SAR图像分割方法综述

张 椰，朱卫纲，邢 强

(中国人民解放军装备学院 a.研究生管理大队； b.光电装备系， 北京 101416)



【信息科学与控制工程】

SAR图像分割方法综述

张 椰a，朱卫纲b，邢 强a

(中国人民解放军装备学院 a.研究生管理大队； b.光电装备系， 北京 101416)

综合论述了SAR图像分割的几种方法，并对每类方法的特点进行了简要总结；结合深度学习在光学图像分割中的应用，分析了深度学习在SAR图像分割中的难点和借鉴意义；明确了SAR图像分割急需解决的问题。

SAR；图像分割；深度学习

合成孔径雷达(Synthetic Aperture Radar,SAR)的概念是由美国Goodyear宇航公司的Carl Wiley在1951年首次提出，是一种具有距离高分辨和方位高分辨能力的成像雷达，自诞生以来在军事领域和民用领域都得到了广泛的应用。随着SAR成像技术的不断成熟，对SAR图像的解译与应用的研究变得愈加迫切，面临的挑战也愈加复杂。SAR图像分割作为图像解译的一个重要环节，能为后续解译提供整体结构信息，凸显感兴趣区域，揭示图像本质。在军事领域，通过SAR图像分割可以快速准确地对战场环境进行更新、标记并提取战场中感兴趣的目标区域，对要实施打击的目标(机场、桥梁、大坝、坦克、飞机、舰船)进行检测识别，从而为部队的部署、作战计划制定和武器的精确制导提供依据。在民用领域中，SAR图像分割能够准确地对环境信息进行提取，从而推动SAR在灾害监测、地球变化研究、地图绘制等民用领域中的应用。

在SAR图像分割的研究中，随着理论的进步提出一系列分割新方法[1,14,25]，这些方法往往都是对传统分割方法的一些改进，而且一般都是针对具体需求人工参与进行分割，限制了分割方法的通用性。随着深度学习在图像分类中的应用，其良好的特征学习能力得到了学者的青睐，通过设计多层网络结构自动学习中高级特征，能更有效地描述图像的本质，更有效地表达高语义的特征，为实现图像的自动分割提供新的途径。

本文在总结前人提出的传统的SAR图像分割方法的基础上，梳理了深度学习在图像分割领域的应用，分析了SAR图像分割的难点与下一步研究的趋势。

1 SAR图像分割方法

SAR图像分割方法经过几十年的发展，产生了大量的方法，各类方法之间没有明确的分界线，随着SAR图像分割的复杂化以及对分割精度要求的提高，很多方法都是各类方法之间的结合，本文对一些常用的SAR图像分割方法归纳如下。

1.1 基于最优阈值分割方法

基本思想是利用图像中目标与背景在灰度特性上的差异，通过选取合适的灰度阈值来分割图像,由于其处理直观、实现简单且计算速度快，在图像分割中处于核心地位[2]，最常用的方法是Qtsu法[3]。考虑到SAR图像受相干斑噪声影响严重，文献[4]中提出了一种基于多Gamma分布的SAR图像直方图阈值分割算法，在有效抑制SAR相干斑噪声的同时使边缘特征得到极大保留。文献[5]在对海陆SAR图像进行自动分割时利用改进的Otsu法计算粗阈值，从而分割获得大致的海域范围，然后根据海域统计特性近似高斯分布的特点，确定了精确的分割阈值，该方法获得了较好的分割速度和分割精度。文献[6]提出基于矩特征分析的多阈值算法，通过计算矩特征，可以显著增大MSTAR图像中目标、阴影和背景区域之间的差异性，对此，对目标和阴影分别采用不同的阈值化策略，实现二者与背景之间的分离，在不需要进行噪声抑制时，具有较高的分割精度。阈值分割方法实现简单，分割速度较快，但对于多阈值分割时受相干斑噪声影响严重。

