劉 啟，張曉蕾，王亞楠

(1.中國水利水電科學(xué)研究院,北京 100038；2.水利部防洪抗旱減災(zāi)工程技術(shù)研究中心,北京 100038；3.航天信息股份有限公司,北京 100195)

0 引言

合成孔徑雷達(dá)(Synthetic Aperture Radar，SAR)是一種高分辨率微波成像系統(tǒng)，通過多普勒波束銳化和脈沖壓縮，獲得觀測目標(biāo)沿傳感器運(yùn)動(dòng)方向和視線方向上的二維高分辨率斜距圖像[1]，可安裝在飛機(jī)、衛(wèi)星等平臺上，全天時(shí)、全天候?qū)Φ赜^測。SAR圖像海陸分割是將輸入的大場景SAR圖像分割為水域和陸地2類，并生成陸地掩模的過程[2]，在海岸線提取、海洋近岸目標(biāo)檢測中具有重要意義[3]，通常要求高分割精度和高時(shí)效性。

目前，已有一些基于SAR遙感圖像的海陸分割方法。閾值法由于簡單直觀的特點(diǎn)，閾值的選取有多種方法(如直方圖法[4]、OTSU法[5-6]等)，其中，OTSU法具有原理簡單、穩(wěn)定有效的優(yōu)點(diǎn)，利用圖像的光譜測度直方圖，使用窮舉法選取使圖像類間方差最大的閾值，是使用最廣泛的閾值方法之一，但是對噪聲較敏感，閾值較難確定。除閾值分割算法外，國內(nèi)外學(xué)者還發(fā)展了邊緣檢測分割算法[7]、區(qū)域生長和分裂合并的分割算法[8]、Markovian分割算法[9]、水平截集算法[10]以及超像素分割算法[11-12]等。算法各有優(yōu)缺點(diǎn)，邊緣檢測算法直觀簡單易行，但不易提取區(qū)域結(jié)構(gòu)。區(qū)域生長和分裂合并算法對復(fù)雜圖像的分割效果較好，但往往需要人工給定種子點(diǎn)，是一種半自動(dòng)分割算法。Markovain分割算法基于Markov隨機(jī)場模型并引入模擬退火法計(jì)算，計(jì)算量較大。水平截集算法基于活動(dòng)輪廓法檢測邊界的思想，計(jì)算量大、迭代方式復(fù)雜，檢測速度較慢。

近年來，深度學(xué)習(xí)得到了快速發(fā)展，自然圖像分割模型也被應(yīng)用到SAR遙感圖像海陸分割中，效果相比傳統(tǒng)算法有顯著提升。張金松等人[13]基于密集深度分離卷積的分割網(wǎng)絡(luò)架構(gòu)，通過密集分離卷積和擴(kuò)張卷積提取圖像高維特征，構(gòu)造基于雙線性插值的上采樣解碼模塊用于輸出分割結(jié)果。王彬等人[14]通過升級殘差網(wǎng)絡(luò)為主干網(wǎng)絡(luò)，分4級提取海水目標(biāo)的特征產(chǎn)生海水分割結(jié)果。崔昊等人[15]利用編碼器—解碼器架構(gòu)，在編碼層中引入殘差塊，通過Sigmoid層對圖像進(jìn)行像素級海陸分割。戴牧宸等人[16]通過減少雙邊網(wǎng)絡(luò)中空間路徑的卷積層數(shù)，選用ResNet18輕量化模型作為上下文路徑骨干網(wǎng)絡(luò)，同時(shí)提出邊緣增強(qiáng)損失函數(shù)策略提升模型分割性能。此外，還有學(xué)者提出了基于DeepU-Net、DeepLabv3等網(wǎng)絡(luò)的海陸分割方法，分割精度有進(jìn)一步的提升。

