韓 斌，吳一全,2,3,4

1. 南京航空航天大學電子信息工程學院，江蘇 南京 211106； 2. 黃河水利委員會黃河水利科學研究院水利部黃河泥沙重點實驗室，河南 鄭州 450003； 3. 南京水利科學研究院港口航道泥沙工程交通行業(yè)重點實驗室，江蘇 南京 210024； 4. 哈爾濱工業(yè)大學城市水資源與水環(huán)境國家重點實驗室，黑龍江 哈爾濱 150090

韓斌，吳一全.SAR圖像河流分割的加權指數(shù)區(qū)域能量模型[J].測繪學報，2017,46(9)：1174-1181.

10.11947/j.AGCS.2017.20170134.

HAN Bin,WU Yiquan.Weighted Exponential Region Energy Model for River Segmentation of SAR Images[J]. Acta Geodaetica et Cartographica Sinica,2017,46(9):1174-1181. DOI:10.11947/j.AGCS.2017.20170134.

SAR圖像河流分割的加權指數(shù)區(qū)域能量模型

韓 斌1，吳一全1,2,3,4

1. 南京航空航天大學電子信息工程學院，江蘇 南京 211106； 2. 黃河水利委員會黃河水利科學研究院水利部黃河泥沙重點實驗室，河南 鄭州 450003； 3. 南京水利科學研究院港口航道泥沙工程交通行業(yè)重點實驗室，江蘇 南京 210024； 4. 哈爾濱工業(yè)大學城市水資源與水環(huán)境國家重點實驗室，黑龍江 哈爾濱 150090

傳統(tǒng)主動輪廓模型很難實現(xiàn)精確的SAR圖像河流分割。針對這一問題，本文提出了一種加權指數(shù)區(qū)域能量主動輪廓模型，以精確地提取SAR圖像中的河流。該模型在Chan-Vese(CV)模型能量泛函中引入了指數(shù)區(qū)域能量，能更好地衡量分割圖像和原始圖像的差異程度，提高模型的分割準確性。此外，利用目標區(qū)域和背景區(qū)域內(nèi)像素灰度的最大絕對差取代模型中常值區(qū)域能量權重，自適應地調(diào)節(jié)目標區(qū)域和背景區(qū)域的能量比重，加速曲線運動到目標區(qū)域的邊緣，獲得更高的分割效率。針對實際河流SAR圖像進行了分割試驗，結果表明：與傳統(tǒng)主動輪廓模型相比，本文提出的模型能更快速、精確地分割SAR圖像中的河流，在分割結果和分割效率兩方面具有優(yōu)勢。

SAR圖像；河流分割；主動輪廓模型；指數(shù)區(qū)域能量；最大絕對差

河流信息提取和識別對水資源調(diào)查與監(jiān)測、水利設施評估與建設、洪澇災害防治、水上航道規(guī)劃等具有重要的現(xiàn)實意義。傳統(tǒng)人工測量存在諸多不足，例如測量周期長、不具備實時性、需要花費大量的人力物力等。隨著合成孔徑雷達(synthetic aperture radar,SAR)遙感成像技術的不斷發(fā)展，它逐漸應用于對地觀測領域。SAR成像具有拍攝周期短、觀測范圍廣、所成圖像分辨率高等特點，特別是還具有全天候、全天時的優(yōu)勢，成為了河流信息提取和識別的重要手段之一。圖像分割是利用SAR圖像提取和識別河流信息的關鍵技術，因此研究SAR圖像河流分割很有必要。

SAR圖像河流分割的方法大體可劃分為：基于區(qū)域的分割方法和基于邊緣的分割方法[1]。文獻[2]首先對圖像進行分塊處理，然后依據(jù)統(tǒng)計直方圖得到河道初始標記信息，再利用結合河道初始標記信息的分水嶺方法對SAR圖像進行粗分割，最后根據(jù)區(qū)域鄰接圖獲取河道提取結果。文獻[3]采用閾值分割方法分割SAR圖像得到初始的河面區(qū)域及河岸線部分，再利用SAR圖像紋理特征對河岸線進行連通處理，最終實現(xiàn)河面的完整提取。文獻[4]提出一種基于小波域和脊線跟蹤的河道邊緣提取方法。首先利用小波變換數(shù)據(jù)在相鄰尺度上的空間相關性得到初始河道邊緣，再利用脊線跟蹤法連接間斷的河道邊緣，以獲得完整的河道邊緣。文獻[5]提出一種基于空間像素模板和Adaboost的分割方法以實現(xiàn)遙感圖像中河流的提取。該方法利用過濾波式特征選取獲得空間像素模板并構建多維特征向量，然后通過Adaboost集成學習算法完成遙感圖像中河流的提取。文獻[6]提出一種結合支持向量機和水平集的SAR圖像河流檢測方法。該方法綜合利用SAR圖像中河流的特點以及圖像中的紋理特征，并通過支持向量機分類器進行河流的粗提取。在此基礎上，采用距離正則化水平集方法實現(xiàn)SAR圖像中河流的檢測。雖然上述方法都能從SAR圖像中提取河流信息，但分割準確性或分割效率還有待進一步提高。

