国土资源遥感, 2018, 30(4): 62-67 doi: 10.6046/gtzyyg.2018.04.10

基于混合模糊的SAR图像水陆分割算法

郭拯危, 王乐, 宋国磊,

河南大学计算机与信息工程学院,开封 475000

SAR image land and water segmentation algorithm based on hybrid fuzzy

GUO Zhengwei, WANG Le, SONG Guolei,

School of Computer and Information Engineering, Henan University, Kaifeng 475000, China

通讯作者: 宋国磊(1992-),男,硕士研究生,主要从事SAR图像处理研究。Email:henusgl1992@qq.com。

责任编辑: 陈理

收稿日期: 2017-05-16   修回日期: 2017-09-11   网络出版日期: 2018-12-15

基金资助: 国家自然科学基金项目“基于高分辨星载SAR图像的丹江口水库安全与水环境监测研究”资助.  U1604145

Received: 2017-05-16   Revised: 2017-09-11   Online: 2018-12-15

作者简介 About authors

郭拯危(1963-),女,研究生导师,主要从事网络协议、空间信息处理等方面研究。Email:henugzw@foxmail.com。 。

摘要

针对丹江口水库复杂环境背景下的水陆分割,提出一种基于混合模糊的SAR图像水陆分割算法。首先,该算法以统计SAR图像的灰度特征作为分割参数,采用自适应多阈值最大类间方差法(maximum between-class variance,OTSU)对库区水陆进行粗分割; 然后,以各均匀区域的灰度均值作为初始化聚类中心的模糊C均值算法进行聚类迭代得到分类结果; 最后,采用连通区域法,将邻域内较小的像素对象删除,从而实现水陆的精分割。通过对哨兵1A的GRDH数据实验表明,该方法对于地物种类和支流较多的内陆水域SAR图像有较好的分割效果。

关键词： 水陆分割 ; 多阈值OTSU ; 模糊聚类 ; 丹江口水库

Abstract

In this paper, a land and water segmentation algorithm based on hybrid fuzzy is proposed for the segmentation of SAR images. The algorithm is based on the gray features of SAR images, and dynamic multi threshold maximum between-class variance (OTSU) method is used for SAR image rough segmentation. The gray mean value of each homogeneous region is used as the initial clustering center of the fuzzy C mean algorithm so as to get the classification result by clustering iteration. Finally, the connected region method is used to remove the small pixels in the neighborhood, thus achieving fine segmentation of land and water. The experiments on GRDH data of Sentinel-1A show that the method has a relatively good segmentation effect for the SAR images of land objects and inland water areas with more tributaries.

Keywords： land and water segmentation ; multi threshold OTSU ; fuzzy clustering ; Danjiangkou Reservoir

PDF (3519KB) 元数据 多维度评价 相关文章 导出 EndNote| Ris| Bibtex  收藏本文

本文引用格式

郭拯危, 王乐, 宋国磊. 基于混合模糊的SAR图像水陆分割算法. 国土资源遥感[J], 2018, 30(4): 62-67 doi:10.6046/gtzyyg.2018.04.10

GUO Zhengwei, WANG Le, SONG Guolei. SAR image land and water segmentation algorithm based on hybrid fuzzy. REMOTE SENSING FOR LAND & RESOURCES[J], 2018, 30(4): 62-67 doi:10.6046/gtzyyg.2018.04.10

0 引言

合成孔径雷达(synthetic aperture Radar, SAR)是一种通过发射波束,并接收回波来探测目标的主动式雷达。相比于光学图像来说,SAR图像受时间与天气干扰极小,能够在夜间或者云、雨、雾霾等天气下采集到目标影像。SAR技术的发展,使得人们能够更加方便、可靠地了解目标区域的信息,这对于国民经济的发展和国防建设来说十分重要[1]。

