李 寧 牛世林

①(河南大學(xué)計算機與信息工程學(xué)院 開封 475004)

②(河南省智能技術(shù)與應(yīng)用工程技術(shù)研究中心 開封 475004)

③(河南省大數(shù)據(jù)分析與處理重點實驗室 開封 475004)

1 引言

內(nèi)陸地表水資源是人類賴以生存的重要自然資源，在地球的水文和生物化學(xué)循環(huán)中起著舉足輕重的作用。實現(xiàn)快速、準(zhǔn)確的水資源調(diào)查對環(huán)境監(jiān)測、災(zāi)害預(yù)警等具有重要意義[1,2]。合成孔徑雷達(dá)(Synthetic Aperture Radar,SAR)是一種主動式微波成像傳感器，不受云、雨、霧以及光照等因素的影響，可以實現(xiàn)全天時、全天候?qū)Φ赜^測。星載SAR裝載于衛(wèi)星平臺，具有不受空域限制、觀測范圍廣、周期性重訪等特點，已被廣泛應(yīng)用于地球觀測的各個領(lǐng)域[3]。

發(fā)展到目前，多種SAR圖像水域分割方法被相繼提出，主要分為以下幾類：閾值分割法、主動輪廓模型法(Active Contour Mode,ACM)、聚類分割法、深度學(xué)習(xí)法。(1)閾值分割法通過設(shè)置一個或多個閾值，在灰度級上完成對SAR圖像的分割，該方法由于操作簡單、計算效率高，通常被視為最常用的方法之一，其缺點在于難以選擇最優(yōu)閾值以及易受SAR圖像相干斑噪聲的影響[4]；(2)基于ACM的SAR圖像水域分割方法主要通過粗分割與精細(xì)分割兩個步驟完成，首先獲取大致的水域邊界，然后根據(jù)梯度信息對輪廓線進(jìn)行迭代演化，最終獲取更準(zhǔn)確的水域邊界。該方法的優(yōu)點在于可獲取連續(xù)、平滑的水域邊界，缺點在于運算量大且對初始輪廓的依賴性較強[5,6]；(3)聚類分割法基于歐式距離，計算像素與聚類中心之間相似度完成對SAR圖像中相似地物的分類。該方法可無監(jiān)督的實現(xiàn)SAR圖像地物分類，其缺點在于大尺度圖像運算效率低，且易受相干斑噪聲的干擾[7]；(4)基于深度學(xué)習(xí)的分割方法通過人工制作大量訓(xùn)練樣本以及手動標(biāo)定標(biāo)簽圖，訓(xùn)練網(wǎng)絡(luò)模型，對輸入圖像中的水域進(jìn)行識別。該方法的優(yōu)點在于魯棒性強、不易受相干斑噪聲影響，缺點是需要事先制作大量樣本集，人力成本高[8]。

傳統(tǒng)水域分割方法一般在圖像的像素級尺度上開展，可實現(xiàn)像素級精度的水域分割，其分割精度受到分辨率的限制。一般情況下，星載SAR系統(tǒng)受最小天線孔徑積的限制，可用于大型水體觀測的SAR圖像(覆蓋面積一般為萬平方千米量級)，其空間分辨率通常在十米量級。上述中低分辨率(Middle-Low Resolution,MLR)SAR圖像的水域分割結(jié)果，往往無法滿足實際的應(yīng)用需求。

