馬 倩, 鄒煥新, 李美霖, 成 飛, 賀詩甜

(國防科技大學(xué)電子科學(xué)學(xué)院, 湖南 長沙 410073)

0 引 言

近年來,遙感平臺和傳感器技術(shù)取得了飛速發(fā)展,實(shí)現(xiàn)了對全球大部分區(qū)域的連續(xù)重復(fù)觀測,積累了海量多源、多時(shí)相遙感數(shù)據(jù)[1]。在合成孔徑雷達(dá)(synthetic aperture radar, SAR)、光學(xué)、紅外、多光譜等多源數(shù)據(jù)中,SAR具備全天時(shí)、全天候、高分辨、大幅寬等多種優(yōu)點(diǎn),是一種良好的信息源。SAR圖像廣泛應(yīng)用在目標(biāo)檢測、地物分類、動態(tài)監(jiān)測和變化檢測等領(lǐng)域,其中變化檢測在國民經(jīng)濟(jì)和國防建設(shè)上發(fā)揮著巨大作用,已經(jīng)成為遙感數(shù)據(jù)應(yīng)用研究中的一個(gè)重要內(nèi)容。盡管不少學(xué)者圍繞雙時(shí)相(或者多時(shí)相,為行文簡便起見,以下統(tǒng)一用雙時(shí)相來描述)SAR圖像變化檢測開展了大量工作。但是,如何快速準(zhǔn)確地提取雙時(shí)相SAR圖像變化區(qū)域仍然面臨著許多挑戰(zhàn)。

變化檢測方法在發(fā)展初期,主要以像素級統(tǒng)計(jì)方法[2-3]為主。這類方法無法充分利用地物在圖像上的空間位置和空間關(guān)系等重要信息,且逐像素處理消耗大量時(shí)間。隨著遙感圖像分辨率的提高和數(shù)據(jù)的積累,迫切需要高精度、快速度的變化檢測方法。因此,面向區(qū)域(或者面向?qū)ο?的變化檢測方法[4-5]受到了研究人員的重視。與基于像素的統(tǒng)計(jì)方法不同,這類方法首先對SAR圖像中具有同質(zhì)特征的相鄰像素進(jìn)行分割,組成一個(gè)個(gè)像素塊區(qū)域,然后以這些區(qū)域?yàn)榛締卧M(jìn)行后續(xù)的變化檢測處理,有效提高了變化檢測的精度和速度[6]。顯然,在面向區(qū)域的變化檢測方法中,一個(gè)關(guān)鍵的問題是如何在雙時(shí)相SAR圖像上獲取邊緣和空間對應(yīng)關(guān)系一致的圖像區(qū)域分割結(jié)果,以保證變化檢測結(jié)果的精度和效率。

對圖像進(jìn)行超像素分割是面向區(qū)域的變化檢測方法中常用的預(yù)處理方式之一。2003年Ren等首次提出超像素[7]這一概念。超像素是指根據(jù)圖像的輪廓、紋理和亮度等特征信息,將位置相近、特征相似的像素點(diǎn)聚集成的一個(gè)局部均勻連通區(qū)域。超像素分割可以將一幅圖像從數(shù)百萬個(gè)像素簡化為大約少兩個(gè)數(shù)量級的超像素,從而可以有效減少圖像冗余信息,加快后續(xù)變化檢測處理的速度,并且由于考慮了圖像的局部空間鄰域信息,超像素具有一定的噪聲抑制能力。針對單幅光學(xué)圖像的超像素分割方法已發(fā)展得比較成熟,這些方法大致可以分為基于圖論的算法和基于梯度下降的算法兩大類[8]?；趫D論的經(jīng)典方法主要包括: Normalized Cuts算法[9]、Graph-Based算法[10]、Superpixel Lattice算法[11]、基于熵率的算法(entropy rate superpixel,ERS)[12]等。而基于梯度下降的經(jīng)典方法則主要包括:Watersheds算法[13]、Mean Shift算法[14]、Quick Shift算法[15]、基于幾何流的水平集算法(turbopixel,TB)[16]、簡單線性迭代聚類算法(simple linear iterative clustering,SLIC)[17]、SEEDS算法[18]、基于迭代邊緣精煉的算法[19]、線性譜聚類算法[20]、簡單非迭代聚類算法(simple non-iterative clustering,SNIC)[21]等。其中,SLIC算法是應(yīng)用最為廣泛的一種超像素分割算法。該算法通過計(jì)算像素點(diǎn)到聚類中心的CIELAB顏色距離和歐氏空間距離進(jìn)行分割,算法的思想簡單、計(jì)算效率高,且能夠控制超像素的大小、數(shù)量和緊湊度,是一種優(yōu)秀的超像素分割算法,因此,有不少SAR圖像超像素分割算法是在SLIC算法基礎(chǔ)上改進(jìn)而來的。SLIC算法雖然取得了廣泛的應(yīng)用,但仍存在需要多次迭代收斂聚類中心、只將生成超像素的連接性作為后處理步驟以及使用與輸入圖像像素?cái)?shù)量相同的距離映射圖從而消耗大量內(nèi)存的問題。

