蔣婷+覃發(fā)超+徐珍

摘 要：極化SAR圖像分割是面向?qū)ο蟮臉O化SAR圖像分析處理的重要組成部分，也是極化SAR圖像處理的關(guān)鍵和難題。然而，目前還沒(méi)有一種極化SAR分割方法被廣泛接受。文章通過(guò)對(duì)現(xiàn)有的極化SAR圖像分割方法進(jìn)行綜述，以使各位研究者對(duì)其有一個(gè)較全面的認(rèn)識(shí)。文章首先介紹了國(guó)內(nèi)外在極化SAR圖像分割方面的主要研究機(jī)構(gòu)；然后對(duì)現(xiàn)有的極化SAR圖像分割算法進(jìn)行了分類(lèi)，并歸納了不同方法的基本思想，分析了各自的性能特點(diǎn)；最后對(duì)極化SAR圖像分割方法的研究現(xiàn)狀及發(fā)展趨勢(shì)進(jìn)行了總結(jié)和展望。

關(guān)鍵詞：極化SAR；面向?qū)ο?；圖像分割

合成孔徑雷達(dá)（Synthetic Aperture Radar，SAR）是一種全天候、全天時(shí)的主動(dòng)微波遙感成像雷達(dá)，在地質(zhì)勘測(cè)、災(zāi)害控制、參數(shù)反演和軍事領(lǐng)域等方面應(yīng)用廣泛。極化SAR（Polarimetric SAR，PolSAR）可記錄地面目標(biāo)完整的極化散射信息，極大地提高了圖像解譯分析精度。目前，極化SAR圖像分割仍是極化SAR圖像處理領(lǐng)域的研究熱點(diǎn)之一。

面向?qū)ο蠓诸?lèi)（Object-Oriented Classification，OOC）將空間相鄰、光譜特征相近的多個(gè)像元合并為均一同質(zhì)對(duì)象，然后對(duì)圖像分類(lèi)。其結(jié)果可視性和整體性較好，可有效避免噪聲影響，便于目標(biāo)識(shí)別和圖像解譯。但SAR系統(tǒng)的成像特性使SAR圖像存在大量相干斑噪聲，限制了面向?qū)ο蟮臉O化SAR圖像處理的應(yīng)用。

極化SAR圖像分割是面向?qū)ο蟮臉O化SAR圖像解譯處理的基礎(chǔ)和前提。迄今為止（不完全統(tǒng)計(jì)），主要有以下國(guó)家機(jī)構(gòu)投入到極化SAR圖像分割分類(lèi)的研究中。（1）國(guó)外：美國(guó)海軍研究實(shí)驗(yàn)室（NRL）遙感部、美國(guó)宇航局（NASA）噴氣推進(jìn)實(shí)驗(yàn)室（JPL）、密歇根大學(xué)電子工程與計(jì)算機(jī)系輻射實(shí)驗(yàn)室、麻省理工學(xué)院等；日本宇宙航空研究開(kāi)發(fā)機(jī)構(gòu)（JAXA）；德國(guó)宇航中心（DLR）；加拿大遙感中心（CCRS）等。（2）國(guó)內(nèi)：清華大學(xué)電子工程系，復(fù)旦大學(xué)波散射與遙感信息國(guó)家教育部重點(diǎn)實(shí)驗(yàn)室，電子科技大學(xué)工程學(xué)院，中科院電子研究所和遙感應(yīng)用研究所，武漢大學(xué)測(cè)繪遙感信息工程國(guó)家重點(diǎn)實(shí)驗(yàn)室和電信學(xué)院，國(guó)防科技大學(xué)電子科學(xué)與工程學(xué)院等。

1 極化SAR圖像分割算法

現(xiàn)有極化SAR圖像分割方法主要有以下幾類(lèi)：基于閾值的分割方法、基于區(qū)域和聚類(lèi)的分割方法和基于特定理論的分割方法。

1.1 基于閾值的分割方法

閾值分割是用數(shù)個(gè)閾值將圖像的灰度級(jí)分為幾個(gè)部分，將所有灰度值處于閾值間的像素視為一類(lèi)。閾值確定是閾值分割的關(guān)鍵，其準(zhǔn)確性決定了圖像分割的準(zhǔn)確性，最優(yōu)閾值的選擇是該方法研究的難點(diǎn)。該算法簡(jiǎn)單便捷、運(yùn)算效率高，但只考慮了像素本身的灰度值，忽略了空間特征，因而對(duì)于包含復(fù)雜地物信息的極化SAR圖像分割適用性較差。安健[1]研究了基于Otsu和模糊聚類(lèi)算法的極化SAR圖像分割分類(lèi)，該算法對(duì)噪聲和離群點(diǎn)有一定容忍度，但閾值和參數(shù)的設(shè)置需進(jìn)一步研究。