然而，無論是傳統(tǒng)方法還是深度學(xué)習(xí)方法，海陸分割仍存在兩方面的問題：(1) 陸地水域和SAR陰影的影響。由于SAR斜視成像特點(diǎn)引起的背向雷達(dá)區(qū)域無散射回波，在圖像上與水體表現(xiàn)為相同的黑色區(qū)域，無法通過DN值進(jìn)行區(qū)分；此外海岸線提取和海洋船只檢測僅關(guān)注以海岸線邊界的二分類，內(nèi)陸水體呈現(xiàn)弱散射，也會(huì)被分割，對應(yīng)用產(chǎn)生不利影響。(2) 分割時(shí)效性問題?，F(xiàn)有方法經(jīng)常是逐像素分割處理，而SAR圖像通常尺寸較大，逐像素處理往往難以滿足應(yīng)用要求。目前有一些海陸分割加速方法，如基于海圖信息的SAR影像海陸自動(dòng)分割[17]、基于GSHHG數(shù)據(jù)庫與改進(jìn)CV模型的SAR圖像海陸分割算法[18]和基于海岸線數(shù)據(jù)庫的遙感圖像海陸分割[19]。這些方法通過引入先驗(yàn)信息提升海陸分割的時(shí)效性，但未與分割性能良好的深度學(xué)習(xí)模型相結(jié)合。

本文提出采用海陸先驗(yàn)信息粗判和深度學(xué)習(xí)海陸精細(xì)分割相結(jié)合的方法，海陸粗判采用現(xiàn)有的海陸先驗(yàn)數(shù)據(jù)庫；海陸精細(xì)分割采用U-Net網(wǎng)絡(luò)，一方面消除陸地水域和SAR陰影的影響，另一方面大幅提升海陸分割的時(shí)效性。

1 研究方法

1.1 海陸先驗(yàn)數(shù)據(jù)

采用Matplotlib底圖工具包(Matplotlib Basemap Toolkit,MBT)提供的海陸先驗(yàn)信息。陸海數(shù)據(jù)來源于全球高分辨率海岸線數(shù)據(jù)(GSHHG)。Basemap可以精確判斷出陸地主體部分，隨著時(shí)間推移，雖然海陸邊界部分發(fā)生了微小變化，但是陸地主體位置基本沒變。由于農(nóng)田等都處于陸地主體部分，使用Basemap進(jìn)行陸地主體判斷，可以避免使用U-Net模型對農(nóng)田、陰影等分割效果不好的情況，能夠整體提高分割精度，滿足精度指標(biāo)要求。

1.2 U-Net網(wǎng)絡(luò)

對于SAR遙感圖像進(jìn)行分割不僅要輸出圖像的類別，還要明確類別圖像的位置，輸出相同大小帶有標(biāo)簽的分類后的圖像。相比于以像素為單位的分割方法，U-Net以圖片為整體進(jìn)行圖片分類分割，大大降低了計(jì)算復(fù)雜度。U-Net中較淺的高分辨率層用以實(shí)現(xiàn)像素的定位，較深的層用以實(shí)現(xiàn)像素的分類，從而實(shí)現(xiàn)圖像語義級別的分割。U-Net是使用全卷積網(wǎng)絡(luò)進(jìn)行語義分割的算法之一，為Encoder-Decoder結(jié)構(gòu)，具有結(jié)構(gòu)簡單、有效性高的特點(diǎn)。該網(wǎng)絡(luò)結(jié)構(gòu)在訓(xùn)練時(shí)進(jìn)行了數(shù)據(jù)增強(qiáng)，能夠使用少量標(biāo)注數(shù)據(jù)實(shí)現(xiàn)更有效的網(wǎng)絡(luò)訓(xùn)練。U-Net架構(gòu)包括一個(gè)捕獲上下文信息的收縮路徑和一個(gè)允許精確定位的對稱拓展路徑，從而在少量數(shù)據(jù)的基礎(chǔ)上完成端到端的訓(xùn)練。U-Net結(jié)構(gòu)如圖1所示。