水域作为SAR图像中一类非常重要的目标,在进行水域面积计算及水域相关目标识别时,水陆分割是极为关键的第一步。由于丹江口水库流域面积广阔、支流繁多且地物种类复杂[2],针对丹江口水库区域的SAR图像水陆分割的研究极少。目前利用阈值分割理论,通过对最大类间方差(maximum between-class variance,OTSU)算法的改进或采用小波变换、边界追踪技术和滤波等技术相结合来完成水陆分割,在海洋边界和河道等方面取得了较好的分割效果[3,4,5,6,7,8,9,10,11],但SAR图像分割至今并没有被普遍认可的通用分割算法。随着数学理论的发展,数学形态学和模糊理论被相继提出[12,13,14]。由于数学形态学和模糊理论本身在图像分割方面无法完成有效的分割,而经典的分割算法对于噪声抑制和运行时间上又存在较大的屏障,因此常将二者相结合来解决图像分割中噪声抑制和运行时间等问题。如倪维平等[15]提出的将马尔可夫随机场模型和数学形态学相结合的分割算法在运算速度、迭代次数和分割精度方面都有了较好的改进; 叶海军[16]将边缘检测与腐蚀、膨胀算子相结合,在对图像的预处理和控制虚假边缘信息方面得到了较好的效果; 安健等[17]将一维OTSU与核聚类相结合,首先把SAR图像划分成若干个互不重叠的子区域,再利用核聚类对子区域间像素进行聚类,得到较好的分割效果。另外,在模糊理论中引入水平集、分水岭和蚁群等算法,在降低运算时间及噪声处理上均有较多的成果[18,19]。目前已有算法在噪声处理及分割精度上有较大的改进和突破,但一般都仅限于某些特定环境背景,如河道和海洋边界等。对于具有地物种类丰富和支流繁多特征的SAR图像,无法完成较为精细的分割。针对上述问题,本文提出了多阈值OTSU与模糊理论相结合的水陆分割算法。

1 基本理论和方法

1.1 自适应多阈值OTSU分割算法

单阈值OTSU 算法的基本思想是类间方差取最大值时,对应的灰度值T便是所选定的阈值。将单阈值的 OTSU 算法加以推广,对于 n 类分割,各类别的概率、均值、方差和类间差分别标记为wk,μk, σk2( k = 1,2,…,n)和 σw2,各分割阈值的组合标记为 T = { tl l = 1,2,…,n-1} ,则有

wk= ∑i=tltl+1pi
μk= ∑i=tltl+1ipi/ wk
σk2= ∑i=tltl+1(i-μk)2pi/ wk

式中: pi为L级灰度图像中灰度值为i的像素占总像素的比重,L为灰度级; tl (1<tl<L)为各分割阈值。则多阈值类间差为

σw2= ∑k=1nwkσk2。

无论是单阈值还是多阈值分割,算法所计算得到的类内差都是针对图像本身灰度特性离散程度的一种度量方式。根据这种明确的描述方式可以得到,如果类内差越小,则说明图像本身各像素点之间的灰度差异就越小。故对于一幅灰度级为L的SAR图像,利用n(n<L-1)阈值OTSU将SAR图像分割成n+1个均匀区域; 从灰度级上来看,降低了SAR图像的整体灰度梯度,为后续模糊聚类减少了迭代次数及运行时间。

1.2 模糊C均值算法

传统的模糊C均值(fuzzy C-means,FCM)算法中,模糊划分矩阵U的计算会随着样本数与聚类数目的增加而增加,从而导致需要大量的运算时间和存储空间,降低了分割的效率。对于给定的SAR图像来说,其灰度级是一定的,而聚类中的聚类样本数量就取决于灰度级的数目。因此,如果将多阈值分割计算得到的各均匀区域的灰度均值代替像素点进行聚类将会大大减少聚类的样本数,从而减少运算耗时,提高分割效率。

设灰度级为L的图像,多阈值OTSU粗分割后的各区域灰度均值为N (即初始化聚类中心集合)。现把图像灰度级作为样本集,将其分为C个不同的类别,那么C个类别分别对应的聚类中心为c,每个像素点i属于某一类j的隶属度为 μij,并且所有的 μij取值在[0,1]区间之内。由此定义模糊聚类的特征函数和约束条件,即

