Vol43 No5May2021
第43卷第5期2021 年5 月
系统工程与电子技术
SystemsEngineeringandElectronics
文章编号!001-506X(2021)05-1198-12
网址 !www sys-elecom
马 倩，邹焕新*
*，李美霖，成 飞，贺诗甜收稿日期：2020 -05 - 27；修回日期：2020 - 08 - 06；网络优先出版日期：2020 - 12 - 10。网络优先出版地址:https ： 〃kns. cnki. net/kcms/detail/11. 2422. TN. 20201210. 0845. 002. html
软件发布基金项目：国家自然科学基金(62071474)资助课题* 通讯作者 E-mailhxzou2008@163 com
引用格式：马倩，邹焕新，李美霖，等.基于SNIC 的双时相SAR 图像超像素协同分割算法:J ).系统工程与电子技术，2021, 43(5)： 1198-1209
Reerence#ormat !MA Q , ZOU H X , LIM L , etal Superpixelcooperativesegmentationalgorithmforbi-temporalSARimagebasedon
SNIC[J ). Systems Engineering and Electronics , 2021, 43(5) ： 1198-1209.
（国防科技大学电子科学学院，湖南长沙410073）
摘 要：针对面向区域的合成孔径雷达(synthetic aperture radar,SAR)图像变化检测方法中存在的双时相图
像边缘和空间对应关系不一致的问题，提出了一种基于简单非迭代聚类(simple non-iterative clustering, SNIC )的单眼3d
双时相SAR 图像超像素协同分割算法°首先，构造一幅包含双时相SAR 图像特征的融合图像，计算待处理像素
点到聚类中心的像素强度相似度和空间距离相似度°其次，采用一种高效的多尺度弱边缘检测算法，对双时相
SAR 图像分别进行边缘检测并融合边缘检测结果°最后，将像素强度相似度、空间距离相似度和边缘信息进行加
权以替代原始SNIC 算法中的距离测度，实现对SAR 融合图像的超像素分割，得到与双时相SAR 图像中真实地 物边缘均贴合的协同分割结果°基于一组仿真和一组实测双时相SAR 图像的超像素协同分割实验结果表明，该
算法的边缘贴合率、欠分割误差和可达分割准确率均优于其他7种经典方法°
关键词：双时相合成孔径雷达图像&超像素&协同分割&简单非迭代聚类&变化检测
中图分类号：TN 957 文献标志码：A DOI ：10. 12305/j. issn. 1001-506X. 2021. 05. 06
Super pixel cooperative segmentation algorithm for bi-temporal
SAR image based on SNIC
MA Qian , ZOU Huanxin * , LI Meilin , CHENG Fei , HE Shitian
(College of Electronic Science and Technology , National University of Defense Technology ,
Changsha410073 'China "
Abstract : Aiming at the problem of the inconsistency of bi-temporal images * boundaries and spatial
corespondenceinthetaskofregion-basedsyntheticapertureradar (SAR "imagechangedetection 'asuperpixel cosegmentation algorithm based on simple non-iterative clustering (SNIC "forbi-temporalSARimagesisproposed'