需要注意的是,以上算法均是針對單幅光學(xué)圖像的超像素分割提出的,直接采用上述算法進(jìn)行雙時(shí)相SAR圖像超像素協(xié)同分割時(shí),存在兩個(gè)方面的困難。首先,SAR圖像本身存在嚴(yán)重的相干斑噪聲,直接采用上述算法進(jìn)行超像素分割,可能會出現(xiàn)超像素邊緣不規(guī)則或者產(chǎn)生細(xì)小的孤立超像素等問題。其次,以上方法均針對單幅圖像進(jìn)行分割,不能利用雙時(shí)相SAR圖像的特征對兩幅SAR圖像同時(shí)進(jìn)行分割(即協(xié)同分割)。因此,一些研究人員在上述算法的基礎(chǔ)上進(jìn)行改進(jìn),使之適應(yīng)于單幅SAR圖像的超像素分割或多幅SAR圖像的超像素協(xié)同分割。具體來說,2013年Xiang等[22]提出一種基于像素強(qiáng)度和空間位置的SAR圖像超像素分割(簡稱為PILS)算法。該算法在計(jì)算像素強(qiáng)度時(shí)考慮相干斑噪聲的概率密度函數(shù),生成的超像素較規(guī)則,但邊緣保持效果不佳,存在一定的過分割情況。2016年Zou等[23]提出了一種基于廣義Gamma分布的改進(jìn)SLIC算法,可以獲得較好的SAR圖像超像素分割結(jié)果,但該方法計(jì)算效率較低。2017年Hu等[24]提出一種基于DBSCAN聚類的SAR圖像超像素分割算法,該算法的邊緣保持效果好,但緊湊度不高。2019年邵寧遠(yuǎn)等[25]提出一種面向變化檢測的SAR圖像超像素協(xié)同分割(superpixel cosegmentation,SCS)算法。該算法采用PILS算法的相似度測度,分別計(jì)算雙時(shí)相SAR圖像的相似度進(jìn)行加權(quán),并采用指數(shù)加權(quán)均值比(簡稱為ROEWA)檢測算子[26]進(jìn)行邊緣檢測,將圖像邊緣信息融入相似度測度。該算法可以較好地實(shí)現(xiàn)超像素協(xié)同分割并在一定程度上提高分割精度,但該算法采用的ROEWA算子對多時(shí)相SAR圖像中的弱邊緣檢測能力相對有限,因此無法充分利用圖像中的邊緣信息提升超像素協(xié)同分割性能。

為了解決面向區(qū)域的雙時(shí)相SAR圖像變化檢測方法中存在的雙時(shí)相圖像邊緣和空間對應(yīng)關(guān)系不一致的問題,提高超像素分割結(jié)果邊緣與雙時(shí)相SAR圖像真實(shí)地物邊緣(特別是變化區(qū)域邊緣)的貼合率,本文提出了一種基于SNIC的雙時(shí)相SAR圖像SCS算法。本文算法的主要思路為:① 構(gòu)造一幅融合圖像,該融合圖像將雙時(shí)相SAR圖像的特征結(jié)合在一起,并以該融合圖像為基礎(chǔ),計(jì)算待處理像素點(diǎn)到聚類中心的像素強(qiáng)度相似度和空間距離相似度;② 對兩幅SAR圖像,分別采用多尺度弱邊緣檢測算法進(jìn)行邊緣檢測,并將兩幅SAR圖像的邊緣檢測結(jié)果進(jìn)行組合以形成一幅統(tǒng)一的地物邊緣圖;③ 將像素強(qiáng)度相似度、空間距離相似度和地物邊緣圖信息進(jìn)行加權(quán)以形成新的距離度量,采用改進(jìn)SNIC算法對融合圖像進(jìn)行超像素分割,以得到與雙時(shí)相SAR圖像中真實(shí)地物邊緣均貼合的協(xié)同分割結(jié)果。

基于一組仿真和一組實(shí)測雙時(shí)相SAR圖像的超SCS實(shí)驗(yàn)結(jié)果表明,本文算法的邊緣貼合率(boundary recall,BR)、欠分割誤差(under-segmentation error,USE)和可達(dá)分割準(zhǔn)確率(achievable segmentation accuracy,ASA)均優(yōu)于其他7種經(jīng)典方法。在實(shí)際應(yīng)用中,針對已經(jīng)配準(zhǔn)好的雙時(shí)相SAR圖像,利用本文算法進(jìn)行超像素協(xié)同分割,可以使得兩幅SAR圖像的超像素分割結(jié)果中的邊緣和空間對應(yīng)關(guān)系一致,從而為后續(xù)區(qū)域/對象級的變化檢測處理和分析奠定良好的基礎(chǔ)。

