一种基于小波变换和OTSU阈值的SAR图像海陆分割方法

摘要

一种基于小波变换和OTSU阈值的SAR图像海陆分割方法，本发明提出一种基于小波变换和OTSU阈值的海陆分割方法，该方法利用小波变换的噪声平滑特性抑制SAR图像中的斑噪；进而采用一种非监督、最优化阈值的OTSU阈值方法粗略分割出陆地区域，并基于小波变换的多尺度分析特性，将各尺度下的检测结果进行合并；最后通过自动化的后续处理和边缘跟踪得到最终的海岸线检测结果。与现有海陆分割方法相比，该方法综合利用了小波变换的斑噪抑制、多尺度分析功能和OTSU阈值算法的自适应、非监督、鲁棒性强的特性，在自动化程度、普适性、实现简易程度以及关于高分辨率SAR图像的适用性方面均有很大程度的提高。

说明书

技术领域

本发明涉及SAR图像海洋目标监视系统的海陆分割的技术领域，特别涉及一种基于小 波变换和OTSU阈值的SAR图像海陆分割方法。

背景技术

海陆分割是SAR图像海洋目标监视系统的关键技术之一。如图1(a)所示（参见文献[1]G. Margarit,J.Barba-Milanes,and A.Tabasco,“Operational ship monitoring system based on  synthetic aperture radar processing,”Remote Sens.,Vol.1,No.3,Aug.2009,pp.375-392.），通过 该方式屏蔽陆地区域，可将目标搜索范围锁定于海洋区域，大大减少舰船检测算法应用于陆 地区域产生的虚警，降低系统的整体计算负担。

传统上，通常利用地形图文件中的信息来标记海岸线，屏蔽陆地区域（参见文献[2]D.J. Crisp,“The state-of-the-art in ship detection in synthetic aperture radar imagery，”Intell., Surveillance and Reconnaissance Div,Inf.Sci.,Lab.,Def.,Sci.Technol.Org,Edinburgh,S.A., Australia,May，2004.）。但是如图1(b)所示（参见文献[1]），当地形图绘制不精确、分辨率较 低，或缺少精确的卫星成像位置信息时，基于地形图文件的方法通常会误标记或漏标记部分 海岸线。根据海面与陆地的SAR图像特性差异，而提出的基于图像处理技术的自动海陆分 割方法，能在很大程度上克服传统方法的不足，满足海洋目标监视系统的应用需求。图1(b) 中的黑色曲线即为自动海陆分割方法得到的精确海岸线，白色曲线为采用传统方式标记的海 岸线。

现有技术一的技术方案：

文献[3]（J.Lee,I.Jurkevich,“Coastline detection and tracking in SAR images,”IEEE Trans. on Geoscience and Remote Sensing,Vol.28,No.4,July 1990,pp.662-668.）利用Sigma滤波、 Sobel边缘检测子、均值滤波、直方图计算、阈值检测、Robert算子、边沿跟踪等一系列基 本图像处理技术，解决SAR图像中的海陆分割问题，能够有效地检测出大部分海岸线。该 方法的基本流程如图2所示。

现有技术一的缺点为：

尽管文献[3]中方法通过现有较成熟的基本图像处理技术，实现了海岸线检测，但其仍然 存在以下缺点：

(1)过多地采用基于窗口的图像处理技术，如Sigma滤波、Sobel算子、均值滤波、Robert 算子，它们的性能均依赖于窗口尺寸的大小。这就意味着算法实现过程中在参数设置方面需 要较多的人工干预，以得到较精确的检测结果，故算法的鲁棒性有限。

(2)多次阈值处理和边缘跟踪对算法性能具有很大影响，而两者均在一定程度上依赖于 经验参数。

(3)该方法的基本实现流程较复杂。

现有技术二的技术方案为：

文献[4]（A.Niedermeier,E.Romaneeβen,and S.Lehner,“Detection of coastline in SAR  images using wavelet methods,”IEEE Trans.on Geoscience and Remote Sensing,Vol.38,No.5, Sep.2000,pp.2270-2281.）提出一种基于小波变换和活动轮廓模型的海岸线检测方法，其基 本流程如图3所示。首先利用小波边缘检测（参见文献[5]S.Mallat and S.Zhong, “Characterization of signals from multiscale edges,”IEEE Trans.Pattern Anal.Machine Intell., Vol.14,July 1992,pp.710-732.）得到大于特定阈值的所有边缘；然后，通过块跟踪算法粗略 分割出海陆边界区域；在此基础上，根据边缘长度和能量进行局部边缘选择，去除干扰边缘， 进而通过扩展各小波尺度上的结果，得到位置相对精确但不连续的海陆边界线；最后，采用 活动轮廓模型方法进行边缘跟踪和连接，得到连续的海岸线。