1.2 基于區(qū)域和聚類(lèi)的分割方法

先選一些同質(zhì)像素作為種子點(diǎn)，然后按某種相似性準(zhǔn)則將鄰域中與種子點(diǎn)性質(zhì)相同或相似的像素合并到種子點(diǎn)的區(qū)域并更新種子點(diǎn)，重復(fù)上述步驟，直到?jīng)]有像素可被合并為止，即得到分割結(jié)果。該方法計(jì)算簡(jiǎn)單，對(duì)于具有勻質(zhì)區(qū)域的極化SAR圖像，可取得較好的分割效果。但是該算法需要人工確定種子點(diǎn)，對(duì)噪聲敏感。

1.2.1 分水嶺算法

分水嶺算法（Watershed）用圖像中像素點(diǎn)的灰度值表示該點(diǎn)的海拔，每一個(gè)局部極小值及其影響區(qū)域稱(chēng)為集水盆，集水盆的邊界則形成分水嶺。該算法對(duì)微弱邊緣有良好的響應(yīng)，運(yùn)算簡(jiǎn)潔、效率高，具有較好的邊界精度，但是易產(chǎn)生嚴(yán)重的過(guò)分割現(xiàn)象。朱騰等[2]利用分水嶺過(guò)分割和極化參數(shù)Span進(jìn)行迭代分類(lèi)，分割結(jié)果可較好地避免“椒鹽”現(xiàn)象，改善分類(lèi)效果，但對(duì)紋理信息的保持有所欠缺。

1.2.2 SLIC算法

SLIC（Simple Linear Iterative Cluttering）是一種基于K均值聚類(lèi)的超像素分割算法，效率高，可生成形狀緊湊、近似均勻的超像素，基本算法過(guò)程主要包括3個(gè)步驟。（1）聚類(lèi)中心初始化，在整個(gè)圖像上均勻初始化K個(gè)聚類(lèi)中心，把像素點(diǎn)納入與其距離最近的聚類(lèi)中心；（2）局部迭代更新，直到滿(mǎn)足終止條件為止；（3）后處理，對(duì)孤立的小尺寸區(qū)域進(jìn)行近鄰合并處理，以提高結(jié)果的緊密度。Qin 等[3]對(duì)SLIC算法進(jìn)行改進(jìn)，使其可直接用于極化SAR數(shù)據(jù)，實(shí)驗(yàn)算法能明顯去除斑點(diǎn)，且較好保持點(diǎn)和邊緣特征。

1.2.3 均值漂移

均值漂移（Mean-shift，MS）是一種統(tǒng)計(jì)迭代算法，它依次計(jì)算各像素點(diǎn)在一定窗口中的均值漂移向量，將起始點(diǎn)移動(dòng)至向量所指位置，并以此為新起始點(diǎn)繼續(xù)漂移，直到停止漂移，停止位置為模態(tài)點(diǎn)。把具有相同模態(tài)點(diǎn)的像素合并到同一區(qū)域，實(shí)現(xiàn)圖像分割。其分割結(jié)果輪廓和邊界較清晰，但收斂較慢，存在過(guò)分割問(wèn)題。Zhang等[4]結(jié)合MS和MRF并用于PolSAR圖像分類(lèi)，取得了較好的分類(lèi)結(jié)果。

1.3 基于特定理論的分割方法

1.3.1 基于圖論的分割算法

譜圖分割，又叫譜聚類(lèi)分割，主要用加權(quán)無(wú)向圖來(lái)表征待分割圖像，圖的頂點(diǎn)為圖像像素，頂點(diǎn)的屬性對(duì)應(yīng)圖的特征信息，圖的邊表征像素的空間關(guān)系，邊的屬性對(duì)應(yīng)像素間的特征關(guān)系。該方法靈活性較強(qiáng)、計(jì)算效率較高、分割特性較好，是圖像分割領(lǐng)域中一個(gè)新的研究熱點(diǎn)。趙磊等[5]結(jié)合均值漂移和譜圖分割，用Radarsat-2全極化數(shù)據(jù)進(jìn)行實(shí)驗(yàn)分割，證明了其具有效性和穩(wěn)健性。

1.3.2 基于MRF的分割算法

馬爾科夫隨機(jī)場(chǎng)（Markov Random Field，MRF）用最優(yōu)準(zhǔn)則確定目標(biāo)函數(shù)，通過(guò)求解函數(shù)的最大可能分布，將分割問(wèn)題轉(zhuǎn)化成最優(yōu)化問(wèn)題。該方法目標(biāo)分割準(zhǔn)確，邊緣定位清晰，有很大的發(fā)展前景。Wu等[6]先利用條件迭代模型對(duì)圖像進(jìn)行Wishart MRF過(guò)分割，再作Wishart ML分類(lèi)，實(shí)驗(yàn)算法可有效抑制相干斑，獲得較好的分割結(jié)果。

