張 月 鄒煥新 邵寧遠 周石琳 計科峰

(國防科學技術大學電子科學與工程學院 長沙 410073)

一種用于極化SAR圖像的快速超像素分割算法

張 月 鄒煥新*邵寧遠 周石琳 計科峰

(國防科學技術大學電子科學與工程學院 長沙 410073)

超像素分割算法作為預處理技術應該具有如下特性：快速的運算速度、較高的邊緣貼合度及同質區(qū)域規(guī)則的形狀?；诘吘壘珶?Iterative Edge Refinement, IER)的超像素快速分割算法在光學圖像上取得了較好的效果。但是，由于極化SAR圖像受相干斑噪聲影響，并且存在許多小塊的或者細長的區(qū)域，因此，當將IER算法直接用于極化SAR圖像進行超像素分割時，難以獲得理想的結果。針對以上問題，該文在初始化步驟，將不穩(wěn)定像素點集初始化為極化SAR圖像中的所有像素點而非網(wǎng)格邊緣像素點；在為不穩(wěn)定像素點的局部重貼標簽中，用快速的修正Wishart距離代替顏色空間的歐式距離；然后，采用基于不相似度的后處理算法，在移除生成的孤立小面積超像素的同時保留強散射點目標；最后，基于一幅仿真圖像和一幅AirSAR實測極化SAR圖像，與其他3種較優(yōu)的算法進行了對比實驗。實驗結果表明，就幾種常用評價標準而言，該文算法具有較好的特性，而且該文算法計算效率高，能夠生成邊緣貼合度較高的、形狀規(guī)則的超像素。

超像素分割；邊緣精煉；修正Wishart距離；不穩(wěn)定像素點；極化SAR圖像

1 引言

極化合成孔徑雷達(Synthetic Aperture Radar,SAR)具有4個通道HH, HV, VH, VV，能夠提供豐富的信息。因此，極化SAR圖像解譯研究成為當前熱點之一，而極化SAR圖像分類[1—5]是其中一項主要研究內(nèi)容。當前極化SAR圖像分類大致可分為兩類：(1)基于像素點的分類；(2)基于區(qū)域的分類。由于極化SAR圖像中存在相干斑噪聲，傳統(tǒng)的基于像素點的極化SAR圖像分類算法存在一些缺點[6]：對噪聲敏感、計算量大等。相比于傳統(tǒng)的基于像素點的分類算法，基于區(qū)域的分類算法是在區(qū)域級而非像素級處理圖像的，這就可以利用更多的區(qū)域信息，而且算法的抗噪性能也更好，因此，基于區(qū)域的分類算法應用得越來越多。但是，基于區(qū)域的分類首先需要生成合適的區(qū)域，因此，如超像素分割等區(qū)域生成的算法受到越來越多的關注。

超像素的概念首先是由Ren和Malik[7]于2003年提出的，超像素是一組具有相似顏色或其他低層特征的像素點的集合。目前，超像素已在各個方面得到廣泛應用，如：作為變化檢測[8,9]的預處理步驟、追蹤的中層信息[10]或分類的預處理步驟[11—13]等。目前，學者們已經(jīng)提出了很多超像素分割算法，這些算法通?？梢詣澐譃閮深悾夯趫D的算法和基于梯度上升的算法。其中，Normalized Cuts (Ncut)[7]、Entropy Rate Superpixels[14]和Pseudo Boolean Optimization (PB)[15]是第1類中的經(jīng)典算法，第2類包括QuickShift (QS)[16]、Contour Relaxed Superpixels (CRS)[17]、Superpixels Extracted via Energy-Driven Sampling (SEEDS)[18]等。簡單線性迭代聚類(Simple Linear Iterative Clustering,SLIC)[19]算法也屬于第2類算法，該算法實現(xiàn)簡單且效果好，因此，應用得較多。但是，以上的所有算法都是針對光學圖像提出的，由于極化SAR圖像存在相干斑噪聲和許多小面積或細長的區(qū)域，因此當將這些算法直接用于極化SAR圖像時，生成的超像素效果較差。