1 算法介紹

1.1 SNIC算法原理

SNIC算法是Achanta等人在2017年提出的SLIC算法改進(jìn)版本,該算法與SLIC算法采用相同的距離測度。與SLIC算法不同的是,SNIC算法無需迭代收斂聚類中心,從算法聚類起始即要求強(qiáng)制連接,占用更少的內(nèi)存且速度更快。SNIC算法采用CIELAB顏色距離和空間歐氏距離加權(quán)計(jì)算像素點(diǎn)與聚類中心的距離。設(shè)空間位置x=[x,y]T,CIELAB顏色c=[l,a,b]T,則第j個(gè)待處理像素點(diǎn)到第k個(gè)聚類中心C[k]的距離為

(1)

SNIC算法通過設(shè)計(jì)一個(gè)優(yōu)先級隊(duì)列以實(shí)現(xiàn)非迭代的聚類。其基本原理為:將包含像素點(diǎn)信息的元素推入優(yōu)先級隊(duì)列中,依次推出優(yōu)先級隊(duì)列的頂端元素進(jìn)行超像素標(biāo)記。優(yōu)先級隊(duì)列采用特殊的數(shù)據(jù)結(jié)構(gòu)——堆,堆是用數(shù)組實(shí)現(xiàn)的二叉樹,分為最大堆和最小堆兩種。兩者的差別在于節(jié)點(diǎn)的排序方式,最大堆中任意一個(gè)節(jié)點(diǎn)的值總不大于其父節(jié)點(diǎn)的值,最小堆中任意一個(gè)節(jié)點(diǎn)的值總不小于其父節(jié)點(diǎn)的值。采用最大堆或最小堆可以快速找出一個(gè)集合中的最大值或最小值。SNIC算法中的優(yōu)先級隊(duì)列的本質(zhì)是一個(gè)最小堆,可以迅速推出到某個(gè)聚類中心距離最小的元素進(jìn)行超像素標(biāo)記。當(dāng)有新的元素被推入最小堆時(shí),如果節(jié)點(diǎn)到聚類中心的距離比它的父節(jié)點(diǎn)到聚類中心的距離小,則將該節(jié)點(diǎn)與其父節(jié)點(diǎn)交換位置,使數(shù)值較小的節(jié)點(diǎn)在數(shù)組中位置上升。圖1為最小堆結(jié)構(gòu)的示意圖。

圖1 最小堆示意圖

為了更好地說明SNIC算法的原理,圖2展示了采用SNIC算法以對一幅6像素×6像素的圖像進(jìn)行超像素分割的流程。圖2共分為4個(gè)部分,每部分均由輸入圖像、優(yōu)先級隊(duì)列和標(biāo)簽圖組成。第1行為輸入圖像(6像素×6像素),輸入圖像上的數(shù)值代表顏色信息(假設(shè)彩色圖像3個(gè)通道的值一樣);第2行為優(yōu)先級隊(duì)列,以dj,k的大小進(jìn)行排序;第3行為超像素標(biāo)簽圖L。具體步驟如下。

步驟 1在全圖均勻初始化K個(gè)聚類中心C[k]={xk,ck},xk和ck分別為空間位置和CIELAB顏色。將這K個(gè)聚類中心以元素e={xk,ck,k,0}的形式依次存入優(yōu)先級隊(duì)列Q中,k設(shè)置為從1到K個(gè)不重復(fù)的超像素標(biāo)簽,元素e的第4列為dj,k,表示第j個(gè)待處理像素點(diǎn)到第k個(gè)聚類中心C[k]的距離。初始化聚類中心的dj,k為0。

步驟 2推出優(yōu)先級隊(duì)列Q的頂端元素ei。如果推出的元素在標(biāo)簽圖L[xi]上沒有被標(biāo)記,則將聚類中心的超像素標(biāo)簽ki賦給L[xi],同時(shí)用xi和ci的值更新聚類中心C[ki]。依次計(jì)算該元素的四鄰域像素點(diǎn)到聚類中心的距離,創(chuàng)建元素ej={xj,cj,ki,dj,ki},把ej推入優(yōu)先級隊(duì)列Q,并按照dj,k的大小排序。

步驟 3如果推出元素的四鄰域像素點(diǎn)已被標(biāo)記,則已被標(biāo)記的像素點(diǎn)不推入優(yōu)先級隊(duì)列。如圖2紅色方框處所示,推出元素的右鄰像素點(diǎn)已被標(biāo)記,則只將由上下鄰像素點(diǎn)創(chuàng)建的元素推入優(yōu)先級隊(duì)列。每一次向優(yōu)先級隊(duì)列Q中推入一個(gè)元素,都會更新一次排序,使優(yōu)先級隊(duì)列Q中元素保持從小到大的順序。

步驟 4依次推出優(yōu)先級隊(duì)列Q的頂端元素進(jìn)行計(jì)算,直到所有的像素點(diǎn)均被標(biāo)記,并且優(yōu)先級隊(duì)列Q為空時(shí),停止算法運(yùn)行,輸出超像素標(biāo)簽圖。

