邱志偉，劉曉霞，章銘誠(chéng)

（1.江蘇海洋大學(xué) 海洋技術(shù)與測(cè)繪學(xué)院，江蘇 連云港 222005）

由于具有廣泛的覆蓋范圍和全天候的能力，合成孔徑雷達(dá)（SAR）圖像海岸線提取變得越來(lái)越受歡迎。與傳統(tǒng)的光學(xué)遙感和高光譜遙感相比，衛(wèi)星機(jī)載SAR具有全天候的成像能力，特別是可在云層多時(shí)拍攝圖像。同時(shí)，SAR 具有的穿透性使其能獲得反映目標(biāo)微波散射特性的圖像，成為獲取地物信息的重要方法。由于斑點(diǎn)和對(duì)比度不足將導(dǎo)致強(qiáng)大的洋流、陰影或特定的海岸類型（沙質(zhì)海岸）等，因此高精度的海岸線提取仍是一個(gè)具有挑戰(zhàn)性的問(wèn)題。在海岸研究中，遙感技術(shù)憑借其獨(dú)有的廣泛檢測(cè)范圍和簡(jiǎn)單快捷的數(shù)據(jù)收集能力，成為海岸線研究的重要工具。近年來(lái)，國(guó)內(nèi)外許多學(xué)者對(duì)SAR 圖像的海岸線檢測(cè)方法進(jìn)行了研究，大致分為4 類：區(qū)域方法[1]、閾值方法[2]、馬爾可夫隨機(jī)場(chǎng)方法[3]、人工神經(jīng)網(wǎng)絡(luò)方法[4]。本文采用K-means聚類分割法結(jié)合形態(tài)學(xué)處理的方法，利用Canny 算子提取海岸線，并對(duì)提取結(jié)果進(jìn)行了分析。

1 基本原理

1.1 K-means 聚類分割

K-means 聚類分割的基本思想是將k個(gè)點(diǎn)集中到空間中，并對(duì)與其最鄰近的物體進(jìn)行分類。通過(guò)迭代的方式使每個(gè)聚類中心的值不斷更新，直到最佳聚類結(jié)果出現(xiàn)，整個(gè)更新迭代的過(guò)程才會(huì)停止。為了簡(jiǎn)單的理解這個(gè)過(guò)程，本文將進(jìn)行一個(gè)小實(shí)驗(yàn)來(lái)演示運(yùn)算過(guò)程。

首先利用randn 函數(shù)生成3 個(gè)正態(tài)分布的隨機(jī)矩陣，如圖1a 所示，稱為原始圖像；再生成k個(gè)隨機(jī)的聚類中心點(diǎn)，為了簡(jiǎn)單起見，設(shè)置k與矩陣數(shù)相同，即k=3；然后分別計(jì)算每個(gè)數(shù)據(jù)點(diǎn)到這些中心的距離，各數(shù)據(jù)點(diǎn)分別把距離最短的那個(gè)中心點(diǎn)作為自己的類別。此時(shí)，每個(gè)數(shù)據(jù)點(diǎn)都有自己對(duì)應(yīng)的中心點(diǎn)了，但由圖1b 可知，此時(shí)聚類并不準(zhǔn)確，需重新計(jì)算中心點(diǎn)的位置。計(jì)算所有藍(lán)色點(diǎn)的中心，并將藍(lán)色中心點(diǎn)移動(dòng)到計(jì)算出來(lái)的位置上，此時(shí)圖1c 中的綠色點(diǎn)就會(huì)被歸類到新的藍(lán)色中心點(diǎn)，從而被染上藍(lán)色。綠色和紅色的中心點(diǎn)也同理移動(dòng)到新的位置。不斷重復(fù)上述步驟，直到中心點(diǎn)迭代趨于穩(wěn)定，停止迭代，算法結(jié)束，得到的聚類結(jié)果如圖1d 所示。

圖1 聚類分割

1.2 形態(tài)學(xué)處理

二值圖像中的噪聲有多種表現(xiàn)形式，其中最具代表性的是點(diǎn)和小孔。圖3 為從本次實(shí)驗(yàn)降噪前圖像（圖2）中截取的一部分。點(diǎn)圖和針孔是像素連接部件和相對(duì)較小面積的相鄰像素連接部件。一般來(lái)說(shuō)，通過(guò)腐蝕處理和膨脹處理可有效去除這些連接。