First 'afusedimagecontainingthefeaturesofthebi-temporalSARimagesisconstructed 'andthepixelintensity similarityandspatialdistancesimilaritybetweenthepixelstobeprocessedandtheclustercenteriscalculated'Second '
acomputationalyeficientmultiscaleedgedetectionalgorithmisadoptedandusedtodetecttheedgesofthebi-temporal SARimagesrespectively 'andtheedgedetectionresultsarefusedtoformanedgemap'Finaly 'thepixelintensity
similarity 'spatialdistancesimilarityandedge map information are weighted to replace the distance measureinthe originalSNICalgorithmandtheimprovedSNICisutilizedtoperformsuperpixelsegmentationonthefusedimageto
obtain the segmentation result which fits the real terrain edges in the bi-temporalSARimages'The experimental
resultsconductonapairofsimulatedSARimagesandapairofreal-worldbi-temporalSARimagesdemonstratethat theboundaryrecal 'under-segmentationerrorandachievablesegmentationaccuracyoftheproposedmethodarebeter
thanthoseofothersevenstate-of-the-artmethods'
第5期马倩等：基于SNIC的双时相SAR图像超像素协同分割算法・1199・
Keyword：bi-temporalsyntheticapertureradar simple non-iterative clustering；change detection
o引言
近年来，遥感平台和传感器技术取得了飞速发展，实现了对全球大部分区域的连续重复观测，积累了
海量多源、多时相遥感数据(11$在合成孔径雷达(synthetic aperture radar,SAR)、光学、红外、多光谱等多源数据中，SAR具备全天时、全天候、高分辨、大幅宽等多种优点，是一种良好的信息源$SAR图像广泛应用在目标检测、地物分类、动态监测和变化检测等领域，其中变化检测在国民经济和国防建设上发挥着巨大作用，已经成为遥感数据应用研究中的一个重要内容$尽管不少学者围绕双时相(或者多时相，为行文简便起见，以下统一用双时相来描述)SAR图像变化检测开展了大量工作。但是，如何快速准确地提取双时相SAR图像变化区域仍然面临着许多挑战$
变化检测方法在发展初期，主要以像素级统计方法23)为主$这类方法无法充分利用地物在图像上的空间位置和空间关系等重要信息，且逐像素处理消耗大量时间$随着遥感图像分辨率的提高和数据的积累，迫切需要高精度、快速度的变化检测方法$因此，面向区域(或者面向对象)的变化检测方法45)受到了研究人员的重视$与基于像素的统计方法不同，这类方法首先对SAR图像中具有同质特征的相邻像素进行分割，组成一个个像素块区域，然后以这些区域为基本单元进行后续的变化检测处理，有效提高了变化检测的精度和速度［6］$显然，在面向区域的变化检测方法中，一个关键的问题是如何在双时相SAR图像上获取边缘和空间对应关系一致的图像区域分割结果，以保证变化检测结果的精度和效率$
对图像进行超像素分割是面向区域的变化检测方法中常用的预处理方式之一$2003年Ren等首次提出超像素7这一概念$超像素是指根据图像的轮廓、纹理和亮度等特征信息，将位置相近、特征相似的像素点聚集成的一个局部均匀连通区域$超像素分割可以将一幅图像从数百万个像素简化为大约少两个数量