现有技术二的缺点：

文献[4]中方法的主要缺点如下：

(1)小波边缘检测算法对局部边缘等细节信息十分敏感，尽管其在像素分辨率为十几米 的SAR图像的海面区域所产生的虚警边缘较少，但是随着图像分辨的提高，海面散射强度非 均匀性会明显增强，因而对于像素分辨率为几米（如3米）的高分辨率SAR图像，会产生较 多的虚警，从而对后续处理带来不利影响。

(2)所采用的块跟踪、边缘选择和尺度扩展方法均为基于窗口处理的技术；所选用的活 动轮廓模型为Snake模型，这意味在参数设置方面需要较多的人工干预以得到有效的检测结 果，从而影响算法的普适性。

(3)所采用的块跟踪、活动轮廓模型方法均为基于迭代处理的技术，尤其后者的处理时 间较长，从而影响海岸线检测方法的整体时间性能。

此外，文献[6]（瞿继双,王超,“一种基于多阈值的形态学提取遥感图像海岸线特征方法,”. 中国图象图形学报,Vol.8,No.7,2003,pp.805-809.）和[7]（K.H.Huang,J.Zhang,“A coastline  detection method using SAR images based on the local statistical active contour model,”Journal of  Remote Sensing,Vol.15,No.4,2011,pp.737-742.）分别提出了基于多阈值和形态学处理的海 岸线检测方法和基于局部统计活动轮廓模型的海岸线检测方法，但是两者亦均存在多参数 化、普适性差等方面的不足。

发明内容

本发明所要解决的技术问题为：本发明提出一种基于小波变换和OTSU阈值（参见文献 [8]N.Otsu,”A tlreshold selection method from gray-level histograms,”IEEE Trans.on Sys.,Man, and Cybe.,Vol.9,No.1,Jan.1979,pp.62-66.）的海陆分割方法，综合利用了小波变换的斑噪 抑制、多尺度分析功能和OTSU阈值算法的自适应、非监督、鲁棒性强的特性，从而克服了 现有海陆分割算法多参数化、普适性差、实现过程繁琐、对于高分辨SAR图像适用性有限方 面的不足。

本发明解决上述技术问题采用的技术方案为：一种基于小波变换和OTSU阈值的SAR图 像海陆分割方法，具体实现步骤如下：

步骤1：通过对数运算将“乘性”斑噪转化为“加性”：

f(x,r)＝log(I(x,r))＝log(σ(x,r)·n(x,r))＝log(σ(x,r))+log(n(x,r))(1)

式中，I(·)表示幅度或强度SAR图像数据，x，r分别代表方位和距离采样；σ(·)为纹理 分量，表征观测区域的散射特征变化，其在大尺度上较清晰可见；n为斑噪分量，其对应于 小尺度上的信息；

步骤2：设置小波变换次数N，出于时间效率和定位精度方面的考虑，通常取N≤5；采 用一种非下采样的二维离散小波变换，即：二维静态小波变换，将图像变换至二维小波域； 在尺度2ⁱ（i＝1,…,N）上，对应存在四个与原图像等尺寸的小波分量，其中的低通分量A_i(x,r) 为原图像在尺度2ⁱ上的低频近似，其包含主要的轮廓信息，且斑噪在很大程度上受到抑制， 尺度越大斑噪抑制程度越大，但同时边缘信息保留能力越受影响；

步骤3：对尺度2ⁱ（i＝1,…,N）上的低通分量的A_i(·)取模值，并进行归一化处理；首先关 于各低通分量的最大值进行归一化得到A′_i(·)，然后，进一步将A′_i(·)按照如下方式归一化至 0~255之间：

$A_i^{\mathrm{norm}}(x,r)=\frac{255·(A_i^{\prime }(x,r)-A_i^{\min })}{A_i^{\max }-A_i^{\min }}---\left(2\right)$

式中，表示归一化的低通分量，分别为A′_i(·)的最大和最小值；

步骤4：以归一化的小波变换低通分量为输入，通过使陆地区域和海域的幅度值类间方 差最大化，确定OTSU最优阈值k^*：

${\delta }_B^2\left(k\right)=w_0{({\mu }_0-{\mu }_T)}^2+w_1{\left({\mu }_1{-\mu }_T\right)}^2=\frac{{[{\mu }_{T}w\left(k\right)-\mu \left(k\right)]}^2}{w\left(k\right)[1-w\left(k\right)]}---\left(3\right)$

$k^{*}=\mathrm{Arg}\underset{1<k<L}{\mathrm{Max}}{\delta }_B^2\left(k\right)---\left(4\right)$