圖1 U-Net結(jié)構(gòu)Fig.1 U-Net structure

U-Net的典型特點(diǎn)為U型對稱結(jié)構(gòu)，左側(cè)為卷積層，右側(cè)為上采樣層。在U-Net結(jié)構(gòu)中，包含4個(gè)卷積層和對應(yīng)的4個(gè)上采樣層。該網(wǎng)絡(luò)具有2種工作方式：① 從一開始實(shí)現(xiàn)網(wǎng)絡(luò)并進(jìn)行權(quán)重初始化，隨后進(jìn)行模型訓(xùn)練；② 借用現(xiàn)有網(wǎng)絡(luò)卷積層結(jié)構(gòu)和已訓(xùn)練好的權(quán)重文件，同時(shí)配置上采樣層進(jìn)行訓(xùn)練計(jì)算，比如ResNet，VGG等。在深度學(xué)習(xí)模型訓(xùn)練中，使用已有的權(quán)重模型文件可以大大加快訓(xùn)練速度。

1.3 基于海陸先驗(yàn)信息和U-Net相結(jié)合的海陸分割

為了兼顧海陸分割的精度和時(shí)效性，本文采用海陸粗判和海陸精細(xì)分割相結(jié)合的方案，流程如圖2所示。海陸粗判采用現(xiàn)有的海陸先驗(yàn)數(shù)據(jù)庫，海陸精細(xì)分割采用U-Net。

圖2 基于先驗(yàn)信息和U-Net的SAR圖像海陸分割方法流程Fig.2 Flowchart of the sea-land segmentation method of SAR image based on prior information and U-Net

整體海陸分割流程如下：

(1) 輸入大圖后首先對影像大圖4條邊每隔一定像素點(diǎn)取一個(gè)坐標(biāo)(避免圖像4個(gè)角點(diǎn)是陸地，中間是水域的情況)，間隔像素點(diǎn)數(shù)由圖像的分辨率決定，大致每隔10 000 m取一個(gè)坐標(biāo)點(diǎn)，例如當(dāng)圖像分辨率為10 m時(shí)，每隔1 000個(gè)像素取一個(gè)坐標(biāo)。然后將所有像素坐標(biāo)根據(jù)RPC文件轉(zhuǎn)為經(jīng)緯度，使用Basemap的island函數(shù)，將取出點(diǎn)的經(jīng)緯度依次用island函數(shù)判斷是否為陸地/海域，如果所有的點(diǎn)都判斷是陸地/海域，就將整景影像判為純陸地/海域，跳過該景影像輸入下一景進(jìn)行判斷。

(2) 經(jīng)過步驟(1)判斷，影像不是純陸地/海域時(shí)，采用512 pixel×512 pixel的滑窗在整景影像上進(jìn)行滑動(dòng)切片，將切片4個(gè)角點(diǎn)像素坐標(biāo)根據(jù)RPC文件轉(zhuǎn)為經(jīng)緯度，然后使用island函數(shù)判斷四角坐標(biāo)是否為陸地/海域，四角坐標(biāo)全部判斷為陸地/海域時(shí)將整張切片置為純陸地/海域，否則使用U-Net模型對該切片進(jìn)行逐像素精細(xì)海陸分割。

(3) 等待所有切片處理結(jié)束，拼接大圖輸出分割結(jié)果。傳統(tǒng)的全圖U-Net海陸分割優(yōu)點(diǎn)是處理流程簡便、環(huán)境搭建簡單，但是當(dāng)整景影像陸地/海域占主體時(shí)，時(shí)間消耗較長。引入Basemap先驗(yàn)海陸信息后，陸地/水域主體采用Basemap判斷，海陸邊緣采用U-Net分割，在保證精度的同時(shí)極大地縮減了海陸分割的時(shí)間，同時(shí)也降低了陸地水域和SAR陰影的干擾。

2 實(shí)驗(yàn)結(jié)果

2.1 實(shí)驗(yàn)數(shù)據(jù)

本文采用的SAR圖像為高分三號SAR圖像。高分三號是我國首顆C頻段多極化SAR衛(wèi)星，不僅涵蓋了傳統(tǒng)的條帶、掃描成像模式，而且可在聚束、條帶、掃描、波浪、全球觀測和高低入射角等多種成像模式下自由切換。本文主要采用條帶和掃描圖像進(jìn)行測試，實(shí)驗(yàn)圖像如表1所示。

表1 實(shí)驗(yàn)圖像

2.2 分割性能評估指標(biāo)

