,2015,26:146-160.

[19] VINCENT L,SOILLE P.Watersheds in digital spaces:an efficient algorithm based on immersion simulations [J].IEEE Transaction on Pattern Analysis and Machine Intelligence,1991,13(6):583-598.

[20] YANG X,CLAUSI D A.Evaluating SAR sea ice image segmentation using edge-preserving region-based MRFs [J].IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing,2012,5(5):1383-1393.

(責(zé)任編輯 閆杏麗)

Research on anti-noise performance of superpixel segmentation algorithms of SAR image

WANG Chengmin1, YANG Xuezhi1,2, ZHOU Fang1

(1.School of Computer and Information, Hefei University of Technology, Hefei 230009, China; 2.Science and Technology on Electro-optic Control Laboratory, Luoyang 471009, China)

Superpixel algorithm for synthetic aperture radar(SAR) image requires strong anti-noise performance due to the speckle noise. Although many superpixel algorithms for SAR image have been proposed, there are few researches on their anti-noise performance. In this paper, based on the region accuracy and region redundancy, a method to compare the anti-noise performance of several classical superpixel algorithms for SAR image is proposed to find out the best anti-noise algorithm. The artificial SAR images with different noise levels and the real SAR images obtained by SIR-C and RADARSAT-2 are used in the experiment, and the experimental results show that the efficient graph-based segmentation(EG) algorithm is superior to other three algorithms in the anti-noise performance, which is more suitable for SAR image segmentation.

synthetic aperture radar(SAR); segmentation; superpixel; anti-noise performance

2015-10-30；

2016-01-04

國家自然科學(xué)基金資助項(xiàng)目(61371154;61076120;61271381;61102154); 中央高校基本科研業(yè)務(wù)費(fèi)專項(xiàng)資金資助項(xiàng)目(2012HGCX0001;2015HGQC0191;2015HGBZ0106)和光電控制技術(shù)重點(diǎn)實(shí)驗(yàn)室和航空科學(xué)基金聯(lián)合資助項(xiàng)目(201301P4007)

王成敏(1987-),女,安徽合肥人,合肥工業(yè)大學(xué)碩士生; 楊學(xué)志(1970-),男,安徽合肥人,博士,合肥工業(yè)大學(xué)教授,博士生導(dǎo)師.

10.3969/j.issn.1003-5060.2016.12.008

TP751

A

1003-5060(2016)12-1626-07