針對上述問題，本文提出了一種基于局部超分辨重建(Super-resolution Restoration,SR)的SAR圖像水域分割方法，所提方法在傳統(tǒng)水域分割技術(shù)的基礎(chǔ)上，融入了基于卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network,CNN)的圖像超分辨重建技術(shù)，通過對局部圖像進(jìn)行超分辨重建，突破了傳統(tǒng)方法受SAR圖像分辨率的限制，顯著提升了水域分割結(jié)果的精度。本文方法首先對SAR圖像相干斑進(jìn)行抑制，并基于模糊C均值(Fuzzy C-Means,FCM)聚類算法對水域進(jìn)行粗分割；然后構(gòu)建并訓(xùn)練一種新型的局部圖像超分辨重建網(wǎng)絡(luò)模型，利用該模型對包含局部水域邊界的MLR-SAR圖像切片進(jìn)行圖像超分辨重建，從而獲得更高分辨率的超分辨圖像；最后利用一種改進(jìn)ACM分割算法在超分辨SAR圖像切片中獲取更精細(xì)的水域邊界。為了驗證本文新型圖像超分辨重建網(wǎng)絡(luò)模型和高精度水域分割方法的有效性，以南水北調(diào)中線工程水源地丹江口水庫作為研究區(qū)域，基于國產(chǎn)高分三號(GF-3)衛(wèi)星和歐空局Sentinel-1衛(wèi)星獲取的SAR數(shù)據(jù)集，開展了SAR圖像超分辨重建實驗和水域邊界提取實驗。實驗結(jié)果表明，本文所提圖像超分辨重建網(wǎng)絡(luò)模型在圖像重建質(zhì)量上具有較好的效果；同時，本文所提水域分割方法的準(zhǔn)確率與虛警率均明顯優(yōu)于對比算法，輪廓平均偏移均小于對比方法。

2 相關(guān)方法與模型

2.1 像素級水域分割方法

2.1.1 基于灰度級的FCM聚類算法

傳統(tǒng)FCM算法通過多次迭代，可無監(jiān)督的將圖像I的像素劃分為c個類別，其優(yōu)點為性能穩(wěn)定，缺點為對大尺度圖像分類時，計算效率較低。為了提高其運算效率，文獻(xiàn)[9]提出一種加強的FCM算法(Enhanced FCM,EnFCM)，將計算像素與聚類中心的距離轉(zhuǎn)移至計算灰度級與聚類中心的距離[9]，隨后在灰度級上完成對圖像的分類。其目標(biāo)函數(shù)Jm可表示為

其中，Q是圖像的灰度級總數(shù)，γi是具有灰度值i的像素數(shù)。vj表示第j個聚類中心。m為模糊指數(shù)，通常為2。uji表示第j個聚類中心與第i個灰度值的隸屬度，隸屬度求解方程為

2.1.2 基于混合對數(shù)正態(tài)分布的ACM分割算法

ACM根據(jù)能量函數(shù)的不同，可分為基于區(qū)域和基于邊緣兩類?；趨^(qū)域的ACM可利用全局信息對圖像進(jìn)行分割，基于邊緣的ACM可根據(jù)梯度信息和邊緣停止函數(shù)對目標(biāo)進(jìn)行分割。然而，SAR相干斑噪聲使得圖像灰度分布不均勻，基于傳統(tǒng)模型的ACM算法往往無法獲得理想的分割結(jié)果。文獻(xiàn)[10]證明了混合對數(shù)正態(tài)分布模型對SAR圖像的分布具有較好的擬合效果，并且融合了基于區(qū)域和基于邊緣兩類能量函數(shù)的優(yōu)勢，提出了一種基于混合對數(shù)正態(tài)分布的ACM (Mixed Log-normal Distribution based ACM,MLD-ACM)分割算法。首先假設(shè)曲線C將整個圖像域 ?分為 ?1和?2兩部分，分別服從對數(shù)正態(tài)分布lgp1和lgp2。然后引入水平集函數(shù)?，使?1={? ＞0}且?2={? ＜0}，則輪廓C={?=0}。歸納MLD-ACM的能量函數(shù)表達(dá)式為

其中，μ,η,α,β,d均為常數(shù)參數(shù)。ElgNMM和Eb分別為基于區(qū)域混合對數(shù)正態(tài)分布的能量函數(shù)和基于邊緣信息的能量函數(shù)。H為Heaviside函數(shù)，δ為Dirac函數(shù)，g(x)為基于梯度信息的邊緣停止函數(shù)。ρ(x)為可變區(qū)域系數(shù)，uin和uout分別代表輪廓內(nèi)外的均值。

