遥感科学与应用技术

结合改进的降斑各向异性扩散和最大类间方差的SAR图像水体提取

  • 李玉 ,
  • 杨蕴 , * ,
  • 赵泉华
展开
  • 辽宁工程技术大学测绘与地理科学学院遥感科学与应用研究所,阜新 123000
*通讯作者:杨蕴(1990-),男,河南南阳人,博士生,主要从事遥感图像的地物目标几何以及特征提取。E-mail:

作者简介:李玉(1963-),男,吉林长春人,博士,教授,主要从事遥感数据处理理论与应用基础研究。E-mail:

收稿日期: 2018-10-18

  要求修回日期: 2019-03-01

  网络出版日期: 2019-06-15

基金资助

国家自然科学基金项目(41301479)

辽宁省自然科学基金项目(2015020090)

Waterbody Extraction from SAR Imagery based on Improved Speckle Reducing Anisotropic Diffusion and Maximum Between-Cluster Variance

  • LI Yu ,
  • YANG Yun , * ,
  • ZHAO Quanhua
Expand
  • Institute for Remote Science and Application, School of Geomatics, Liaoning Technical University, Fuxin 123000, China
*Corresponding author: YANG Yun, E-mail:

Received date: 2018-10-18

  Request revised date: 2019-03-01

  Online published: 2019-06-15

Supported by

National Natural Science Foundation of China, No.41301479

Liaoning Province Natural Science Foundation, No.2015020090

Copyright

《地球信息科学学报》编辑部 所有

摘要

利用遥感成像技术获取地面水体信息对水资源调查、自然灾害评估、流域规划和生态环境监测等具有重要意义,其中SAR成像作为大范围地面监测的可靠数据源,拥有全天时、全天候、广覆盖等光学遥感系统所不具有的优点,在水体提取中得到了广泛的应用。但由于受SAR图像相干斑噪声的影响,现有水体提取方法难以迅速、精确提取SAR图像中复杂精细的自然水体结构。为此,提出一种结合改进的降斑各向异性扩散和最大类间方差的SAR图像水体提取方法。首先,利用降斑各向异性扩散滤波SAR图像,在迭代滤波过程中通过计算图像间平均结构相似度自适应控制迭代过程,使其同时保持精细边缘和纹理结构;然后,以类间方差最大为准则,自适应确定阈值,实现滤波结果图像二值化分割。在二值化分割结果中,搜索具有相同像元值且位置相邻的前景像元点组成的连通区域,使每个单独的连通区域形成一个被标识的块,通过获取这些块的几何参数来消除图像的误分割,精确划定真实的水体区域,以实现SAR图像水体提取。为了验证提出方法的准确性,将本文方法提取的水体边界与人工绘制的水体边界叠加,结果表明二者可较好吻合。同时,从视觉、提取精度和运行时间对本文方法与目前常用3种SAR图像水体提取算法的结果进行比较分析,其中本文方法的运行时间满足实时应用的要求,提取结果的边界在2个像元评级区重叠度均达到80%,明显优于其他方法且本文方法提取结果在边界及细节信息等视觉方面也更加显著。对结果的定性及定量评价表明本文方法的优越性。

本文引用格式

李玉 , 杨蕴 , 赵泉华 . 结合改进的降斑各向异性扩散和最大类间方差的SAR图像水体提取[J]. 地球信息科学学报, 2019 , 21(6) : 907 -917 . DOI: 10.12082/dqxxkx.2019.180525

Abstract

The use of remote sensing technology to obtain surface waterbody information is of great significance for water resource investigation, natural disaster assessment, watershed planning, and ecological environment monitoring. As a reliable data source for large-scale ground monitoring, SAR imaging has unique advantages that optical remote sensing systems of all-weather, all-weather, and wide coverage do not have, and has been widely used in waterbody mapping. However, due to the influence of speckle noise of SAR imagery, existing methods for waterbody mapping are difficult to extract the complex and fine natural water structures from SAR imagery quickly and accurately. In this paper, a new waterbody extraction method for SAR imagery based on improved speckle reducing anisotropic diffusion and maximum between-cluster variance was proposed. First, the SAR imagery were filtered by improved speckle reducing anisotropic diffusion. The iterative process was adaptively controlled by calculating the average structural similarity between imagery in the iterative filtering process, so that the fine edges and texture structure could be preserved simultaneously. Then, based on the criterion of maximum variance between classes, the threshold value was determined adaptively, and the binary segmentation of the filtered image was conducted. In the binarized segmentation result, connected foreground regions composed of the pixel points that have same intensity values and adjoin to each other spatially, are searched. In so doing, each connected region formed an identified block. By obtaining geometric parameters of these blocks, the false segmentation of the imagery was eliminated, and real waterbody areas were precisely identified based on the SAR imagery. To verify the accuracy of the proposed method, water boundaries extracted by this method were on manually drawn waterbody boundaries. Results of comparing the two methods show that they are pretty consistent with each other. Meanwhile, the results of our proposed method were compared with the results of three other kinds of water extraction algorithms commonly used for SAR imagery, in terms of the visual level, extraction accuracy, and running time. The running time of the proposed method meets the requirement of real-time application. The overlap degree of the extracted boundary in two pixels rating areas has reached 80%, which is obviously superior to other methods and the extraction results of the proposed method are also more significant in visual aspects such as boundary and detail information. The qualitative and quantitative evaluation shows the superiority of our proposed method.