自Chan-Vese(CV)[7]模型被提出以來，主動輪廓模型成為了圖像分割領域的主要方法之一[8-10]。依據(jù)利用圖像信息的不同，主動輪廓模型大致可分為3類：全局模型[11-15]、局部模型[16-20]及混合模型[21-24]。近年來，研究者們將主動輪廓模型應用于SAR圖像河流分割，取得了較好的結果[25-27]。文獻[25]提出一種基于倒數(shù)灰度熵和改進CV模型(RGECV)的河流SAR圖像分割模型。該模型采用倒數(shù)灰度熵對圖像進行粗分割，并將粗分割結果作為改進CV模型的初始曲線，利用改進CV模型對圖像進行細分割，取得了較好的結果，但仍然不夠準確。文獻[26]提出一種基于CV模型和交叉熵模型的混合主動輪廓模型(CVCE)來進行SAR圖像河流分割。不同于傳統(tǒng)主動輪廓模型，該模型利用兩種區(qū)域像素灰度差異性描述準則，即類內(nèi)方差和交叉熵，來衡量分割圖像和原始圖像的差異程度，能更好地抑制SAR圖像中干擾區(qū)域的影響。然而分割圖像中仍存在一些干擾區(qū)域，分割準確性有待進一步提高，并且CVCE模型計算量較大，導致分割效率較低。SAR圖像一般表示地表后向散射的強度。SAR圖像中河流區(qū)域后向散射系數(shù)相對較小，成像較弱，回波信號接近于零，因此河流區(qū)域灰度較低，呈現(xiàn)為黑色區(qū)域。而SAR圖像中干擾區(qū)域的灰度與河流區(qū)域的灰度十分接近，利用現(xiàn)有主動輪廓模型分割SAR圖像中的河流，干擾區(qū)域往往會被誤分為河流區(qū)域，導致分割效果不佳。綜合上述分析，本文提出一種加權指數(shù)區(qū)域能量主動輪廓模型，以精確分割SAR圖像中的河流。該模型在CV模型能量泛函中引入了指數(shù)區(qū)域能量，能更好地衡量分割圖像和原始圖像的差異性，提高模型的分割準確性。此外，利用目標區(qū)域和背景區(qū)域內(nèi)像素灰度的最大絕對差取代模型中常值區(qū)域能量權重，以提高模型的分割效率。

1 CV模型簡介

在Mumford-Shah模型的基礎上，文獻[7]提出了一種新的主動輪廓模型。該模型假設分割圖像主要由兩個勻質(zhì)區(qū)域組成，即目標區(qū)域Ωo和背景區(qū)域Ωb。分別用目標區(qū)域和背景區(qū)域內(nèi)像素灰度的均值co和cb來表征目標區(qū)域和背景區(qū)域的灰度特征。于是CV模型的能量泛函可表示為

(1)

式中，f(χ)表示原始圖像；L(C)和S(C)分別表示長度和面積規(guī)則項；μ、v、λ是相應能量項的權重。ECV(C)中，前兩項為內(nèi)部能量約束項，在曲線演化進程中，維持曲線的光滑程度，后兩項為外部能量約束項，在曲線演化進程中，指導曲線運動到目標的邊緣。

為了更好處理拓撲變化的問題，引入水平集φ隱含地表達曲線C，則水平集形式的CV模型能量泛函為

(2)

式中，δ(φ)和H(φ)分別表示Heaviside函數(shù)、Dirac函數(shù)的正則近似化，可由下式計算得到

(3)

(4)

利用變分原理和最速下降法求解式(2)，則其梯度下降流方程為

(5)

