SAR图像分割算法综述

摘 要： SAR图像分割是SAR图像分析中的基本问题之一，也是目标识别与检测过程中的极其关键的步骤。文章在调研大量文献的基础上，对现有经典的、主流的SAR图像分割算法及理论进行研究、分类和分析，并采用一种基于总体分割精度的SAR图像分割评价指标来对各种算法的实验结果进行对比。

关键词： SAR； 图像分割； 算法分类； 分割评价指标

中图分类号：TP79 文献标志码：A 文章编号：1006-8228（2017）05-01-04

Overview of SAR image segmentation algorithm

Song Guolei， Hou Wei

（School of computer and information engineering， Henan University， Kaifeng， Henan 475000， China）

Abstract： SAR image segmentation is one of the basic problems in SAR image analysis， and it is also the key step in the process of target recognition and detection. In this paper， the existing classical and mainstream SAR image segmentation algorithms and theories are studied， classified and analyzed based on a large number of literatures， and the SAR image segmentation evaluation indicators based on the overall segmentation accuracy are used to compare the experimental results of various algorithms.

Key words： SAR； image segmentation； algorithm classification； segmentation evaluation indicator

0 引言

图像分割是指将图像分成若干互不重叠的子区域，使得同一个子区域内的特征具有一定相似性、不同子区域间特征呈现较为明显的差异[1]。图像分割是图像识别、场景解析、目标检测等任务必须经过的预处理过程，是图像分析中一个基础的问题。其中SAR图像分割技术的发展可以追溯到20世纪80年代，经过几十年的发展，已经提出多种基于不同理论的方法[2]。

目前，SAR图像分割处理技术已经有较多的研究成果[3-5]，但由于SAR地物场景的复杂性，致使各种分割算法都有较大的针对性，通用性不好。本文对现有的研究成果进行了详细的研究，综述现有的SAR图像分割算法，并根据SAR图像分割所使用的理论差异的特点，把图像分割方法分为基于阈值、水平集、模糊聚类和混合模型四类。

1 SAR图像分割算法

1.1 基于阈值的SAR图像分割

阈值法基本思想是通过设定一个阈值将图像分割成两个具有不同特性的区域。当区域中像素值大于阈值就设置为目标，区域中像素值小于阈值就是背景。根据像素灰度值与最佳阈值的关系，可以把目标从背景中提取出来，该方法的优点在于易于实现，给定阈值后分割速度非常快，但是对于灰度均匀性的图像来说，很难找到一个阈值将他们分割开来。经典的阈值法是OTSU。

OTSU算法分析如下。

大类间方差法（OTSU法），是由大津展之[6]在1979年提出来。该方法是在判决分析的基础上推导出来的，是一种自动的无参数无监督阈值分割方法。它是基于一维灰度直方图，且计算简单的一种阈值分割方法，因而应用广泛。Lee等人[7]分别使用错分概率，形状和均匀性度量作为准则函数评估了多种阈值分割方法的性能，结果表明，OTSU法是一种很好的阈值分割方法。原理如下：

设SAR图像的灰度级为L，灰度值为i的像素个数为ni，则总像素数为，并作归一化处理，各灰度值所占的比重为，则SAR图像的灰度平均值μ和方差σ分别为，。用灰度级 T 作为阈值，将图像分割为两类C1={1～T}，C2={T+1～L}，设ω1和ω2作为C1，C2出现的概率，μ1和μ2为灰度平均值，，为方差。有：

由上述可得出类间方差为：

当类间方差取最大值时，对应的灰度值T即为所求得的阈值。

1.2 基于水平集的SAR图像分割

基于几何变形模型的水平集方法由Osher和Sethin于1982年提出[8-9]。分水岭算法的思想主要运用地形学的思想，模拟了一个洼地积水的过程。主要有两个重要的步骤，一个是排序，就是把像素点按梯度值进行排序，具有相同梯度值的处于同一个梯度级；第二个是泛洪，就是将排序后的像素构成带有不同标记的积水盆地，这样来自不同积水盆地的水就构成了水坝，这样由多个互不重叠的区域构成的最终分割图像。

根据水平集模型能量函数所使用的图像内部信息，可以将水平集图像分割方法分成两大类：基于边缘的水平集分割模型和基于区域的水平集分割模型。

基于边缘的水平集模型主要包括Snake模型[10]。Snake由Kass等人于1988年提出，此模型通过建立参数化的曲线能量函数，并优化能量函数，使参数化的曲线向目标边缘收敛。

基于区域的水平集模型利用图像的区域信息构造能量函数，利用区域信息作榍动力使水平集轮廓收敛向目标边缘。基于全局区域的水平集模型主要包括Mumford-Shah模型[11]和Chan-Vese[12]模型。