1.2 基于边缘检测的分割方法

基本思想是利用不同区域之间特征的不一致性和不连续性，通过检测出SAR图像中的边缘点，然后按一定的策略连接成闭合的曲线，得出SAR图像的边缘，进而构成分割区域。比较经典的基于边缘的分割算法有平均比值法(Ratio OfAverage，ROA)[7]。边缘检测的准确性直接决定了分割的效果，为了避免噪声对边缘检测的影响，基于多尺度多分辨率的边缘检测算法随着小波技术的发展逐渐流行起来，文献[8]提出一种基于局部混合滤波的边缘检测算法，对噪声平滑的同时利用多尺度信息进行边缘提取，有效地保留了边缘的完整性和准确性，大大减少了伪边缘和误判边缘。文献[9]在稀疏表示理论基础上结合形态学提出了一种去噪的边缘检测算法，克服了噪声不稳定性对边缘检测带来的不利影响。文献[10]从众多海洋溢油分割方法中选取边缘检测算子和种子填充算法对SAR图像进行分割，针对算法的一些缺陷,进一步加入纹理分析使图像中的油膜与类油膜以及海水与海浪等更好地区分开。边缘检测方法主要还是针对边缘特征明显的图片进行分割，如海岸线等，其边缘特征保持与噪声抑制存在固有矛盾。

1.3 基于模糊聚类的分割方法

基本思想是通过聚类算法将同一类的像素样本的特征尽可能相似，而属于不同类别的像素的差异尽可能大，从而实现图像的分割，是一种无监督的分割方法。模糊聚类方法中最经典的是模糊c-均值(Fuzzy C-Means，FCM)聚类算法[11]，而传统的FCM算法没有考虑SAR图像的空间信息，因此其对相干斑噪声非常敏感，为了解决这一问题加入图像结构信息。文献[12]提出了偏差修正模糊C均值算法，该算法加入了邻域约束惩罚项，这样在FCM算法迭代求取某个像素的隶属度时考虑了其周围像素的影响，一定程度上抑制了噪声。文献[13]利用双密度双树复小波变换优秀的图像去噪能力,对SAR图像进行降噪处理,减少相干噪声对分割结果的影响;然后通过改进的K均值聚类方法进行舰船分割，实验结果表明能对SAR舰船目标进行有效区分。文献[14]利用自适应遗传算法的较强处理局部极值的能力，克服了FCM算法对初始化的敏感并动态地确定了空间信息影响因子，不仅考虑像素强度信息，而且考虑了空间相对位置信息，对初始分割不敏感,具有较强的抗噪性能,但同时也增加了算法的时间复杂度。文献[15]提出自适应非局部均值算法获取非局部空间信息，聚类的对象是图像的灰度级不是像素值，聚类速度更快，提高了分割速度。聚类方法作为一种无监督算法分割速度快，但只考虑了像素的灰度值，没有利用像素之间的空间信息，不利于对相干斑噪声的抑制。

1.4 基于马尔科夫随机场的分割方法

基本思想是在贝叶斯理论框架下根据最大后验概率得到图像分割结果，其中图像的灰度服从一定概率分布，像素标号服从马尔科夫随机场(Markov Random Field，MRF)，建立的MRF利用像素间局部相关性有效抑制了相干斑噪声的影响。1998年Robert将MRF模型用于对MSTAR(Moving and Stationary Target Acquisition and Recognition)目标切片图像进行分割[16]，得到了较好的分割结果，但是，由于基于MRF模型的SAR图像分割算法的最大化后验概率的过程是一个迭代优化过程，并且需要考虑每个像素的空间邻域结构，要处理的数据量大，算法收敛速度慢。为了加速迭代过程，文献[17]通过对SAR目标切片图像中目标区、阴影区和背景区所占比率进行统计分析,得到了一种有效的迭代初值选择方法,减少了迭代次数，提高了分割速度。为了降低计算的复杂度，文献[18]通过初分割和边缘特征建立邻接图上的马尔可夫场，减少了运算复杂度，但过多依赖边缘等其他高层特征，没有充分利用图像分布等统计特性。针对MRF的特点，许多文献结合其他方法对MRF模型进行改进，提出有效的新方法。文献[19]针对非平稳SAR数据进行统计建模，提出了一种小波变换域的多尺度多方向三重马尔可夫场模型，该模型能够从图像的空间结构和图像特征上整合图像的全局和局部信息，并利用粗尺度上的全局结构信息指导细尺度上的分割以实现多尺度决策融合，从而提高分割算法的抗噪性能，有效地解决误分割问题，并且还能够有效地捕捉图像的奇异信息，从而提高了边界定位的准确度。MRF算法利用了像素之间的空间信息，有效抑制了噪声，但其计算量较大不能做到实时快速分割。