采用有限差分法離散式(5)并迭代求解，當?shù)呌诜€(wěn)定時，圖像分割完成。

2 加權指數(shù)區(qū)域能量模型描述

2.1 指數(shù)區(qū)域能量主動輪廓模型

傳統(tǒng)CV模型是利用歐氏距離衡量分割圖像和原始圖像的差異程度，并且依據(jù)類內(nèi)方差最小準則來分割圖像。而河流SAR圖像中干擾區(qū)域的灰度與河流區(qū)域的灰度十分近似，因此干擾區(qū)域往往會被錯分為河流區(qū)域。顯然，僅利用歐氏距離衡量分割圖像和原始圖像的差異程度不夠準確，無法實現(xiàn)河流SAR圖像準確分割。為解決這一問題，提出了一種指數(shù)區(qū)域能量(ERCV)主動輪廓模型，在CV模型的能量泛函中添加指數(shù)區(qū)域能量項，進一步約束分割圖像和原始圖像的差異程度，于是ERCV模型能量泛函的表達式為

(6)

式中，τ是一個小正數(shù)，用來避免分母為零沒有意義的情況。觀察式(6)和式(2)可以發(fā)現(xiàn)，式(2)事實上也可認為是計算目標區(qū)域和背景區(qū)域內(nèi)像素灰度的類內(nèi)方差并以此指導曲線逼近目標邊緣；而式(6)在計算類內(nèi)方差時增加了指數(shù)約束，能更好地描述目標區(qū)域和背景區(qū)域內(nèi)像素灰度的差異程度，因此，ERCV模型能獲得更高的分割準確性。

同樣采用水平集φ來隱含表達曲線C，則式(6)可改寫為

H(φ))dχ

(7)

式(7)可通過變分原理和最速下降法求解，得到其梯度下降流方程

(8)

式中，co和cb分別是目標區(qū)域和背景區(qū)域內(nèi)像素灰度的均值，其計算式為

(9)

2.2 基于最大絕對差加權的ERCV模型

傳統(tǒng)主動輪廓模型的區(qū)域能量權重λ是常值，而在曲線演化進程中，曲線的位置和輪廓是持續(xù)變化的，目標區(qū)域和背景區(qū)域內(nèi)像素灰度差異性隨之發(fā)生改變，導致目標區(qū)域和背景區(qū)域能量大小也時刻發(fā)生變化。顯然，采用常值區(qū)域能量權重不夠合理，會造成模型的分割效率不高。于是引入目標區(qū)域和背景區(qū)域內(nèi)像素灰度的最大絕對差來表征目標區(qū)域和背景區(qū)域內(nèi)像素灰度差異程度，在曲線演化進程中，能利用其自適應地調(diào)節(jié)目標區(qū)域和背景區(qū)域的能量比重，實現(xiàn)曲線的加速演化，提高模型分割效率。因此，將ERCV模型中的常值區(qū)域能量權重替換為目標區(qū)域和背景區(qū)域內(nèi)像素灰度的最大絕對差，則加權ERCV(WERCV)模型的能量泛函可表示為

(10)

式中，dmax1和dmax2分別表示目標區(qū)域和背景區(qū)域內(nèi)像素灰度的最大絕對差，計算式如下

我們在面對田野資料時，必須考慮這些資料的生產(chǎn)過程。在田野中，無論是各類民間文獻還是口述資料，它都有一個生產(chǎn)的過程。在西方人類學領域，production是個非常重要的分析概念。我認為，實踐民俗學也特別需要引入這個概念。田野資料的生產(chǎn)過程至少包含著兩個層面的內(nèi)涵：一是作為地方知識的田野資料有一個數(shù)十年、數(shù)百年的歷史生產(chǎn)和積累過程；二是被訪談人或受訪者的講述本身又是對這些地方性知識給予再生產(chǎn)的過程。

(11)

利用變分原理和最速下降法求解式(10)，則其梯度下降流方程為

(12)

利用WERCV模型分割圖像時，當目標區(qū)域內(nèi)像素灰度差異性大于背景區(qū)域內(nèi)像素灰度差異性，相應的目標區(qū)域能量會大于背景區(qū)域能量，同時目標區(qū)域內(nèi)像素灰度的最大絕對差也大于背景區(qū)域內(nèi)像素灰度的最大絕對差，即dmax1>dmax2。在隨后的曲線演化進程中，目標區(qū)域能量的比重大于背景區(qū)域能量的比重，目標區(qū)域能量起主導作用，加速曲線逼近目標邊緣；反之亦然，當背景區(qū)域內(nèi)像素灰度差異性大于目標區(qū)域內(nèi)像素灰度差異性，相應的背景區(qū)域能量會大于目標區(qū)域能量，同時背景區(qū)域內(nèi)像素灰度的最大絕對差也大于目標區(qū)域內(nèi)像素灰度的最大絕對差，即dmax2>dmax1。在隨后的曲線演化進程中，背景區(qū)域能量的比重大于目標區(qū)域能量的比重，背景區(qū)域能量起主導作用，同樣加速曲線逼近目標邊緣。