级的超像素，从而可以有效减少图像冗余信息，加快后续变化检测处理的速度，并且由于考虑了图像的局部空间邻域信息，超像素具有一定的噪声抑制能力$针对单幅光学图像的超像素分割方法已发展得比较成熟，这些方法大致可以分为基于图论的算法和基于梯度下降的算法两大类8$基于图论的经典方法主要包括：Normalized Cuts算法9,Graph-Based算法(10),Superpixel La--tice算法(11)、基于熵率的算法(entropy rate superpixel，ERS)［12］等$而基于梯度下降的经典方法则主要包括：Watersheds算法(13)、Mean Shift算法(14),Quick Shift算法(15)、基于几何流的水平集算法(turbopixel,TB)(16)、简单线性迭代聚类算法(simple linear iterative clustering,SLIC)［17］、SEEDS算法(18)、基于迭代边缘精炼的算法(19)、线性谱聚类算法、简(SAR)image；superpixel；copperative segmentation；
单非迭代聚类算法(simple non-iterative clustering,SNIC)［21］等$其中,SLIC算法是应用最为广泛的一种超像素分割算法$该算法通过计算像素点到聚类中心的CIELAB颜距离和欧氏空间距离进行分割，算法的思想简单、计算效率高，且能够控制超像素的大小、数量和紧凑度，是一种优秀的超像素分割算法，因此，有不少SAR图像超像素分割算法是在SLIC算法基础上改进而来的$SLIC算法虽然取得了广泛的应用，但仍存在需要多次迭代收敛聚类中心、只将生成超像素的连接性作为后处理步骤以及使用与输入图像像素数量相同的距离映射图从而消耗大量内存的问题$
需要注意的是，以上算法均是针对单幅光学图像的超像素分割提出的，直接采用上述算法进行双时相SAR图像超像素协同分割时，存在两个方面的困难$首先，SAR图像本身存在严重的相干斑噪声，直接
采用上述算法进行超像素分割，可能会出现超像素边缘不规则或者产生细小的孤立超像素等问题$其次，以上方法均针对单幅图像进行分割，不能利用双时相SAR图像的特征对两幅SAR图像同时进行分割(即协同分割)$因此，一些研究人员在上述算法的基础上进行改进，使之适应于单幅SAR图像的超像素分割或多幅SAR图像的超像素协同分割$具体来说, 2013年Xiang等(22)提出一种基于像素强度和空间位置的SAR图像超像素分割(简称为PILS)算法$该算法在计算像素强度时考虑相干斑噪声的概率密度函数，生成的超像素较规则，但边缘保持效果不佳，存在一定的过分割情况。
2016年Zou等(23)提出了一种基于广义Gamma分布的改进SLIC算法，可以获得较好的SAR图像超像素分割结果，但该方法计算效率较低$2017年Hu等(4)提出一种基于DBSCAN聚类的SAR图像超像素分割算法，该算法的边缘保持效果好，但紧凑度不高$2019年邵宁远等［25］提出一种面向变化检测的SAR图像超像素协同分割(superpixel<^o-segmentation,SCS)算法。该算法采用PILS算法的相似度测度，分别计算双时相SAR图像的相似度进行加权，并采用指数加权均值比(简称为ROEWA)检测算子［26］进行边缘检测，将图像边缘信息融入相似度测度$该算法可以较好地实现超像素协同分割并在一定程度上提高分割精度但该算法采用的ROEWA算子对多时相SAR图像中的弱边缘检测能力相对有限，因此无法充分利用图像中的边缘信息提升超像素协同分割性能$
为了解决面向区域的双时相SAR图像变化检测方法中存在的双时相图像边缘和空间对应关系不一致的问题，提高超像素分割结果边缘与双时相SAR图像真实地物边缘(特别是变化区域边缘)的贴合率，本
文提出了一种基于SNIC的双时相SAR图像SCS算法$本文算法的主要思路为：①构造一幅融合图像，该融合图像将双时相SAR图像的特征结合在一起，并以该融合图像为基础，计算待处理像素点到聚
•1200•系统工程与电子技术第43卷
类中心的像素强度相似度和空间距离相似度；②对两幅
SAR图像，分别采用多尺度弱边缘检测算法进行边缘检
测，并将两幅SAR图像的边缘检测结果进行组合以形成一
幅统一的地物边缘图；③将像素强度相似度、空间距离相
似度和地物边缘图信息进行加权以形成新的距离度量，采
