0 引言

星载合成孔径雷达(Synthetic Aperture Radar, SAR)因其具有全天时、全天候、大覆盖面积、高分辨、成像不受云雾影响等优点，被广泛地应用于农业、海洋、军事等领域[1]。大量的研究结果表明，对SAR图像中的舰船目标进行检测时，若包含陆地区域，由于陆地区域是强散射中心，会导致检测结果在低检测概率和高虚警概率之间波动，很难取得令人满意的效果。为提高舰船检测率、减小虚警率，需要将海洋SAR图像中的陆地区域去处，即首先进行海陆分割。

海陆分割工作的目的是完成陆地掩膜，即将海洋SAR图像中的强散射中心去除，防止其在舰船目标检测中将舰船目标掩盖。目前，海陆分割技术主要分为两类：基于图像边缘纹理特征的自动海陆分割和基于图形学的手动分割。第一类方法是基于雷达在海洋和陆地区域的不同反射系数，来进行海岸线检测的算法[2]。第二类方法是通过人为手动标识多边形来圈定陆地区域，再利用图形学算法分割出陆地区域[3]。以上两类算法都存在各自的不足，前者由于大入射角变化使得近距的高亮区域产生大量的干扰边缘纹理，很明显依据边缘纹理进行海陆分割的方法将会出现很大的误差，而后者要求精确地圈定陆地区域，而人工圈定难免有较大误差，这使得未被掩膜的陆地区域容易被检测成舰船目标带来虚警，相反误被当作陆地掩膜的海洋区域会使近海船舶漏检，因此两类方法均不适合对海洋SAR图像进行批量处理。

Rent和Malik[4]提出了超像素分割的概念，通过超像素分割，控制相应的参数，可将图像分成大量不规则的小块(超像素)。该算法提供了一种图像预处理的途径，但在后续的改进算法中仍存在模型复杂、生成的超像素边界也不能与原图像边界很好地匹配等缺点[5]。针对以上问题，Achanta等[6]提出了简单线性迭代聚类的算法(Simple Linear Iterative Clustering, SLIC)，改进后的算法耗时短、效率高，分割的区域形状比较规则，并且超像素边界对图像的原始边界具有很强的依附性[7-8]。

传统的图像分割方法由于计算的复杂度，难以在较短的时间内得到良好的分割结果。近来有研究者将SLIC应用于光学图像与SAR图像，均取得了较好的分割结果[9]。鉴于此，本文提出了基于SLIC超像素分割的SAR图像海陆分割算法。

1 图像预处理

由于SAR图像固有的相干斑噪声会对后续的分割产生一定的影响，故首先对原始SAR图像进行相干斑噪声抑制。本文采用精致Lee滤波算法[10]，因为精致Lee滤波可以保留更加完整的边缘信息，这对于海陆分割是相当重要的。这里使用7×7的滑动窗口，假定中心像素为x：

1) 将7×7的滑动窗口分为9个3×3的子窗口，9个子窗口之间有重叠。

2) 计算每个子窗口的像素灰度均值，用计算出的9个子窗口像素均值按照一定顺序构造一个3×3的均值矩阵M，以此来估计局部窗中边缘的方向。将3×3梯度模板应用到像素均值矩阵M，梯度绝对值最大的方向被确定为边缘方向。用矩阵M与4种边缘模板(水平、垂直、45°和135°四个方向的梯度模板，相反方向取相反数)与之进行加权计算，加权结果绝对值最大的被确定边缘方向。一种边缘方向对应两种模板Xij和Xji，比较Mij和Mji大小，确定选择哪一种窗口。确定窗口后，用所有阴影区域外的像素来计算原来滑窗内所有像素的局部均值和方差，从而重新估计局部窗的中心像素值。

2SLIC超像素分割SAR图像

SLIC是Achanta等提出的一种思想简单、实现方便的算法。该算法首先将彩色图像转换为CIE LAB图像空间，利用LAB颜色空间中的亮度分量、2个颜色分量以及x，y坐标组合而成的五维空间向量进行K-means聚类。其算法步骤如下[11]：

1) 设定要分割的超像素的个数k，由图像的总像素点个数除以超像素的个数k得出每个超像素所包含的像素点数，然后初始化聚类中心Ck=[lk,ak,bk,xk,yk]在间隔为S的网格节点上；