1 引言

从体量上水体分为江、河、湖、海等大面积水域,以及溪流、水库、湿地等小型水体;而按其所处位置,可粗略分为地面水体、地下水体和海洋3类[1],其中地面水体与人类生产、生活密切相关。但近年来,由于人类活动的影响使其不断发生变化,这种变化将直接影响到饮用水开发与保护、水产生产以及洪涝灾害防治等方面,故有必要对地面水体进行大范围实时监测。相较于传统的人工实地调查方法,借助遥感影像进行水体监测不仅省时、省力且可准确获取全域水体信息[2]。而合成孔径雷达(Synthetic Aperture Radar, SAR)系统拥有全天时、全天候、广覆盖等光学遥感系统所不具有的优点,因此SAR图像是作为大范围地面水体监测的可靠数据源。然而,SAR图像固有的相干斑噪声对水体监测会产生极大的干扰,因此迅速、精确地实现SAR图像水体提取始终是一个具有挑战性的研究课题。
由于水体表面粗糙度远小于雷达波束(水平波H和垂直波V)的波长,可将其视为平坦表面。雷达波束在水面发生镜面反射,回波信号极少,无论是单极化(HH或VV)或双极化(HH/HV或VV/VH)成像时,水体的后向散射强度均为较小值[3,4],故水体在SAR影像中表现为整体亮度较低且成面状连续分布的区域[5]。因此,目前大多SAR图像水体提取方法均基于图像分割获取低亮度目标,进而实现水体区域的提取。目前,已经提出的众多基于分割的SAR图像水体提取方法可大致分为2类:边缘分割法与区域分割法[6]。由于边缘分割法着重于探测灰度值发生跳变的像元,因此具有简单、快速等优点。但经典边缘检测算子(如Canny算子等)在实际应用中会产生许多虚假边缘,无法适用于含相干斑噪声的SAR图像[7],进而开发出了适用于SAR图像的均值比率(Ratio of Average, ROA)等边缘检测算子[8],大大减少了虚假边缘的数量,但仍无法彻底解决产生虚假边缘以及边缘不连续问题。对SAR图像的水体提取,边缘分割法仍需要进一步改进和完善。
为了克服边缘分割法的不足,区域分割法应运而生。该类方法通常以图像全局或图像中的同质区域为研究对象,而不仅是跳变的像元,可以提取连续的水体区域。区域分割法又可进一步分为:阈值法、聚类法、分类法、水平集法等。其中,聚类法自动化程度较高且简单易行[9];而在准确性上分类法则更胜一筹[10],但必要的样本训练使其计算量随着图像尺寸的增大呈现非线性增长,难以用于工程实践中大尺度水体提取;水平集方法兼顾高效与边缘连续的优点,且可自动实现拓扑变化,已被广泛应用到工程实践当中[11],然而需合理选取初始轮廓以及对斑点噪声的敏感性均限制了其有效应用。由于SAR图像中水体及其背景内的像元光谱测度各自具有同质性,可视为图像中只有水体和背景两类地物,而阈值法是图像二分类的最直接手段,也是工程实践中所需要的既准确又迅速的方法。在阈值法中,Otsu法[12,13]以类间方差最大为准则,可以快速获得最佳阈值,已被广泛应用到工程实践当中。然而,随着SAR图像空间分辨率的提高,使其包含更加复杂的对象,而一些对象(如植物、建筑物的阴影、工厂内的污水池等)会在SAR图像上呈现与水体相似的暗色调,使得提取结果中存在一些伪水体[14]。对此,根据水体大范围连通的特点利用形态学中的连通域标定来去除小面积伪水体,保留大面积真实的水体区域。但由于强相干斑噪声的存在,使得直接对SAR图像进行二值化分割的结果中会含有大量的杂散点[12],尤其在山区等不均匀散射区处[15],这些杂散点若与真实水体相连通,无疑会对后续的处理造成不可逆的错误。而提前对图像进行去噪则是一种消除这种现象的有效操作。
针对成像后SAR图像斑点噪声的特点,国内外学者提出了许多滤波方法,这些方法大致可分为2类:① 基于滑动窗口的局部统计滤波方法,如 Lee[16,17]、Frost[18]和Kuan[19]滤波器等,这类方法借助于滤波窗口的局部统计量能对SAR图像同质区域内的斑点噪声进行有效平滑,但对于边缘处以及边缘附近的噪声不能进行针对性地抑制,没有达到根本性的边缘保护作用[20];② 基于偏微分方程的各向异性扩散方法,传统各向异性扩散相干斑降噪方法利用梯度的幅度检测图像边缘或边界,作为确定扩散系数的因素,能够有效地去除其梯度小于边缘梯度的噪声,但由于SAR图像斑点噪声的变化范围宽,易将部分斑点作边缘保留下来,出现虚假信息。对此,Yu和Acton[21]针对相干斑噪声,根据偏微分方程的原理,将称之为“瞬时系数”的局部统计量引入到扩散系数中,提出了降斑各向异性扩散(Speckle Reducing Anisotropic Diffusion, SRAD),可以在精确保持边缘的前提下以很少的迭代次数平滑掉纹理信息[22],最大限度去除杂散点。而由于水体的边界多在SAR图像上的边缘处[20],因此SRAD特别适用于具有复杂精细结构的自然水体。但传统的SRAD由于无法自动控制迭代次数使得其会过度平滑掉部分精细结构。
综上,本文采用图像间平均结构相似性指标来自适应地控制SRAD的迭代次数,以最小迭代次数达到既保持精细边缘又不过度平滑掉纹理结构的目的。首先Otsu法迅速且较好地提取出水体区域,再根据水体大范围连通的特点利用形态学中的连通域标定来去除小面积伪水体,实现对真实水体的提取,以便为工程实践中的SAR图像水体提取提供一种新思路。

