摘 要： 提出了一種基于邊緣保持的區(qū)域能量最小化的SAR海冰圖像分割算法。首先對圖像進(jìn)行 SRAD濾波，然后進(jìn)行分水嶺初始分割和區(qū)域能量最小化分割，從而得到最終分割結(jié)果。將該算法用于SAR海冰圖像的分割中, 實驗結(jié)果表明,該分割方法有效、準(zhǔn)確性好。
關(guān)鍵詞： 圖像分割； 合成孔徑雷達(dá)(SAR)； 海冰
SAR是一種主動式微波傳感器，具有全天候、全天時和高分辨率的成像能力，它已經(jīng)成為海冰監(jiān)測的有效工具，并在科學(xué)研究和商業(yè)活動中(如氣候研究和船舶導(dǎo)航等)發(fā)揮了重要作用。在加拿大冰署(CIS)和芬蘭冰署(FIS)等單位，冰情分析人員每天對收到的大量SAR海冰圖像進(jìn)行進(jìn)一步處理，為用戶繪制冰況分布圖。由于SAR圖像的數(shù)據(jù)量巨大，現(xiàn)有的人工分割費時費力，且精確度和分辨率均有限[1]。因此,迫切期待對SAR海冰圖像的自動分割能幫助冰情分析人員更好地解釋海冰圖像。
海冰通常是淡水冰、鹽水和空氣的混合物。WMO[2]主要基于冰的厚度和持續(xù)時間對海冰種類進(jìn)行定義。如頭年冰(First Year Ice)有較大的鹽體，因此微波不容易穿透，這里表面散射占優(yōu)勢。針對頭年平滑冰，信號能量的大部分反射出去，少部分能量沿雷達(dá)方向返回，這種區(qū)域的色調(diào)值是非常低的，顯得比較暗。針對頭年粗糙冰，可以獲得更多的返回能量，相應(yīng)的區(qū)域顯得較亮。多年冰（Multi-year ice）的含鹽率非常低。除了有限的表面散射，經(jīng)由體散射的后向散射是最主要的貢獻(xiàn)，它受粒子（氣泡和冰晶）尺寸和密度的影響。盡管多年冰通常看起來顯得比初期冰更亮，但相對于新冰而言，每日和每季的變化有時候可能掩蓋后向散射特征。而表面雪溶化或偶爾海水的入侵，這些變化是由含水率和鹽濃度引起的。
對于SAR圖像的分割，最常用的是閾值法和聚類方法它們僅考慮像素本身的灰度值,一般不考慮空間特征，因而對噪聲很敏感。在實際應(yīng)用中，通常與其他方法結(jié)合使用。為了提高分割算法的穩(wěn)定性，其他很多方法則或多或少、內(nèi)在或外在地利用空間上下文信息來指導(dǎo)分割，如區(qū)域生長與合并方法[3]、邊緣檢測方法[4]以及基于模型[5]的方法等。但這些方法都各具優(yōu)點和缺點。區(qū)域增長與合并方法對復(fù)雜圖像的分割效果較好，但算法較復(fù)雜，計算量大，合并還可能破壞區(qū)域的邊界；邊緣檢測方法的性能主要取決于圖像中邊界定義的好壞，因此如果圖像是有噪的或邊界模糊通常會遇到困難。經(jīng)實驗證明,在圖像分割和邊緣檢測中[6]，分水嶺分割算法是一種很有效的方法，因此可以運用分水嶺算法對冰區(qū)進(jìn)行初始分割。
1.2 SAR 海冰圖像的區(qū)域化以及構(gòu)建區(qū)域鄰接圖
從圖像的局部結(jié)構(gòu)出發(fā)，將圖像劃分為相似像素組成的基本區(qū)域，從而把像素分類問題轉(zhuǎn)化為區(qū)域分類問題，增強了對相干斑噪聲及特征不穩(wěn)定性的抗干擾能力。實際上本步驟是對分水嶺算法的描述。
Vincent和Soille在1991年以沉浸算法定義了分水嶺(Water shed)算法。分水嶺是地形學(xué)的經(jīng)典概念,也是圖像形態(tài)學(xué)中的重要算子。在圖像處理領(lǐng)域,分水嶺的實現(xiàn)方法有很多,其中最典型的一種方法是基于模擬泛洪的思想，它將圖像分割成大量不重疊的封閉區(qū)域。
在本文中，首先由Canny算子計算出梯度，原始圖像與高斯核的一階導(dǎo)數(shù)在水平和垂直方向分別卷積，從而獲得兩個方向上的導(dǎo)數(shù)。高斯函數(shù)的方差對所獲得的邊界的平滑度有一定程度的影響，本文中的方差設(shè)置為1.0。然后運用模擬泛洪的算法[7]計算SAR圖像中的分水嶺，得到作為后繼區(qū)域能量最小化的初始子區(qū)域。分水嶺初始分割通常會得到大量的區(qū)域，如何有效地描述每個區(qū)域的屬性及區(qū)域間的上下文關(guān)系是實際算法實現(xiàn)中的難題。本文實現(xiàn)了一種稱為區(qū)域鄰接圖RAG(Region Adjacency Graph) [8]數(shù)據(jù)結(jié)構(gòu)。其本質(zhì)上是一種圖，每個節(jié)點代表一個區(qū)域，節(jié)點間的弧反映域間的上下文關(guān)系，如圖2所示。