圖2 降噪前圖像

圖3 局部放大

本次實(shí)驗(yàn)反復(fù)嘗試了多個(gè)結(jié)構(gòu)元素，在結(jié)構(gòu)元素為4 時(shí)，實(shí)驗(yàn)具有較好效果，因此最終選定的參數(shù)大小為4。在實(shí)際圖像處理時(shí)，通常采用開操作來(lái)消除比結(jié)構(gòu)元素更小的尺寸，在保持細(xì)節(jié)的同時(shí)，盡量使圖像的整體灰度值和明亮區(qū)域大于結(jié)構(gòu)元素；相反地，采用封閉操作來(lái)消除比結(jié)構(gòu)元素小的黑色細(xì)節(jié)，也需使圖像和黑暗區(qū)域的灰度值大于結(jié)構(gòu)元素。

通過(guò)上述描述可簡(jiǎn)單得到一個(gè)結(jié)論：同時(shí)采用開運(yùn)算和閉運(yùn)算就可達(dá)到濾除各種噪聲的目的，且若能將多結(jié)構(gòu)元素與開閉運(yùn)算相結(jié)合，就能在保持圖像細(xì)節(jié)方面獲得極大的成果。

1.3 邊緣提取算子

邊緣檢測(cè)的基本思想是通過(guò)檢測(cè)每個(gè)像素及其相鄰像素的狀態(tài)來(lái)確定像素是否位于影像的邊緣位置。常見的邊緣算子包括Roberts 算子、Prewitt 算子和Canny 算子。

1.3.1 Roberts 算子

該算子是斜率偏差的梯度計(jì)算方法[5]。梯度的大小表示邊緣的強(qiáng)度，梯度的方向垂直于邊緣。Roberts 算子實(shí)際上是試圖將兩個(gè)方向的值區(qū)分±45°旋轉(zhuǎn)，具有很高的定位精度，且在水平和垂直方向都能很好地工作，但對(duì)噪聲敏感。

1.3.2 Prewitt 算子

該算子是一階微分算子的邊緣檢測(cè)，利用像素之間的灰度差異來(lái)實(shí)現(xiàn)最大邊緣檢測(cè)，并消除一些對(duì)噪聲影響平滑的假邊緣。其原理是采用雙向模板和鄰域視圖卷積來(lái)完成圖像空間。雙向模板負(fù)責(zé)檢測(cè)水平邊緣和垂直邊緣。由于平均值可減少或消除噪聲，因此Prewitt 算子首先求取平均值，再根據(jù)差值找出梯度。Prewitt 算子利用像素頂部和底部，左側(cè)和右側(cè)鄰域之間的灰色差異，并在邊緣達(dá)到極限進(jìn)行檢測(cè)。Prewitt算子將差分運(yùn)算與局部平均相結(jié)合，在3×3 鄰域內(nèi)計(jì)算梯度，雖可抑制噪聲，但也使得檢測(cè)出的邊緣較粗，無(wú)法精確定位邊緣位置[6]。Prewitt 算子利用閾值進(jìn)行邊緣檢測(cè)，可抑制噪聲，但需人為設(shè)定閾值[7]。

1.3.3 Canny 算子

Canny J 于1986 年提出了Canny 邊緣檢測(cè)算法，并在很多圖像處理領(lǐng)域被廣泛使用[8-9]。利用Canny 算子檢測(cè)邊緣對(duì)檢測(cè)算子的要求包括[10]：低錯(cuò)誤率、高位置精度、每個(gè)邊緣點(diǎn)具有唯一的響應(yīng)、形成單個(gè)像素寬度的邊緣。Canny 算子的具體實(shí)現(xiàn)步驟為：

1）去噪聲。邊緣檢測(cè)算法無(wú)法處理的原始圖像，因此原始圖像數(shù)據(jù)必須先通過(guò)二維高斯濾波模板進(jìn)行卷積。卷積后產(chǎn)生的圖像與原始圖像相比有點(diǎn)模糊，這是消除噪聲的必要成本。

2）梯度計(jì)算。導(dǎo)數(shù)算子可計(jì)算得到灰度圖像在兩個(gè)方向上的導(dǎo)數(shù)GX和GY，進(jìn)而計(jì)算得到梯度的幅值和方向，即

3）梯度方向確定。計(jì)算邊緣的方向，并以多個(gè)角度（如0°、45°、90°和135°）劃分邊緣的漸變方向，以找出像素方向上的相鄰像素。

4）遍歷整個(gè)圖像。當(dāng)兩個(gè)像素的灰度值不是梯度方向前后像素灰度值的最大值時(shí)，像素的灰度值為0，即不是邊緣。

5）通過(guò)累積直方圖的方式求取兩個(gè)閾值。顯然，高于閾值則是邊緣，低于閾值則不是邊緣。若檢測(cè)在兩個(gè)閾值的中間，則看該像素相鄰像素中是否有超過(guò)高閾值的邊緣像素，如果有，則是邊緣；否則，就不是邊緣。

