摘 要：水域圖像分割常應(yīng)用于洪災(zāi)監(jiān)測(cè)、地表水資源勘察等工作。合成孔徑雷達(dá)（Ｓｙｎｔｈｅｔｉｃ Ａｐｅｒｔｕｒｅ Ｒａｄａｒ，ＳＡＲ）圖像常常帶有陰影和干擾斑，導(dǎo)致現(xiàn)有的水域分割結(jié)果容易出現(xiàn)水域連通性差、水域邊緣粗糙等問(wèn)題。為了更好地利用目標(biāo)的邊緣信息解決這些問(wèn)題，分別獨(dú)立采用語(yǔ)義分割和超像素分割得到水域預(yù)測(cè)結(jié)果與超像素聚類掩碼，利用假設(shè)檢驗(yàn)?zāi)Ｐ腿诤希?種方法的分割結(jié)果。在ＵＮｅｔ、ＳｅｇＮｅｔ、ＤｅｅｐＬａｂＶ３＋和超像素圖卷積網(wǎng)絡(luò)（Ｓｕｐｅｒｐｉｘｅｌ Ｇｒａｐｈ Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｔｗｏｒｋ，ＳＧＣＮ）４ 種語(yǔ)義分割方法進(jìn)行實(shí)驗(yàn)，分割精度均有提升。在ＵＮｅｔ 上提升最大，平均交并比（ｍｅａｎ Ｉｎｔｅｒｓｅｃｔｉｏｎ ｏｖｅｒ Ｕｎｉｏｎ，ｍＩｏＵ） 由７８． ２４％ 提升至８３． ３９％ 。對(duì)比了３ 種不同的超像素分割方法的改善效果，實(shí)驗(yàn)結(jié)果表明，所提方法在線性譜聚類（Ｌｉｎｅａｒ Ｓｐｅｃｔｒａｌ Ｃｌｕｓｔｅｒｉｎｇ，ＬＳＣ） 中表現(xiàn)最佳。

關(guān)鍵詞：超像素；假設(shè)檢驗(yàn)；合成孔徑雷達(dá)圖像；水域分割；超像素分割

中圖分類號(hào)：ＴＮ９５７． ５２ 文獻(xiàn)標(biāo)志碼：Ａ

文章編號(hào)：１００３－３１０６（２０２４）１２－２８９５－０７

０ 引言

水域在區(qū)域陸地水循環(huán)中發(fā)揮著巨大的作用，是大自然水循環(huán)中不容忽視的重要載體，水域分布對(duì)整個(gè)區(qū)域生態(tài)系統(tǒng)的未來(lái)具有舉足輕重的影響。準(zhǔn)確而全面的自然水域分布信息是洪災(zāi)監(jiān)測(cè)及災(zāi)后評(píng)估、水資源調(diào)查、水利工程修建、未來(lái)水資源規(guī)劃等工作的必備數(shù)據(jù)［１］。然而水域衛(wèi)星遙感圖像處理方面還存在很多挑戰(zhàn)，對(duì)地理信息分析構(gòu)成一種制約［２］。在淡水資源短缺、洪澇災(zāi)害頻發(fā)的嚴(yán)峻情況下，發(fā)展更加準(zhǔn)確、全面、快速的遙感圖像水域分割算法已經(jīng)越來(lái)越重要［３］。如果可以直接在合成孔徑雷達(dá)（Ｓｙｎｔｈｅｔｉｃ Ａｐｅｒｔｕｒｅ Ｒａｄａｒ，ＳＡＲ）圖像上得到準(zhǔn)確的水域分割圖，不僅可以明確水資源的分布情況，為未來(lái)社會(huì)發(fā)展、自然資源規(guī)劃打下堅(jiān)實(shí)基礎(chǔ)，還能在緊急情況下實(shí)時(shí)監(jiān)測(cè)河流、湖泊的變化，預(yù)防特大洪澇災(zāi)害的發(fā)生，盡可能地減少災(zāi)害帶來(lái)的損失。對(duì)構(gòu)建良好河流生態(tài)系統(tǒng)、預(yù)防多發(fā)的洪水自然災(zāi)害有著重要作用。