根據(jù)變分法原則[10]，能量函數(shù)E(?(x))對應(yīng)的水平集函數(shù)為

2.2 基于CNN的圖像超分辨率模型

超分辨率重建的難點在于圖像邊緣保持。隨著CNN技術(shù)的發(fā)展，文獻(xiàn)[11]首次提出了基于CNN的超分辨模型(SR by CNN,SRCNN)，該模型首先利用Bicubic插值放大目標(biāo)圖像，然后利用一種3層的CNN模型(特征提取層、非線性映射層和圖像重建層)，重建更清晰的圖像。隨后，文獻(xiàn)[12]提出了一種快速SRCNN模型(Fast SRCNN,FSRCNN)，通過加深非線性映射層深度與減小特征尺寸，可在提高邊緣保持性能的同時加快運行速度。文獻(xiàn)[13]提出了一種基于深卷積網(wǎng)絡(luò)的超分辨模型(SR by Very Deep convolutional network,VDSR)，通過一個20層深度的網(wǎng)絡(luò)，增加了網(wǎng)絡(luò)的感受野，從而提高了超分辨重建的效果。文獻(xiàn)[14]將生成對抗網(wǎng)絡(luò)(Generative Adversarial Network,GAN)應(yīng)用在超分辨重建問題中，提出了一種基于GAN的超分辨模型(SR by GAN,SRGAN)。該模型利用感知損失和對抗損失，更好地保留了圖像的高頻細(xì)節(jié)，使重建結(jié)果有更好的視覺感。文獻(xiàn)[15]結(jié)合殘差網(wǎng)絡(luò)提出了一種增強型深度超分辨率網(wǎng)絡(luò)(Enhanced Deep network for SR,EDSR)，該模型去除了常規(guī)殘差網(wǎng)絡(luò)中的歸一化處理，并采用L1范數(shù)式的損失函數(shù)優(yōu)化網(wǎng)絡(luò)，使模型緊湊的同時實現(xiàn)更好的結(jié)果，性能得到顯著提升。基于CNN的超分辨模型結(jié)合了多層感知機理論的優(yōu)勢，可更好地訓(xùn)練各層卷積核的權(quán)重，使超分辨重建結(jié)果達(dá)到最優(yōu)。目前基于CNN的圖像超分辨重建模型發(fā)展較為成熟，在多個公開數(shù)據(jù)集上均取得了較好的實驗結(jié)果。

3 高精度SAR圖像水域分割方法

本文所提高精度SAR圖像水域分割方法結(jié)構(gòu)如圖1所示。對輸入的MLR-SAR圖像先進(jìn)行水域的粗分割，然后對目標(biāo)區(qū)域進(jìn)行局部超分辨重建，最后再對水域進(jìn)行精細(xì)分割，提取更高精度的水域邊界。

圖1 基于局部超分辨重建的SAR圖像高精度水域分割方法示意圖Fig.1 The structure of local SR based high-precision water extraction method for SAR image

3.1 水域粗分割

水域粗分割主要包含3個步驟，分別是相干斑濾波、基于EnFCM算法的水域粗分割和感興趣區(qū)域(Region Of Interest,ROI)提取。

(1)相干斑濾波：SAR圖像中固有的相干斑噪聲會對圖像分割造成不利影響，在分割之前對相干斑噪聲進(jìn)行抑制尤為必要。相干斑噪聲是一種乘性噪聲，會導(dǎo)致圖像分布不均，影響圖像的正確解譯。傳統(tǒng)均值濾波在抑制相干斑噪聲的同時，會造成邊緣信息的破壞，導(dǎo)致邊緣模糊。隨著相干斑濾波技術(shù)的發(fā)展，基于非局域(Non-Local,NL)理論的SAR圖像濾波技術(shù)取得了較好的效果，該類算法在保證同質(zhì)區(qū)域均勻的同時，可較好地保留非同質(zhì)區(qū)域間的邊界。本文采用一種基于比值距離的NL-SAR相干斑濾波算法[16]實現(xiàn)SAR圖像的相干斑抑制。

(2)EnFCM聚類：對濾波后的SAR圖像進(jìn)行水域初步提取，隨機設(shè)置3個聚類中心，迭代次數(shù)設(shè)置為15。完成迭代后，將圖像分為目標(biāo)水體、背景、過渡區(qū)域。