1.4 邊緣提取算子的比較與選用

本文分別利用4 種算子提取同一張圖像，并比較提取效果，以決定實(shí)驗(yàn)中使用何種算子。由圖4 可知，利用Canny 算子提取的邊界最連續(xù)、最平滑，因此本文選擇Canny 算子作為海岸線提取的邊緣算子。

圖4 算子演示圖

2 海岸線提取實(shí)驗(yàn)與分析

2.1 技術(shù)路線

本文海岸線提取技術(shù)路線如圖5 所示。

圖5 技術(shù)路線圖

2.2 實(shí)驗(yàn)步驟

本文選取的實(shí)驗(yàn)數(shù)據(jù)為黃海海區(qū)Sentinel-1A 的圖像，是一幅待處理的原始SAR 圖像（圖6），成像時(shí)間為2017-12-05，極化方式為VV，像元大小為15×15。

圖6 原始圖像

SAR 圖像信息主要受后向散射影響，影像亮度代表后向散射強(qiáng)度，像元內(nèi)表面越粗糙后向散射越強(qiáng)；表面越光滑，產(chǎn)生鏡面反射，后向散射越弱，亮度越低。實(shí)驗(yàn)采用的軟件為Matlab R2017a 版本，并在Windows10 系統(tǒng)下運(yùn)行。

從圖6 中截取一部分海岸線，如圖7a 所示；利用K-means 聚類分割法對(duì)該圖像進(jìn)行處理，使海洋與陸地的區(qū)分性增加，結(jié)果如圖7b 所示；再根據(jù) K-means聚類圖第1 0 個(gè)聚類的聚類模式進(jìn)行分割二值化（圖7c），可以看出，經(jīng)過(guò)二值化的圖像上有很多明顯的噪聲，點(diǎn)狀圖和小孔遍布了整張圖像，因此需對(duì)其進(jìn)行填充和去噪處理，去噪后的效果如圖7d 所示。顯然海岸線部分看上去仍有問(wèn)題，利用形態(tài)學(xué)閉運(yùn)算進(jìn)行處理，實(shí)驗(yàn)設(shè)置結(jié)構(gòu)元素為4，先膨脹再腐蝕，結(jié)果如圖7e 所示；再利用Canny 算子提取海岸線，結(jié)果如圖7f 所示。最后，為了驗(yàn)證海岸線提取結(jié)果的正確性，將提取的海岸線與原始地圖疊加在一起，如圖8 所示。

圖7 海岸線提取過(guò)程

2.3 實(shí)驗(yàn)結(jié)果與分析

由圖8 可以看出，提取的海岸線連續(xù)性較好，平滑度也十分優(yōu)秀，且與原始海岸線基本重合。

圖8 海岸線提取最終結(jié)果

在圖像邊緣提取的應(yīng)用中，Canny 算子對(duì)圖像邊緣的定位精確度較高，提取的圖像真實(shí)邊緣較多且較細(xì)，相較于經(jīng)典的一階和二階微分算子已有很大的提高。與常用的邊界跟蹤方法相比，K-means 聚類分割法在精度上略差于邊界跟蹤方法，但在應(yīng)用性方面，卻比前者強(qiáng)許多，應(yīng)用時(shí)簡(jiǎn)單、快速，具有可伸縮性和高效性。假設(shè)完整的海岸線被圖像所分割，若采用邊界跟蹤法會(huì)造成只能追溯到一半海岸線而另一半海岸線無(wú)法顯示的尷尬局面，但K-means 聚類分割法無(wú)此限制，對(duì)海岸線被圖像分割的適應(yīng)性更強(qiáng)，方法更簡(jiǎn)單、方便。

3 結(jié) 語(yǔ)

通過(guò)查閱國(guó)內(nèi)外文獻(xiàn)可知，SAR 圖像的來(lái)源正在不停的增加，這得益于國(guó)內(nèi)外空間技術(shù)和計(jì)算機(jī)水平的日益增長(zhǎng)，使得SAR 影像處理需要的數(shù)據(jù)有了更多的選擇。本文主要介紹了一些簡(jiǎn)單的海岸線提取方法，并基于國(guó)內(nèi)外的研究現(xiàn)狀和實(shí)驗(yàn)提出了一種適用于SAR 圖像的在K-means 聚類分割法上結(jié)合形態(tài)學(xué)處理的海岸線提取方法。該方法對(duì)現(xiàn)有數(shù)據(jù)能得到不錯(cuò)的結(jié)果，但準(zhǔn)確性不是特別高，需進(jìn)一步研究。