J= ∑i=1C∑j=1Nμijmxj-ci2,

∑i=1Cμij =1(j=1,2,…,N) 。

则更新 μij和ci等式分别为

μij=1∑k=1C[d(xj,ci)/d(xj,ck)]2/(m-1)

ci= ∑j=1N(μij)mxj∑j=1N(μij)m (i=1,2,…,C) ,

式中: N为样本数目; C为图像分割类别数; J为FCM的价值函数; xj为图像中某一点的灰度值; μij为样本元素i属于第j类子集合的隶属度; ci为第i类聚类中心; d为数据点与聚类中心的欧几里德距离; m为控制模糊度的权重指数,且m∈(1,∞)。

2 混合模糊的SAR图像分割算法

丹江口水库属于内陆人工湖,水面流动较缓,水面平滑。因此降低了后向散射,对比陆地,水域在SAR图像所表现为暗区; 其周边区域地物种类较多,SAR图像中灰度级较高。因此本文通过3步来处理SAR图像: ①通过自适应多阈值OTSU对SAR图像进行灰度梯度降级并计算各区域的灰度均值; ②将各区域的灰度均值作为模糊聚类的聚类中心进行聚类迭代,以更有效地降低噪声对于分割结果的影响; ③采用连通区域法,将邻域内小于预先设定好的面积阈值的像素点对象进行滤除,从而实现水陆的精分割。

2.1 SAR数据及预处理

采用数据源为Sentinel-1A卫星的Level-1地距多视影像(ground range detectd,GRDH),影像成像方式为干涉宽幅(interferometric wide swath,IW)模式,极化方式为VV。数据预处理主要包括辐射校正和斑点噪声抑制。

由于Level-1影像没有进行辐射定标,辐射偏差较大,所以需要对数据进行定标。辐射定标之后得到影像地物雷达后向散射系数。定标公式[20]为

value(i)= DNi2Ai2

式中: value(i)为后向散射系数值; |DNi为原数据灰度值; Ai为根据查找表中定标算法选择其中的betaNought(i),sigmaNought(i)或gamma(i)值。

在SAR成像过程中,由于相干成像系统的缺陷,不可避免地会产生类似于噪声的相干斑。相干斑的存在大大降低了对SAR图像感兴趣区域的分析和解译能力。因此,相干斑抑制是SAR图像分割的首要且重要环节。本文采用ENVI5.3中的Refined Lee滤波器进行斑点噪声消除,因为Refined Lee在有效抑制斑点噪声的同时可以较大限度地保留图像边缘信息[21]。

2.2 算法步骤及流程

算法流程如下: ①输入经过预处理的SAR图像I; ②提取图像I的灰度统计直方图信息,得出所有出现的谷值与峰值,并记为V; ③利用多阈值OTSU,将V作为参数,对图像进行灰度梯度降级,并计算各区域的灰度均值G,得到粗分割之后的图像 I'; ④将图像 I'作为新的输入数据集,并设置目标函数精度α(α=0.000 1)、模糊指数m(m=2)和最大迭代次数 Tm( Tm=15),当前迭代次数t为0; ⑤根据G,设置初始化模糊聚类中心 ci(i=1,2,…,n),n为初始化聚类数目; ⑥由式(3)—(4)更新模糊划分矩阵U={ μij}和聚类中心C={ ci}; ⑦基于式(5)和式(10)计算temp,即

temp=| J(t)-J(t-1)| ,

当temp<ε或t>Tm,结束聚类,否则t=t+1,转到第⑥步; ⑧得出分类结果 I'result; ⑨再将 I'result作为输入数据,采用8邻域连通区域方法,移除 I'result中面积小于等于单个像素点的对象,从而得到精分割结果 Iresult。

3 实验结果及讨论

实验采用数据为丹江口水库2016年10月份影像数据,图像大小为923像素×597像素,研究区内包括林地等植被区、水库区与居民区等不同区域。除本文算法外,采用8种其他分割算法做对比,分别为: FCM算法、OTSU算法、区域分裂合并算法、MRF(markov random field)算法、水平集+数学形态学算法、二维OTSU算法、OTSU+核聚类算法和蚁群+聚类算法。预处理后的图像及各种算法的实验结果如图1所示。