式中，w₀和w₁分别表示某像素属于海域和陆地区域的概率；μ₀和μ₁分别为海域和陆地 区域的类内均值；w(k)，μ(k)（k＝1,2,…,255）分别表示图像灰度直方图关于第k个灰度级的 零阶、一阶累积矩，μ_T对应于最大灰度级下的一阶累积矩；然后，利用OTSU最优阈值对 各尺度上归一化的低通分量进行二值化，从而得到N组检测结果；

步骤5：为了综合利用各尺度上的检测结果，通过“或”运算将各检测结果进行合并，从 而得到初始海陆分割结果；

步骤6：通过形态学处理、聚类等后续处理去除虚警、填充内部小漏洞，获取连通的陆 地区域；

步骤7：通过边缘跟踪算子得到封闭的海陆边界线，即最终的海岸线检测结果，并将其 与原图像叠加显示。

其中，步骤3中所述的首先关于各低通分量的最大值进行归一化得到A′_i(·)时，当原图像 不包含强散射特征时，采用该归一化方法可能会放大噪声，此时应关于其各自标准差的α倍 归一化。

其中，所述的当原图像不包含强散射特征时，具体如舰船目标。

本发明技术方案带来的有益效果为：

相比与Sigma滤波，Gamma滤波等基于窗口处理的噪声平滑方法，本发明所提出的海 陆分割方法利用小波变换的噪声平滑特性抑制SAR图像中的斑噪；进而采用一种非监督、 最优化阈值的OTSU阈值方法粗略分割出陆地区域，并基于小波变换的多尺度分析特性，将 各尺度下的检测结果进行合并；最后通过自动化地后续处理和边缘跟踪得到最终的海岸线检 测结果。与现有海陆分割方法相比，该方法在自动化程度、普适性、实现简易程度以及关于 高分辨率SAR图像的适用性方面均有很大程度的提高。

附图说明

图1为海陆分割技术应用和对比示意图；(a)海陆分割技术在海洋目标监视系统中的应 用示意图，白色曲线标记出的强散射区域为陆地区域，灰色环形曲线标记的区域为候选目标； (b)传统方法与自动海陆分割方法所得到的海岸线对比示意图，白色曲线是传统方法的结果， 黑色曲线为自动海陆分割方法得到的精确结果；白色纹理区域表示传统方法漏标记的区域， 黑色纹理区域为传统方法误标记的区域；

图2为文献[3]中海岸线检测方法流程图；

图3为文献[4]中海岸线检测方法流程图；

图4为基于小波变换和OTSU阈值的海陆分割方法流程图；

图5为原图像示意图；

图6为各尺度上的小波变换低通分量；

图7为本发明所提出的海陆分割方法的结果，(a)初始海陆分割结果(b)最终海陆分割 结果(c)海岸线检测结果与原图像的叠加。

具体实施方式

下面结合附图以及具体实例进一步说明本发明。

本发明所提出的基于小波变换和OTSU阈值的海陆分割方法的基本流程如图4所示，具体 实现步骤如下：

步骤1：如图4中框1所示，通过对数运算将“乘性”斑噪转化为“加性”。

f(x,r)＝log(I(x,r))＝log(σ(x,r)·n(x,r))＝log(σ(x,r))+log(n(x,r))     (1)

式中，I(·)表示幅度或强度SAR图像数据，x，r分别代表方位和距离采样；σ(·)为纹理 分量，表征观测区域的散射特征变化，其在大尺度上较清晰可见；n为斑噪分量，其对应于 小尺度上的信息。

步骤2：如图4中框2a和2b所示，设置小波变换次数N，出于时间效率和定位精度方 面的考虑，通常取N≤5；采用一种非下采样的二维离散小波变换，即：二维静态小波变换（Two  Dimensional-Stationary Wavelet Transform,2D-SWT），将图像变换至二维小波域。在尺度2ⁱ（i＝1,…,N）上，对应存在四个与原图像等尺寸的小波分量，其中的低通分量A_i(x,r)为原图 像在尺度2ⁱ上的低频近似，其包含主要的轮廓信息，且斑噪在很大程度上受到抑制，尺度越 大斑噪抑制程度越大，但同时边缘信息保留能力越受影响。另外，选用的小波函数类型为具 有短支撑、单零矩等特点的Harr小波，以尽可能精确地保留边缘的位置信息。