(3)ROI提?。荷鲜鼋Y(jié)果中，一些雷達(dá)陰影與相干斑噪聲會被誤判為目標(biāo)水體。為了消除這些影響，采用文獻(xiàn)[4]中的ROI提取方法，標(biāo)記最大區(qū)域面積為Smax，定義一個面積閾值T=λ·Smax，只有面積大于T的區(qū)域才會被標(biāo)定為ROI區(qū)域，即最終的水域粗分割結(jié)果。在本文中，令λ=0.2。

3.2 局部超分辨率重建

局部SAR圖像超分辨重建主要包含兩個步驟。第1步，圖像分塊，即圍繞粗分割獲取的水域邊界信息，獲取一系列部分重疊的圖像切片；第2步，局部圖像超分辨重建，即基于一種輕量級殘差CNN的超分辨重建(Lightweight Resnet based SR,LRSR)網(wǎng)絡(luò)模型，對SAR圖像切片進(jìn)行超分辨率重建。

3.2.1 水域邊界局部圖像分塊方法

經(jīng)過水域的粗分割處理，實際的目標(biāo)區(qū)域僅為粗分割水域邊界線的鄰域。為了降低后續(xù)圖像超分辨重建和水域精分割等步驟的運算量，本文提出一種基于粗分割水域邊界信息的局部圖像分塊方法，如圖2所示。具體操作流程如下：

步驟1 設(shè)定帶狀區(qū)域 以粗分割水域邊界為中心線，形成一條寬度為E的帶狀區(qū)域，如圖2所示。其中，為了保證帶狀區(qū)域包含真實水域邊界，E/2應(yīng)大于粗分割水域邊界與真實邊界對應(yīng)位置的最大距離。

步驟2 粗分割水域邊界分段直線擬合 如圖2(b)所示，藍(lán)色曲線為粗分割水域邊界。以粗分割水域邊界的第1個邊界點為起點，按同一個方向，連續(xù)取n1個邊界點的坐標(biāo)，直到起始點和終止點之間的直線距離范圍在E～1.5E。將這些像素點的坐標(biāo)記為集合N1，采用最小二乘法，對集合N1進(jìn)行直線擬合。所得直線如圖2(b)中紅色線段所示，其方程記為fN1(x)。

步驟3 計算分段直線的端點與中點坐標(biāo) 根據(jù)集合N1中起始點和終止點的橫坐標(biāo)，帶入步驟2獲得的方程fN1(x)中，獲得紅色線段首點①的坐標(biāo)和尾點③的坐標(biāo)。然后，根據(jù)點①和點③的坐標(biāo)，利用中點公式，計算中點②的坐標(biāo)。

步驟4 遍歷粗分割水域邊界 取上一個步驟中集合的終止點為起點，按步驟2擬合直線，如圖2(b)中黑色線段所示。然后按步驟3計算點④、點⑤和點⑥的坐標(biāo)。循環(huán)執(zhí)行該步驟，直到完全遍歷粗分割水域邊界。

步驟5 計算圖像切片位置 如圖2(b)所示，圖中黑色陰影區(qū)域表示局部帶狀區(qū)域，紅色、黃色和藍(lán)色框表示分塊后的圖像切片。以紅色框為例，將經(jīng)過點①和點③，且可以截斷帶狀區(qū)域的兩條豎直的平行線作為邊界，以包含點①和點③之間所有帶狀區(qū)域的另外兩條水平的平行線作為邊界，通過四條邊界確定圖像切片位置。同理，黃色框根據(jù)點②、點⑤和帶狀區(qū)域確定，藍(lán)色框根據(jù)點④、點⑥和帶狀區(qū)域確定。