依據(jù)上述分析，將WERCV模型的優(yōu)勢總結如下：

(1) 利用WERCV模型分割圖像，能獲得更準確的分割結果。大部分現(xiàn)有主動輪廓模型是利用歐氏距離來衡量分割圖像和原始圖像的差異程度并遵守類內(nèi)方差最小準則來分割圖像，干擾區(qū)域往往會被誤分為目標區(qū)域，分割結果不夠理想。WERCV模型在CV模型能量泛函中增加了指數(shù)區(qū)域能量項，增強了分割圖像和原始圖像差異性的約束，能更精確地衡量分割圖像和原始圖像的差異程度，因此WERCV模型能更準確地分割圖像。

(2) 利用WERCV模型分割圖像，具有更高的分割效率?，F(xiàn)有主動輪廓模型中，區(qū)域能量權重是常值，不會隨著曲線位置和輪廓的變化而發(fā)生改變。然而目標區(qū)域和背景區(qū)域能量的大小同樣是時刻變化的，利用常值區(qū)域能量權重顯然不合理。WERCV模型采用目標區(qū)域和背景區(qū)域內(nèi)像素灰度的最大絕對差作為區(qū)域能量權重，能自適應地調(diào)節(jié)目標區(qū)域和背景區(qū)域能量的比重，加速曲線逼近目標邊緣。因此WERCV模型能更高效地分割圖像。

3 試驗與結果分析

為了驗證提出模型的有效性，分別采用CV模型、LRCV模型、RGECV模型、CVCE模型以及提出模型對實際河流SAR圖像進行了分割試驗，并對比、分析了試驗結果。試驗環(huán)境為：CPU型號為Intel Core i7-3610QM，主頻2.30 GHz，內(nèi)存4 GB，仿真軟件Matlab R2014A，操作系統(tǒng)為Windows 7。試驗圖像是由加拿大航天局和MDA公司聯(lián)合研制的RADARSAT-2衛(wèi)星拍攝，該衛(wèi)星工作波段為C波段，分辨率為3 m，入射角為30°～40°。圖1、圖2為兩幅河流SAR圖像及其5種模型的分割結果。其中，圖1(a)、圖2(a)均為原始河流SAR圖像，圖1(b)—(f)、圖2(b)—(f)均分別表示CV模型、LRCV模型、RGECV模型、CVCE模型以及提出模型(WERCV)的分割結果。相關模型的試驗參數(shù)為：在CV模型和RGECV模型中，μ=0.01×255×255，v=0，λ=1，Δt=0.1，ε=1；在LRCV模型，μ=0.01×255×255，λ=1，Δt=0.1，ε=1，σ=3；在CVCE模型和WERCV模型中，μ=0.01×255×255，v=0，Δt=0.1，ε=1。

圖1 原始河流SAR圖像1及其5種模型的分割結果Fig.1 The original SAR image of river 1 and its segmentation results by five models

圖2 原始河流SAR圖像2及其5種模型的分割結果Fig.2 The original SAR image of river 2 and its segmentation results by five models

為了更好地對比和分析河流SAR圖像的分割結果，首先總結了河流SAR圖像的特征：①河流SAR圖像主要由河流區(qū)域和背景區(qū)域組成。河流區(qū)域相對較暗，灰度值較低，可將其當做勻質(zhì)區(qū)域；與河流區(qū)域相比，背景區(qū)域相對較亮，灰度值較高，是非勻質(zhì)區(qū)域。②除前面兩區(qū)域外，SAR圖像中還存在一些干擾區(qū)域，其灰度值與河流區(qū)域十分接近，往往會被錯分為河流區(qū)域。僅依據(jù)圖像灰度特征，很難將干擾區(qū)域和河流區(qū)域完全區(qū)分出來。