1.2 SAR圖像像素點(diǎn)間相似度測度

由于SAR圖像存在嚴(yán)重的相干斑噪聲,在直接采用針對光學(xué)圖像的算法進(jìn)行超像素分割時(shí),往往存在超像素邊緣不規(guī)則和產(chǎn)生細(xì)小超像素等問題。為了解決這些問題,本文設(shè)計(jì)了一種融入邊緣信息的SAR圖像像素點(diǎn)間相似度測度。該測度由像素強(qiáng)度相似度、空間距離相似度和邊緣信息加權(quán)形成,能夠有效克服相干斑噪聲的影響,并生成形狀規(guī)則的、BR高的超像素。

圖2 SNIC算法示意圖

1.2.1 像素強(qiáng)度和空間距離相似度

歐氏距離對于加性噪聲具有較好的魯棒性,但對于SAR圖像中的乘性噪聲則不具有。為了解決這個(gè)問題,Feng等[27]2011年提出一種基于像素強(qiáng)度比值距離的方法來衡量兩個(gè)受噪聲影響的切片之間的相似度,對SAR圖像具有較強(qiáng)的魯棒性。定義像素強(qiáng)度比值為

(2)

式中,INi和INj分別是以Ni和Nj為中心點(diǎn)的兩個(gè)相同尺寸切片的強(qiáng)度向量;M表示切片所包含的像素點(diǎn)個(gè)數(shù)(通常取M=1或M=9);G表示標(biāo)準(zhǔn)高斯核函數(shù);dI(i,j)表示Ni和Nj的比值距離,該比值距離對SAR圖像的乘性噪聲有較強(qiáng)的魯棒性[27]。定義像素強(qiáng)度相似度為

(3)

式中,ri, j,k是像素強(qiáng)度比值的商;ri, j,k的概率密度函數(shù)(probability density function,PDF)定義為

(4)

式中,Γ(·)為Gamma分布函數(shù);L為成像視數(shù)。在采用歐氏距離來衡量兩個(gè)切片的空間距離dXY(i,j)的情況下,可以使用標(biāo)準(zhǔn)高斯核函數(shù)將該距離映射成空間相似度SXY(i,j),表示為

(5)

(6)

在衡量SAR圖像中兩個(gè)像素點(diǎn)之間的相似度時(shí),通常需要同時(shí)考慮像素強(qiáng)度相似度和空間相似度,并利用參數(shù)λ1調(diào)整空間距離相似度的比重。因此, PILS相似度SP(i,j)[27]定義為

SP(i,j)=SI(i,j)+λ1SXY(i,j)

(7)

1.2.2 多尺度弱邊緣檢測算法

超像素內(nèi)部包含圖像的真實(shí)邊緣是造成分割精度差的主要原因之一。因此,準(zhǔn)確提取出圖像中的真實(shí)邊緣作為像素點(diǎn)間相似度測度的一部分,可以有效提高超像素邊緣與圖像真實(shí)邊緣的貼合率。Ofir等[28-29]針對光學(xué)圖像提出了一種高效的多尺度弱邊緣檢測算法。該算法將邊緣檢測看作是對大量可能曲線的高效搜索,分層構(gòu)造不同的與曲線軌跡匹配的濾波器,能夠有效檢測出強(qiáng)噪聲圖像中的弱邊緣。對于SAR圖像而言,構(gòu)造與曲線軌跡匹配的濾波器的思想,能夠有效減少相干斑噪聲對邊緣檢測結(jié)果的影響。雖然該算法并不是直接針對SAR圖像的邊緣檢測提出的。但是該算法考慮了圖像在受到強(qiáng)高斯噪聲污染情況下的弱邊緣檢測問題。因此,采用該算法對SAR圖像進(jìn)行邊緣檢測時(shí)也可以取得較好的結(jié)果。在實(shí)驗(yàn)部分將該算法與文獻(xiàn)[26]中提出的改進(jìn)REOWA檢測算子進(jìn)行了對比,驗(yàn)證了該算法在檢測SAR圖像中邊緣(特別是弱邊緣)時(shí)的適用性。

采用多尺度弱邊緣檢測算法分別檢測雙時(shí)相SAR圖像中的邊緣,得到兩幅邊緣強(qiáng)度圖。邊緣強(qiáng)度圖的數(shù)值越接近1表示邊緣越強(qiáng),數(shù)值越接近0表示邊緣越弱。為了綜合形成一幅統(tǒng)一的邊緣圖,取兩幅邊緣強(qiáng)度圖中某個(gè)像素點(diǎn)處較大的值作為該像素點(diǎn)處最終的邊緣強(qiáng)度圖,并對最終的邊緣強(qiáng)度圖進(jìn)行二值化。定義最終邊緣檢測結(jié)果二值圖為E,當(dāng)待處理像素點(diǎn)為邊緣時(shí),降低待處理像素點(diǎn)到聚類中心的相似度。融入邊緣信息的新的相似度定義為

S(i,j)=SP(i,j)-λ2SP(i,j)E(j)=

(1-λ2)SP(i,j)E(j)

(8)