2 算法描述

2.1 方法流程及数据来源

本文研究方法的基本步骤可总结如下:
(1)对原始SAR图像进行改进的各向异性扩散滤波,平滑掉影响提取的杂散点;
(2)以类间方差最大为准则,将平滑后图像进行二值分割,得到水体的粗提取;
(3)利用连通域标定对S2结果中的背景内伪水体进行删除;
(4)对步骤3的结果图像取反,以同样方式删除目标中的伪水体;
(5)对步骤4的结果图像取反,得到最终的水体提取结果。
采用从中国遥感数据网[23]、自然资源卫星影像云服务平台[24]和中国资源卫星应用中心[25]获取的SAR影像数据对本文方法进行验证。图1为5幅不同场景下含有水体的SAR图像,其中,图1(a)和 1(b)是分辨率为100 m,尺度为286像元×286像元的RADARSAT-1强度图像[23];图1(c)是分辨率为 8 m、HV极化、尺度为215像元×532像元的GF3-QPS1强度图像[24];图1(d)是分辨率为3 m、HH极化、尺度为729像元×698像元的GF3-UFS强度图像[24];图1(e)是分辨率为25 m、VV极化、尺度为400像元×480像元HJ-1C强度图像[25]。为了更加清楚地说明本文方法,以图1(a)中的SAR图像为例,具体流程如图2所示。
Fig. 1 Original intensity maps of the SAR imagery

图1 原始SAR强度图像

Fig. 2 Flowchart of the method of this paper

图2 本文方法的流程

2.2 改进的SRAD图像滤波方法

I0={I0x, y), (x, y)∈Ω}为定义在图像域Ω、大小为M×N的原始SAR图像。其中,(x, y)表示像元位置,I0x, y)∈{0, 1, …, L}为像元(x, y)强度的光谱测度,L为图像的光谱测度量化级(本文L=255)。将I0x, y)作为滤波器零时刻的图像输入Ix, y; 0),通过偏微分方程可以建立SRAD模型(式(1))。
I ( x , y ; t ) t = div c ( q ) I ( x , y ; t ) I ( x , y ; 0 ) = I 0 ( x , y ) , ( I ( x , y ; t ) n ) Ω = 0 (1)
式中:Ix, y; t)为t次平滑后的图像;∂Ω表示Ω的边界, n 是∂Ω外法向量;div为散度算子;∇为梯度算子;cq)为扩散系数,计算公式为:
c (q) = 1 1 + q 2 (x , y ; t) - q 0 2 ( t ) q 0 2 ( t ) ( 1 + q 0 2 ( t ) ) (2)
qx, y; t)为滤波的瞬时扩散系数,计算公式为:
q ( x , y ; t ) = ( 1 2 ) ( I I ) - ( 1 4 2 ) ( 2 I I ) 2 1 + ( 1 4 ) ( 2 I I ) 2 (3)
式中: I I的梯度; 2 I I的拉普拉斯算子。为了更清楚地说明SRAD较传统各向异性扩散滤波在定位边缘方面的优势,设图像上位于边缘的一点Ix, y),如图3(a)的圆内,对其求一阶和二阶导数,如图3(b)和3(c)所示。
Fig. 3 SRAD edge detection diagram

图3 SRAD边缘检测示意

图3可看出,在图像的边缘中心,∇I取得极大值,∇2I经历零交叉,二者的差异可用于区分图像中某点的光谱变化是由噪声或边缘引起。而SRAD的瞬时扩散系数qx, y; t)结合了∇I和∇2I,使得其在斑点噪声环境中的边缘检测更加准确。q0t)为平滑图像Ix, y; t)的相干斑尺度函数,其以扩散门限的形式有效地控制着每次迭代过程中算法对图像不同区域所施加的平滑量大小[22],利用等效视数在同质区域保持不变的特点,q0t)可近似表示为:
q 0 ( t ) q 0 exp ( - ρ t ) (4)
式中:ρ为常数;q0是观测图像的相干斑变异系数(为初始扩散阈值)。当相干斑完全发展时,q0=1;对部分相关斑点时,q0<1;当视数为D的SAR图像时, q 0 = 1 / D
利用雅可比迭代对SRAD模型进行数值求解。假设足够小的时间步长∆t和在xy方向上足够小的空间步长h,将时间和空间坐标离散为:t=nt, n=0, 1, 2, …;x=ih,i=0, 1, …, M'-1;y=jh, j=0, 1, …, N'-1;Mʹh×N'h=M×N。令Ini, j=Iih, jh; nt), 考虑点(i, j)的一阶邻域系统,扩散系数作用如图4所示。
Fig. 4 SRAD first-order neighborhood Diffusion diagram