用改进SNIC算法对融合图像进行超像素分割，以得到与
双时相SAR图像中真实地物边缘均贴合的协同分割结果$
基于一组仿真和一组实测双时相SAR图像的超SCS
实验结果表明，本文算法的边缘贴合率(boundary recall,
BR)、欠分割误差(under-segmentation error,USE)和可达分割准确率(achievable segmentation accuracy,ASA)均优于其他7种经典方法$在实际应用中，针对已经配准好的双时相SAR图像，利用本文算法进行超像素协同分割，可以使得两幅SAR图像的超像素分割结果中的边缘和空间对应关系一致，从而为后续区域/对象级的变化检测处理和分析奠定良好的基础$
1算法介绍
1=SNIC算法原理
SNIC算法是Achanta等人在2017年提岀的SLIC 算法改进版本，该算法与SLIC算法采用相同的距离测度$与SLIC算法不同的是，SNIC算法无需迭代收敛聚类中心，从算法聚类起始即要求强制连接，占用更少的内存且速度更快$SNIC算法采用CIELAB颜距离和空间欧氏距离加权计算像素点与聚类中心的距离$设空间位置x= Cy)T,CIELAB颜o=(+，)t，则第b个待处理像素点到第怡个聚类中心的距离为
式中，和”分别为空间距离和颜距离的归一化因子$对于一幅包含N个像素点的图像，设F为预期得到的超像素个数，在以正方形网格中心初始化聚类中心的情况下，网格长度s=槡NF$”表示超像素形状的紧致程度，其取值越大时，空间距离在整体距离中所占比重越大，生成的超像素越规则，其代价是有可能降低BR；反之亦然$
SNIC算法通过设计一个优先级队列以实现非迭代的聚类$其基本原理为：将包含像素点信息的元素推入优先级队列中，依次推岀优先级队列的顶端元素进行超像素标记$优先级队列采用特殊的数据结构堆，堆是用数组实现的二叉树，分为最大堆和最小堆两种$两者的差别在于节点的排序方式，最大堆中任意一个节点的值总不大于其父节点的值，最小堆中任意一个节点的值总不小于其父节点的值$采用最大堆或最小堆可以快速出一个集合中的最大值或最小值$SNIC算法中的优先级队列的本质是一个最小堆，可以迅速推岀到某个聚类中心距离最小的元素进行超像素标记$当有新的元素被推入最小堆时，如果节点到聚类中心的距离比它的父节点到聚类中心的距离小，则将该节点与其父节点交换位置，使数值较小的节点在数组中位置上升$图1为最小堆结构的示意图$
图1最小堆示意图
Fig1Schematicdiagram ofminimum heap
蜂鸣器封装为了更好地说明SNIC算法的原理，图2展示了采用SNIC算法以对一幅6像素X6像素的图像进行超像素分割的流程$图2共分为4个部分，每部分均由输入图像、优先级队列和标签图组成$第1行为输入图像(6像素X6像素)，输入图像上的数值代表颜信息(假设彩图像3个通道的值一样)；第2行为优先级队列，以d…t的大小进行排序；第3行为超像素标签图L$具体步骤如下$
步骤1在全图均匀初始化K个聚类中心CL2= {",0},"和0分别为空间位置和CIELAB颜$将这K个聚类中
心以元素e={"02,0}的形式依次存入优先级队列Q中2设置为从1到K个不重复的超像素标签，元素e的第4列为d,2，表示第b个待处理像素点到第2个聚类中心C(]的距离$初始化聚类中心的d,2为0$步骤2推出优先级队列Q的顶端元素e；$如果推出的元素在标签图L["]上没有被标记，则将聚类中心的超像素标签2赋给L["]，同时用"和o的值更新聚类中心C M$依次计算该元素的四邻域像素点到聚类中心的距离，创建元素e={",0,2，-,2,2，把e推入优先级队列Q，并按照d,2的大小排序$
步骤3如果推出元素的四邻域像素点已被标记，则已被标记的像素点不推入优先级队列$如图2红方框处所示，推出元素的右邻像素点已被标记，则只将由上下邻像素点创建的元素推入优先级队列$每一次向优先级队列Q 中推入一个元素都会更新一次排序使优先级队列Q中元素保持从小到大的顺序$
步骤4依次推出优先级队列Q的顶端元素进行计算直到所有的像素点均被标记并且优先级队列Q为空时，停止算法运行，输出超像素标签图$
1=SAR图像像素点间相似度测度