若第j個(gè)待處理像素點(diǎn)處于邊緣上，將相似度降低為原來的(1-λ2)倍。基于上述分析,在采用SNIC算法進(jìn)行超像素分割時(shí),定義第j個(gè)待處理像素點(diǎn)到第k個(gè)聚類中心C[k]的相似度計(jì)算方式如下:

sj,k=S(j,k)=SP(j,k)-λ2SP(j,k)E(j)

(9)

1.2.3 SCS

對于不同時(shí)間在相同地理地區(qū)獲取的一組雙時(shí)相SAR圖像,希望能夠在兩幅圖像上得到一致的超像素分割結(jié)果。因此,本文考慮融合兩幅圖像的特征進(jìn)行協(xié)同分割。特征融合主要體現(xiàn)在邊緣融合和灰度值融合兩個(gè)方面。首先,采用第1.2.2節(jié)所述的方法進(jìn)行邊緣融合;其次,進(jìn)行灰度值融合。將雙時(shí)相SAR圖像IT1(x,y)和IT2(x,y)進(jìn)行灰度值融合時(shí),融合圖中每個(gè)像素點(diǎn)的灰度值定義為

I(x,y)=IT1(x,y)+λIT2(x,y)

(10)

式中,λ表示灰度值比例系數(shù),通常λ的取值為0.5。這種融合方式同時(shí)考慮了雙時(shí)相SAR圖像的特征,并將對兩幅圖像的處理轉(zhuǎn)化為對單幅圖像的處理,從而可以提高算法的計(jì)算效率。

1.3 算法流程

本文提出的雙時(shí)相SAR圖像SCS算法的流程為:① 構(gòu)造包含雙時(shí)相SAR圖像灰度特征信息的融合圖I(x,y);② 采用多尺度弱邊緣檢測算法分別檢測雙時(shí)相SAR圖像中的邊緣,得到雙時(shí)相SAR圖像邊緣檢測結(jié)果二值圖E;③ 采用結(jié)合邊緣信息的SAR圖像像素點(diǎn)間相似度測度sj,k代替原始SNIC算法中的dj,k,并將優(yōu)先級隊(duì)列由最小堆轉(zhuǎn)換為最大堆,即推出相似度最大的像素點(diǎn)進(jìn)行計(jì)算,按照SNIC方法的聚類方式進(jìn)行超像素分割。具體流程如圖3所示。

圖3 本文算法流程示意圖

2 實(shí)驗(yàn)結(jié)果及分析

2.1 雙時(shí)相SAR圖像仿真

為了評估本文提出算法的性能,并與其他算法進(jìn)行對比分析,本文根據(jù)文獻(xiàn)[30]中提出的方法仿真了一組雙時(shí)相SAR圖像。該方法基于典型單通道SAR圖像乘積模型將SAR圖像測量值Z分解為紋理X(地物的后向散射)和相干斑分量Y的乘積。其中,紋理分量X服從逆Gamma分布,相干斑分量Y服從單位均值Gamma分布,且設(shè)置相干斑分量的視數(shù)n為4。在這些參數(shù)設(shè)置條件下,仿真得到一組帶有乘性相干斑噪聲的SAR雜波圖像,如圖4所示,圖像尺寸為300像素×300像素。其中,前時(shí)相SAR圖像與后時(shí)相SAR圖像發(fā)生變化的區(qū)域采用紅色線條進(jìn)行了標(biāo)記。兩幅SAR圖像的亮度不完全一致,主要原因是考慮模擬圖像獲取時(shí)地物后向散射強(qiáng)度的變化情況。在本文后續(xù)的定量分析實(shí)驗(yàn)中,采用雙時(shí)相仿真SAR圖像的內(nèi)邊緣融合圖作為真值圖。

圖4 仿真的雙時(shí)相SAR圖像

為了驗(yàn)證本文采用的多尺度弱邊緣檢測算法的有效性,將該算法與文獻(xiàn)[26]中提出的改進(jìn)ROEWA算子在仿真的雙時(shí)相SAR圖像上進(jìn)行對比分析,對比結(jié)果如圖5所示。

圖5 兩種不同邊緣檢測算法的邊緣檢測結(jié)果比較

圖5(a)～圖5(d)分別為采用ROEWA算法得到的前時(shí)相SAR圖像邊緣強(qiáng)度圖、后時(shí)相邊緣強(qiáng)度圖、雙時(shí)相SAR圖像邊緣強(qiáng)度融合圖和邊緣檢測結(jié)果二值圖,圖5(e)～圖(h) 分別為采用多尺度弱邊緣檢測算法得到的前時(shí)相SAR圖像邊緣強(qiáng)度圖、后時(shí)相邊緣強(qiáng)度圖、雙時(shí)相SAR圖像邊緣強(qiáng)度融合圖和邊緣檢測結(jié)果二值圖?？梢钥闯鰣D5(d)中存在明顯的邊緣噪聲點(diǎn),并且在邊緣較弱的區(qū)域(紅色矩形處),絕大部分弱邊緣未被檢測出。由圖5(h)可以看出,多尺度弱邊緣檢測算法能夠有效抑制這些虛假邊緣噪聲并檢測出圖像中的弱邊緣。