图4 SRAD一阶邻域扩散示意

由梯度∇I和拉普拉斯算子∇2Ini, j计算扩散系数 cq)为:
c i , j n = c q I i , j n I i , j n , 2 I i , j n I i , j n (5)
则SRAD模型中c(×)∇I的散度计算为:
d i , j n = 1 h 2 c i + 1 , j n ( I i + 1 , j n - I i , j n ) + c i , j n ( I i - 1 , j n - I i , j n ) + c i , j + 1 n ( I i , j + 1 n - I i , j n ) + c i , j n ( I i , j - 1 n - I i , j n ) (6)
其满足对称边界条件为:
d - 1 , j n = d 0 , j n , d M ' , j n = d M ' - 1 , j n d i , - 1 n = d i , 0 n , d i , N ' n = d i , N ' - 1 n (7)
式中:j∈{0, 1, …, N ′-1},i∈{0, 1, …, M '-1}。
利用前向差分来近似时间导数,得到SRAD模型的计算公式为:
I i , j n + 1 = I i , j n + Δ t 4 d i , j n (8)
为了在平滑图像的同时保持图像的结构特征,在迭代过程中引入平均结构相似性指标(Mean Structural Similarity Index Measurement, MSSIM)[26]作为定量标准来控制迭代过程。MSSIM是一种衡量两幅图像平均结构相似度的指标,其从图像组成的角度将失真建模为亮度、对比度和结构3个不同因素,用均值作为亮度的估计,标准差作为对比度的估计,协方差作为结构相似程度的度量(式(9))。
MSSIM = 1 K k = 1 K SSIM ( x k 1 , x k n ) (9)
式中:MSSIM∈[0, 1],值越大,表示图像失真越小;K为利用滑动窗将图像分块的总数;x1k,xnk分别表示图像内的第k个块经过第1次和第n次滤波后的结果;SSIM( x k 1 , x k n )为第1次和第n次滤波后图像的第k个块的结构相似度(式(10))。
SSIM x k 1 , x k n = 2 μ x k 1 μ x k n + C 1 + 2 σ x k 1 x k n + C 2 μ x k 1 2 + μ x k n 2 + C 1 σ x k 1 2 + σ x k n 2 + C 2 (10)
式中:C1=(K1×L2,C2=(K2×L2,本文取K1=0.01,K2=0.03;L为图像光谱测度级; μ xk 1 , μ xk n 分别表示图像块 x k 1 x k n 的均值; σ xk 1 σ xk n 分别表示图像块 x k 1 x k n 的方差; σ xk 1 xk n 表示图像块 x k 1 x k n 的协方差。为了提高计算效率,本文采用大小为11×11,标准差为1.5高斯核计算图像块的均值方差以及协方差。迭代终止条件为:
MSSI M n - MSSI M 1 MSSI M 1 ε (11)
式中:ε为预先选定的阈值,一般采用ε=0.5。当迭代过程中满足式(11)时,迭代终止,此时可得到具有较高原始结构特征的平滑图像。

2.3 水体提取方法

由于Otsu在图像二值化过程中具有快速简便、稳定有效等特点,因此利用该算法对滤波后的图像二值化分割,以快速实现SAR图像的水体提取。
Otsu方法假设图像是由前景区域和背景区域两部分组成,以分割后图像的类间方差最大为目标函数,通过遍历不同阈值([0, 255]区间范围内),自适应地选取使目标函数获得最大值的阈值为最佳阈值。记T为目标与背景的分割阈值,并据此统计属于目标的像元数占图像比例并设为ω0,平均光谱测度为μ0;属于背景的像元数占图像比例为ω1,平均光谱测度为μ1,图像的总平均光谱测度为μ=ω0×μ0+ ω1×μ1,由此可得在阈值T下,目标和背景之间的类间方差gT)为:
g ( T ) = ω 0 × μ 0 - μ 2 + ω 1 × μ 1 - μ 2 = ω 0 ω 1 ( μ 1 - μ 2 ) 2 (12)
类间方差gT)越大,说明背景和目标之间的差别越大,而当部分目标被错分为背景或部分背景被错分为目标,都会导致两部分差别变小,所取阈值的分割使类间方差最大时即意味着错分概率最小[27]。在T∈{0, 1, …, L}中,采用遍历的方法得到使类间方差gT)最大的阈值T*,据此,对图像进行分割,得到水体的粗提取图Bo={Box, y), 1≤xM, 1≤yN},其中,Bo中任意像元(x, y)的光谱测度值Box, y)为:
B o ( x , y ) = b 0 I ( x , y ) < T b 1 I ( x , y ) T (13)
式中:取b0=0,b1=255。经图像分割处理后,图像变为0/255的二值图,由于在SAR图像中的水体后向散射系数较小,呈现暗色调,因此当Box, y)=0时表示水体,Box, y)=255时表示背景。
考虑到受光照不均、反光或背景复杂等因素影响,使得一些对象与水体在强度上极相似,从而造成分割结果存在小区域的误分割现象,因此设计精细化处理对其去除。首先对二值图像进行栅格扫描,搜索Box, y)=255且位置相邻的像元点组成的连通区域,对每个单独的连通区域进行标记,使其形成一个被标识的块,以像元为单位统计每个标识块的面积。首先,根据图像分辨率和工程实践的需要设定一个阈值,如果块的面积小于一定的阈值,那么这些块就被删除,同时大于一定阈值的块被保留;然后,对二值图像Bo取反,以同样的方式去除图像目标中较小的连通区域;最后,再次对图像取反得到精细化的水体提取结果。基于连通域标定的伪水体去除算法实现流程如图5所示。
Fig. 5 Flowchart of the pseudo waterbody removal algorithm based on connected-domain calibration