在圖1、圖2中，圖(b)表示CV模型的分割結果，顯然分割效果并不令人滿意，分割圖像中還存在一些干擾區(qū)域。CV模型是利用歐氏距離衡量分割圖像和原始圖像，依據(jù)類內(nèi)方差最小準則分割圖像；此外，SAR圖像中的干擾區(qū)域灰度與河流區(qū)域灰度十分近似。上述兩原因?qū)е翪V模型很難將河流區(qū)域和干擾區(qū)域完全區(qū)分開來。LRCV模型的分割結果在圖(c)中展示，分割效果并不優(yōu)異。事實上，LRCV模型可認為是CV模型的局部形式，該模型將CV模型中的全局區(qū)域擬合中心替換為局部區(qū)域擬合中心，所以LRCV模型能處理非勻質(zhì)圖像。而SAR圖像中河流區(qū)域是勻質(zhì)區(qū)域，背景區(qū)域是非勻質(zhì)區(qū)域，利用LRCV模型分割SAR圖像中的河流，結果并不理想，分割效果比CV模型差。圖(d)表示RGECV模型的分割結果。RGECV模型首先采用倒數(shù)灰度熵多閾值方法對SAR圖像中的河流進行粗分割，粗分割的結果作為二次分割的初始條件。然后將CV模型中的Dirac函數(shù)替換為邊緣強度指示函數(shù)，利用改進CV模型對SAR圖像中的河流進行細分割。然而RGECV模型的分割效果與CV模型相差不大，只是在分割效率方面有所提高。圖(e)表示CVCE模型的分割結果，分割效果好于CV模型。與CV模型不同，CVCE模型利用兩種區(qū)域像素灰度差異性描述準則，即類內(nèi)方差和交叉熵，來描述河流區(qū)域和背景區(qū)域內(nèi)像素灰度的差異程度，能較好地抑制SAR圖像中干擾區(qū)域的影響。因此，CVCE模型能獲得較好的分割結果，但分割圖像中仍存在一些干擾區(qū)域，分割準確性有待進一步提高。WERCV模型的分割結果在圖(f)中展示，分割效果最佳。WERCV模型是在CV模型能量泛函中添加了指數(shù)區(qū)域能量項，增強了分割圖像和原始圖像差異性的約束，能更加精確地衡量分割圖像和原始圖像的差異程度。因此，WERCV模型能很好地抑制干擾區(qū)域?qū)Ψ指罱Y果的影響，可以實現(xiàn)SAR圖像中河流的準確分割。

為了更加客觀地比較5種模型的分割效果，給出上述2幅SAR圖像的人工分割結果作為參考圖像，如圖3所示。

圖3 河流SAR圖像人工分割結果Fig.3 Manual segmentation results of SAR images of rivers

選擇準確率(Ac)和虛警率(FA)來定量評價5種模型的分割效果。準確率和虛警率的計算式如下

(13)

(14)

式中，TP表示正確分割的河流像素；FP表示錯誤分割的河流像素；TN表示正確分割的背景像素；FN表示錯誤分割的背景像素。依據(jù)式(13)和式(14)計算上述分割結果的準確率和虛警率(見表1)。

表15種模型分割結果的準確率和虛警率

Tab.1Theaccuracyandfalsealarmofsegmentationresultsbyfivemodels(%)

由表1可知，本文模型的準確率最高，在95%以上；虛警率最低，在10%以下。綜合準確率和虛警率2個定量評價指標，本文模型在分割效果上有較大優(yōu)勢。

為了更加客觀地評價上述5種模型的分割效率，將它們的迭代次數(shù)和運行時間列于表2中。

表25種模型迭代次數(shù)和運行時間

Tab.2Iterationsandrunningtimeoffivemodelss

依據(jù)表2可知，CV模型的迭代次數(shù)和運行時間適中。CV模型目標區(qū)域和背景區(qū)域的能量權重是常值，不能自適應地調(diào)節(jié)能量的比重，導致曲線演化較慢，因此CV模型分割效率一般。LRCV模型是CV模型的局部形式。該模型將CV模型中的全局區(qū)域擬合中心替換為局部區(qū)域擬合中心，計算量有所增大，因此所需迭代次數(shù)和運行時間多于CV模型。LRCV模型的分割效率相對較低。RGECV模型將CV模型中的Dirac函數(shù)替換為邊緣強度指示函數(shù)，加速曲線運動到目標邊緣。所需迭代次數(shù)和運行時間要少于CV模型，RGECV模型的分割效率相對較高。CVCE模型是CV模型和交叉熵模型的結合，利用兩種區(qū)域像素灰度差異性描述準則來衡量分割圖像和原始圖像的差異程度，計算量有較大程度的增大，因此CVCE模型的迭代次數(shù)和運行時間最多，分割效率最低。WERCV模型是在CV模型的能量泛函中增加了指數(shù)區(qū)域能量項，計算復雜度提升不多。并且還引入目標區(qū)域和背景區(qū)域內(nèi)像素灰度的最大絕對差作為區(qū)域能量權重，替換模型中原有的常值能量權重，能自適應地調(diào)節(jié)目標區(qū)域和背景區(qū)域的能量比重，加速曲線逼近目標邊緣，很大程度地提高了模型的分割效率。因此，WERCV模型所需迭代次數(shù)和運行時間最少，分割SAR圖像中的河流效率最高。