水平集方法的一般步骤如下。

Stepl：初始化。将水平集Φ>0函数初始化成符号距离函数形式。

Step2：根据实际问题，构造解决问题的总的能量函数。

steps：求解水平集。利用变分法求能量函数的梯度下降流方程，根据离散化后的梯度下降流方程，计算更新后的水平集函数。

Step4：判断收敛性。如果已经收敛，则停止迭代，当前的水平集轮廓即为最终的边缘，否则返回Step3继续进行水平集的演化。

1.3 基于模糊聚类的SAR图像分割

模糊分割算法相比硬聚类分割算法能更多的对图像的原始信息进行保留，因此受到学者们的极大关注，特别是模糊C-均值（FCM）聚类算法作为一种无监督聚类算法，在图像分割领域得受到极大欢迎，引起广泛的关注。经过长期发展，已研究出多种模糊聚类理论和方法。

标准模糊C均值（FCM）聚类分割算法对数据稠密的球状数据簇有相对不错的聚类效果，其以欧式距离为相似性度量，不过现实中设定的簇的区域范围均存在不同，G.H.Ball等人首次提出C均值聚类算法。丁等[13]先对原始图像灰度直方图进行分析处理，以此划分峰值的类设其为初始的聚类中心、得到聚类；裴等人[14]结合有效性函数对图像进行聚类中心初始化；先用K均值初始化聚类中心；周涓等[15]用最大最小距离法计算聚类个数和聚类中心。此外，文献[14，16]对模糊指数m进行了研究，并通过物理解释，得出m=2时最为合理。Ahmed[17]将像素信息和其邻域信息综合考虑，取得了相对更好的图像分割结果；为削弱噪声对分割的影响Chen等[18]使用邻域均值达到简化邻域附加项节省了算法过程时间的效果。

1.3.1 FCM算法

设图像的灰度级为L，样本数目为N（图像的像素点数），将N划分成c类，则对应的有c个聚类中心C，每个样本j属于某一类i的隶属度为μij，且满足μij∈[0，1]，那么定义FCM目标函数⑴及其约束条件⑵如下：

则μij和ci更新等式分别为：

FCM算法的一般步骤如下。

⑴ 确定分类数，指数m的值，确定迭代次数（这是结束的条件，当然结束的条件可以有多种）。

⑵ 初始化一个隶属度U（注意条件―和为1）。

⑶ 根据U计算聚类中心C。

⑷ 这个时候可以计算目标函数J了。

⑸ 根据C返回去计算U，回到步骤3，一直循环直到结束。

1.4 基于混合模型的SAR图像分割

不同的新算法和理论对跨学科的交叉实现产生深远影响，也使图像分割技术理论体系完善起来。倪维平等[19]构造了一种基于马尔可夫随机场（MRF）模型和形态学运算的处理方法。首先利用SAR图像邻域空间上的马尔可夫性以及像素灰度的高斯分布模型，以较少的迭代次数实现SAR图像的初分割；然后通过形态学运算进行处理，抑制干扰性分割，同时填充目标区域内部空洞，改善分割效果；文献[20]-[24]等在模糊理论中引入阈值法、水平集、分水岭、蚁群等方法来解决噪声抑制和运行时间等问题。

2 分割算法的性能评估及实测实验结果

实验采用数据为欧空局哨兵1号星载卫星获取的丹江口水库2016年10月份影像数据，图像大小为923×597，图像包括林区、植被区、水库区与居民区等不同区域。图1（a）为原始图像，图1（b）-（i）为文中所提到先关算法的实验结果。

采用文献[25]中所使用的评价标准，将文中算法与现有的分割算法从分割正确率、召回率和总体精度指标方面进行分析。

结合实验结果可以看出，OTSU算法、分裂合并算法、MRF算法在对噪声抑制上效果较差；二维OTSU在噪声抑制上较一维OTSU有明显改进；水平集与数学形态学算法虽在噪声处理方面有较好的效果，但对于局部区域的支流存在漏分割；FCM算法仅利用了图像中的灰度信息，因此算法本身对于噪声没有较好的抑制；OTSU与核聚类算法和自适应蚁群算法与聚类均产生误分割。对于不同的环境背景和不同的图像，不同算法的结果差异较大，也验证了上述的D像分割算法没有通用性之说。在了解不同的算法的优劣之后，要结合不同的实验数据与其实际的环境背景，才能最终选取最合理的分割算法。