3.2.2 基于輕量級殘差CNN的圖像超分辨重建模型

LRSR網(wǎng)絡(luò)模型主要包含6個部分，結(jié)構(gòu)如圖3所示，分別是特征提取層、特征壓縮層、特征映射層、特征擴張層、累加層和超分辨率重建層。圖3中Conv(F,I,O)和Deconv(F,I,O)分別表示卷積函數(shù)與反卷積函數(shù)，F(xiàn)表示卷積核尺寸，I表示輸入特征的維度，O表示輸出特征的維度。LRSR網(wǎng)絡(luò)直接對MLR-SAR圖像進(jìn)行多維特征的提取，并根據(jù)特征重建超分辨率圖像，各部分詳細(xì)結(jié)構(gòu)如下：

(1)特征提取層：采用64個5×5的卷積進(jìn)行特征提取。輸入數(shù)據(jù)為MLR-SAR圖像，經(jīng)過Conv(5,1,64)函數(shù)提取64維的特征圖。

(2)特征壓縮層：Conv(1,64,16)函數(shù)將64維的特征圖壓縮至16維，縮小了參與第3部分非線性映射的特征維度，減小了計算量，從而加快了運行效率。

圖2 局部分塊方法示意圖Fig.2 Schematic diagram of local block method

圖3 LRSR網(wǎng)絡(luò)結(jié)構(gòu)圖Fig.3 The structure of the LRSR network

(3)特征映射層：特征的非線性映射是圖像超分辨重建的重要步驟，其中兩個最重要的參數(shù)分別是卷積核大小和特征映射層的深度m。文獻(xiàn)[11]驗證了SRCNN模型在單層特征映射的結(jié)構(gòu)下，特征映射層的卷積核大小為5×5時，其SR性能優(yōu)于卷積核大小為1×1時[11]。隨后，文獻(xiàn)[12]驗證了FSRCNN模型的特征映射層深度為4，且卷積核大小為3×3時，其SR性能最優(yōu)[12]。因此，本文基于3×3的卷積對特征進(jìn)行非線性映射。從模型參數(shù)量的角度分析，兩個3×3的卷積層串聯(lián)的效果相當(dāng)于一個5×5的卷積層，但前者的參數(shù)量只有后者的72%。更重要的是，兩個3×3的卷積層比一個5×5的卷積層可實現(xiàn)更多的非線性映射。第2個重要參數(shù)m決定了網(wǎng)絡(luò)的復(fù)雜度與SR性能，其數(shù)值的設(shè)定易受網(wǎng)絡(luò)結(jié)構(gòu)、超分辨重建倍數(shù)等因素的影響，需通過實驗探尋最優(yōu)值。最終，該層通過m個Conv(3,16,16)函數(shù)串聯(lián)，實現(xiàn)對特征壓縮層輸出的16維特征圖進(jìn)行非線性映射。

(4)特征擴張層：將上步非線性映射輸出的16維特征圖輸入Conv(1,16,64)函數(shù)，擴張至64維的特征圖。特征擴張層的引入為LRSR網(wǎng)絡(luò)的第5部分實現(xiàn)殘差網(wǎng)絡(luò)模型提供了基礎(chǔ)。

(5)累加層：通過捷徑通道R，將特征提取層的輸出與特征擴張層的輸出相加，從而構(gòu)建殘差網(wǎng)絡(luò)模型。

(6)超分辨率重建層：Deconv(9,64,1)函數(shù)由64個9×9的反卷積核組成，對累加層的輸出進(jìn)行整合與上采樣，輸出一幅完整的超分辨率圖像。反卷積可視為卷積的逆運算。對于卷積而言，在圖像上以步長(stride)k運算時，將以1/k的頻率輸出。相反的，將輸入和輸出交換位置，那么獲得輸出的結(jié)果將是輸入的k倍。因此超分辨率重建倍數(shù)由反卷積步長k決定。

LRSR網(wǎng)絡(luò)采用PReLU作為激活函數(shù)，其表達(dá)式為f(x)=max(x,0)+amin(0,x)。相比于傳統(tǒng)ReLU激活函數(shù)，PReLU通過增加系數(shù)a，保留了特征的負(fù)數(shù)部分，改進(jìn)了經(jīng)ReLU激活函數(shù)運算后輸出為0的情況，避免了“dead features”[17]的出現(xiàn)。損失函數(shù)采用均方誤差(Mean Square Error,MSE)計算。網(wǎng)絡(luò)模型參數(shù)的優(yōu)化采用隨機梯度下降算法與反向傳播機制完成。