1.5 基于神经网络的分割方法

传统的人工神经网络是一种应用类似于大脑神经突触联接的结构进行信息处理的数学模型，基于人工神经网络模型的分割方法是非线性的。同传统方法相比较，它可以处理复杂的数据集，识别精细的模式，还能够利用多源数据，将潜在的信息提取出来[20]。但是该模型容易陷入局部最优值。随着研究的深入，研究者根据猫、猴等哺乳动物视觉皮层中同步脉冲发放现象，提出了一种被称为第三代人工神经网络的新型模型——脉冲耦合神经网络模型(Pulse Coupled Neural Networks，PCNN)，这几年对该模型及其应用研究达到了一个崭新的阶段[21]。文献[22]分析了PCNN用于图像分割的潜在优势。在SAR图像分割中，文献[23]提出了一种优化集成阈值的方法，避免了花费大量的时间选择PCNN参数和迭代次数。文献[24]针对传统的单元连接PCNN只能将图像分成两类，通过将PCNN迭代设为两级，使得所有神经元都能点火，可实现图像的多类分割。文献[25]针对高分辨SAR图像在传统PCNN模型的基础上,对神经元的输入信号,尤其是链接系数和阈值的非线性衰减子因子进行了改进和简化,同时对链接强度系数进行理论上的近似推导,减少人工设置的参数。改进后的算法运行效率提高,自适应性增强，区域一致性和区域对比度都得到了提高，为高分辨率SAR图像分割提供了新的途径。虽然PCNN模型得到了广泛的应用，但是其存在的问题还亟待解决，如网络参数众多，模型复杂度高，对信息自动及自适应处理能力相对较差等。

1.6 基于深度学习的分割方法

近几年来，深度学习是图像处理方面的一个比较热的研究方向，基于很多隐层的神经网络具有优异的特征学习能力，它将原始的图像作为输入来学习特征，这种从不同的抽象层次自动学习特征的方法能够使得一个识别系统更好地学习一些复杂的特征，不需要进行特征的定义，也不涉及显式的特征提取，而且深度神经网络具有优异的特征学习能力，能够深刻地刻画数据内部丰富的信息，这种学习得到的特征对数据有更本质的刻画，可以提升分类或者是预测的准确性。在光学图像分割中,Long等[26]在2015年提出了全卷积网络(FCN，Fully Convolutional Networks),为图像分割开创了一个新途径，该方法通过训练一个端到端的网络，实现了对像素的分类，在数据集PASCALVOC上实验所得的结果较2012年提升了约20%，达到62.2%的准确率。但是该方法由于使用线性插值的方法，容易造成分割时细节结构的丢失或边界模糊。在FCN的基础上，Chen等[27]加入了随机场算法(CRF，Conditional Random Fields)进行优化，能更好的修复分割的边界。Noh 等[28]提出用一个与FCN网络完全对称的多层反卷积网络代替简单的双线性插值，将提取到的缩小特征重新映射回原图像的大小，实现图像的语义分割，这个方法最早在特征可视化中提出。由于在(pooling)的时候额外地记录像素位置信息，用来在反池化(unpooling)的时候还原到图像像素的原来位置，使得不需要做多层叠加进行强化就能得到清晰的分割轮廓图。通过解卷积层(Deconvolution)和反池化层(Unpooling)的结合，在输出的像素分类图中更好地反映物体细节，得到高品质分割效果。