2) 依次计算聚类中心3×3邻域内9个像素点的梯度大小，将梯度最小的像素点确定为新的聚类中心；

3) 对于每个新确定的聚类中心，根据距离度量依次在每个聚类中心2S×2S区域内分配像素点；

4) 重新计算聚类中心并重新聚类，重复迭代，计算前后2次聚类中心的距离E，直到E≤threshold，聚类结束。

在超像素分割算法中，实验参数的大小设置直接影响超像素分割的效果，不同参数设置情况下的超像素分割结果如图1所示。图1(a)为实验原图，截取自德国TerrSAR-X卫星于2008年5月12日获取的直布罗陀海峡图像。图中方框区域是不同参数设置产生的超像素分割误差区域，可见不同参数设置对超像素分割的一致性有显著影响。分割算法中最重要的参数是超像素的个数k，它决定着每个超像素的尺寸大小以及分割不同质区域的效果。我们希望得到的每个超像素区域中只包含海面或者陆地。为了能够在细节边缘使海水和陆地分割开来，需要着重注意每个超像素区域的尺寸。如图1(b)、图1(e)、图1(h)所示，当k=200时，由于超像素个数太少，会出现将海面和陆地分割到同一超像素中的情况。而超像素个数无需太多便可以取得很好的效果，同时超像素个数太多会使得算法效率降低。第二个参数是超像素的紧密度，决定着相似像素的聚合程度。通过实验可以得出，紧密度系数Compactness若设置过大会导致分割算法的失败，如图1(h)、图1(i)、图1(g)所示，紧密度系数太大，使得某些细节处出现比较明显的分割错误。相反紧密度系数太小会导致分割算法效果不尽人意，且超像素形状极其不规则，如图1(b)、图1(c)、图1(d)所示。综合两个参数对实验效果的影响以及实验实际效果的对比，在后续对原图的处理中，选用图1(f)，参数设置为k=500，Compactress=100。

(a)原图(b) k=200, Compactness=50

(c) k=500, Compactness=50 (d) k=1 000, Compactness=50

(e) k=200, Compactness=100 (f) k=500, Compactness=100

(g) k=1 000, Compactness=100 (h) k=200, Compactness=200

(i) k=500, Compactness=200 (j) k=1 000, Compactness=200
图1不同参数设置下的SLIC超像素分割结果

3 FT区域显著性检测及显著值相似度聚类

3.1 FT区域显著性检测

本文在超像素分割的基础上，通过显著性检测把陆地高亮部分检测出来，将区域显著值相似的区域合并，进行图像二值化，达到海陆分割的效果。

为了突出整幅图片中最大的物体，点亮整个显著区域，并且使区域拥有清晰的轮廓，这里采用Achanta等提出的频率调谐(Frequency-Tuned, FT)[12]算法对超像素分割后的图片进行处理。

设大小为m×n的输入图像f，FT算法的实现过程如下：

首先，求出f在CIE LAB颜色空间模型中3个特征分量的平均值：

(1)

然后，计算输入图像f高斯滤波后的图像fG：

fG=f⊗G

(2)

式中，G为p×p的高斯滤波器，其尺寸一般选取为3×3或5×5。图像fG在CIE LAB颜色空间模型中的3个特征值为Iμ=[Lμ,aμ,bμ]T。

定义图像f在像素点(x,y)处的显著值为S(x,y)：

S(x,y)=‖IG(x,y)-IG‖

(3)

式中， ‖·‖表示向量的空间距离。

3.2 显著值相似度聚类

在经过SLIC超像素分割以及频率调谐区域显著性检测后，需要对图像中超像素进行显著值相似度聚类来达到将陆地与海面分离的效果。设第i个超像素的显著值为Si(i=1,2,…,k)，对任一超像素i周围的所有像素块进行如下运算：若|Si-Sj|≤T(T为经验阈值)，则将两块区域合并，新生成的像素块的显著值为(niSi+njSj)/(ni+nj)，其中ni,nj为第i,j个超像素中所包含的像素个数；合并后的区域继续进行次运算，直至遍历所有超像素。

4 实验结果与分析

实验1： 以图1(a)为实验图像，首先经过超像素分割，将图1(f)经过FT算法以及超像素进行显著值相似度聚类后，得到如图2(a)所示效果，图2(b)、图2(c)、图2(d)、图2(e)分别为HC，LC，RC，SR算法区域显著性检测的结果，由实验效果图明显可以得出经过超像素分割后FT，HC，LC算法的显著区域突出明显，其中FT算法的显著性效果最佳。

(a)SLIC+FT (b)SLIC+HC

(c)SLIC+LC (d)SLIC+RC

(e)SLIC+SR
图2不同算法的区域显著性检测结果

进行超像素显著值相似度聚类后，对图像进行二值化，得到如图3所示效果，即得到最终的海陆分割结果。由实验结果可以得出，最终得到的海陆分割线与真实海岸线有很好的契合度。