图5 基于连通域标定的伪水体去除算法流程

3 实验结果及分析3.4 对比算法水体提取结果及分析

3.1 实验设置

本文实验运行环境为Windows7 32位专业版操作系统,具有4 G内存,处理器为Intel(R)Core(TM)CPU 32G的个人计算机。通过MATLAB R2015b编写程序对包含水体区域的SAR图像进行水体提取实验。为了验证提出方法的优越性,利用Otsu方法、水平集方法和文献[17]的方法作为对比算法,从去噪水平、提取精度和运行时间来进行比较分析。其中用Otsu方法验证对SAR图像提前进行去噪的必要性;水平集方法说明去噪后使用Otsu的原因;文献[17]的方法表明引入改进SRAD的优势。

3.2 改进的SRAD图像滤波结果

图1的原始图像可以看出,虽然极化方式不同,但与图中其他对象相比水体都呈现出暗色调,有利于二值化分割对其进行提取,同时由于SAR图像的特殊成像方式,使其含有大量相干斑噪声,这不利于目标的提取。为此,利用改进的SRAD对原始SAR图像进行滤波,其设置参数∆t=0.1;ρ=0.3;h=1,经滤波后的结果如图6所示。从图6可看出,滤波后图像的同质区域的斑点噪声得到平滑,同时边缘得以很好地保留。
Fig. 6 SARD filtering results

图6 SARD滤波结果

3.3 本文方法水体提取结果及分析

以图像目标和背景的类间方差最大为准则,自动获取阈值将图像分割为两部分,完成水体的粗提取,结果如图7(a1)-(e1)所示。由于伪水体的存在,造成其分割结果中存在误分割现象。为此,进行精细化操作,图7(a2)-(e2)为利用连通区域标记法去除误分割后的精细化提取结果,将其作为水体的最终提取结果。为了对提出方法进行定性评价,提取最终结果的边缘,并将其叠加在原始SAR图像上,如图7(a3)-(e3)所示,由叠加图可以看出,本文方法提取结果的边缘与实际水体边缘几乎完全吻合。
Fig. 7 Extraction results and qualitative evaluation of this paper

图7 本文方法提取结果和定性评价

为了对提出方法进行定量评价,采用Modava和Akbarizadeh提出的一种基于邻域像元的评价标准[28]。以图1(a)为例,其提取结果的边缘如图8(a)所示,将手画水体边界线用作评价的标准边缘(图8(b)),然后以其为中心,建立半径为5个像元的缓冲区,如图8(c)所示。对图8(c)局部放大,如图8(d)所示。
Fig. 8 Pixel buffer boundary overlay analysis

图8 像元缓冲区边界叠加分析示意
注:缓冲区表示为品红色,黄色表示标准边缘,青色表示实验所得边缘,蓝色表示标准与实验边缘相重叠的部分。

基于邻域像元的评价标准,计算本文方法提取的水体边界线落入不同半径缓冲区的累加百分比,其精度评价结果如表1所示。由表中数据可看出本文方法得到的边界线与手画边界线在2个像元半径时精度均达到80%以上,说明本文方法的准确性高。
Tab. 1 Extraction accuracy of the 5 SAR images in the case of different radius rating zones (%)

表1 在不同半径评级区的情况下5幅SAR图像的提取精度对比

重叠 1个像元 2个像元 3个像元 4个像元 5个像元
图1(a) 21.05 68.90 90.21 96.76 99.23 99.54
图1(b) 19.13 60.11 88.56 93.62 96.23 97.04
图1(c) 18.39 60.29 82.16 90.32 92.90 94.12
图1(d) 8.27 59.84 81.66 92.48 93.77 95.93
图1(e) 20.29 69.14 91.01 92.81 95.60 97.05
分别利用Otsu方法、水平集方法和文献[17]的方法对图1的五幅实际水体SAR图像进行提取实验,结果如图9所示,其中,图9(a1)-(e1)为Otsu方法所提取结果,图9(a2)-(e2)为水平集方法所提取结果;图9(a3)-(e3)为文献[17]所提取结果。由图9图7(a2)-(e2)对比可以看出,Otsu方法所提取精度很低;水平集方法虽然能较好地实现区域提取,但边界提取不甚理想,且所提结果含有较多噪声;文献[17]的方法较好地抑制了图像相干斑噪声,但平滑的同时使图像边缘模糊,造成细小水体分支不能被提取出来,相比而言,本文方法可以很好地实现水体的提取。
Fig. 9 Comparison of extraction results of Otsu, level set and reference [17] method