為了充分對比評估本文算法與其他算法的性能,本文的實(shí)驗(yàn)設(shè)計(jì)如下:① 采用一組仿真雙時(shí)相SAR圖像和渥太華地區(qū)的實(shí)測雙時(shí)相SAR圖像作為測試圖像數(shù)據(jù)集;② 將本文算法與目前表現(xiàn)較好的其他7種算法進(jìn)行對比分析,包括SLIC算法、SLICO算法、PILS算法、ERS算法、TB算法、SNIC算法和CSC算法;③ 采用BR、USE和ASA3種典型的評價(jià)參數(shù)對算法進(jìn)行定量評估。需要說明的是,由于目前直接應(yīng)用于雙時(shí)相SAR圖像SCS的算法相當(dāng)有限,因此,在對比算法中,本文選擇了一些原本只適用于單幅圖像超像素分割的算法,如SLIC算法、SLICO算法、PILS算法、ERS算法、TB算法以及SNIC算法。對于這些算法,采用第1.2.3節(jié)中所提出的灰度值融合方式,將雙時(shí)相SAR圖像融合成單通道圖像作為其輸入圖像。本文所有實(shí)驗(yàn)均在Intel i5-9300H 2.4GHz CPU,16GB RAM的個(gè)人電腦上實(shí)現(xiàn)。

2.2 基于仿真SAR圖像的算法參數(shù)分析

本節(jié)將基于仿真雙時(shí)相SAR圖像討論控制空間距離相似度占比的參數(shù)λ1和邊緣信息占比的參數(shù)λ2對本文算法性能的影響。采用BR、USE和ASA3種典型的評價(jià)指標(biāo)進(jìn)行評價(jià),實(shí)驗(yàn)結(jié)果如圖6所示。

2.2.1 BR

BR是衡量超像素分割精度的一個(gè)重要指標(biāo),定義為超像素與真值圖共有的邊緣像素點(diǎn)占真實(shí)邊緣像素點(diǎn)的比率。其定義式如下:

BR=Ns∩G/NG

(11)

式中,NG為真值圖邊緣像素點(diǎn)的數(shù)目;Ns∩G表示超像素邊緣與真值圖邊緣共有的像素點(diǎn)數(shù)目,計(jì)算超像素邊緣和真值圖邊緣時(shí),一般取內(nèi)邊緣。BR值越大,則表明超像素分割效果越好,反之越差。

2.2.2 USE

USE是另一個(gè)衡量邊緣粘附性的指標(biāo),定義真值圖中灰度值不同的區(qū)域分別為g1,g2,…,gM,覆蓋某一灰度值區(qū)域的超像素分別為s1,s2,…,sn,則USE的定義如下:

(12)

式中,sj|sj∩gi表示覆蓋這個(gè)灰度區(qū)域的超像素sj從該灰度區(qū)域的邊緣中泄露出來的像素點(diǎn)數(shù)目；B表示sj與gi重疊的最小像素點(diǎn)數(shù)目(本文中采用的B值設(shè)定為每一個(gè)超像素包含的像素點(diǎn)數(shù)目的0.05倍);|sj|表示超像素sj內(nèi)包含的像素點(diǎn)數(shù)目;M是具有不同灰度值的區(qū)域的數(shù)目;N是整幅圖像分割得到的超像素?cái)?shù)目。USE的值越小,表明超像素分割效果越好。

2.2.3 ASA

ASA是性能上限的度量,表示當(dāng)用超像素為單位時(shí)所能達(dá)到的最高分割精度。將超像素中每個(gè)像素的標(biāo)簽記作與其有最大重疊的真值圖標(biāo)簽,即ASA表示正確標(biāo)記的超像素的比例。其定義如下:

(13)

式中,M是具有不同灰度值的區(qū)域的數(shù)目;K是整幅圖像分割得到的超像素?cái)?shù)目。

對仿真的雙時(shí)相SAR圖像進(jìn)行SCS時(shí),設(shè)置期望得到的超像素?cái)?shù)目為2 500個(gè),在[1,10) 范圍內(nèi)以1為步進(jìn)量調(diào)整空間距離相似度占比參數(shù)λ1,在[0.1,1) 范圍內(nèi)以0.1為步進(jìn)量調(diào)整邊緣信息占比參數(shù)λ2。圖6(a)～圖6(c)分別展示了BR、USE和ASA隨λ1和λ2的變化趨勢。

圖6 BR、USE、ASA隨參數(shù)λ1和λ2的變化趨勢

可以看出空間距離相似度和邊緣信息對最終的分割結(jié)果均有較大影響。BR和ASA隨λ1的增大而減小,USE隨λ1的增大而增大,算法性能變差。當(dāng)λ2<0.5時(shí),算法性能隨λ1增大呈顯著下降趨勢;當(dāng)λ2>0.5時(shí),算法性能下降較緩慢。當(dāng)λ1<6,λ2>0.5時(shí),BR均大于94%,USE均小于3%,ASA均大于99.5%。因此,為了得到較好的SCS結(jié)果,在本文的后續(xù)實(shí)驗(yàn)中,λ1和λ2的取值范圍為0<λ1<6,0.5<λ2<1。