SLIC主要包括3個步驟：(1)初始化；(2)局部k均值聚類；(3)后處理。Zou等人[20]針對單通道極化SAR圖像提出了一種基于廣義Gamma分布的改進SLIC算法，該算法雖然取得了較好的結果，但并不適用于極化SAR圖像。Feng等人[21]用Wishart距離替代顏色空間的歐式距離對SLIC進行了改進，從而應用于極化SAR圖像，雖然該算法取得了較好的結果，但是孤立小面積區(qū)域仍然存在，且算法計算效率較低。Xie等人[9]提出了另一種改進的SLIC算法應用于極化SAR圖像，該算法將空間距離、Wishart距離和邊緣梯度距離的加權和作為距離度量，從而使得圖像的邊緣得到很好的保留，但是該算法的計算效率較低。Qin等人[22]基于修正Wishart距離和后處理對SLIC算法進行了改進，該算法得到的超像素邊緣貼合度較高，但是計算效率較低且超像素形狀的規(guī)則性較差。Zhu等人[23]提出了一種基于迭代邊緣精煉(Iterative Edge Refinement, IER)的超像素快速分割算法，該算法計算效率高、同質區(qū)域規(guī)則性好、邊緣貼合度高，但是該算法是針對光學圖像提出的，并不適用于極化SAR圖像。

針對以上問題，受文獻[23]的啟發(fā)，本文提出了一種用于極化SAR圖像的IER算法。相比于IER算法，本文在以下方面進行了改進：(1)IER算法將不穩(wěn)定點集初始化為規(guī)則網(wǎng)格的邊緣像素點，本文算法將不穩(wěn)定點集初始化為圖像中的所有像素點，從而使得不穩(wěn)定點集包含圖像中所有可能的邊緣像素點，進而消除極化SAR圖像中小面積區(qū)域和細長區(qū)域的影響；(2)在為不穩(wěn)定點重貼標簽時，為降低相干斑噪聲的影響，本文采用修正Wishart距離代替IER算法中CIELAB顏色空間[17](由國際照明委員會(CIE)制定的一種色彩模式)的歐式距離作為數(shù)據(jù)距離度量，從而降低極化SAR圖像中相干斑噪聲的影響；(3)借鑒文獻[24]中提出的Wishart距離快速計算方法，本文實現(xiàn)了修正Wishart距離的快速計算，從而進一步提高計算效率；(4)本文采用基于不相似度度量的后處理算法取代IER算法中基于距離度量的連通分量分析(Connected Components Analysis, CCA)算法，在移除孤立小面積區(qū)域的同時保留強散射點目標。最后，本文基于一幅仿真圖像和一幅AirSAR實測極化SAR圖像，與其他3種較優(yōu)的算法進行了對比實驗。實驗結果表明，就幾種常用評價標準而言，本文算法具有較好的特性，而且本文算法計算效率高，能夠生成邊緣貼合度高、同質區(qū)域形狀規(guī)則的超像素。

2 基于光學圖像的IER算法

IER是一種快速的超像素生成算法，當用于光學圖像進行超像素分割時效果很好。該算法與SLIC算法最大的不同是只為不穩(wěn)定點重貼標簽，在一幅圖像中，不穩(wěn)定點[23]是指那些標簽很可能發(fā)生變化且在下次迭代時需要檢測的像素點，其定義如下：

其中，p和q是圖像中的兩個像素點，Nb(p)是p的鄰域函數(shù)，本文實驗中采用4鄰域函數(shù)，t(i)表示i的標簽，nt(i)表示一次迭代后i的新標簽，i=p,q。

IER算法在局部聚類中基于顏色-空間的加權距離為不穩(wěn)定點重貼標簽，即采用CIELAB顏色空間的歐式距離作為數(shù)據(jù)距離度量，表示如下：

其中，下標i和j分別代表第i個聚類的中心(坐標位置為(xi,yi))和第j個不穩(wěn)定點(坐標位置為(xj,yj))，l,a和b代表CIELAB顏色空間的3個分量值，S表示初始化網(wǎng)格邊長，m是緊致系數(shù)，m越大，空間距離所占比重越大，最終得到的超像素越規(guī)則。IER算法的詳細信息請參閱文獻[23]。

3 本文算法

IER是針對光學圖像提出的，由于極化SAR圖像存在相干斑噪聲和許多小區(qū)域及細長區(qū)域，因此IER算法并不適用于極化SAR圖像。3.1節(jié)介紹了修正Wishart距離，從而替代CIELAB顏色空間的歐式距離作為數(shù)據(jù)距離度量，極大地降低了相干斑噪聲的影響；3.2節(jié)介紹了本文的初始化步驟，更好地解決了極化SAR圖像中小面積區(qū)域和細長區(qū)域的超像素分割問題；3.3節(jié)介紹了基于不相似度度量的后處理方法，該方法能夠在移除孤立小面積區(qū)域的同時保留強散射點目標；最后給出了本文的算法流程。