步骤3：如图4中框3a和3b所示，对尺度2ⁱ（i＝1,…,N）上的低通分量的A_i(·)取模值， 并进行归一化处理。首先关于各低通分量的最大值进行归一化得到A′_i(·)，注意：当原图像不 包含强散射特征（如舰船）时，采用该归一化方法可能会放大噪声，此时应关于其各自标准 差的α倍归一化，通常取α＝3（参见文献[9]M.Tello,et al,“Edge Enhancement Algorithm Based  on the Wavelet Transform for Automatic Edge Detection in SAR Images,”IEEE Trans. Geoscience and Remote Sensing,Vol.49,No.1,Jan.,2011,pp.222-235.）；然后，进一步将A′_i(·) 按照如下方式归一化至0~255之间。

$A_i^{\mathrm{norm}}(x,r)=\frac{255·(A_i^{\prime }(x,r)-A_i^{\min })}{A_i^{\max }-A_i^{\min }}---\left(2\right)$

式中，表示归一化的低通分量，分别为A′_i(·)的最大和最小值。

步骤4：首先如图4中框4a所示，以归一化的小波变换低通分量为输入，通过使陆地区 域和海域的幅度值类间方差最大化，确定OTSU最优阈值k^*：

${\delta }_B^2\left(k\right)=w_0{({\mu }_0-{\mu }_T)}^2+w_1{\left({\mu }_1{-\mu }_T\right)}^2=\frac{{[{\mu }_{T}w\left(k\right)-\mu \left(k\right)]}^2}{w\left(k\right)[1-w\left(k\right)]}---\left(3\right)$

$k^{*}=\mathrm{Arg}\underset{1<k<L}{\mathrm{Max}}{\delta }_B^2\left(k\right)---\left(4\right)$

式中，w₀和w₁分别表示某像素属于海域和陆地区域的概率；μ₀和μ₁分别为海域和陆地区域 的类内均值；w(k)，μ(k)（k＝1,2,…,255）分别表示图像灰度直方图关于第k个灰度级的零阶、 一阶累积矩，μ_T对应于最大灰度级下的一阶累积矩；然后，利用OTSU最优阈值对各尺度 上归一化的低通分量进行二值化，从而得到N组检测结果，如图4中框4b所示，其中“1” 表示候选陆地区域；“0”为候选海域。

步骤5：如图4中框5所示，为了综合利用各尺度上的检测结果，通过“或”运算将各检 测结果进行合并，从而得到初始海陆分割结果。

步骤6：如图4中框6所示，通过形态学处理、聚类等后续处理去除虚警、填充内部小 漏洞，获取连通的陆地区域。

步骤7：如图4中框7所示，通过边缘跟踪算子得到封闭的海陆边界线，即最终的海岸线 检测结果，并将其与原图像叠加显示。

由上述可知，该方法综合利用了小波变换的斑噪抑制功能和多尺度特性；另外，所选用 的OTSU阈值算法是一种非监督、快速、最优化阈值算法。因此，相比现有的海陆分割方法, 本方法在自动化程度、鲁棒性以及实现简易程度方面均有很大程度的提高。

以下通过一个举例给出本项发明所提出的基于小波变换和OTSU阈值的海陆分割方法 的具体应用过程。

假设通过某传感器获取了一幅如图5所示尺寸为986*660，像素分辨率为3m的SAR图 像，其中包含一大块陆地区域，地势的起伏变化导致该区域散射强度局部不均匀性较强。另 外，该图像中的海岸线形状曲折变化程度较大。现利用本发明所提出的方法进行海陆分割。

假设按照技术要求，设置小波变化次数为N＝4，按照步骤2可得到在尺度2ⁱ（i＝1,…,4） 上的小波变换低通分量。由于该图像未包含舰船等强散射特征，因此根据步骤3中的方法对 它们关于其各自标准差的3倍归一化，所得结果如图6所示。可以看出，与原图像相比，各 低通分量中的斑噪均得到了不同程度的抑制，海陆对比度明显增强，因而便于采用后续的自 适应OTSU阈值算法进行海陆分割。

图7则示出了本发明所提出的方法的阶段性处理结果，其中图7(a)为对N组OTSU阈值 检测结果进行合并，所得到的初始海陆分割结果；图7(b)为采用形态学处理、聚类等去除虚 警、填充漏洞得到的最终海陆分割结果；为了便于判断分割精度，采用一种边缘跟踪算子提 取海岸线，并将其叠加在原图像之上，如图7(c)所示。可见，本发明所提出的方法能够自适 应、精确、有效地定位高分辨率SAR图像中的海岸线，很少涉及经验参数设置。

本发明还可通过以下替代方案完成发明目的：

(1)从某方面改进现有OTSU阈值算法或其它阈值方法；

(2)采用其它类型的小波变换(如二维离散小波变换)以及与小波变换类似的方法(如非下 采样的二维Converlet变换)，替换2D-SWT；

(3)后续处理部分的局部改动，例如增加基于活动轮廓模型的海岸线跟踪和连接。