2.3 基于仿真SAR圖像的算法性能分析

本節(jié)利用圖4所示的仿真雙時(shí)相SAR圖像將本文算法與其他7種算法的分割性能進(jìn)行定量對比分析。在采用8種算法對仿真雙時(shí)相SAR圖像進(jìn)行SCS時(shí),期望得到的超像素?cái)?shù)目在[500,3 000]范圍內(nèi)以500為步進(jìn)量增加生成超像素的數(shù)目,并采用BR、USE和ASA 3個(gè)評價(jià)指標(biāo)對不同算法的超像素協(xié)同分割結(jié)果進(jìn)行定量對比分析。在對比算法中,SLIC算法和SNIC算法的緊致系數(shù)設(shè)置為30,PILS算法參照文獻(xiàn)[23]中的參數(shù)設(shè)置,CSC算法采用文章[25]中的參數(shù)設(shè)置,SLICO算法、ERS算法、TB算法只需要設(shè)置超像素個(gè)數(shù)。本文算法取λ1=2,λ2=0.5。圖7(a)～圖7(c) 分別展示了8種算法的BR、USE和ASA隨超像素個(gè)數(shù)的變化趨勢。

圖7 本文算法與其他7種對比算法的性能對比

從圖7(a)～圖7(c)可以看出,本文算法的BR最高,USE較小,可達(dá)分割精度高。SLIC算法對單通道SAR圖像進(jìn)行超像素分割時(shí),受相干斑噪聲影響較大,聚類時(shí)容易產(chǎn)生細(xì)小的超像素,且該算法后處理階段的強(qiáng)制連接,容易將這些細(xì)小的超像素強(qiáng)制連接到其附近的超像素中,造成算法精度低。SLICO算法可以自適應(yīng)調(diào)整緊致系數(shù),在降低緊致系數(shù)后能夠取得比標(biāo)準(zhǔn)SLIC算法更好的結(jié)果,但生成的超像素不規(guī)則。PILS算法采用適用于SAR圖像的像素強(qiáng)度相似度測度,能在一定程度上降低相干斑噪聲對分割結(jié)果的影響。TB算法、ER算法、SNIC 算法和SCS算法的性能較好,但均未超過本文算法。此外,從圖7(a)～圖7(c)還可以明顯看出本文算法的BR、USE和ASA隨超像素個(gè)數(shù)的變化非常小,這是本文算法一個(gè)非常重要的特點(diǎn),主要?dú)w功于邊緣信息的融入,使得在生成超像素個(gè)數(shù)少時(shí),也可以取得較好的結(jié)果。

相比于其他7種對比算法,本文算法具有較高的精度,主要得益于以下兩個(gè)因素:① 采用基于像素強(qiáng)度和空間距離的相似度測度,計(jì)算待處理像素點(diǎn)到聚類中心的相似度,能夠有效抑制相干斑噪聲對分割結(jié)果的影響;② 采用多尺度弱邊緣檢測算法能夠準(zhǔn)確提取雙時(shí)相SAR圖像的邊緣信息,并將邊緣信息融入相似度測度,可以有效提升算法的BR。

2.4 基于實(shí)測SAR圖像的算法性能分析

為了進(jìn)一步驗(yàn)證本文提出算法的有效性,下面采用一組實(shí)測雙時(shí)相SAR圖像進(jìn)行實(shí)驗(yàn),觀察各種不同算法的性能。圖8是由RadarSAT分別于1997年5月和1997年8月所采集的加拿大渥太華市遙感圖像,兩次拍攝期間,該地區(qū)發(fā)生了水災(zāi)。圖8(a)為發(fā)生水災(zāi)前的SAR圖像,圖8(b)為發(fā)生水災(zāi)后的SAR圖像。

圖8 渥太華市SAR數(shù)據(jù)集

圖9展示了采用8種算法分別對Ottawa SAR數(shù)據(jù)集進(jìn)行SCS的結(jié)果圖。其中圖9(a)和圖9(b)分別為采用SLIC算法得到的前、后時(shí)相SCS結(jié)果圖;圖9(c)和圖9(d)分別為采用SLICO算法得到的前、后時(shí)相SCS結(jié)果圖;圖9(e)和圖9(f)分別為采用PILS算法得到的前、后時(shí)相SCS結(jié)果圖;圖9(g)和圖9(h)分別為采用ERS算法得到的前、后時(shí)相SCS結(jié)果圖;圖9(i)和圖9(j)分別為采用TB算法得到的前、后時(shí)相SCS結(jié)果圖;圖9(k)和圖9(l)分別為采用SNIC算法得到的前、后時(shí)相SCS結(jié)果圖;圖9(m)和圖9(n)分別為采用CSC算法得到的前、后時(shí)相SCS結(jié)果圖;圖9(o)和圖9(p)分別為采用本文算法得到的前時(shí)相、后時(shí)相SCS結(jié)果圖。