3.1 修正Wishart距離

3.1.1 傳統(tǒng)修正Wishart距離極化SAR數(shù)據(jù)通常包含后向散射信號的幅度和相位，后向散射信號是接收和發(fā)射極化方式的4種線性組合：HH, HV, VV,VH。極化SAR圖像的每個像素點用一個相干矩陣T來描述極化信息，T可由Pauli散射向量kp的外積表示如下：

其中，L是視數(shù)，上標H表示共軛轉置。設X=LT，則X服從Wishart分布[25]，即其中因此X的概率密度函數(shù)(Probability Density Function, PDF)為：

其中，Γ(n)是Gamma函數(shù)[26]，q是kp的維數(shù)，在本文中其取值為3，|·|表示一個矩陣的行列式，則T的PDF可以重新表示為：

本文采用式(12)替代式(4)中的dc(i,j)，以消除相干斑噪聲的影響。因此，本文所采用的加權距離為：

3.1.2 修正Wishart距離的快速實現(xiàn)因為在局部重貼標簽中，需要多次計算修正Wishart距離，因此在此距離的計算上將消耗大量時間。為進一步提高計算效率，本文采用修正Wishart距離的快速計算方法[24]。如式(14)所示，傳統(tǒng)的計算方式是先將乘以矩陣Ti，然后再計算矩陣的跡，在求得后，該計算過程還需27次乘法操作和20次加法操作。假設因為和Ti都是3×3的復矩陣，因此也是3×3的復矩陣。為了計算的跡，只需對的對角元素做加法操作，這也就意味著，計算是多余的，實際上我們只需要獲得其對角線元素即可。

3.2 不穩(wěn)定點集的初始化

如圖1所示，采用IER算法產(chǎn)生超像素，首先將一幅圖像分成一些規(guī)則的網(wǎng)格，網(wǎng)格邊長為S，則對于圖1所表示的圖像，IER算法中的不穩(wěn)定點集初始化為網(wǎng)格邊緣像素點(如圖中的黃色像素點)。對于光學圖像而言，這種初始化方法對超像素的邊緣貼合度影響很小，這是因為光學圖像一般都是包含大面積的同質區(qū)域。但是，極化SAR圖像中通常會包含很多小面積或細長的區(qū)域，采用IER算法的初始化方法進行初始化時，這些小區(qū)域的邊緣很可能落在初始化網(wǎng)格的中心像素點周圍，從而不能為這些邊緣像素點重貼標簽，生成的超像素便不能貼合到這些小區(qū)域的邊緣，而這些小區(qū)域能夠為極化SAR圖像處理包括艦船檢測、變化檢測以及地物分類等在內(nèi)的后續(xù)應用提供豐富的信息。

當將IER算法的初始化方法用于極化SAR圖像時，得到的超像素邊緣貼合度較低。此外，我們期待在超像素個數(shù)較少時，其邊緣貼合度也很高、同質區(qū)域超像素也很規(guī)則，這就意味著，超像素分割的效果應與初始化網(wǎng)格邊長無關。但是，IER的最終結果卻受初始網(wǎng)格邊長影響嚴重，這是因為很多真實的邊緣像素點可能存在于網(wǎng)格中間位置，網(wǎng)格的邊長越大，IER算法的初始化方法越容易丟失真實的邊緣像素點。

為了解決初始化所引起的問題，本文將不穩(wěn)定點集初始化為所有的像素點，對于圖1，本文的初始化不穩(wěn)定點集包含黃色、白色和黑色所有像素點。初始的不穩(wěn)定點集包括了所有的邊緣像素點，從而提高了超像素的邊緣貼合度。

3.3 基于極化SAR數(shù)據(jù)的IER算法

基于以上分析，算法盡管已經(jīng)根據(jù)極化SAR數(shù)據(jù)的特點進行了改進，但仍然會產(chǎn)生一些孤立小面積的超像素。為解決這一問題，IER采用基于式(4)的CCA算法，通過將孤立小面積區(qū)域與周圍的大面積超像素融合從而移除孤立小面積區(qū)域。CCA算法雖然容易實現(xiàn)，但是用于極化SAR圖像時產(chǎn)生的超像素邊緣貼合度較低，這是因為這些孤立的區(qū)域可能跟鄰域并不是同一種地物。

圖1 兩種初始化方法的示意圖。Ci代表第i個聚類的中心，S為初始網(wǎng)格邊長。黑色的像素點是初始聚類中心。IER的初始不穩(wěn)定點集為黃色的像素點，而本文算法的初始不穩(wěn)定點集為黃色、白色和黑色的像素點。Fig. 1 The sketch map of initialization of two methods. Ci indicates the ith cluster center, and S is the initial grid width.The pixels filled with black are the initial cluster centers. The initial unstable pixels of the IER algorithm are the yellow pixels,while the initial unstable pixels of the proposed method are the yellow, white, and black pixels.