图9 Otsu、水平集和文献[17]方法提取结果比较

为了对提出方法进行定性评价,将提取结果的轮廓线与原图进行叠加,结果如图10所示。其中,图10(a1)-(e1)为Otsu方法的轮廓线与原图叠加结果;图10(a2)-(e2)为水平集方法的轮廓线与原图叠加结果;图10(a3)-(e3)为文献[17]的轮廓线与原图叠加结果。由图10图7(a3)-(e3)对比可以看出,与Otsu、水平集和文献[17]方法相比,本文方法提取结果的轮廓线与实际轮廓线能更好地吻合,因此验证了提出方法的可行性及有效性。
Fig. 10 Otsu, level set and literature [17] method contour overlay results

图10 Otsu、水平集和文献[17]方法轮廓线叠加结果

对于对比算法的定量评价,同样基于邻域像元的评价标准建立半径为5个像元的缓冲区,计算其对应方法所提取的水体边界线落入不同半径缓冲区的累加百分比,其结果如表2所示。通过表1表2对比可看出,当完全重叠时,Otsu、水平集、文献[17]和本文方法的平均提取精度分别为4.45%、7.75%、12.71%和17.42%,考虑到标准边界线的偏差,本文方法与对比算法的提取精度相差不大,当达到2个像元半径时,Otsu、水平集、文献[17]平均提取精度分别为20.30%、34.61%和51.26%,而本文方法均已达到80%以上,说明本文方法具有较高的准确性。随着评价区半径增大,Otsu法精度提高有限,说明其不能单独适用于SAR图像,而本文方法提取精度始终大于水平集和文献[17]法且其优越性更显著。
Tab. 2 Extraction accuracy of the 5 SAR images with different radius rating zones by the compared algorithms (%)

表2 对比算法在不同半径评级区的情况下5幅SAR图像的提取精度对比

图像 方法 重叠 1个像元 2个像元 3个像元 4个像元 5个像元
图1(a) Otsu 3.88 12.57 18.82 23.60 28.04 31.71
水平集 11.42 37.24 53.89 62.94 68.86 72.36
文献[17] 12.58 42.52 59.64 64.87 67.45 69.31
图1(b) Otsu 4.16 13.25 19.72 23.87 27.11 30.06
水平集 9.84 30.29 43.03 49.27 53.51 56.75
文献[17] 15.44 46.78 62.08 66.28 67.63 69.36
图1(c) Otsu 2.79 8.72 12.79 16.52 17.86 19.37
水平集 4.85 10.92 17.00 21.56 22.71 23.31
文献[17] 9.27 26.79 34.08 37.23 38.48 39.13
图1(d) Otsu 1.19 5.65 9.43 11.12 12.50 13.37
水平集 4.96 11.47 18.30 22.57 24.96 26.06
文献[17] 10.96 23.47 31.30 36.57 39.96 41.06
图1(e) Otsu 5.75 18.30 27.91 34.50 39.36 43.48
水平集 7.71 24.89 37.83 46.21 51.96 56.40
文献[17] 15.41 49.18 69.24 76.46 78.39 79.30
为了评价本文方法的效率,将本文方法对图1中的5幅SAR图像水体提取时间与对比算法的提取时间进行相应对比,对比结果如表3所示。由表3可看出,Otsu法平均速度最快,但由上面精度分析可知仅利用Otsu法无法实现SAR图像中水体的准确提取;水平集法由于需要不断适应水体复杂的拓扑结构,其运行时间都在100 s量级之上;文献[17]方法在处理如图1(a)和(b)较小尺度图像时,运行时间在10 s量级,当尺度增大时,时间呈指数级增长;与文献[17]方法相比,本文方法的运行时间均减少了约150%且耗时变化起伏不大,可满足实际工程中的需求。
Tab. 3 Comparison of extraction time between the compared algorithms and the method of this paper (s)

表3 对比算法与本文方法的水体提取时间对比

方法 图1(a) 图1(b) 图1(c) 图1(d) 图1(e)
Otsu 1.205 1.227 4.380 15.608 4.633
水平集 224.873 216.374 1007.716 5068.251 1179.581
文献[17] 9.527 8.371 56.153 223.176 78.113
本文方法 4.382 4.178 15.322 29.644 16.013

4 结论

本文提出了一种改进降班各向异性扩散算法的SAR图像斑点噪声滤波方法,在滤波迭代中引入平均结构相似度指标来自适应地控制迭代次数,对于水体边缘结构保留有较好的效果,避免了滤波算法平滑产生的二次误差。
在滤波结果的基础上,利用Otsu快速得到全局阈值对水体进行粗提取。同时根据水体大面积连通的自然特性,添加了伪水体检测与处理机制,解决了因噪声、阴影的存在而出现的误分割现象,能够有效划定SAR影像中的真实水体,所提取水体边界在2个像元半径的评级区内与真实边界重叠度度均超过80%。
在设定伪水体去除规则时,由于分辨率、场景复杂度等的不同,造成精细化处理中的阈值难以自动获取,其影响提取结果中真实水体区域的个数,对最终提取结果的完整性有较大影响。
综上所述,改进的降班各向异性扩散滤波能够以较小迭代次数达到既平滑噪声又保持水体边缘结构的效果,后经Otsu进行粗提取降低了计算复杂度,同时充分利用水体的连通特性进行真实水体区域的划定,为SAR图像中的水体提取问题提供了一个较实用的解决方案。

The authors have declared that no competing interests exist.