4 結 論

SAR圖像背景區(qū)域灰度復雜，是非勻質(zhì)圖像，傳統(tǒng)主動輪廓模型難以準確分割SAR圖像中的河流。針對這一問題，本文提出了一種加權指數(shù)區(qū)域能量主動輪廓模型，以實現(xiàn)準確的SAR圖像河流分割。該模型在CV模型能量泛函中增加了指數(shù)區(qū)域能量項，增強了分割圖像和原始圖像差異性的約束，能更好地衡量分割圖像和原始圖像的差異程度，提高模型的分割準確性。此外，將模型中原有的常值區(qū)域能量權重替換為目標區(qū)域和背景區(qū)域內(nèi)像素灰度的最大絕對差，能自適應地調(diào)節(jié)目標區(qū)域和背景區(qū)域的能量比重，加速曲線逼近目標邊緣，提高模型的分割效率。試驗結果表明：與現(xiàn)有主動輪廓模型相比，提出模型能更快速、準確地分割SAR圖像中的河流，在分割結果和分割效率兩方面均具有優(yōu)勢。本文模型主要適用于水面靜止的河流SAR圖像，圖像中河流區(qū)域灰度較單一，范圍大致在0～60。另指出本文模型的不足，其在分割圖像時，僅利用了全局圖像信息，沒有考慮局部圖像信息，在后續(xù)研究工作中將引入局部圖像信息，進一步提高模型的分割性能。

[1] 江沖亞，李滿春，劉永學.海岸帶水體遙感信息全自動提取方法[J].測繪學報，2011，40(3)：332-337.

JIANG Chongya，LI Manchun，LIU Yongxue.Full-Automatic Method for Coastal Water Information Extraction from Remote Sensing Image[J].Acta Geodaetica et Cartographica Sinica，2011，40(3)：332-337.

[2] 王超，黃鳳辰，湯曉斌，等.一種針對復雜背景下高分辨率SAR圖像河道檢測算法[J].遙感技術與應用，2012，27(4)：516-522.

WANG Chao，HUANG Fengchen，TANG Xiaobin，et al.A River Extraction Algorithm for High-resolution SAR Images with Complex Backgrounds[J].Remote Sensing Technology and Application，2012，27(4)：516-522.

[3] BLAIN C A，LINZELL R，MCKAY P.Simple Methodology for Deriving Continuous Shorelines from Imagery：Application to Rivers[J].Journal of Waterway，Port，Coastal and Ocean Engineering，2013，139(5)：365-382.

[4] SUN Jingping，MAO Shiyi.River Detection Algorithm in SAR Images Based on Edge Extraction and Ridge Tracing Techniques[J].International Journal of Remote Sensing，2011，32(12)：3485-3494.

[5] 慎利，唐宏，王世東，等.結合空間像素模板和Adaboost算法的高分辨率遙感影像河流提取[J].測繪學報，2013，42(3)：344-350.

SHEN Li，TANG Hong，WANG Shidong，et al.River Extraction from the High Resolution Remote Sensing Image Based on Spatially Correlated Pixels Template and Adaboost Algorithm[J].Acta Geodaetica et Cartographica Sinica，2013，42(3)：344-350.

[6] 于曉升，吳成東，陳東岳，等.支持向量機和水平集的高分辨率遙感圖像河流檢測[J].中國圖象圖形學報，2013，18(6)：677-684.

YU Xiaosheng，WU Chengdong，CHEN Dongyue，et al.Using Support Vector Machine and Level Set for River Detection in High Resolution Remote Sensing Image[J].Journal of Image and Graphics，2013，18(6)：677-684.