為了移除孤立小面積區(qū)域，同時保留強散射點目標，本文采用基于不相似度的后處理算法[21]。如果一個超像素的面積小于閾值Nth，則計算該超像素與其8鄰域超像素間的不相似度，如果其中最小的不相似度小于閾值Gth，則將該超像素融合進與其具有最小不相似度的鄰域，否則，移向下一個超像素執(zhí)行上述步驟。實驗中Nth=S2/4，Ri和Rj間的不相似度[14]定義如下：

其中，Cdiag表示一個超像素的中心相干矩陣的對角線元素構成的向量，‖.‖1是矩陣的1-范數(shù)。Gth越大，融合的超像素越多，本文所有實驗中Gth的取值參考了文獻[22]中的方法，即Gth的經(jīng)驗取值為0.3。

本文算法的主要步驟如下所示：

步驟1 初始化。將圖像I的超像素初始化為規(guī)則的網(wǎng)格，網(wǎng)格邊長為S，然后為所有超像素建模(求平均相干矩陣和幾何中心)，將不穩(wěn)定點集初始化為所有像素點，設置初始化迭代索引iter=0。

步驟2 局部重貼標簽。如果iter≥itermax，即達到了最大迭代次數(shù)，或者當不穩(wěn)定點集為空時，則算法結束，然后執(zhí)行步驟4。否則，基于式(13)定義的距離為不穩(wěn)定點重貼標簽，每個不穩(wěn)定點的搜索范圍為2S×2S。

步驟3 更新。更新超像素模型并通過定義(1)更新不穩(wěn)定點集。設iter=iter+1，然后返回步驟2。

步驟4 后處理。搜索面積小于Nth的超像素，如果通過式(15)計算的最小不相似度小于Gth，則將它和最近的鄰域超像素融合，否則，移向下一個超像素直到遍歷完所有超像素。

4 實驗結果與分析

為了評估本文算法，我們基于一幅仿真極化SAR圖像和一幅AirSAR實測極化SAR圖像進行實驗。仿真圖像是基于逆變換法[28]生成的，面積為300×300像素，其Pauli-RGB圖像如圖2所示。實測極化SAR數(shù)據(jù)是一幅舊金山金門大橋周邊地區(qū)的L波段極化SAR圖像，該圖像面積為900×1024像素，圖5(a)所示為其Pauli-RGB圖像。

本文將標準SLIC, IER, SLIC-GC[22]和本文算法進行對比，以評估本文算法的性能。初始網(wǎng)格邊長S通常根據(jù)圖像的復雜度依經(jīng)驗設置，仿真圖像中為測試不同S取值時算法的性能，所以初始網(wǎng)格邊長遍歷{3, 4, 5, 6, 7, 8}中所有值，實測極化SAR數(shù)據(jù)集中S=15。在所有實驗中，其他參數(shù)取值分別為：CCA中Smin取值為S2/4，SLIC-GC和本文算法中Nth取值為S2/4。所有實驗是在4 GHz Intel Pentium CPU, 64 GB內(nèi)存的個人電腦的Matlab上運行的。

4.1 基于仿真數(shù)據(jù)的實驗

為了定量地評估本文算法，我們基于上述仿真圖像進行實驗。為定量比較不同算法的性能，本文采用3種常用評價標準進行評估：邊緣回調率(Boundary Recall, BR)[29]、欠分割誤差(Under-Segmentation Error, USE)[20]和運行時間。

圖2 仿真極化SAR的Pauli_RGB圖像Fig. 2 Pauli_RGB image of the simulated image

4.1.1 兩種初始化算法的評估本文對IER初始化不穩(wěn)定點集為網(wǎng)格邊緣點方法(Grid Edge Scheme,GES)進行了改進。為證明本文初始化算法的優(yōu)越性，首先對兩種初始化算法進行對比實驗，在測試GES算法時，將本文算法的初始化方法改為GES，其他步驟保持不變。實驗中，緊致系數(shù)m=1.4。