LRSR網(wǎng)絡(luò)通過增加捷徑通道R實現(xiàn)了殘差結(jié)構(gòu)，有效緩解了傳統(tǒng)CNN模型中梯度消失與梯度爆炸的問題，增加了網(wǎng)絡(luò)結(jié)構(gòu)的穩(wěn)定性[18]。此外，通過特征壓縮與擴張，在保證運算效率的同時，實現(xiàn)了小維度特征的多層非線性映射。最后通過一組經(jīng)過訓(xùn)練的反卷積函數(shù)，實現(xiàn)圖像的超分辨重建。

3.3 水域精分割

水域精分割主要包含2個步驟，分別是基于MLD-ACM[9]算法的水域精分割和水域邊界切片融合。

基于MLD-ACM算法的水域精分割流程如下：

(1)對MLD-ACM算法的參數(shù)進(jìn)行初始化[9]。在本文中，令μ=0.2,η=1,α=10,β=3,d=0.25；

(2)讀取經(jīng)過SR后的SR-SAR圖像切片；

(3)根據(jù)水域粗分割結(jié)果，初始化水平集函數(shù)?；

(4)根據(jù)式(6)迭代演化輪廓線，直至收斂；

(5)重復(fù)步驟(1)，直至完成所有SR-SAR圖像切片的水域精分割。

上述處理獲得的水域邊界為一系列子塊圖像(即圖像切片)的分割結(jié)果，要獲得完整和連續(xù)的水域邊界，需要融合所有圖像切片的分割結(jié)果。如圖4所示，在融合過程中，對相鄰圖像切片重疊的水域邊界進(jìn)行平均處理，形成一個連續(xù)的SR水域邊界。最后，通過比例映射，將SR水域邊界映射到原始MLR-SAR圖像中，獲得最終的高精度水域邊界線。

4 實驗結(jié)果與分析

4.1 圖像超分辨率重建

4.1.1 數(shù)據(jù)集與樣本集

首先，制作數(shù)據(jù)集。以兩景覆蓋丹江口區(qū)域的國產(chǎn)GF-3衛(wèi)星超精細(xì)條帶模式圖像(3 m空間分辨率)為數(shù)據(jù)源，從中截取200幅具有清晰紋理和邊緣(如岸邊、城市群)的子圖像，且尺寸統(tǒng)一為200×200。然后，采用文獻(xiàn)[19]的數(shù)據(jù)增強方法，對數(shù)據(jù)集進(jìn)行擴充。

其次，制作樣本集。對數(shù)據(jù)集進(jìn)行k倍的降采樣(k等價于超分辨重建倍數(shù))，分別將原始數(shù)據(jù)集和降采樣數(shù)據(jù)集均分為5 份，記為SHR1?HR5與SLR1?LR5。取SLR1?LR4和SHR1?HR4作為訓(xùn)練樣本和訓(xùn)練標(biāo)簽，SLR5和SHR5作為測試樣本和測試標(biāo)簽。

4.1.2 初始化模型與網(wǎng)絡(luò)訓(xùn)練參數(shù)

LRSR網(wǎng)絡(luò)中卷積與反卷積函數(shù)的padding與stride參數(shù)設(shè)定如表1所示，網(wǎng)絡(luò)模型的訓(xùn)練參數(shù)如表2所示。所有卷積核的初始化值采用MSRA[19]函數(shù)進(jìn)行填充，反卷積核的初始化采用均值為0，標(biāo)準(zhǔn)差為10?3的標(biāo)準(zhǔn)高斯分布進(jìn)行隨機填充。

圖4 精細(xì)分割水域邊界融合方法Fig.4 Merging method of the refined water boundaries

表1 LRSR網(wǎng)絡(luò)卷積與反卷積參數(shù)設(shè)置Tab.1 Convolution and deconvolution parameters of the LRSR