為了更好地展示細(xì)節(jié)部分,從各種不同算法對雙時(shí)相SAR圖像的SCS結(jié)果中選擇了A、B和C 3塊區(qū)域,在圖9中用藍(lán)色方框標(biāo)記,并分別對A、B和C 3塊區(qū)域局部放大以進(jìn)行細(xì)節(jié)對比。A、B和C 3塊區(qū)域局部放大的結(jié)果分別如圖10～圖12所示。

圖9 采用8種算法分別對渥太華市雙時(shí)相SAR數(shù)據(jù)集進(jìn)行超像素協(xié)同分割的結(jié)果圖

圖10 SCS結(jié)果A區(qū)域局部放大圖(左為前時(shí)相,右為后時(shí)相)

圖11 SCS結(jié)果B區(qū)域局部放大圖(左為前時(shí)相,右為后時(shí)相)

圖12 SCS結(jié)果C區(qū)域局部放大圖(左為前時(shí)相,右為后時(shí)相)

從圖10～圖12中局部放大的超像素協(xié)同分割結(jié)果可以看出,SLIC算法和SLICO算法得到的超像素不規(guī)則且超像素內(nèi)部包含圖像的邊緣,這是因?yàn)閷⒒陬伾涂臻g的距離測度直接應(yīng)用在SAR圖像上,受相干斑噪聲的影響較大,導(dǎo)致分割得到的超像素不規(guī)則,算法后處理階段的強(qiáng)制連接導(dǎo)致超像素內(nèi)部包含邊緣。PILS算法能夠在一定程度上抑制SAR圖像中的相干斑噪聲,但對于弱邊緣不敏感,不能較好地黏附圖像中的弱邊緣。ERS算法的分割結(jié)果十分不規(guī)則,這有可能是因?yàn)殡S機(jī)路徑的熵率受SAR圖像相干斑噪聲的影響較大導(dǎo)致的。TB算法不能較好地黏附SAR圖像的邊緣,是因?yàn)镾AR圖像中存在某些長條形灰度區(qū)域,而該算法不能很好地處理細(xì)長物體。SNIC算法同樣受到相干斑噪聲的影響,在噪聲較強(qiáng)的區(qū)域產(chǎn)生了一些細(xì)小的超像素,但邊緣貼合程度有所提升。SCS算法采用適應(yīng)于SAR圖像的相似度測度,且融入了邊緣信息,在一定程度上可以抑制相干斑噪聲對SCS的影響,得到了較好的分割結(jié)果,但在弱邊緣區(qū)域依然效果不佳。

而本文算法的分割結(jié)果較其他7種對比算法的分割結(jié)果更理想,超像素邊緣與雙時(shí)相SAR圖像中的邊緣貼合程度高,且生成的超像素比較規(guī)則。這些實(shí)驗(yàn)結(jié)果充分說明了本文算法對雙時(shí)相SAR進(jìn)行超像素協(xié)同分割的有效性。

3 結(jié) 論

區(qū)域/對象級雙時(shí)相SAR圖像變化檢測方法正逐漸替代像素級的SAR圖像變化檢測方法,成為SAR圖像變化檢測的主流方法。雙時(shí)相SAR圖像SCS是一種非常有效的區(qū)域/對象級變化檢測預(yù)處理手段,可以為后續(xù)的變化檢測提供特征均勻、形狀規(guī)則的基本處理單元。本文針對已有分割方法在分割雙時(shí)相SAR圖像時(shí)存在的雙時(shí)相圖像邊緣和空間對應(yīng)關(guān)系不一致的問題,提出了一種基于簡單非迭代聚類的雙時(shí)相SAR圖像超像素協(xié)同分割算法。

本文算法針對SAR圖像的特性設(shè)計(jì)了新的相似度測度,有效抑制了相干斑噪聲對SCS結(jié)果的影響,較好實(shí)現(xiàn)了雙時(shí)相SAR圖像的SCS。采用一組仿真雙時(shí)相SAR圖像數(shù)據(jù)和一組實(shí)測雙時(shí)相SAR圖像數(shù)據(jù)驗(yàn)證了本文算法的分割性能,并與其他7中超像素分割算法進(jìn)行了詳細(xì)的實(shí)驗(yàn)對比評估。實(shí)驗(yàn)結(jié)果表明,本文算法生成的超像素比較規(guī)則,較好地保留了雙時(shí)相SAR圖像中的真實(shí)地物邊緣信息,這對于后續(xù)面向區(qū)域的變化檢測過程具有較大的優(yōu)越性。然而,在本文提出的算法中,采用了一種面向光學(xué)圖像的多尺度弱邊緣檢測算法來檢測雙時(shí)相SAR圖像中的邊緣,雖然取得了較好的邊緣檢測結(jié)果,但是該算法并未充分結(jié)合和利用SAR圖像本身的特性。在本文的后續(xù)研究工作中,將進(jìn)一步改進(jìn)該算法使之更加適合于SAR圖像的地物邊緣檢測,從而得到更好的SCS結(jié)果。