實驗結果如圖3所示，圖3(a)和圖3(b)表明就BR和USE兩個測度而言，本文初始化算法明顯好于GES，這是因為本文的初始化步驟是將不穩(wěn)定點集初始化為圖像中的所有像素點，使得不穩(wěn)定點集包含了圖像中所有的邊緣點，從而使生成超像素的邊緣回調率高、欠分割誤差低。如圖3(c)所示，本文算法的運行時間比基于GES的運行時間略長。圖3(d)是不穩(wěn)定點與所有像素點的個數(shù)比率隨迭代次數(shù)變化的曲線，從圖中可以看出在初始幾次迭代中，本文算法的不穩(wěn)定點個數(shù)急劇下降，3次或4次迭代后，兩種算法的不穩(wěn)定點數(shù)大致相同，因此，本文算法運行時間比基于GES的時間略長主要是由前幾次迭代所導致的，兩種算法的不穩(wěn)定點個數(shù)之所以能很快達到相同水平，是因為不穩(wěn)定點大多是邊緣像素點，而一幅圖像中邊緣像素點的個數(shù)是固定的。雖然本文初始化方法比GES略微耗時，但是相比于GES，本文算法的其他兩種評價標準的曲線隨初始網(wǎng)格邊長S變化緩慢，這就說明了，隨著S的變化，本文算法產(chǎn)生的超像素性能穩(wěn)定。因此，本文初始化算法雖比GES略微耗時，但是生成的超像素效果較好。

4.1.2 4種算法的評估標準SLIC, IER, SLIC-GC和本文算法基于仿真圖像進行對比評估。實驗中，標準SLIC和IER的緊致系數(shù)m為15，SLIC-GC和本文算法的m為1.4。

圖4所示為4種算法的實驗結果。圖4(a)為上述4種算法生成超像素的BR隨初始網(wǎng)格邊長S的變化圖，從圖中可以看出，標準SLIC算法生成超像素的BR遠低于其他3種算法，IER和SLIC的BR大致相當，本文算法的BR最高，表明本文算法生成超像素的邊緣貼合度最高。圖4(b)是4種算法生成超像素的USE隨初始網(wǎng)格邊長S的變化圖，從圖中可以看出，4種算法中，標準SLIC-GC的USE遠大于其他3種算法的，IER的USE大于SLIC-GC的，SLIC-GC和本文算法曲線相近，當S比較大時，本文算法的USE較低。這是因為標準SLIC和IER都采用CIELAB顏色空間的歐式距離作為數(shù)據(jù)距離度量，因此生成超像素的BR和USE最差。因為本文算法和SLIC-GC都采用修正Wishart距離作為數(shù)據(jù)距離度量，因此這兩種算法生成超像素的BR和USE性能相似。圖4(c)所示為4種算法的運行時間，從圖中可以看出，本文算法的運行時間遠低于SLIC-GC的運行時間，并且當S較小時，兩種算法的運行時間差更大，這說明本文算法的運行時間受初始化網(wǎng)格邊長的影響較小，性能較為穩(wěn)定。因此，本文算法可以在較短的運行時間內(nèi)獲得性能較優(yōu)的超像素。

圖3 基于仿真圖像的兩種初始化算法的比較結果圖Fig. 3 Comparison of two methods of initialization based on the simulated PolSAR images

圖4 4種算法的結果圖Fig. 4 The results of four algorithms

4.2 基于實測極化SAR圖像的實驗

圖5所示為標準SLIC, IER, SLIC-GC和本文算法4種算法基于實測極化SAR圖像生成的超像素，標準SLIC和IER算法的緊致系數(shù)m為20，SLIC-GC和本文算法的m為1。從圖5(b)—圖5(e)可以看出標準SLIC生成超像素的形狀規(guī)則性較差，而其他3種算法相對較好。和圖5(h)和圖5(i)相比，圖5(f)和圖5(g)圖像比較模糊，尤其在右側含有很多小塊的城鎮(zhèn)區(qū)域模糊失真最為嚴重，這是因為標準SLIC和IER算法都采用CIELAB顏色空間的歐式距離作為數(shù)據(jù)距離度量，不足以描述極化SAR圖像的特性，而SLIC-GC和本文算法采用相干矩陣間的修正Wishart距離作為數(shù)據(jù)距離度量，能夠很好地描述極化SAR圖像的特性。圖5(i)相比于圖5(h)紋理更加清晰，保留了更多細節(jié)，這說明本文算法生成超像素的邊緣貼合度最高。

圖5 4種算法生成的超像素。第2行是4種算法生成的超像素, 疊加到Pauli-RGB圖像上的紅線是超像素的邊緣。第3行中每個像素點的顏色由其所屬超像素內(nèi)平均顏色所替代Fig. 5 Generated superpixels of the four competitive methods. The second row denotes the final superpixel maps of different methods.The red lines superimposed onto the Pauli-RGB images depict the superpixel boundaries. The third row gives the representation maps,where the color of each pixel is replaced by the average value of the superpixel to which this pixel belongs