表2 LRSR網(wǎng)絡(luò)訓(xùn)練參數(shù)Tab.2 Convolution and deconvolution parameters of the LRSR

4.1.3 圖像超分辨重建實驗

以MSE損失為評價指標(biāo)，訓(xùn)練網(wǎng)絡(luò)模型，訓(xùn)練結(jié)果如表3所示。超分辨重建質(zhì)量評價指標(biāo)采用峰值信噪比(Peak Signal-to-Noise-Ratio,PSNR)[12]。

表3 LRSR網(wǎng)絡(luò)MSE損失訓(xùn)練結(jié)果Tab.3 LRSR training results of MSE loss

為了驗證LRSR網(wǎng)絡(luò)對實測SAR圖像的超分辨重建效果。選取國產(chǎn)GF-3衛(wèi)星在丹江口地區(qū)獲取精細(xì)條帶I模式的5 m空間分辨率的SAR圖像進(jìn)行驗證，結(jié)果如圖5所示。第1步對SAR圖像進(jìn)行相干斑抑制，并獲取局部SAR圖像切片，如圖5中第1列虛線框所示；第2步進(jìn)行3倍的降采樣以獲得MLRSAR圖像，降采樣結(jié)果如圖5中第2列虛線框所示；第3步對MLR圖像進(jìn)行超分辨重建操作，重建結(jié)果如圖5第3列虛線框所示。SAR圖像超分辨重建結(jié)果的平均PSNR達(dá)到了38.676 dB，與第1列中虛線框中原始圖像對比可發(fā)現(xiàn)，LRSR網(wǎng)絡(luò)對SAR圖像具有較好的超分辨重建性能。

4.2 水域分割實驗

4.2.1 研究區(qū)域及數(shù)據(jù)

本文以我國南水北調(diào)中線工程水源地丹江口水庫作為研究區(qū)域，驗證所提方法的有效性，如圖6中黃色虛線框所示。丹江口水庫為南水北調(diào)工程沿線4個省市的20多座大中城市提供生活和生產(chǎn)用水，對其覆蓋水域進(jìn)行持續(xù)監(jiān)測與快速調(diào)查具有重要意義。本文以歐空局Sentinel-1衛(wèi)星和國產(chǎn)GF-3衛(wèi)星獲取的丹江口水庫SAR圖像為數(shù)據(jù)源，開展實驗驗證。實驗數(shù)據(jù)詳細(xì)信息如表4所示。

4.2.2 實驗參數(shù)與水域分割結(jié)果對比

圖5 SAR圖像3倍超分辨重建結(jié)果Fig.5 SR result of SAR images with upscaling factor of 3

圖6 研究區(qū)域Fig.6 Location of study area

表4 實驗使用的SAR圖像詳細(xì)參數(shù)Tab.4 Detailed parameters of experimental SAR data

表5 對比試驗方法Tab.5 Comparison test methods

實驗中，設(shè)置圖像分塊參數(shù)E=100，超分辨率重建網(wǎng)絡(luò)模型參數(shù)k=3,m=6。本文通過4組對比試驗，驗證了所提方法的有效性，各對比方法的詳細(xì)信息如表5所示。其中，對比方法1采用了FCM聚類算法進(jìn)行水域粗分割，并將粗分割結(jié)果作為初始邊界輸入ACM算法，進(jìn)行水域的精細(xì)分割。對比方法2在對比方法1的粗分割流程中，加入了相干斑濾波技術(shù)和ROI提取技術(shù)。對比方法3在對比方法2的基礎(chǔ)之上，加入了本文所提的水域邊界局部分塊法。最后為本文所提方法，在對比方法3的基礎(chǔ)之上，加入了超分辨重建模型。實驗結(jié)果如圖7所示，其中，圖7(a)和圖7(c)分別為圖像1和圖像2的水域提取結(jié)果，圖中藍(lán)色區(qū)域代表提取的水域。從整體效果上看，4種方法都可成功地提取水域，但其它方法受雷達(dá)陰影和相干斑噪聲的影響較大。相較之下，本文方法在非水域區(qū)域具有更強的穩(wěn)定性與魯棒性。為了更加清晰地觀察試驗結(jié)果，將水域邊界疊加在原始SAR圖像中，分別在圖像1和圖像2中各選取5個典型的子區(qū)域進(jìn)行放大觀察，如圖7(a)與圖7(c)中區(qū)域A至區(qū)域J所示。放大結(jié)果如圖7(b)與圖7(d)所示，黃色曲線代表對比方法1提取到的水域邊界，綠色曲線為對比方法2提取到的水域邊界，藍(lán)色曲線為對比方法3提取到的水域邊界，紅色曲線為本文方法提取到的水域邊界。對比發(fā)現(xiàn)，本文方法提取的水域較為整齊，輪廓較為平滑，且誤判現(xiàn)象較少。為了獲得更詳細(xì)的觀察，在每個子區(qū)域中隨機選取一個區(qū)域再次放大，結(jié)果如每個子區(qū)域結(jié)果圖中右下角所示。對比發(fā)現(xiàn)，本文所提方法魯棒性與穩(wěn)定性更強，能夠獲取更精確的水域邊界。