為衡量海陸分割性能，采用平均交并比(MIOU)指標(biāo)進(jìn)行綜合評估，計(jì)算方法如下：

(1)

式中，TP表示分割正確，分割結(jié)果是陸地，實(shí)際是陸地；FP表示分割錯(cuò)誤，分割結(jié)果是陸地，實(shí)際是海域；FN表示分割錯(cuò)誤，分割結(jié)果是海域，實(shí)際是陸地。

2.3 實(shí)驗(yàn)及結(jié)果

本文實(shí)驗(yàn)采用GTX 2080 Ti顯卡，在Keras環(huán)境下進(jìn)行。

對U-Net訓(xùn)練時(shí)，將原始圖像裁剪為512 pixel×512 pixel大小并進(jìn)行標(biāo)注，同時(shí)采用翻轉(zhuǎn)、平移等數(shù)據(jù)增強(qiáng)方式，對原始數(shù)據(jù)樣本進(jìn)行擴(kuò)充，最終采用3 869張512 pixel×512 pixel的SAR圖像標(biāo)注數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)集。訓(xùn)練過程中，由于內(nèi)存限制，每批次輸入2張圖像(batch_size=2)進(jìn)行100輪迭代(ephoc=100)，每次迭代輸出損失函數(shù)Loss值，直至訓(xùn)練完成保存最優(yōu)的網(wǎng)絡(luò)模型。訓(xùn)練過程中損失函數(shù)Loss值的變化曲線如圖3所示。

圖3 U-Net網(wǎng)絡(luò)訓(xùn)練的損失函數(shù)變化曲線Fig.3 Variable graph of U-Net train loss function

損失函數(shù)Loss采用的是二分類的交叉熵?fù)p失函數(shù)：

Loss=-[yt·lb(yp)+(1-yt)·lb(1-yp)]。

(2)

交叉熵?fù)p失函數(shù)是分類中最常用的損失函數(shù)。交叉熵用來度量2個(gè)概率分布的差異性，衡量模型學(xué)習(xí)到的分布和真實(shí)分布的差異。

在二分類問題中，y取值的集合可能為{0,1}，假設(shè)某個(gè)樣本的真實(shí)標(biāo)簽為yt，該樣本yt=1的概率為yp。

使用以上訓(xùn)練得到的U-Net模型進(jìn)行測試，3張圖的測試指標(biāo)結(jié)果如圖4～圖6和表2～表4所示。算法分別為傳統(tǒng)方法OTSU、U-Net與Basemap+U-Net。Basemap+U-Net為本文提出方法，即利用海陸先驗(yàn)信息結(jié)合U-Net進(jìn)行聯(lián)合分割。

(a) 原圖

(a) 原圖

(a) 原圖

表2 條帶圖1測試結(jié)果

表3 條帶圖2測試結(jié)果

表4 掃描圖測試結(jié)果

從實(shí)驗(yàn)結(jié)果可以看到，OTSU算法具有最快的分割速度，然而由于其主要基于閾值，因此在海域和陸地存在較多的錯(cuò)判。常規(guī)U-NET方法相比于OTSU方法分割精度有一定提升，但耗時(shí)最長。本文提出的方法有效去除了陸地水域和SAR陰影的干擾，有最高的分割精度，耗時(shí)介于OTSU和U-NET方法之間，具有較好的實(shí)用價(jià)值。如果圖中只存在海洋區(qū)域或者陸地區(qū)域，本文提出的方法將只使用Basemap進(jìn)行先驗(yàn)判斷而跳過U-Net逐像素分割過程，總體速度有較大提升。

3 結(jié)束語

針對當(dāng)前海陸分割方法存在精度和時(shí)效性問題，對比當(dāng)前常用的海陸分割算法OTSU，U-Net等，選擇海陸分割精度較高的U-Net，引入Basemap先驗(yàn)知識庫，使模型在復(fù)雜場景也能保持相對較高的準(zhǔn)確率，并且速度也得到了有效提升。下一步工作，將針對U-NET分割精度受限的問題，采用分割精度更高的模型與先驗(yàn)信息相結(jié)合，從而進(jìn)一步提升海陸分割的精度。