魏思奇，張 煜，葉 松

(長江科學院 空間信息技術應用研究所，武漢 430010)

?

基于譜聚類的極化SAR影像分割改進算法

魏思奇，張 煜，葉 松

(長江科學院 空間信息技術應用研究所，武漢 430010)

譜聚類的影像分割算法是一種基于點的聚類方法，其通過選用不同的特征構建相似性度量矩陣，來衡量像元間的相似性程度。在解算過程中需要計算每2個像元間的相似性度量，在處理大幅影像時，運算量大、耗時長。針對這一問題，提出了一種改進方法。首先通過均值漂移算法對極化SAR影像進行預處理，然后選取中心像元，構建相似性度量矩陣，采用歸一化分割準則完成影像分割。實驗結果表明，該算法分割結果優(yōu)良，準確性高，有效地提高了原算法的分割效率，具有一定的實踐意義。

譜聚類；均值漂移；極化SAR；圖像分割；邊緣檢測

1 研究背景

極化SAR影像有著較多的椒鹽噪聲和豐富的紋理信息。傳統(tǒng)的基于譜聚類的極化SAR影像分割算法忽略了極化SAR影像所特有的紋理信息，無法抑制極化SAR影像固有的椒鹽噪聲，導致最終的分割結果不理想。同時，運算過程復雜，工作量大，算法耗時長，性能低。例如:Benz等[1]利用eCognition軟件中的分割功能，把影像切割成不同的尺度，通過H/α/A分解提取特征來分割影像。吳永輝等[2]提出的基于Wishart統(tǒng)計分布和馬爾科夫隨機場的極化SAR影像分割算法，在該算法中，作者采用了迭代的方式，通過求取最大后驗概率來獲得影像的分割結果。鄒元同等[3]提出了基于均值漂移的極化SAR影像分割方法。張杰[4]提出了采用分水嶺算法進行極化SAR影像分割的思想。張艷梅[5]提出把影像紋理信息和極化信息相結合的極化SAR影像分割算法。Vahid等[6]提出了一種結合馬爾科夫隨機場和影像紋理信息的分割算法，在Wishart統(tǒng)計分布中加入了相應的紋理信息，結合馬爾科夫場模型進行分割，一定程度上改善了分割效果。

針對傳統(tǒng)方法存在的缺陷，本文擬構建一種改進的邊緣檢測器，充分提取極化SAR影像的邊緣信息；采用均值漂移算法對極化SAR影像進行預分割，減少需要處理的像元數(shù)目。在實驗中，改進的分割算法結果優(yōu)良，達到了預期的效果。

2 改進的基于譜聚類的極化SAR影像分割

2.1 均值漂移預處理

均值漂移算法是一種迭代算法，它基于核密度理論，具有快速匹配的能力。該算法通過映射把像元對應到特征空間中從而完成影像聚類，可有效克服傳統(tǒng)聚類方法的缺陷，能夠處理大量數(shù)據(jù)問題。通過該算法，使影像中的像元自動“漂移”到核密度極大值點處，具有良好的收斂性[7]。數(shù)據(jù)的密度估計方向和均值的平移方向相同。首先計算出目標點的平移向量，把該點平移到偏移值處，并把該點作為新的起點，反復迭代，到滿足一定的條件為止。

2.2 改進的邊緣檢測方法

改進的邊緣檢測器包含4個方向。其窗口大小可以根據(jù)實際情況變化。檢測器發(fā)現(xiàn)最中間的像元為邊緣，則認為其兩側的像元存在強烈的反差。采用Wishart統(tǒng)計方法來衡量2個區(qū)域的差別情況。通過似然比函數(shù)來分別計算不同區(qū)域的協(xié)方差矩陣是否相等。差異性度量為

(1)

2.3 構建相似性矩陣

由于之前已經(jīng)做了影像預分割處理，因此需要在每個區(qū)域中尋找出1個像元來代表整個區(qū)域。在特殊情況下，如果區(qū)域為規(guī)則圖形(例如矩陣、圓形)，則其代表像元為該圖形的幾何中心。

獲得每個分割區(qū)域的中心像元后，便可以通過極化SAR影像的邊緣來構建相似性度量矩陣。2個像元間的差異性可以通過極化SAR影像的邊緣來確定，其差異性Dc(x,y)如式(2)所示[8-9]。

(2)

式中：D*表示像元的邊緣強度值；直線L是像元x和像元y之間的連線；z為直線L上邊緣強度最大值處的像元位置。通過高斯核函數(shù)即可計算權重。然后通過代表像元得到不同區(qū)域間的相似性程度，從而構建出整幅影像的相似性度量矩陣。