图1

新窗口打开| 下载原图ZIP| 生成PPT

图1   2016年10月份水库分割结果

Fig.1   Reservoir segmentation results in October, 2016


3.1 目视解译

从主观方面评价实验结果可以看出,OTSU算法、区域分裂合并算法和MRF算法在对噪声抑制上效果较差,且区域分裂合并算法有严重的误分割现象(图1(c)—(e)); 二维OTSU算法在噪声抑制上较一维OTSU有明显改进,但对环境复杂的丹江口库区SAR图像的水陆分割仍旧受噪声干扰严重(图1(g)); 水平集与数学形态学算法虽在噪声处理方面具有较好的效果,但对于局部区域的支流存在漏分割(图1(f)); 由于SAR图像的噪声主要是斑点噪声,OTSU+核聚类算法中所使用的线性核聚类和高斯核聚类,在抑制噪声方面效果一般,对于支流及居民区部分存在误分割(图1(h)); 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(图1(b)); 文献[22]中提出的算法,由于自适应蚁群算法的引入在算法运行时间上有了较大提升,对于小区域的分割结果取得了较好效果(小区域环境背景单一),但对于丹江口水库大区域SAR图像来说,并不适用(图1(i)); 本文算法结果在支流与其他非水域区域分割中相比较于其他算法得到了精度较高的结果(图1(j))。

3.2 整体精度及Dice系数定量分析

采用文献[23]和文献[24]中所使用的客观评价标准,将本文算法与现有的分割算法从分割准确率A、召回率R、总体精度指标F以及Dice系数方面进行分析。A和R分别是分类里面的度量值,一般用来评估分类结果的好坏。这2个指标的计算示意图如图2所示。该图为图像中某一部分像素分布图,其中黑色为目标区域。

图2

新窗口打开| 下载原图ZIP| 生成PPT

图2   分类指标示意图

Fig.2   Image of classification index


A=(TP+TN)/(TP+FN+FP+TN)
R=TP/(TP+FN)

式中: TP为被找到的相关样本(6块); FP为被找到的不相关样本(2块); FN为相关未找到的样本(1块); TN为不相关未被找到的样本(33块)。

另外,F值(F-measure)为总体精度,同一性能评价度量指标,即

F=(α+1)AR/(αA+R)

式中α为影响因子。F值避免了过度追求查全率和精度的情况,F值的高低可以评价分割算法的优劣。

评价指标结果如表1所示。

表1   SAR图像分割评价结果指标

Tab.1  SAR image segmentation evaluation indexes

算法ARF
本文算法0.892 80.920 30.906 4
FCM0.782 50.974 00.867 8
OTSU0.951 70.358 70.521 0
水平集+数学形态学0.801 70.971 00.878 2
区域分裂合并0.840 20.302 30.444 6
MRF0.847 10.514 10.639 9
OTSU+核聚类0.843 90.858 90.851 3
二维OTSU0.886 00.960 60.840 3
蚁群+聚类0.892 40.225 90.360 5

新窗口打开| 下载CSV


仅从10月库区影像分割结果及性能指标数据可以看出,本文分割算法优于其他8种算法。

为进一步讨论本文算法的适用性,另对3幅其他相同格式,不同时期、不同大小的该库区影像进行分类,所有图像信息如表2所示。

表2   丹江口水库 SAR 影像信息表

Tab.2  SAR images information of Danjiangkou Reservoir

时间图像大小备注
2016年3月768像素× 519像素汉水流域西向河道和丹江流域与老灌河流域
2016年6月611像素×578像素东南向汉水流域河道,延伸至老河口市
2016年10月923像素×597像素东南向汉水流域河道,延伸至七里崖
2017年5月817像素×574像素东南向汉水流域河道,延伸至七里崖及部分西向汉水河道

新窗口打开| 下载CSV


其他3幅不同时期水库影像如图3所示。

图3

新窗口打开| 下载原图ZIP| 生成PPT

图3   不同时期水库图像

Fig.3   Reservoir images in different periods


Dice系数(dice similarity coefficient,Dice-DSC)又称Dice重复率,是一种集合相似度的衡量指标,即

DSC=2N(Sg⋂Sm)N(Sg)⋃N(Sm)

式中: Sg表示原始图像目标域的面积; Sm表示算法分割后图像目标域的面积; N()表示在该区域像素点的个数; DSC为Dice系数,其值越接近1,则分割的结果越好。