深度學(xué)習(xí)技術(shù)的發(fā)展推動(dòng)了語(yǔ)義分割預(yù)測(cè)精度的提高。語(yǔ)義分割算法能夠通過(guò)逐像素分類的方式對(duì)圖像進(jìn)行分割，已經(jīng)應(yīng)用到遙感衛(wèi)星圖像中，并且能在計(jì)算資源約束的情況下和對(duì)實(shí)效性要求較高的前提下取得較好的效果。但是這種基于深度學(xué)習(xí)的語(yǔ)義分割方法只能得到目標(biāo)的主體部分，難以分割出目標(biāo)的精確輪廓［４］，并且十分依賴數(shù)據(jù)集的構(gòu)建［５］，尤其是對(duì)于復(fù)雜的形狀，比如水域ＳＡＲ 圖像，由于河流、湖泊等水域的邊緣呈現(xiàn)出無(wú)規(guī)律的曲折形狀，如何能夠精確分割水域邊界仍然是較大的挑戰(zhàn)。

研究人員提出了很多基于深度學(xué)習(xí)技術(shù)的分割算法。張金松等［６］通過(guò)密集分離卷積和擴(kuò)展卷積捕獲高維度特征，并利用雙線性插值方法開發(fā)上采樣模塊得到最終結(jié)果，增強(qiáng)了ＳＡＲ 水域圖像分割的精度和魯棒性。Ｃｈｅｎ 等［７］通過(guò)空洞卷積擴(kuò)大濾波器視野，實(shí)現(xiàn)不增大參數(shù)量的情況下合并更多的上下文信息，并構(gòu)建多孔空間金字塔池對(duì)目標(biāo)進(jìn)行多尺度分割。戴牧宸等［８］通過(guò)減少雙邊分割網(wǎng)絡(luò)（ＢｉＳｅＮｅｔ）中空間路徑的卷積層數(shù)來(lái)使網(wǎng)絡(luò)保留更多的原始圖像空間信息，并選用參數(shù)量較小的１８ 層殘差神經(jīng)網(wǎng)絡(luò)（ＲｅｓＮｅｔ１８）作為模型主干，從而在維持空間信息的同時(shí)避免過(guò)擬合現(xiàn)象。劉啟等［９］提出了基于先驗(yàn)信息和ＵＮｅｔ 網(wǎng)絡(luò)相結(jié)合的ＳＡＲ 圖像分割算法，借助海陸先驗(yàn)數(shù)據(jù)庫(kù)對(duì)分割結(jié)果進(jìn)行預(yù)判，在保證實(shí)效性的前提下去除了陰影噪聲的干擾。施卓煒等［１０］同時(shí)訓(xùn)練復(fù)雜網(wǎng)絡(luò)和輕量級(jí)網(wǎng)絡(luò)２ 個(gè)分支，通過(guò)蒸餾模塊使后者逐漸逼近前者以提高精度，在模型參數(shù)量較低的前提下提高了語(yǔ)義分割效率。趙松璞等［１１］采用邊緣提取和灰度化等方式增強(qiáng)輸入圖像，再通過(guò)帶有池化層的深度可分離卷積對(duì)圖像進(jìn)行分割，并通過(guò)設(shè)計(jì)混合注意力機(jī)制模塊提取空間位置的大范圍上下文信息，提升了模型捕獲關(guān)鍵特征的能力。Ｓｕｚｕｋｉ［１２］構(gòu)建了一個(gè)使用注意力函數(shù)作為求解器的聚類模塊，并將這個(gè)模塊納入到基于神經(jīng)網(wǎng)絡(luò)的語(yǔ)義分割模型（如殘差神經(jīng)網(wǎng)絡(luò)（ＲｅｓＮｅｔ）［１３］ 和移動(dòng)窗口全自注意力網(wǎng)絡(luò)（ＳｗｉｎＴｒａｎｓｆｏｒｍｅｒ）［１４］）的下采樣部分。該模型通過(guò)聚類模塊對(duì)下采樣層的像素進(jìn)行分組，并通過(guò)分層聚類實(shí)現(xiàn)圖像分割。

超像素分割是另一種圖像分割方法，利用不同部分在顏色、亮度、紋理等特性上的相似性，實(shí)現(xiàn)圖像的分塊聚類過(guò)程可以更加充分地利用圖像的紋理信息，得到分割結(jié)果。然而超像素分割過(guò)程注重圖像的局部特征，不能充分利用圖像整體信息。