為更清晰地對比，我們將圖5(f)—圖5(i)中標記的A,B,C3個區(qū)域放大如圖6所示。從圖6(a)—圖6(e)可以看出，本文算法相比于其他3種算法生成的超像素保留了更多的細節(jié)信息，圖6(f)—圖6(j)中本文算法的放大圖像相比于其他3種算法的放大圖像更接近原始圖像，這表明本文算法生成超像素的邊緣貼合度最高。從圖6(k)—圖6(o)可以看出，本文算法保留了更多的強散射點目標，這主要是由于本文算法在初始化時將不穩(wěn)定點集初始化為圖像中的所有像素點，而且在后處理時，在移除孤立小面積超像素的同時保留了強散射點目標。因此，本文算法生成超像素的邊緣貼合度更高，且能夠保留強散射點目標。

4種算法的運行時間如表1所示。因為本文算法計算的是相干矩陣間的距離，標準SLIC計算的是3個顏色元素間的距離，因此本文算法的運行時間比標準SLIC的運行時間略長，又因為IER初始化時僅考慮網(wǎng)格邊緣像素點，而本文算法初始化時考慮圖像中所有的像素點，因此本文算法的運行時間肯定比IER的略長，但是，相比于針對極化SAR圖像提出的采用相同距離度量的SLIC-GC算法，本文算法的運行時間約是SLIC-GC算法運行時間的1/9。

5 結論

IER是針對光學圖像提出的超像素快速分割算法，由于極化SAR圖像存在相干斑噪聲，且含有很多小面積或細長的區(qū)域，因此，IER算法并不適用于極化SAR圖像。針對這個問題，本文提出了一種用于極化SAR圖像的快速超像素分割算法。為降低相干斑噪聲的影響，在局部重貼標簽中，本文采用修正Wishart距離替代顏色空間的歐式距離，并采用修正Wishart距離的快速實現(xiàn)形式進一步提高計算效率；為保護小面積區(qū)域和細長區(qū)域，初始的不穩(wěn)定點集設為圖像中的所有像素點而非網(wǎng)格邊緣點；然后，采用基于不相似度度量的后處理算法，在移除孤立小區(qū)域的同時保留強散射點目標；最后，基于一幅仿真圖像和一幅AirSAR實測極化SAR圖像進行對比實驗。實驗結果表明，本文算法計算效率高，生成的超像素邊緣貼合度高、同質區(qū)域形狀規(guī)則，從而證明了本文算法的有效性。

圖6 3個極化SAR圖像塊(第1列)及由標準SLIC(第2列)、IER(第3列)，SLIC-GC(第4列)和本文算法(第5列)產(chǎn)生的相應的超像素結果圖Fig. 6 Three PolSAR image patches (first column) and corresponding superpixels provided by the standard SLIC (second column),IER (third column), SLIC-GC (fourth column), and the proposed method (fifth column)

表1 4種算法基于AirSAR實測極化SAR圖像生成超像素的時間(以s為單位)Tab. 1 Running time (in seconds) of four methods for real-world AirSAR PolSAR image

[1]Song H, Yang W, Xu X,et al.. Unsupervised PolSAR imagery classification based on Jensen-Bregman LogDet divergence[C]. European Conference on Synthetic Aperture Radar, EUSAR, Berlin, 2014: 1—4.

[2]孫勛, 黃平平, 涂尚坦,等. 利用多特征融合和集成學習的極化SAR圖像分類[J]. 雷達學報, 2016, 5(6): 692—700.Sun Xun, Huang Pingping, Tu Shangtan,et al..Polarimetric SAR image classification using multiple-feature fusion and ensemble learning[J].Journal of Radars, 2016,5(6): 692—700.

[3]Dabboor M, Collins M J, Karathanassi V,et al.. An unsupervised classification approach for polarimetric SAR data based on the Chernoff distance for complex Wishart distribution[J].IEEE Transactions on Geoscience and Remote Sensing, 2013, 51(7): 4200—4213. DOI: 10.1109/TGRS.2012.2227755.

[4]滑文強, 王爽, 侯彪. 基于半監(jiān)督學習的SVM-Wishart極化SAR圖像分類方法[J]. 雷達學報, 2015, 4(2): 93—98.Hua Wenqiang, Wang Shuang, and Hou Biao. Semisupervised learning for classification of polarimetric SAR images based on SVM-Wishart[J].Journal of Radars, 2015,4(2): 93—98.