本文采用的GT(groud truth)图像为丹江口水库SAR图像的人工分割结果,如图4所示。

图4

新窗口打开| 下载原图ZIP| 生成PPT

图4   人工分割结果

Fig.4   Image of ground truth


不同时期该库区分割结果的Dice系数如表3所示。

表3   不同时期SAR图像分割结果Dice系数

Tab.3  Dice-DSC of SAR images at different periods

算法2016年
3月		2016年
6月		2016年
10月		2017年
5月
本文算法0.980 30.966 20.963 60.940 9
FCM0.895 60.933 00.925 90.918 3
OTSU0.309 60.438 20.654 30.412 1
水平集+数学形态学0.971 10.929 60.956 10.940 0
区域分裂合并0.695 10.657 20.585 20.606 9
MRF0.593 10.948 10.954 60.933 8
OTSU+核聚类0.721 50.866 80.941 80.850 5
二维OTSU0.338 90.513 00.855 90.493 1
蚁群+聚类0.320 80.381 90.374 50.372 8

新窗口打开| 下载CSV


从Dice系数可以看出,对于不同时期和包含不同流域的图像,本文算法的分割效果在整体上均高于文中对比的其他算法。结果表明,本文算法具有较好的适应性与精确性,适用于地物种类丰富、支流较多的SAR图像,且分割结果均能有效克服噪声抑制和阴影对水域分割的影响。

4 结论

1)针对丹江口水库SAR图像的水陆分割问题,提出了基于SAR图像的混合模糊水陆分割算法,将模糊聚类与最大类间方差法进行了改进和有效结合,优化了聚类中心的选择,改善了分割效果。在噪声较多且包含较多细小支流的水域遥感影像中有较大优势。

2)采用4景不同时期的丹江口水库影像进行实验验证,结果表明本文算法对于背景环境复杂、噪声较大的SAR图像能得到较好的效果,且有良好的适应性。

3)本文的不足之处表现在模糊聚类中各类与聚类中心相似度的计算上。传统相似度计算采用的是欧式距离,在今后的进一步研究中,可以考虑在本文基础上相似度计算过程中加入其他相关因子进一步细化各类差别,改善影像分割效果,提高遥感影像分割质量。

参考文献

文江平, 胡岩峰, 王无敌 , 等.

一种有效的SAR图像水陆分割方法

[J]. 四川兵工学报, 2010,31(2):108-110.

DOI:10.3969/j.issn.1006-0707.2010.02.035      URL     [本文引用: 1]

针对合成孔径雷达(SAR)图 像中的水陆分割,提出了一种基于小波能量的自适应水域分割方法.算法首先以小波能量为特征,采用快速模糊聚类算法(FCM)将图像粗分割为3类,结合原图 信息从中判断并选择水域区域,然后计算水域区域对应于原图的平均梯度,以此作为特征,自适应地确定梯度阈值,从而实现水域的细分割.实验结果表明:基于小 波能量的自适应水域分割方法分割水域结果准确、适用性好.

Wen J P, Hu Y F, Wang W D , et al.

An efficient method of land and water segmentation for SAR images

[J]. Sichuan Ordnance Journal, 2010,31(2):108-110.

[本文引用: 1]

李璐 .

南水北调中线水源区多尺度生态环境综合评价

[D]. 武汉:华中农业大学, 2010.

[本文引用: 1]

Li L .

Integrative Assessment of Ecological Environment at Different Scale in Water Source Region of the Middle Route Project Under South-to-North Water Diversion

[D]. Wuhan:Huazhong Agricultural University, 2010.

[本文引用: 1]

李景刚, 黄诗峰, 李纪人 .

ENVISAT卫星先进合成孔径雷达数据水体提取研究——改进的最大类间方差阈值法

[J]. 自然灾害学报, 2010,19(3):139-145.

[本文引用: 1]

Li J G, Huang S F, Li J R .

Research on extraction of water body from ENVISAT ASAR images:A modified Otsu threshold method

[J]. Journal of Natural Disasters, 2010,19(3):139-145.

[本文引用: 1]

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.

DOI:10.3724/SP.J.1146.2009.01426      URL     Magsci     [本文引用: 1]

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。

An C J, Niu Z D, Li Z J , et al.