2 實驗結(jié)果及分析
將提出的算法應(yīng)用到兩幅SAR圖像的分割上證實其在實際應(yīng)用中的價值，如圖3和圖4所示。將本算法與基于像素級的MRF分割和基于區(qū)域的MRF分割進(jìn)行比較。
圖3 (a)是從工作在 ScanSAR C-頻段模式的RADARSAT-1衛(wèi)星在1997年10月13日拍攝的Beaufort海的SAR海冰圖像提取的，分辨率為100 m。此SAR海冰圖像中海冰類型有兩種，其中較亮的區(qū)域代表多年冰，其他區(qū)域表示灰度冰。圖4(a)是從工作在 ScanSAR C-頻段模式的RADARSAT-1衛(wèi)星在1998年6月24日拍攝的Baffin Bay的SAR海冰圖像中提取的,分辨率為100 m。該SAR圖像有海冰（亮的區(qū)域）和敞水（相對較暗的區(qū)域）組成。
圖3(b)基于像素級的MRF分割由于噪聲的影響，得到的圖像依然保留著很多斑點，產(chǎn)生大量的孤立誤分小區(qū)域。而基于區(qū)域的MRF分割以及本文算法，由于采取區(qū)域的方法，其準(zhǔn)確率有了顯著提高。與圖3(c)基于區(qū)域型的MRF分割算法相比,本文提出的這種算法在圖像分割方面有了明顯的進(jìn)步。圖4所示的實驗結(jié)果進(jìn)一步驗證了本文算法的有效性。
本文提出了一種基于邊緣保持的區(qū)域能量最小化的SAR海冰圖像分割算法，該算法首先對圖像進(jìn)行 SRAD濾波，然后進(jìn)行分水嶺初始分割和區(qū)域能量最小化分割。通過對SAR海冰圖像的分割，證明了該算法的有效性，克服了基于像素級分割算法只考慮像素自身特征、對噪聲較為敏感的缺點；與基于區(qū)域型MRF分割相比，本文算法具有物體邊緣定位準(zhǔn)確及分割效率高等優(yōu)點。
參考文獻(xiàn)
[1] Yang Xuezhi,CLAUSI D A. 2007.SAR sea ice image segmentation based on edge-preserving watersheds[C].Fourth Canadian Conference on Computer and Robot Vision(CRV’ 07),2007:426-431.
[2] www.eorc.jaxa.jp. EORC|Images & Data-ALOS Data Acquisition Planning Begun to Study the Global Carbon Cycle. 2007．
[3] ADAMS R, BISCHOF L. Seeded region growing[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 1994,16(6):641-647.
[4] BOVIK A C. On detecting edges in speckle imagery[J]. IEEE Transactions on Acoustics,Speed and Signal Processing,1998,36(10):1648-1627.
[5] WON C S, DERIN H. Unsupervised segmentation of noisy and textured images using Markov random Fields[J]. CVGIP: Graphical Models and Image Processing, 1992,54(4):308-328.
[6] GAUCH J M.Image segmentation and analysis via multiscale gradient watershed hierarchies[J]. IEEE Transactions, on Image Processing,1999,8(1):69-79．
[7] VINCENT L, SOILLE P. Watersheds in digital spaces: an afficient algorithm based on immersion simulations[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence,1991,13(6): 583-598.
[8] LI S Z. Markov random field modeling in image analysis[M].Springer, 2001.