4.2.3 水域分割結(jié)果魯棒性評估對比

為了定量分析所提方法的精度，本文采用文獻(xiàn)[5]中的評估方法，對上述實驗結(jié)果進(jìn)行精度評估。其中，虛警率與漏檢率用來評估整體水域提取質(zhì)量，輪廓的平均像素偏移距離用來評估局部水域邊界質(zhì)量，評估結(jié)果如表6所示。從表中方法1和方法2的結(jié)果可知，傳統(tǒng)方法的分割結(jié)果受雷達(dá)陰影與相干斑噪聲影響較大。在傳統(tǒng)方法的粗分割過程中加入相干斑濾波和ROI提取技術(shù)，可減少部分雷達(dá)陰影和相干斑噪聲的影響。從表中方法3的結(jié)果可知，在引入了本文所提水域邊界局部分塊法后，可有效地抑制了目標(biāo)區(qū)域外的雷達(dá)陰影與相干斑噪聲影響。并且，ACM算法僅在局部圖像切片中計算水域，在輪廓演化次數(shù)相同的情況下，可獲取更高精度的水域輪廓。從表中本文方法的結(jié)果可知，在融入了超分辨重建技術(shù)后，增加了局部圖像的分辨率，最終的分割精度在方法3的基礎(chǔ)上，得到了進(jìn)一步的提升。其中，虛警率小于0.04%，準(zhǔn)確率大于99%，輪廓平均偏移指標(biāo)大幅降低，可以實現(xiàn)高精度的水域邊界提取。

相比之下，傳統(tǒng)方法的水域分割精度偏低，且虛警率偏高，其原因可歸結(jié)為以下幾點：(1)傳統(tǒng)方法的分割精度受限于圖像的空間分辨率，易受模糊的水域邊界影響；(2)傳統(tǒng)方法在對整幅圖像進(jìn)行分割時，既增加了運算量，也提高了將相干斑噪聲和雷達(dá)陰影誤判為水域的概率；(3)傳統(tǒng)方法基于灰度信息對圖像進(jìn)行分割，魯棒性較差，雷達(dá)陰影、相干斑噪聲和水面風(fēng)浪造成的局部散射增強等易造成虛警。

5 結(jié)束語

本文提出了一種高精度的SAR圖像水域分割方法，并結(jié)合實測SAR圖像，進(jìn)行了精度和魯棒性驗證。結(jié)合基于深度學(xué)習(xí)的圖像超分辨重建模型，本文所提方法的分割精度較傳統(tǒng)方法提升了一個數(shù)量級。同時，基于粗分割水域邊界的圖像分塊技術(shù)，大幅降低了圖像超分辨重建步驟的計算量，提高了本文方法的整體運算效率。對于中低分辨率星載SAR圖像大型水域分割應(yīng)用，所提方法具有重要的實用意義。

圖7 SAR圖像水域分割結(jié)果Fig.7 Water extraction results of SAR images

表6 定量分析結(jié)果Tab.6 Results of quantitative analysis