Otsu threshold comparison and SAR water segmentation result analysis

[J]. Journal of Electronics and Information Technology, 2010,32(9):2215-2219.

Magsci     [本文引用: 1]

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.

DOI:10.3969/j.issn.1003-0530.2011.02.010      URL     [本文引用: 1]

图像分割是SAR图像处理中基本而关键的技术之一,也是影响SAR图像自动解译性能的一个重要步骤。由于受相干斑噪声影响严重,SAR图像分割一直是一个公认的难题。针对Otsu算法对SAR图像分割精度不高以及CV模型对初始条件敏感和演化效率低等问题,本文提出了一种融合分割算法。采用快速一维Otsu算法对图像进行粗分割,分别将得到的水体区域和水体轮廓作为CV模型的分割区域和初始条件,降低了CV模型的场景复杂度,提高了分割速度,减弱了CV模型对初始条件的敏感性。利用图像边缘强度信息代替CV模型中的Dirac项,改进了CV模型的偏微分方程,使分割算法更好地适应SAR图像的同时提高了CV模型的收敛速度。实验结果表明,融合分割算法具有分割边界定位准确、运行高效、无需设置初始条件等优点。

An C J, Chen Z P .

SAR water segmentation based on Otsu and improved CV model

[J]. Signal Processing, 2011,27(2):221-225.

[本文引用: 1]

尹奎英, 刘宏伟, 金林 .

快速的Otsu双阈值SAR图像分割法

[J]. 吉林大学学报(工学版), 2011,41(6):1760-1765.

URL     Magsci     [本文引用: 1]

<p>在分析SAR图像的统计分布特征的基础上,根据SAR图像自动目标识别对SAR图像分割的要求,提出了一种适合SAR图像的Otsu分割算法。算法首先利用CFAR进行粗分割,然后利用Otsu进行细分割。实验结果表明,该算法分割准确且计算量小,客观评价值较高。</p>

Yin K Y, Liu H W, Jin L .

Fast SAR image segmentation method based on Otsu adaptive double threshold

[J]. Journal of Jilin University(Engineering and Technology Edition), 2011,41(6):1760-1765.

Magsci     [本文引用: 1]

赵向文, 靳国旺, 许竞轩 , 等.

基于多阈值大津法直方图分割的SAR数据伪彩色量化方法

[J]. 测绘科学技术学报, 2012,29(6):445-449.

[本文引用: 1]

Zhao X W, Jin G W, Xu J X , et al.

Pseudo-color quantization of SAR data based on multi-threshold Otsu method of histogram segmentation

[J]. Journal of Geomatics Science and Technology, 2012,29(6):445-449.

[本文引用: 1]

杨旭 .

遥感影像的自适应阈值法水陆分割研究

[J]. 科技资讯, 2013,11(5):42-43.

DOI:10.3969/j.issn.1672-3791.2013.05.031      URL     [本文引用: 1]

本文研究了遥感影像自适应阈值法的水陆分割。利用影像中的近红外波段数据,先建立影像像元的 直方图统计,然后分析直方图特征,通过阈值的自适应算法确定一个理想阈值,再对整幅影像进行水陆分割处理,最终生成水陆分割二值化图。结果表明,此方法具 有一定的可行性,数据结果可以应用于更深层次的研究。

Yang X .

Adaptive threshold method for land water segmentation based on remote sensing images

[J]. Science and Technology Information, 2013,11(5):42-43.

[本文引用: 1]

曹亮 .

基于Otsu理论的图像分割算法研究

[D]. 武汉:武汉理工大学, 2008.

[本文引用: 1]

Cao L .

The Study of Image Segmentation Algorithm Based on Otsu Method

[D]. Wuhan:Wuhan University of Technology, 2008.

[本文引用: 1]

Lee J S, Jurkevich I .

Coastline detection and tracing in SAR images

[J]. IEEE Transactions on Geoscience and Remote Sensing, 1990,28(4):662-668.

DOI:10.1109/TGRS.1990.572976      URL     [本文引用: 1]

ABSTRACT Not Available

Niedermeier A, Romaneessen E, Lehner S .