[1]
Kaplan G, Avdan U.Object-based water body extraction model using Sentinel-2 satellite imagery[J]. European Journal of Remote Sensing, 2017,50(1):137-143.

[2]
饶萍,王建力.最优分区与最优指数联合的水体信息提取[J].地球信息科学学报,2017,19(5):702-712.

[ Rao P, Wang J L.Water extraction based on the optimal subregion and the optimal indexes combined[J]. Journal of Geo-information Science, 2017,19(5):702-712. ]

[3]
崔建楠,邢立新,叶超,等.双极化SAR影像的分类研究[J].安徽农业科学,2015(4):356-359.

[ Cui J N, Xing L X, Ye C, et al.Classification of dual-polarization SAR images[J]. Journal of Anhui Agricultural Sciences, 2015(4):356-359. ]

[4]
赵伶俐,杨杰,李平湘,等.极化SAR影像弱散射地物统计分类[J].遥感学报,2013,17(2):312-319.

[ Zhao L L, Yang J, Li P X, et al.Statistical classification of weak backscattering scatterers of PolSAR image[J]. Journal of Remote Sensing, 2013,17(2):312-319. ]

[5]
徐川,华凤,眭海刚,等.多尺度水平集SAR影像水体自动分割方法[J].武汉大学学报·信息科学版,2014,39(1):27-31.

[ Xu C, Hu F, Sui H G, et al.Automatic water segmentation method in SAR images using multi-scale level set[J]. Geomatics and Information Science of Wuhan University, 2014,39(1):27-31. ]

[6]
汤玲英,刘雯,杨东,等.基于面向对象方法的Sentinel-1A SAR在洪水监测中的应用[J].地球信息科学学报,2018,20(3):377-384.

[ Tang L Y, Liu W, Yang D, et al.Flooding monitoring application based on the object-oriented method and sentinel-1A SAR data[J]. Journal of Geo-Information Science, 2018,20(3):377-384. ]

[7]
Canny J.A computational approach to edge detection[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 1986(6):679-698.

[8]
Touzi R, Lopes A, Bousquet P.A statistical and geometrical edge detector for SAR images[J]. IEEE Transactions on Geoscience and Remote Sensing, 1988,26(6):764-773.

[9]
吴诗婳,吴一全,周建江,等.基于Shearlet变换和Krawtchouk矩不变量的河流SAR图像分割[J].应用科学报,2015,33(1):21-31.

[ Wu S H, Wu Y Q, Zhou J J et al. Segmentation of SAR image of rivers based on shearlet transform and krawtchouk moment invariants[J]. Journal of Applied Sciences, 2015,33(1):21-31. ]

[10]
吴一全,李海杰,宋昱.基于多特征和WSVM的SAR图像河流目标检测[J].系统工程与电子技术,2015,37(6):1288-1293.<p align="justify">为进一步提高合成孔径雷达(synthetic aperture radar, SAR)图像中河流目标检测的准确性,本文提出了基于多特征和小波支持向量机(wavelet support vector machine, WSVM)的SAR图像河流目标检测方法。首先使用均值比表示像素点邻域的灰度特征,Gabor小波提取其纹理特征,并将其融合构造训练样本;然后将归一化处理后的特征矩阵输入WSVM进行训练,并利用训练好的WSVM对图像的每个像素点进行分类;最后根据河流的区域连通性和面积、形状特征,去除阴影、湖泊等与河流相似的区域。大量实验结果表明,与其他河流目标检测方法相比,本文方法检测的河流目标更加完整,背景与河流的误分区域更少,河流边缘保持得更好。</p>

DOI

[ Wu Y Q, Li H J, Song Y.Target detection algorithm for rivers in SAR images based on multi-features and WSVM[J]. Systems Engineering and Electronics, 2015,37(6):1288-1293. ]

[11]
韩斌,吴一全.SAR图像河流分割的加权指数区域能量模型[J].测绘学报,2017,46(9):1174-1181.

[ Han B, Wu Y Q.Weighted exponential region energy model for river segmentation of SAR images[J]. Acta Geodaetica et Cartographica Sinica, 2017,46(9):1174-1181. ]

[12]
安成锦,陈曾平.基于Otsu和改进CV模型的SAR图像水域分割算法[J].信号处理,2011,27(2):221-225.