(a)二值化结果 (b)海岸线契合度图示
图3本文算法的海陆分割结果

为评价本文算法的实际性能，以分割品质作为评价标准，并与双阈值Otus法的实验结果进行比较。分割品质的定义如式(4)所示：

quality=

(4)

式(4)中的分割品质融合考虑了虚警率与漏警率，最优值为1。

经过对比实验，双阈值Otus法与本文算法的分割品质分别为99.57%和99.89%。在主频为2.13 GHz、内存为2 GB的PC上处理时间分别为4.2 s和2.1 s。

实验2： 为验证本文所提算法的有效性，再次选取SAR图像进行实验。实验SAR图像来自加拿大探测卫星Radarsat-2获取的图像，如图4(a)所示，图像于2015年6月2日拍摄，图像大小为1 076×864像素。获取图片时卫星处于聚束模式，升轨右视，VV极化，SLC数据，实验区域为烟台港附近海域。

图4(b)为本实验的SLIC超像素分割结果。由于实验原图过大，为取得更好的分割效果，通过实验分析对比，当参数设置为k=1 000，Compactness=50时效果最好。之后对超像素分割结果进行FT区域显著性检测、显著值相似度聚类以及图像二值化得到如图4(d)所示的海陆分割结果，最终得到的海陆分割线与真实海岸线有很好的契合度。

同样，与双阈值Otus法进行对比实验。实验结果显示双阈值Otus法与本文算法的分割品质分别为98.21%和99.32%。在主频为2.13 GHz，内存为2 GB的PC上处理时间分别为12.3 s和6.5 s。

(a)实验原图 (b)SLIC超像素分割

(c)SLIC+FT (d)海陆分割结果

(e)海岸线契合度图示
图4本文算法实验效果图

由两次实验的结果可以得出，本文算法具有更高的分割精度及运行效率。

5 结束语

本文在分析当前常用海陆分割算法的基础上，提出了基于SLIC超像素分割的海陆分割算法，该方法首先用精致Lee滤波对图像进行预处理，再经过SLIC算法来生成超像素，在此基础上对超像素分割图像进行FT区域显著性检测以及显著值相似度聚类，最终通过图像二值化得到海陆分割结果。为验证本文所提算法的分割效果，使用德国TerrSAR-X雷达卫星数据和加拿大Radarsat-2数据。实验结果表明，本文所提海陆分割算法的性能很好，最终提取的海陆分割线与海岸线有很好的契合度，具有很高的分割精度及较高的运行效率，适合进行图像的批量处理。下一步研究的方向是在海陆分割的基础上，把岸边的舰船等属于高亮像素的目标分割出来。

参考文献：

[1]BROWN L G.A Survey of Image Registration Techniques[J].ACM Computing Surveys, 1992, 24(4):326-376.

[2]王玉平,蔡元龙. 多尺度B样条小波边缘检测算子[J]. 中国科学：A辑, 1995, 25(4):426-437.

[3]O’ROUKE J. Computational Geometry in C[M]. 2nd ed. Cambridge:Cambridge University Press, 2005.

[4]REN X, MALIK J. Learning a Classification Model for Segmentation[C]∥9th IEEE International Conference on Computer Vision, Nice, France:IEEE, 2003:10-17.

[5]VEDALDI A, SOATTO S. Quick Shift and Kernel Methods for Mode Seeking[C]∥European Conference on Computer Vision, Marseille, France:Springer, 2008:705-718.

[6]ACHANTA R, SHAJI A, SMITH K, et al. SLIC Superpixels Compared to State-of-the-Art Superpixel Methods[J]. IEEE Trans on Pattern Analysis and Machine Intelligence, 2012, 34(11):2274-2282.

[7]赵渊,彭济根,高义. 基于SLIC超像素分割的图分割算法[J]. 工程数学学报, 2016, 33(5):441-449.

[8]孙巍,郭敏. 基于SLIC与条件随机场的图像分割算法[J]. 计算机应用研究, 2015, 32(12):3817-3820.

[9]QIN Fachao, GUO Jiming, LANG Fengkai. Superpixel Segmentation for Polarimetric SAR Imagery Using Local Iterative Clustering[J]. IEEE Geoscience and Remote Sensing Letters, 2015, 12(1):13-17.

[10]刘晨,张宗虎. 一种改进的Lee滤波相干斑噪声抑制方法[J]. 新疆师范大学学报(自然科学版), 2015, 34(1):5-11.

[11]汪成,陈文兵. 基于SLIC超像素分割显著区域检测方法的研究[J]. 南京邮电大学学报(自然科学版), 2016, 36(1):89-93.

[12]黄应清,梁新彬,谢志宏,等. 基于特征显著值归一化与位置加权的FT算法[J]. 兵器装备工程学报, 2016, 37(6):124-128.