Detection of coastlines in SAR images using wavelet methods

[J]. IEEE Transactions on Geoscience and Remote Sensing, 2000,38(5):2270-2281.

DOI:10.1109/36.868884      URL     [本文引用: 1]

ABSTRACT To monitor, map, and model sediment transport in big river estuaries, complete maps of bottom topography are needed. This information is obtained by extracting shorelines from synthetic aperture radar (SAR) images of the European remote sensing satellites (ERS-1R), tide gauge information, and heights from a dynamic tide model. The aim of this paper is to show how coastlines can be derived from SAR images by using wavelet and active contour methods. In a first step, an edge detection method suggested by Mallat et al. (1992) is applied to ERS SAR images to detect all edges above a certain threshold. A blocktracing algorithm (BA) then determines the boundary area between land and water. A refinement is achieved by local edge selection in this coastal area and by propagation along the wavelet scales. In a final step, the refined edge segments are joined by an active contour algorithm. A model solution for land water segmentation is constructed from a SAR image by visual inspection. The error is estimated by comparing the results from the algorithms to this model solution. The area under investigation is the Elbe estuary, which is located in the intertidal zone of the German Bight. Due to high rates of sediment transport in this area, local government agencies have to spend large amounts of money to keep shipping lanes open. The demonstrated method is shown to be suitable for operational use by applying it to a data set of 24 SAR images covering a time span of approximately five years

Rocca M R D, Fiani M, Fortunato A, et al.

Active contour model to detect linear features in satellite images

[C]//The International Archives of the Photogrammetry,Remote Sensing and Spatial Information Sciences. 2004,35(3):446-450.

[本文引用: 1]

Erteza I A .

An Automatic Coastline Detector for Use with SAR Images[R]

United States:Sandia Report, 1998.

[本文引用: 1]

Sternberg S R .

Grayscale morphology

[J]. Computer Vision Graphics and Image Processing, 1986,35(3):333-355.

DOI:10.1016/0734-189X(86)90004-6      URL     [本文引用: 1]

倪维平, 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, 2011,18(1):32-36.

URL     [本文引用: 1]

针对目标监测分析中的SAR图像分割问题，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了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。实验结果显示，该方法可以较好地实现SAR图像目标区域的分割，且处理效率较高，利于实现SAR图像的快速有效分割。

Ni W P, Yan W D, Bian H , et al.

SAR image segmentation based on MRF model and morphological operation

[J]. Electronics Optics and Control, 2011,18(1):32-36.

[本文引用: 1]

叶海军 .

基于纹理特征和数学形态学的SAR图像目标检测方法

[J]. 中国电子科学研究院学报, 2009,4(4):436-440.

[本文引用: 1]

Ye H J .

SAR image target detection method based on texture feature and mathematical morphology

[J]. Journal of China Academy of Elecronics and Information Technology, 2009,4(4):436-440.

[本文引用: 1]

安健, 张扬 .

基于Otsu和模糊核聚类算法的极化SAR图像分类

[J]. 电子科技, 2014,27(2):42-45.

DOI:10.3969/j.issn.1007-7820.2014.02.013      URL     [本文引用: 1]

With the development of polarimetric technology,more and more high resolution SAR images are obtained,and classification of these images is time consuming.A modified algorithm combined Otsu's method and fuzzy kernel c-means algorithm is proposed.The algorithm is implemented by two steps.Firstly,the SAR image is segmented into some blocks coarsely by Otsu's method.Then the processed SAR image is further classified by fuzzy kernel c-means algorithm.The algorithm can not only has better precision,but also get higher calculating speed.

An J, Zhang Y .

Classification of polarimetric synthetic aperture Radar images based on Otsu’s method and fuzzy kernel C-means clustering algorithm

[J]. Electronic Science and Technology, 2014,27(2):42-45.

[本文引用: 1]

毛万峰, 张红, 张波 , 等.

基于模糊水平集的SAR图像分割方法

[J]. 中国科学院大学学报, 2013,30(2):238-243.

[本文引用: 1]

Mao W F, Zhang H, Zhang B , et al.

A new fuzzy level set method for SAR image segmentation

[J]. Journal of Graduate University of Chinese Academy of Sciences, 2013,30(2):238-243.