[7] CHAN T F，VESE L A.Active Contours without Edges[J].IEEE Transactions on Image Processing，2001，10(2)：266-277.

[8] 喻金桃，郭海濤，李傳廣，等.四叉樹與多種活動輪廓模型相結合的遙感影像水邊線提取方法[J].測繪學報，2016，45(9)：1104-1114.DOI：10.11947/j.AGCS.2016.20160037.

YU Jintao，GUO Haitao，LI Chuanguang，et al.A Waterline Extraction Method from Remote Sensing Image Based on Quad-tree and Multiple Active Contour Model[J].Acta Geodaetica et Cartographica Sinica，2016，45(9)：1104-1114.DOI：10.11947/j.AGCS.2016.20160037.

[9] 孫穎，張新長，羅國瑋.從機載激光雷達點云提取建筑物屋頂邊界的活動輪廓模型改進方法[J].測繪學報，2014，43(6)：620-626，636.DOI：10.13485/j.cnki.11-2089.2014.0106.

SUN Ying，ZHANG Xinchang，LUO Guowei.Improved Active Contour Model for Building Roof Boundary Extraction from LiDAR Point Cloud[J].Acta Geodaetica et Cartographica Sinica，2014，43(6)：620-626，636.DOI：10.13485/j.cnki.11-2089.2014.0106.

[10] 姜大偉，范劍超，黃鳳榮.SAR圖像海岸線檢測的區(qū)域距離正則化幾何主動輪廓模型[J].測繪學報，2016，45(9)：1096-1103.DOI：10.11947/j.AGCS.2016.20160039.

JIANG Dawei，F(xiàn)AN Jianchao，HUANG Fengrong.SAR Image Coastline Detection Based on Regional Distance Regularized Geometric Active Contour Models[J].Acta Geodaetica et Cartographica Sinica，2016，45(9)：1096-1103.DOI：10.11947/j.AGCS.2016.20160039.

[11] LI Qiang，DENG Tingquan，XIE Wei.Active Contours Driven by Divergence of Gradient Vector Flow[J].Signal Processing，2016(120)：185-199.

[12] YU Chunyan，ZHANG Weishi，YU Yingying，et al.A Novel Active Contour Model for Image Segmentation Using Distance Regularization Term[J].Computers & Mathematics with Applications，2013，65(11)：1746-1759.

[13] VESE L A，CHAN T F.A Multiphase Level Set Framework for Image Segmentation Using the Mumford and Shah Model[J].International Journal of Computer Vision，2002，50(3)：271-293.

[14] MA Zhen，JORGE R N M，TAVARES J M R S.A Shape Guided C-V Model to Segment the Levator Ani Muscle in Axial Magnetic Resonance Images[J].Medical Engineering & Physics，2010，32(7)：766-774.

[15] LI Bingnan，CHUI C K，CHANGE S，et al.Integrating Spatial Fuzzy Clustering with Level Set Methods for Automated Medical Image Segmentation[J].Computers in Biology and Medicine，2011，41(1)：1-10.

[16] HE Chuanjiang，WANG Yan，CHEN Qiang.Active Contours Driven by Weighted Region-Scalable Fitting Energy Based on Local Entropy[J].Signal Processing，2012，92(2)：587-600.

[17] LIU Shigang，PENG Yali.A Local Region-Based Chan-Vese Model for Image Segmentation[J].Pattern Recognition，2012，45(7)：2769-2779.

[18] LIU Weiping，SHANG Yanfeng，YANG Xin.Active Contour Model Driven by Local Histogram Fitting Energy[J].Pattern Recognition Letters，2013，34(6)：655-662.

[19] LI Chunming，HUANG Rui，DING Zhaohua，et al.A Level Set Method for Image Segmentation in the Presence of Intensity Inhomogeneities with Application to MRI[J].IEEE Transactions on Image Processing，2011，20(7)：2007-2016.

[20] DONG Fangfang，CHEN Zengsi，WANG Jinwei.A New Level Set Method for Inhomogeneous Image Segmentation[J].Image and Vision Computing，2013，31(10)：809-822.

[21] ZHOU Sanping，WANG Jinjun，ZHANG Shun，et al.Active Contour Model Based on Local and Global Intensity Information for Medical Image Segmentation[J].Neurocomputing，2016(186)：107-118.

[22] WANG Hui，HUANG Ting-zhu，XU Zongben，et al.An Active Contour Model and Its Algorithms with Local and Global Gaussian Distribution Fitting Energies[J].Information Sciences，2014(263)：43-59.