[5]Xu Q, Chen Q H, Yang S,et al.. Superpixel-based classification using K distribution and spatial context for polarimetric SAR images[J].Rmote Sensing, 2016, 8(8): 619.DOI: 10.3390/rs8080619.

[6]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. DOI: 10.1109/LGRS.2008.2002263.

[7]Ren X and Malik J. Learning a classification model for segmentation[C]. IEEE International Conference on Computer Vision. Nice, France, 2003: 10—17.

[8]Gong M G, Su L Z, Jia M,et al.. Fuzzy clustering with a modified MRF energy function for change detection in synthetic aperture radar images[J].IEEE Transactions onFuzzy Systems, 2014, 22(1): 98—109. DOI: 10.1109/TFUZZ.2013.2249072.

[9]Xie L, Zhang H, Wang C,et al.. Superpixel-based PolSAR images change detection[C]. 2015 IEEE 5th Asia-Pacific Conference on Synthetic Aperture Radar, Singapore, 2015.

[10]Wang S, Lu H, Yang F,et al.. Superpixel tracking[C]. IEEE International Conference on Computer Vision, Barcelona,Spain, 2011: 1323—1330.

[11]Liu B, Hu H, Wang H Y,et al.. 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. DOI:10.1109/TGRS.2012.2203358.

[12]Xiang D L, Tang T, Zhao L J,et al.. Superpixel generating algorithm based on pixel intensity and location similarity for SAR image classification[J].IEEE Geoscience and Remote Sensing Letters, 2013, 10(6): 1414—1418. DOI:10.1109/LGRS.2013.2259214.

[13]Xing Y X, Zhang Y, Li N,et al.. Improved superpixel-based polarimetric synthetic aperture radar image classification integrating color features[J].Journal of Applied Remote Sensing, 2016, 10(2): 026026. DOI: 10.1117/1.JRS.10.026026.

[14]Liu M Y, Tuzel O, Ramalingam S,et al.. Entropy rate superpixel segmentation[C]. IEEE Conference on Computer Vision and Pattern Recognition, Providence, 2011:2097—2104.

[15]Zhang Y H, Hartley R, Mashford J,et al.. Superpixels via pseudo-Boolean optimization[C]. IEEE International Conference on Computer Vision, Barcelona, 2011: 1387—1394.

[16]Vedaldi A and Soatto S. Quick shift and kernel methods for mode seeking[C]. European Conference on Computer Vision,Berlin, 2008: 705—718.

[17]Mester R, Conrad C, and Guevara A. Multichannel Segmentation Using Contour Relaxation: Fast Super-Pixels and Temporal Propagation[M]. Heyden A and Kahl F, eds.Image Analysis. Berlin Heidelberg: Springer, 2011.

[18]Den Bergh M V, Boix X, Roig G,et al.. SEEDS:Superpixels extracted via energy-driven sampling[J].International Journal of Computer Vision, 2015, 111(3):298—314. DOI: 10.1007/s11263-014-0744-2.

[19]Achanta R, Shaji A, Smith K,et al.. SLIC superpixels[R].EPFL, 2010.

[20]Zou H, Qin X, Zhou S,et al.. A likelihood-based SLIC superpixel algorithm for SAR images using generalized Gamma distribution[J].Sensors, 2016, 16(7): E1107. DOI:10.3390/s16071107.

[21]Feng J L, Cao Z J, and Pi Y M. Polarimetric contextual classification of PolSAR images using sparse representation and superpixels[J].Remote Sensing, 2014, 6(8): 7158—7181.DOI: 10.3390/rs6087158.

[22]Qin F C, Guo J M, and Lang F K. Superpixel segmentation for polarimetric SAR imagery using local iterative clustering[J].IEEE Geoscience and Remote Sensing Letters,2015, 12(1): 13—17. DOI: 10.1109/LGRS.2014.2322960.

[23]Zhu S, Cao D, Jiang S,et al.. Fast superpixel segmentation by iterative edge refinement[J].Electronics Letters, 2015,51(3): 230—232. DOI: 10.1049/el.2014.3379.

[24]Jiao L C and Liu F. Wishart deep stacking network for fast PolSAR image classification[J].IEEE Transactions on Image Processing, 2016, 25(7): 3273—3286. DOI: 10.1109/TIP.2016.2567069.

[25]Kersten P R, Lee J S, and Ainsworth T L. Unsupervised classification of polarimetric synthetic aperture radar images using fuzzy clustering and EM clustering[J].IEEE Transactions on Geoscience and Remote Sensing, 2005,43(3): 519—527. DOI: 10.1109/TGRS.2004.842108.