[本文引用: 1]

朱逸婷 . 基于改进的模糊聚类的分水岭分割算法研究[D]合肥: 安徽大学, 2013.

[本文引用: 1]

Zhu Y T .

On Watershed Segmentation Algorithm Based on Improved Fuzzy Clustering

[D]. Hefei:Anhui University, 2013.

[本文引用: 1]

SENTINEL TEAM.Sentinel-1 SAR user guide introduction[EB/ OL].( 2013-09-01) [2014-10-04].

URL     [本文引用: 1]

Lee J S, Jurkevich L, Dewaele P , et al.

Speckle filtering of synthetic aperture Radar images:A review

[J], Remote Sensing Reviews, 1994,8(4):313-340.

DOI:10.1080/02757259409532206      URL     [本文引用: 1]

Abstract Speckle, appearing in synthetic aperture radar (SAR) images as granular noise, is due to the interference of waves reflected from many elementary scatterers. Speckle in SAR images complicates the image interpretation problem by reducing the effectiveness of image segmentation and classification. To alleviate deleterious effects of speckle, various ways have been devised to suppress it.This paper surveys several better nown speckle filtering algorithms. The concept of each filtering algorithm and the interrelationship between algorithms are discussed in detail. A set of performance criteria is established and comparisons are made for the effectiveness of these filters in speckle reduction and edge, line, and point target contrast preservation using a simulated SAR image as well as airborne and spaceborne SAR images. In addition, computational efficiency and implementation complexity are compared. This critical evaluation of speckle suppression filters is mostly new and is presented as a survey paper for the first time. It is believed that the information provided is sufficient for an intelligent selection of speckle filters for various applications.

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, 2016,41(8):121-124,120.

[本文引用: 1]

Bao Y D, Zhou G Y, Zhao W T .

Segmentation of SAR images based on adaptive ant colony algorithm and fuzzy C-means

[J]. Science of Surveying and Mapping. 2016,41(8):121-124,120.

[本文引用: 1]

苏磊磊 .

基于小区域的图像显著度提取及应用研究

[D]. 济南:山东师范大学, 2015.

[本文引用: 1]

Su L L .

Image Salienvy Extraction and Application Based on Small Regions

[D]. Jinan:Shandong Normal University, 2015.

[本文引用: 1]

郝智慧, 郭满才, 宋扬扬 .

结合全局与局部信息活动轮廓的非同质图像分割

[J]. 中国图象图形学报, 2016,( 7):886-892.

DOI:10.11834/jig.20160706      URL     [本文引用: 1]

目的通过对现有基于区域的活动轮廓模型能量泛函的Euler—Lagrange方程进行变形，建立其与K-means方法的等价关系，提出一种新的基于K-means活动轮廓模型，该模型能有效分割灰度非同质图像。方法结合图像全局和局部信息，根据交互熵的特性，提出新的局部自适应权重，它根据像素点所在邻域的局部统计信息自适应地确定各个像素点的分割阈值，排除灰度非同质分割目标的影响。结果采用Jaccard相似系数-JS（Jaccardsimi—larity）和Dice相似系数．DSC（Dice similarity coefficient）两个指标对自然以及合成图像的分割结果进行定量分析，与传统及最新经典的活动轮廓模型相比，新模型Js和DSC的值最接近1，且迭代次数不多于50次。提出的模型具有较高的计算效率和准确率。结论通过大量实验发现，新模型结合图像全局和局部信息，利用交互熵特性得到自适应权重，对初始曲线位置具有稳定性，且对灰度非同质图像具有较好地分割效果。本文算法主要适用于分割含有噪声及灰度非同质的医学图像，而且分割结果对初始轮廓具有鲁棒性。

Hao Z H, Guo M C, Song Y Y .

Inhomogeneous image segmentation based on active contours with global and local information

[J]. Journal of Image and Graphics, 2016,( 7):886-892.

[本文引用: 1]

/

〈 〉

京ICP备05055290号-2
版权所有 © 2015 《自然资源遥感》编辑部
地址:北京学院路31号中国国土资源航空物探遥感中心 邮编：100083
电话:010-62060291/62060292 E-mail:zrzyyg@163.com
本系统由北京玛格泰克科技发展有限公司设计开发