[23] WANG Hui，HUANG Ting-zhu，XU Zhi，et al.A Two-stage Image Segmentation via Global and Local Region Active Contours[J].Neurocomputing，2016，205：130-140.

[24] MONDAL A，GHOSH S，GHOSH A.Robust Global and Local Fuzzy Energy Based Active Contour for Image Segmentation[J].Applied Soft Computing，2016(47)：191-215.

[25] 吳詩婳，吳一全，周建江，等.利用倒數(shù)灰度熵和改進Chan-Vese模型進行SAR河流圖像分割[J].測繪學報，2015，44(11)：1255-1262.DOI:10.11947/j.AGCS.2015.20140519.

WU Shihua，WU Yiquan，ZHOU Jianjiang，et al.SAR River Image Segmentation Based on Reciprocal Gray Entropy and Improved Chan-Vese Model[J].Acta Geodaetica et Cartographica Sinica，2015，44(11)：1255-1262.DOI:10.11947/j.AGCS.2015.20140519.

[26] HAN Bin，WU Yiquan.A Novel Active Contour Model Based on Modified Symmetric Cross Entropy for Remote Sensing River Image Segmentation[J].Pattern Recognition，2017(67)：396-409.

[27] 韓斌，吳一全，宋昱.利用區(qū)域信息融合混合活動輪廓模型的河流遙感圖像分割[J].中國圖象圖形學報，2017，22(2)：212-224.

HAN Bin，WU Yiquan，SONG Yu.Segmentation of Remote Sensing Images of Rivers Utilizing a Hybrid Active Contour Model with Regional Information Fusion[J].Journal of Image and Graphics，2017，22(2)：212-224.

Weighted Exponential Region Energy Model for River Segmentation of SAR Images

HAN Bin1,WU Yiquan1,2,3,4

1. College of Electronic and Information Engineering, Nanjing University of Aeronautics and Astronautics, Nanjing 211106, China； 2. Key Laboratory of the Yellow River Sediment of Ministry of Water Resources, Yellow River Institute of Hydraulic Research, Yellow River Water Resources Commission, Zhengzhou 450003, China； 3. Key Laboratory of Port, Waterway and Sedimentation Engineering of the Ministry of Transport, Nanjing Hydraulic Research Institute, Nanjing 210024, China； 4. State Key Laboratory of Urban Water Resources and Environment, Harbin Institute of Technology, Harbin 150090, China

The traditional active contour models can hardly achieve the accurate river segmentation of SAR images. To solve this problem, a novel active contour model with weighted exponential region energy is proposed, which can extract rivers in SAR images accurately. The exponential region energy is incorporated into the energy functional of the Chan-Vese model, which can measure the difference between the segmented image and the original image, resulting in the improvement of segmentation accuracy of the model. In addition, the maximum absolute differences of the pixel grayscale values inside the object and background regions are utilized to replace the original constant region energy weights, which can adaptively adjust the ratios of the object and background region energies and accelerate the motion of the curve towards the boundaries of the object region, resulting in the higher segmentation efficiency. The experiments are performed on real SAR images of rivers and results demonstrate that compared with the traditional active contour models, the proposed model can segment rivers in SAR images more rapidly and accurately and has some advantages in terms of both segmentation performance and segmentation efficiency.

SAR image; river segmentation; active contour model; exponential region energy; maximum absolute difference

The National Natural Science Foundation of China (No. 61573183)；Open Foundation of the Key Laboratory of the Yellow River Sediment of Ministry of Water Resources (No. 2014006)；Open Foundation of the Key Laboratory of Port, Waterway and Sedimentation Engineering of the Ministry of Transport；Open Foundation of the State Key Laboratory of Urban Water Resource and Environment (No. LYPK201304)

HAN Bin(1990—)，male，PhD candidate，majors in remote sensing image processing.

WU Yiquan

P237

A

1001-1595(2017)09-1174-08

國家自然科學基金(61573183)；水利部黃河泥沙重點實驗室開放基金(2014006)；港口航道泥沙工程交通行業(yè)重點實驗室開放基金；城市水資源與水環(huán)境國家重點實驗室開放基金(LYPK201304)

(責任編輯：陳品馨)

2017-03-23

修回日期： 2017-07-16

韓斌(1990—)，男，博士生，研究方向為遙感圖像處理。

E-mail： 909907566@qq.com

吳一全

E-mail： nuaaimage@163.com