[26]Abramowitz M and Stegun I A. Handbook of Mathmatical Functions[M]. New York: Dover Pub. Inc., 1968.

[27]Conradsen K, Nielsen A A, Schou J,et al.. A test statistic in the complex Wishart distribution and its application to change detection in polarimetric SAR data[J].IEEE Transactions on Geoscience and Remote Sensing, 2003,41(1): 4—19. DOI: 10.1109/TGRS.2002.808066.

[28]Qin X X, Zou H X, Zhou S L,et al.. Simulation of spatially correlated PolSAR images using inverse transform method[J].Journal of Applied Remote Sensing, 2015, 9(1):095082. DOI: 10.1117/1.JRS.9.095082.

[29]Arbelaez P, Maire M, Fowlkes C,et al.. Contour detection and hierarchical image segmentation[J].IEEE Transactions on Pattern Analysis and Machine Intelligence, 2010, 33(5):898—916.

張 月(1990—)，女，河南人，現(xiàn)為國防科技大學電子科學與工程學院碩士研究生，主要研究方向為極化SAR圖像地物分類。

E-mail: YueZhang15a@163.com

鄒煥新(1973—)，男，廣東人，現(xiàn)任國防科技大學電子科學與工程學院副教授，碩士生導師，主要研究方向為SAR圖像解譯、多源遙感信息融合等。

E-mail: hxzou2008@163.com

邵寧遠(1995—)，女，江蘇人，現(xiàn)為國防科技大學電子科學與工程學院碩士研究生，主要研究方向為多源遙感數(shù)據(jù)變化檢測。

E-mail: ningyuanshao@163.com

周石琳(1965—)，男，湖南人，現(xiàn)任國防科技大學電子科學與工程學院教授，博士生導師，主要研究方向為計算機視覺與智能信息處理、多源遙感信息融合等。

E-mail: slzhoumail@163.com

計科峰(1974—)，男，陜西人，現(xiàn)任國防科技大學電子科學與工程學院副教授，碩士生導師，主要研究方向為SAR圖像解譯。

E-mail: jikefeng@nudt.edu.cn

s: The National Natural Science Foundation of China (61331015, 61372163)

Fast Superpixel Segmentation Algorithm for PolSAR Images

Zhang Yue Zou Huanxin Shao Ningyuan Zhou Shilin Ji Kefeng
(College of Electronic Science and Engineering,National University of Defense Technology,Changsha410073,China)

As a pre-processing technique, superpixel segmentation algorithms should be of high computational efficiency, accurate boundary adherence and regular shape in homogeneous regions. A fast superpixel segmentation algorithm based on Iterative Edge Refinement (IER) has shown to be applicable on optical images. However, it is difficult to obtain the ideal results when IER is applied directly to PolSAR images due to the speckle noise and small or slim regions in PolSAR images. To address these problems, in this study, the unstable pixel set is initialized as all the pixels in the PolSAR image instead of the initial grid edge pixels. In the local relabeling of the unstable pixels, the fast revised Wishart distance is utilized instead of the Euclidean distance in CIELAB color space. Then, a post-processing procedure based on dissimilarity measure is empolyed to remove isolated small superpixels as well as to retain the strong point targets. Finally, extensive experiments based on a simulated image and a real-world PolSAR image from Airborne Synthetic Aperture Radar (AirSAR)are conducted, showing that the proposed algorithm, compared with three state-of-the-art methods, performs better in terms of several commonly used evaluation criteria with high computational efficiency, accurate boundary adherence, and homogeneous regularity.

Superpixel segmentation; Edge refinement; Revised Wishart distance; Unstable pixels; Polarimetric Synthetic Aperture Radar (PolSAR) image

TN957

A

2095-283X(2017)05-0564-10

10.12000/JR17018

張月, 鄒煥新, 邵寧遠, 等. 一種用于極化SAR圖像的快速超像素分割算法[J]. 雷達學報, 2017, 6(5):564—573.

10.12000/JR17018.

Reference format:Zhang Yue, Zou Huanxin, Shao Ningyuan,et al.. Fast superpixel segmentation algorithm for PolSAR images[J].Journal of Radars, 2017, 6(5): 564—573. DOI: 10.12000/JR17018.

2017-02-28；改回日期：2017-07-04；網(wǎng)絡出版：2017-07-28

*通信作者： 鄒煥新 hxzou2008@163.com

國家自然科學基金(61331015, 61372163)