1.3.3 水平集方法

基于曲線(xiàn)演化理論和零水平集思想的水平集（Level-set）方法，可追蹤拓?fù)浣Y(jié)構(gòu)的變化，解決參數(shù)活動(dòng)輪廓模型難以解決的問(wèn)題。其主要思想是將n維移動(dòng)變形曲線(xiàn)隱式表達(dá)為n+1維的水平集函數(shù)，由封閉超曲面的演化方程得到函數(shù)的演化方程，確定演化函數(shù)在零水平截面上的位置，即得到移動(dòng)變形曲線(xiàn)的演化結(jié)果。ZOU等[7]采用Kummer U分布以提高分割準(zhǔn)確性，同時(shí)引入距離限制項(xiàng)以避免水平集函數(shù)重新初始化，減少迭代次數(shù)，提高分割效率。

2 結(jié)語(yǔ)

通過(guò)國(guó)內(nèi)外學(xué)者的不懈努力，已有很多極化SAR圖像分割方法，取得了豐碩的成果。但其發(fā)展還不夠成熟，仍存在很多問(wèn)題，需進(jìn)一步研究和解決。（1）如何在克服噪聲的同時(shí)保持圖像的點(diǎn)、線(xiàn)、邊緣等細(xì)節(jié)信息，以提高分割精度；（2）如何充分利用紋理、形狀等特征，以獲得高質(zhì)量、高保真的極化SAR圖像；（3）如何在圖像分割時(shí)選擇最優(yōu)分割尺度，以抑制過(guò)分割、欠分割現(xiàn)象的發(fā)生；（4）如何降低運(yùn)算代價(jià)、提高運(yùn)算效率，以滿(mǎn)足大數(shù)據(jù)和實(shí)時(shí)性需求。

為了取得高精度、低噪聲和可視性、均一性、魯棒性好的極化SAR圖像分割結(jié)果，面向?qū)ο笠殉蔀檠芯繜狳c(diǎn)。在其后續(xù)發(fā)展中，極化SAR數(shù)據(jù)特點(diǎn)的充分利用，其他領(lǐng)域新理論新技術(shù)的借鑒將仍是該領(lǐng)域的一個(gè)主要發(fā)展趨勢(shì)。隨著成像技術(shù)和計(jì)算機(jī)技術(shù)的不斷提高和發(fā)展，加之各種新理論、新方法的應(yīng)用和改進(jìn)，相信極化SAR圖像分割會(huì)不斷完善和成熟。

[參考文獻(xiàn)]

[1]安健.基于極化合成孔徑雷達(dá)圖像分類(lèi)算法研究[D].成都：電子科技大學(xué)，2014.

[2]朱騰，余潔，李小娟，等.基于超像素與Span-Pauli分解的SAR影像分類(lèi)[J].華中科技大學(xué)學(xué)報(bào)（自然科學(xué)版），2015（7）：77-81.

[3]QIN F，GUO J，LANG F. Superpixel segmentation for polarimetric SAR imagery using local iterative clustering[J].IEEE Geoscience & Remote Sensing Letters，2015（1）：13-17.

[4]ZHANG B，MA G，ZHANG Z，et al. Region-based classification by combining MS segmentation and MRF for POLSAR images[J].Journal of Systems Engineering & Electronics，2013（3）：400-409.

[5]趙磊，陳爾學(xué)，李增元，等.基于均值漂移和譜圖分割的極化SAR影像分割方法及其評(píng)價(jià)[J].武漢大學(xué)學(xué)報(bào)（信息科學(xué)版），2015（8）：1061-1068.

[6]WU Y，JI K，YU W，et al. Region-based classification of polarimetric SAR images using wishart MRF[J].IEEE Geoscience & Remote Sensing Letters，2008（4）：668-672.

[7]ZOU P，LI Z，TIAN B，et al. A level set method for segmentation of high-resolution polarimetric SAR images using a heterogeneous clutter model[J].Remote Sensing Letters，2015（7）：548-557.

Abstract： Polarimetric SAR image segmentation is an important component of the object-oriented polarimetric SAR image analysis and processing， and also is the key and difficult problem of the polarimetric SAR image processing. However， there is no one polarimetric SAR image segmentation method that is accepted widely so far. This paper summarized the existing methods of polarimetric SAR image segmentation so that researchers have a comprehensive understand of it. Firstly， the main research institutions of polarimetric SAR image segmentation at home and abroad are introduced. Then， the existing algorithms of polarimetric SAR image segmentation are classified and the basic ideas of different methods is summarized， and performance characteristics are analyzed respectively. Finally， the research status and developing trends of polarimetric SAR image segmentation are summarized and prospected..

Key words： polarimetric SAR； object-oriented； image segmentation