3 结束语

本文对近年来国内外割及再利用边界追踪技术等对分割后的图像边缘轮廓进行描述，对SAR图像分割技术进行了综述性研究，归纳了SAR图像分割的性能评估方法，并给出了实验数据的分割结果和性能分析。从本文分析可以看出，不同的分割理论在SAR图像的分割中均具有重要意义，基于阈值的分割算法简单，且与其他理论可以很好的融合，具有较好的扩展性和适用性；水平集的分割利用的轮廓曲线的几何特征，可以很好的描述目标的边界轮廓。模糊聚类的分割方法在处理图像信息中不确定因素时，提供了一个好的解决方案。基于混合模型的方法则是取各家所长，在实际的应用中能够依据不同的分割场景应用最合理的分割方案。但是随着高分辨率SAR技术的发展，数据样本数量剧增，算法计算耗时过长等问题越来越成为SAR图像分割中的瓶颈。混合模型的扩展和分割算法的并行处理将SAR图像分割的必然趋势，能快速、准确的获得SAR图像的最佳分割是SAR图像分割的目标。

参考文献（References）：

[1] 周莉莉，姜枫.图像分割方法综述研究[J].计算机应用研究，2017.7：1-11

[2] 冯籍澜.高分辨率SAR图像分割与分类方法研究[D].电子科技大学，2015.

[3] Cao Lanying， Zhang Kunhui， Xia Liangzheng. SAR image segmentation by 2-D fussy entropy[J].IEEE Proceedings of Geo-science and Remote Sensing Symposium，2004.6：3798-3801

[4] Xue Xiaorong， Zhang Yanning， Chen Yi， et al.ANewMethod of Sar Image Segmentation Based on Neural Network[C].ICCIMA，2003：149-153

[5] Xin XU， Deren LI， Hong Sun. Multiscale SAR imagesegmentation using a double markov random field model[J]. IEEE Proceedings of Seventh International Symposium on Signal Processing and Its Appli-cations，2003.1：349-352

[6] otsuNA.Threshold Seleetion Method from Gray-level Histogram.IEEE TraPs.1979.SMC-9：62-66

[7] SU Lee，etal.A comparative Perfonnance Study of SeveralGlobal Thresholding Teehniques for Seglnentation.CVGIP，1990.52：171-190

[8] Osher S.A Level Set Formulation for the Solution of the Dirichlet Problem for Hamilton-Jacobi Equations，1993.

[9] Osher S，Ronald P.Fedkiw.Level Set Methods：An Overview and Some Recent Results.http：//www.mathe.ucla.edu/-images

[10] M.Kass， A.Wltkin， and D.Terzopoulos， Snakes， active contourmodel[J]. International Journal of Computer Vision，1988：321-331

[11] A LAIN， J FAN. Texture classifieation by Wavelet Paeket signatures[J]. IEEE Transaction on Pattem Analy，1993.15：1186-1191

[12] C，Xu and J.Prinee.Snakes，shapes，and gradient vector flow[J]. IEEE Transaction on Image Proeess，1998.7（3）：359-369

[13] 丁震，胡钟山，杨静宇等.一种基于模糊聚类的图像分割方法[J].计算机研究与发展，1997.7：536-541

[14] 高新波，裴继红，谢维信.模糊C均值聚类算法中加权指数m的研究[J].电子学报，2000.28（4）：81-83

[15] 周涓，熊忠阳，张玉芳，任芳. 基于最大最小距离法的多中心聚类算法[J].计算机应用，2006.26（6）：1425-1426

[16] Kenneth R， Castleman. Digital Image Processing[M]，2006：378-379

[17] Ahmed M N，Yamany S M，Mohamed N，Farag A，Moriarty T. A modified fuzzy c-means algorithm for bias field estimation and segmentation of MRI data[J]. IEEE Trans.Med.Imag，2002.21：193-199

[18] Chen Song-Can， Zhang Dao-Qiang. Robust image segmentation using FCM with spatial constraint based on new kernelinduced distance measure[J]. IEEE Transaction on Systems，Man，and Cybernet，2004.34（4）：1907-1916

[19] 倪S平，严卫东，边辉等.基于MRF模型和形态学运算的SAR图像分割[J].电光与控制，2011.1：32-36

[20] 毛万峰，张红，张波等.基于模糊水平集的SAR图像分割方法[J].中国科学院研究生院学报，2013.2：238-243

[21] 朱逸婷.基于改进的模糊聚类的分水岭分割算法研究[D].安徽大学硕士学位论文，2013.

[22] 鲍义东，周改云，赵伟艇.自适应蚁群和模糊聚类的SAR图像分割[J].测绘科学，2016.8：121-124，120

[23] 赵凤，范九伦.一种结合二维Otsu法和模糊熵的图像分割方法[J].计算机应用研究，2007.24（6）：189-191

[24] 张永梅，巴德凯，邢阔.基于模糊阈值的自适应图像分割方法[J].计算机测量与控制，2016.24（4）：126-128

[25] 苏磊磊.基于小区域的图像显著度提取及应用研究[D].山东师范大学硕士学位论文，2015.