由于SAR图像存在严重的相干斑噪声，在直接采用针对光学图像的算法进行超像素分割时，往往存在超像素边缘不规则和产生细小超像素等问题$为了解决这些问题，本文设计了一种融入边缘信息的SAR图像像素点间相似度测度。该测度由像素强度相似度、空间距离相似度和边缘信息加权形成，能够有效克服相干斑噪声的影响，并生成形状规则的、BR高的超像素
$
第5期马倩等：基于SNIC的双时相SAR图像超像素协同分割算法・1201・输
入图像(6像
素
X 6
像#)Q 262227464247
2123414043
252428454448
666267868287
616063818083
656468858488
推入
20406080
2627464247
2123414043
24454448
666267868287
616063818083
656468858488
推出
842526
推入推出推入空优先级队列
2227464247
2023414043
2428454448
666267868287
616063818083
656468858488
262227464247
212023414043
252428454448
666267868287
616063818083
656468858488
标签图厶000000
000000
000000
000000
000000
000000
000000
010000
000000
太阳能电池板制作
000000
000000
000000
000000
洗手器110020
000000
000000
030040
000000
111222
111222
111222
333444
333444
333444均匀初始化K个聚类中心
(红字体)，以元素的形式
推入优先级队列，初始化
全0标签图
推出0的顶端元素，计算该
元素的四邻域像素点(黄
字体)到聚类中心的距离，
创建新元素推入0并排序，
赋予推出元素超像素标签
若推出元素的四邻域像素点
已有超像素标签(红方框处),
则不推入。，赋予推岀元素超
像素标签更新聚类中心
依次推出0的顶端元素进行,
计算直到Q为空，此时所有的
像素点均有超像素标签
图2SNIC算法示意图
Fig.2SchematicdiagramoftheSNICalgorithm
1. 2.1像素强度和空间距离相似度
欧氏距离对于加性噪声具有较好的鲁棒性'旦对于SAR图像中的乘性噪声则不具有$为了解决这个问题, Feng等(27)2011年提岀一种基于像素强度比值距离的方法来衡量两个受噪声影响的切片之间的相似度，对SAR图像具有较强的鲁棒性$定义像素强度比值为
d K ib=.=&G!)|2,K!)D0
I叫&F”2”
(2)式中'叫和I叫分别是以N i和N”为中心点的两个相同尺寸切片的强度向量M表示切片所包含的像素点个数(通常取M=1或M=9)G表示标准高斯核函数d(i j)表示N和N j的比值距离，该比值距离对SAR图像的乘性噪声有较强的鲁棒性(27)$定义像素强度相似度为
M I K()I2 Si j)=^p(r,2)112=&G()|d(K；2)))!)
cielab式中，r j是像素强度比值的商；r,'的概率密度函数(probabilitydensityfunction,PDF定义为
p()=2(2L—1)!(i''严—⑴)
p2i,k)=「(i,)2+1严⑷
式中4(・)为Gamma分布函数X为成像视数$在采用欧氏距离来衡量两个切片的空间距离d xY(')的情况下，可以使用标准高斯核函数将该距离映射成空间相似度S xy(')，表示为
d xY(i j)=J O i—O)2+(7i—7i)2(5)
S xy((j)=exp(—-X y((j)/2)(6)在衡量SAR图像中两个像素点之间的相似度时，通常需要同时考虑像素强度相似度和空间相似度，并利用参数0调整空间距离相似度的比重$因此，PILS相似度S p i,j)[27]定义为
S F(i,j)=S T(i,j)+01SxY(ij)(7) 1.2.2多尺度弱边缘检测算法
超像素内部包含图像的真实边缘是造成分割精度差的主要原因之一$因此，准确提取岀图像中的真实边缘作为像素点间相似度测度的一部分，可以有效提高超像素边缘与图像真实边缘的贴合率$Ofir等「829)针对光学图像提岀了一种高效的多尺度弱边缘检测算法$该算法将边缘检测看作是对大量可能曲线的高效搜索，分层构造不同的与曲线轨迹匹配的滤波器，能够有效检测岀强噪声图像中的弱边缘$对于SAR图像而言，构造与曲线轨迹匹配的滤波器的思想，能够有效减少相干斑噪声对边缘检测结果的影响$虽然该算法并不是直接针对SAR图像的边缘检测提岀的$但是该算法考虑了图像在受到强高斯噪声污染情况下的弱边缘检测问题$因此，采用该算法对SAR图像进行边缘检测时也可以取得较好的结果$在实验部分将该算法与文献「26)中提