[ An C J, Chen Z P.SAR water segmentation based on Otsu and improved CV model[J]. Signal Processing, 2011,27(2):221-225. ]

[13]
安成锦,牛照东,李志军,等.典型Otsu算法阈值比较及其SAR图像水域分割性能分析[J].电子与信息学报,2010,32(9):2215-2219.遥感图像中水域呈现低灰度、灰度起伏小特性。该文从实时性出发,采用1维Otsu算法分割SAR图像。证明了两种典型Otsu分割算法的阈值关系,提出了分割性能评估方法,并通过实测SAR图像对比分析了多阈值分割与单阈值递归分割的水域分割性能。结果表明,与单阈值递归分割相比,多阈值分割能够更好地提取水域轮廓,且漏警率低,可应用于桥梁自动目标识别和景象匹配等方面。

DOI

[ An C J, Niu Z D, Li Z J, et al.Otsu threshold comparison and SAR water segmentation result analysis[J]. Journal of Electronics & Information Technology, 2010,32(9):2215-2219. ]

[14]
Zeng C, Bird S, Luce J, et al.A natural-rule-based-connection (NRBC) method for river network extraction from high-reso-lution imagery[J]. Remote Sensing, 2015,7(10):14055-14078.

[15]
孙亚勇,李小涛,杨锋杰,等.基于星载SAR数据的山区水体提取方法研究[J].中国水利水电科学研究院学报,2014,12(3): 258-263.

[ Sun Y Y, Li X T, Yang F J, et al.Study on the mountain water extraction method of the space-borne SAR image[J]. Journal of China Institute of Water Resources and Hydropower Research, 2014,12(3):258-263. ]

[16]
王军战,张友静,鲍艳松. ASAR斑点噪声模型验证及噪声滤除效果评价[J].地球信息科学学报,2008,10(2):183-189.ASAR合成孔径雷达数据因影像中相干斑点噪声的存在,影响了地物信息定量的提取与应用效果。本文结合雷达信号传输理论,推导出适于ASAR多视图像的功率概率分布。并从理论推导和试验两方面证实了ASAR影像符合乘性噪声模型。利用乘性噪声模型的滤波算法,采用不同滤波器和不同大小窗口对ASAR影像的斑点噪声进行了滤除,并用平滑指数、边缘保持指数等因子对滤除结果进行评价,通过对比发现:7&times;7窗口的Enhanced Lee滤波的效果最好。

[ Wang J Z, Zhang Y J, Bao Y S.Validation model of ASAR speckle noise and evaluation effect of speckle noise filtering[J]. Journal of Geo-information Science, 2008,10(2):183-189. ]

[17]
魏丹,赵新强.一种高分辨率SAR图像河流边界自动提取方法[J].计算机应用与软件,2015,32(11):213-216.

[ Wei D, Zhao X Q.An automatic extraction method for river boundaries in high resolution SAR image[J]. Computer Applications and Software, 2015,32(11):213-216. ]

[18]
张朝晖,潘春洪,马颂德.一种基于修正Frost核的SAR图像斑点噪声抑制方法[J].中国图象图形学报,2005,10(4):431-435.针对合成孔径雷达(SAR)图像的斑点噪声抑制问题,给出了一种新的基于斑点噪声统计特性的滤波方法。该方法是对Frost滤波核的修正,综合考虑滤波窗口内的中心像元以及其他像元的局部统计信息,克服了传统Frost滤波器由于等权运算所带来的边缘等结构信息的模糊;同时也弥补了增强型Frost滤波器保留过多“假细节”的不足。实验结果表明,该方法在噪声抑制和细节保持方面取得了较好的折衷。

DOI

[ Zhang Z H, Pan C H, Ma S D.SAR image de-speckling based on modified frost filter[J]. Journal of Image and Graphics, 2005,10(4):431-435. ]

[19]
Xiang Z, Deng K, Fan H.A new SAR image denoising algorithm of fusing Kuan filters and edge extraction[J]. International Symposium on Lidar & Radar Mapping Technologies & Applications, 2011,8286(4):393-403.

[20]
Duan L F, Wei C T, Wang J, et al. A new method of denoising by reserving edges for SAR image[J]. Applied Mechanics & Materials, 2013,291-294:2859-2862.

[21]
Yu Y, Acton S T.Speckle reducing anisotropic diffusion[J]. IEEE Transactions on Image Processing, 2002,11(11):1260-1270.

[22]
Sun Q, Hossack J A, Tang J, et al.Speckle reducing anisotropic diffusion for 3D ultrasound images[J]. Computerized Medical Imaging & Graphics, 2004,28(8):461-470.

[23]
http://rs.ceode.ac.cn/satelliteintroduce/introRadarsats.jsp# RADARSAT-1

[24]
http://cloud.satimage.cn/data_intro

[25]
http://www.cresda.com/CN/sjfw/zxsj/index.shtml

[26]
Jiang Z M, Zhou Y M.Image quality assessment based on multi-scale structural similarity[J]. Packaging Engineering, 2016,33:125-133.

[27]
Otsu N.A threshold selection method from gray-level histograms[J]. IEEE Transactions on Systems Man & Cybernetics, 2007,9(1):62-66.

[28]
Modava M, Akbarizadeh G.Coastline extraction from SAR images using spatial fuzzy clustering and the active contour method[J]. International Journal of Remote Sensing, 2017,38(2):355-370.

文章导航

/