2.4 歸一化分割準則

在譜聚類中，極化SAR影像的分割問題最終轉換為了圖的劃分問題。常用的分割劃分準則有最小分割準則(Mini cut)、平均分割準則(Average cut)、歸一化分割準則(Normalized cut)[9]、最大最小分割準則(Min-max cut),比例分割準則(Ratio cut)、多路歸一化分割準則(MN cut)等。歸一化分割準則在圖像分割中應用比較多，本文實驗中選取該方法。

圖1 AIRSAR全極化圖像Pauli-RGB合成圖Fig.1 Pauli-RGB composite image of AIRSAR full polarization image

圖2 實驗區(qū)域光學影像Fig.2 Optical image of experimental area

3 實驗與結果分析

3.1 實驗數(shù)據(jù)

實驗采用的數(shù)據(jù)為美國AIRSAR的全極化數(shù)據(jù)，影像大小為750×1 024,其Pauli-RGB假彩色影像如圖1所示。圖2為Google Earth中對應的光學

影像。從圖中可見，該地區(qū)地物幾何形狀規(guī)則，主要地物為耕地，適合用作影像分割的實驗圖像。

3.2 改進方法的分割實驗

將實驗數(shù)據(jù)濾波處理后，設置極化SAR影像的邊緣檢測器，提取極化SAR影像的邊緣信息，邊緣提取結果如圖3所示。圖中邊緣信息清晰，該步驟過后，極化SAR影像中的極化信息即轉換為邊緣信息，該信息將被用作分割依據(jù)，在下一步影像分割中使用。

圖3 影像邊緣提取結果Fig.3 Result of edge extraction

圖4 影像均值漂移預處理結果Fig.4 Result of mean shift preprocess

在均值漂移算法中，不同的參數(shù)設置將導致不同的影像分割結果。文本將參數(shù)設置為如下:hs=8,hr=5，M=300，其中M表示分割區(qū)域的最小面積，hs和hr表示窗口大小的閾值。圖4為均值漂移分割算法的結果。從圖4中可以發(fā)現(xiàn)，均值漂移分割結果破碎，過分割現(xiàn)象嚴重，由于在分割前進行了濾波處理，影像上椒鹽噪聲較少，影像亮度降低，紋理信息較少。

將均值漂移預處理得到的分割圖像作為譜圖分割的輸入影像，首先需要選取能夠代表分割區(qū)域的中心點，按照本文之前提到的方法，選取各分割區(qū)域的中心，為了方便顯示，截取了局部區(qū)域的放大圖像，如圖5所示。

圖5 中心像元選取Fig.5 Selected center pixels

選取區(qū)域中心后，根據(jù)之前提取的邊緣信息構建相似性度量矩陣，然后選擇歸一化分割準則，進行影像分割，其整體結果如圖6所示。經(jīng)過譜聚類分割后，影像中過分割區(qū)域明顯減少，均值漂移預處理中分割破碎現(xiàn)象得到改善，過分割區(qū)域通過改進算法，已被合并到相鄰區(qū)域中，分割結果良好。

圖6 影像分割結果Fig.6 Segmentation result

在算法運行時間上，本文所采用的影像大小為750×1 024，如果按照傳統(tǒng)的譜聚類分割算法，則至少需要進行C2768 000次建立768 000×768 000大小的矩陣，而本文提出的改進方法則只需要計算C21 700次建立1 700×1 700大小的矩陣，運算時間消耗大約降低了20萬倍?？梢哉J為，均值漂移預處理極大地提高了譜聚類分割算法的性能，同時也結合了該算法分割結果全局性好的特點，獲得了預期的實驗效果。

3.3 實驗結果評價

為了方便進行定量分析，文本使用相同的圖像在eCognition軟件上進行了分割實驗。在參數(shù)設置上，保持Color參數(shù)為定值0.2，尺度參數(shù)Scale分別為40,80,120，具體結果如圖7所示。

圖7 不同Scale值時的分割結果Fig.7 Segmentation results with different scales

從圖7可以看出，當尺度參數(shù)Scale為40時，能夠準確切割圖中橢圓形區(qū)域，但存在一定的過分割現(xiàn)象；隨著尺度參數(shù)設置為80和120，圖中過分割現(xiàn)象減少，但欠分割現(xiàn)象越來越明顯，大量區(qū)域沒有得到充分分割，這說明eCognition軟件的分割結果與均值漂移算法的結果相類似，無法得到全局優(yōu)良的效果。

本文接著進行了定量的數(shù)據(jù)分析。在分析時選取了影像中的部分區(qū)域。將該區(qū)域的光學影像進行矢量化，作為參考影像，如圖8(a)所示。在文本提出的精度評價方法上,分別選取本文方法的分割結果和eCognition軟件多尺度分割中尺度為40的分割結果進行對比，如圖8(b)和圖8(c)所示。