・1202・系统工程与电子技术第43卷
岀的改进REOWA检测算子进行了对比，验证了该算法在检测SAR图像中边缘(特别是弱边缘)时的适用性$
采用多尺度弱边缘检测算法分别检测双时相SAR图像中的边缘，得到两幅边缘强度图$边缘强度图的数值越接近1表示边缘越强，数值越接近0表示边缘越弱$为了综合形成一幅统一的边缘图，取两幅边缘强度图中某个像素点处较大的值作为该像素点处最终的边缘强度图，并对最终的边缘强度图进行二值化$定义最终边缘检测结果二值图为E，当待处理像素点为边缘时，降低待处理像素点到聚类中心的相似度$融入边缘信息的新的相似度定义为
Si j)=Sp i j)—0?Sp(i j')E(b=
(1—0?)S p(z')E(b(8)若第b个待处理像素点处于边缘上，将相似度降低为原来的(1—02)倍$基于上述分析，在采用SNIC算法进行超像素分割时，定义第b个待处理像素点到第怡个聚类中心的相似度计算方式如下：
=S(')=S p(')—0)S p(')E()(9) 1. 2.3SCS
对于不同时间在相同地理地区获取的一组双时相SAR图像，希望能够在两幅图像上得到一致的超像素分割结果$因此，本文考虑融合两幅图像的特征进行协同分割$特征融合主要体现在边缘融合和灰度值
融合两个方面$首先，采用第1.2.2节所述的方法进行边缘融合；其次，进行灰度值融合$将双时相SAR图像T(d和S t2(cq)进行灰度值融合时，融合图中每个像素点的灰度值定义为
S(c,y)=T(cq)+S t2(cq)(10)式中'表示灰度值比例系数，通常0的取值为0.5$这种融合方式同时考虑了双时相SAR图像的特征，并将对两幅图像的处理转化为对单幅图像的处理，从而可以提高算法的计算效率$
1=3算法流程
本文提岀的双时相SAR图像SCS算法的流程为：①构造包含双时相SAR图像灰度特征信息的融合图K cq)#②采用多尺度弱边缘检测算法分别检测双时相SAR图像中的边缘，得到双时相SAR图像边缘检测结果二值图E#③采用结合边缘信息的SAR图像像素点间相似度测度)'代替原始SNIC算法中的d b2并将优先级队列由最小堆转换为最大堆，即推岀相似度最大的像素点进行计算，按照SNIC方法的聚类方式进行超像素分割$具体流程如图3所示$
图3本文算法流程示意图
Fig3Schematicdiagramoftheproposedalgorithm
2实验结果及分析
2=双时相SAR图像仿真
为了评估本文提出算法的性能，并与其他算法进行对比分析，本文根据文献(0)中提岀的方法仿真了一组双时相SAR图像$该方法基于典型单通道SAR图像乘积模型将SAR图像测量值Z分解为纹理X(地物的后向散射)和相干斑分量Y的乘积$其中，纹理分量X服从逆Gamma分布，相干斑分量\服从单位均值Gamma分布，且设置相干斑分量的视数宛为4$在这些参数设置条件下，仿真得到一组带有乘性相干斑噪声的SAR杂波图像，如图4所示，图像尺寸为300像素'300像素$其中，前时相SAR图像与后时相SAR图像发生变化的区域采用红线条进行了标记$两幅SAR图像的亮度不完全一致，主要原因是考虑模拟图像获取时地物后向散射强度的变化情况$在本文后续的定量分析实验中，采用双时相仿真SAR图像的内边缘融合图作为真值图$
(a)仿真前时相SAR图像(a)Simulated forward phase SAR image
(b)仿真后时相SAR图像
(b)Simulated post phase SAR image
(c)变化区域标记图
(c)Marked image of t he change region
(d)地物边缘真值图
(d)Ground truth of t errain edges
图4仿真的双时相SAR图像
Fig4
Simulatedbi-temporalSARimages
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议