本文利用假設(shè)檢驗(yàn)的原理將語(yǔ)義分割和超像素聚類結(jié)果融合，從而充分發(fā)揮語(yǔ)義分割的學(xué)習(xí)優(yōu)勢(shì)和超像素提取紋理信息的能力。具體實(shí)現(xiàn)路線是：首先獨(dú)立完成語(yǔ)義分割和超像素聚類，得到初步分割結(jié)果，然后在每一個(gè)超像素塊中通過(guò)假設(shè)檢驗(yàn)原理決定如何選取２ 種分割方法的結(jié)果，得到新的預(yù)測(cè)方案。每個(gè)超像素塊中的分割結(jié)果只有３ 種，即全部賦值為河流、全部賦值為陸地以及保留語(yǔ)義分割結(jié)果。本文所提方法的優(yōu)勢(shì)在于假設(shè)檢驗(yàn)過(guò)程獨(dú)立于分割過(guò)程，即模型不依賴于某一種分割方法，而是可以靈活組合不同語(yǔ)義分割和超像素方法，選取達(dá)到最佳效果的模型；另外本文方法不改變語(yǔ)義分割的下采樣過(guò)程，可以繼承現(xiàn)有像素解碼器在提高整體區(qū)域分割精度的優(yōu)勢(shì)。以下是本文所提增強(qiáng)方法的技術(shù)路線：

① 采用語(yǔ)義分割模型得到預(yù)測(cè)掩碼，由０－１ 矩陣呈現(xiàn)，０ 代表非水域即陸地，１ 代表水域。

② 使用超像素模型得到聚類結(jié)果，其中第ｉ 個(gè)超像素塊所包含的像素點(diǎn)均賦值為ｉ－１。

③ 進(jìn)入假設(shè)檢驗(yàn)框架，在每個(gè)超像素塊中，所有的像素點(diǎn)都只有水域或非水域２ 種標(biāo)簽中的一個(gè)值。分別計(jì)算每個(gè)超像素塊在語(yǔ)義分割掩碼對(duì)應(yīng)范圍中２ 種標(biāo)簽所占的比例，并與本文的檢驗(yàn)統(tǒng)計(jì)量進(jìn)行比較，通過(guò)決策得到最終的預(yù)測(cè)結(jié)果。

④ 通過(guò)對(duì)超像素和假設(shè)檢驗(yàn)?zāi)K的消融實(shí)驗(yàn)，證明本文所提的方法的可行性；為了獲得更高的準(zhǔn)確率，本文還比較了將不同的語(yǔ)義分割模型納入本模型后的分割精度。

１ 基于假設(shè)檢驗(yàn)優(yōu)化的分割模型

１． １ 基本分析

由于語(yǔ)義分割掩碼在像素層面上的離散性質(zhì)，并且只有０ 和１ 兩種標(biāo)簽（分別代表非水域和水域），本文將其作為假設(shè)檢驗(yàn)的樣本點(diǎn)。由于超像素聚類的結(jié)果并不是二值的，而是將每個(gè)聚類視為不同的類別，本文不能將超像素的標(biāo)簽作為判定最終分割結(jié)果的依據(jù)；超像素的優(yōu)勢(shì)在于捕獲圖像紋理信息和邊緣形狀，應(yīng)該將超像素劃分的邊界作為確定最終分割結(jié)果的參考要素。

本模型將超像素聚類的分塊邊界對(duì)應(yīng)到語(yǔ)義分割掩碼上，形成對(duì)掩碼的一個(gè)劃分。具體而言，對(duì)每個(gè)分塊位置上對(duì)應(yīng)的掩碼中標(biāo)簽為０ 和１ 的像素的數(shù)量比例進(jìn)行假設(shè)檢驗(yàn)，當(dāng)這個(gè)比例超過(guò)一個(gè)閾值ｐ０ 時(shí)，說(shuō)明這個(gè)分塊很有可能包含在水域（或非水域）內(nèi)部，故將整個(gè)分塊內(nèi)的標(biāo)簽全部賦值為０ －１中占比更大的標(biāo)簽；當(dāng)比例小于ｐ０ 時(shí)，說(shuō)明這個(gè)分塊很有可能位于水域與非水域的分界線處，這時(shí)應(yīng)該保留語(yǔ)義分割掩碼的標(biāo)簽值。閾值ｐ０ 為已知可變參數(shù)，本文通過(guò)最大化分割精度的實(shí)驗(yàn)來(lái)確定ｐ０的最優(yōu)值。