圖8 分割結果對比Fig.8 Comparison of segmentation result

以矢量參考圖為依據(jù)，運用累計像元的方法對分割結果進行精度評價，得出結果為:本文方法的正確率為82.5%,eCognition軟件中多尺度分割結果的正確率為76.3%，在這種情況下，文本的分割精度高于eCognition軟件中的多尺度分割。通過對比可以發(fā)現(xiàn)，eCognition在小的細節(jié)方面分割效果好于本文提出的算法，但存在一定的過分割和欠分割現(xiàn)象，在大塊區(qū)域分割邊界較差，而本文提出的分割算法，分割結果整體性較好，過分割區(qū)域和欠分割區(qū)域相對較少。

4 結 論

本文針對傳統(tǒng)譜聚類算法存在的問題，提出了一種新的改進方法。通過均值漂移分割算法對影像進行預處理，降低了后續(xù)分割的運算代價。利用極化SAR影像的邊緣信息，采用基于Wishart統(tǒng)計分布的改進方法構建相似性度量矩陣。在預分割的基礎上完成影像分割。根據(jù)Google Earth提供的參考影像，參照eCognition軟件的分割結果，進行了定性和定量的分析。

實驗結果表明，本文提出的分割算法顯著提高了原算法的運算效率，分割結果良好，全局性優(yōu)。具有一定的實踐意義。

[1] BENZ U, POTTIER E. Object Based Analysis of Polarimetric SAR Data in Alpha-Entropy-Anisotropy Decomposition Using Fuzzy Classification by eCognition[C]∥Proceedings of the IEEE 2011 International Geoscience and Remote Sensing Symposium. Australia, 2011:1426-1428. DOI: 10.1109/IGARSS.2001.976867.

[2] 吳永輝，計科峰，李 禹，等.基于Wishart分布和MRF的多視全極化SAR圖像分割[J].電子學報，2012，35(12)：2302-2306.

[3] 鄒同元，楊 文，代登信，等.一種新的極化SAR圖像非監(jiān)督分類算法研究[J].武漢大學學報(信息科學版)，2009，34(8)：910-913.

[4] 張 杰.極化SAR影像的分割[D].青島：山東科技大學，2012.

[5] 張艷梅.融合極化和紋理特征的SAR影像面向對象分類[D].青島：山東科技大學，2012.

[6] VAHID A, ANTHONY P, GABRIELE M,etal. A Textural Contextual Model for Unsupervised Segmentation of Multi-polarization Synthetic Aperture Radar Images[J]. IEEE Transactions on Geoscience and Remote Sensing, 2013, 51(4):2442-2453.

[7] 李鄉(xiāng)儒，吳福朝，胡占義.均值漂移算法的收斂性[J].軟件學報，2012,16(3):366-375.

[8] SHI J, MALIK J. Normalized Cuts and Image Segmentation[J]. IEEE Transactions on PAMI, 2011, 22(8): 887-903.

[9] LIU B, HU H, WANG Huan-yu,etal. Superpixel-based Classification with an Adaptive Number of Classes for Polarimetric SAR Images[J]. IEEE Transactions on Geoscience and Remote Sensing, 2013, 51(2): 907-924.

[10]WEBB A R.統(tǒng)計模式識別(第二版)[M].王萍等譯.北京:電子工業(yè)出版社，2004.

(編輯：王 慰)

Polarimetric SAR Image Segmentation Algorithmby Spectral Clustering

WEI Si-qi, ZHANG Yu, YE Song

(Spatial Information Technology Application Department, Yangtze River Scientific Research Institute, Wuhan 430010, China)

Image segmentation by spectral clustering is a clustering method based on points. It is characterized by the use of similarity measure matrixes. We usually need to calculate the similarity matrixes between every two cells, which consumes huge computation task and a lot of time when processing large images. To solve this problem, we propose an improved method. First, we use mean shift algorithm for polarimetric SAR image, and then select center pixel to construct similarity measure matrix. At last, we use the normalized segmentation rule for image segmentation. Computation experiment proves that the algorithm could improve the efficiency with high accuracy and satisfactory result, hence is of practical significance.

spectral clustering; mean shift; Polarimentric SAR; image segmentation; edge detection

2016-08-01

云南省水利重大科技項目(CKSK2015852/KJ)

魏思奇(1990-)，男，湖北漢川人，助理工程師，碩士，研究方向為傾斜攝影測量，(電話)13720226568(電子信箱)weisiqirs@126.com。

10.11988/ckyyb.20160820

2016,33(11):28-31

TP317.4

A

1001-5485(2016)11-0028-04