卷积神经网络在光学图像上的应用为SAR图像分割提供了新思路，但是SAR图像分割与光学图像分割相比存在更大的困难，如：相干斑噪声、模糊的目标边缘、低对比度、非目标强散射点的干扰以及大场景SAR图像的稀疏性。其次，深度学习需要大量的训练样本进行训练，而SAR图像标签数据使用人工标注的难度极大，工作量太大。针对SAR图像的特点，文献[29]利用CAD(Computer Aided Design)对图的目标、背景和阴影进行标注，有效解决了标签数据的困难，从而能使用卷积神经网络进行有监督的训练，训练获得的模型能快速对MSTAR图像进行分割，虽然模型设计比较简单，但是相比于传统的分割方法，该方法的分割精确，具有良好的鲁棒性。在国内，文献[30]使用卷积神经网络模型，对卷积神经网络算法的结构进行粒子群优化(Particle Swarm Optimization,PSO)改进，修正网络反馈，用正交试验设计提高PSO算法精度，在完善网络的同时，用超像素的方式提取图像块，作为神经网络的第一层，该方法能够快速进行网络学习，对SAR图像达到很好的分割效果。不过此神经网络的第一层数据量非常大，对于将来更高分辨率的SAR图像分割而言，需要更大的存储空间且分割速度较慢。文献[31]根据SAR图像素描图模型提取的素描图将SAR 图像分为聚集区域、匀质区域及结构区域3部分，对聚集区域、匀质区域使用深度自编码器提取特征，利用词袋模型进行聚类分割；对结构区域，使用分水岭算法将SAR图像分割成许多超像素，实现最终的分割。该方法可以获得更加细致准确的地物类别划分，区域一致性及边缘一致性更好。但是其没有完全使用SAR图像素描模型中素描线本身的语义信息，对边界和线目标的处理尚不完善。

2 下一步的研究方向

随着SAR技术的快速发展以及SAR图像的广泛应用，SAR图像解译的地位越来越高，SAR图像分割作为SAR地物目标提取、分类和识别的关键步骤之一，对其的研究也在不断地进步，其面临的挑战也越来越大，对于下一步的研究主要有如下几个方面：

1)传统的SAR图像分割方法依旧是目前分割方法的基础，随着对理论研究的深入和现实需求的更新，SAR图像分割方法发生日新月异的变化，新算法的出现主要还是改进经典算法和构造新算法。随着技术的进步，多种信息的综合利用将为SAR图像的解释提供更多的知识，将有助于构建多种精确的分割模型，随着计算技术的快速发展，各种算法将不是孤立的，多种方法的融合将为SAR图像的解译提供更多的渠道。多种算法的组合将是SAR图像分割算法发展的必然趋势。

2)深度学习在SAR图像分割中还处在摸索阶段，深度学习在光学图像上的成功应用为SAR图像分割提供了理论基础，但是其训练样本数量无法与光学图像相比，导致其训练的模型容易出现过拟合；而且SAR图像场景大小一般是光学图像的数倍，其标签样本的获得存在一定的难度。为了克服对训练样本的要求，将全监督的训练模式转变为弱监督的方式，甚至是无监督的方式，这样就为实现快速、自动的分割提供了重要途径。

3)由于战场环境的快速变化和不可预测性，对SAR图像分割的速度要求会越来越高；随着SAR分辨率的提高，其数据量相应增加，图像的处理速度将面临更大的挑战，提高分割的速度是研究者们一直追求的目标。

3 结束语

SAR图像分割在SAR图像解译领域具有重大意义和实际应用价值。本研究在对SAR图像分割方法综述的基础上，结合了深度学习在光学图像分割中的应用，为下一步研究指明了方向。深度学习的发展为SAR图像分割提供了新的方法途径，但对其研究任重而道远。在人工智能发展的新时代，SAR图像分割方法也将进一步发展。

[1] 余航,焦李成,刘芳.基于上下文分析的无监督分层迭代算法用于SAR图像分割[J].自动化学报,2014,40(1):100-116.

[2] 阮秋琦.数字图像处理[M].北京:电子工业出版社,2007.

[3] OTSU N.A threshold selection method from gray level histograms[J].Automatica,1975,11(285-296):23-27.

[4] 文政颖,于海鹏.基于多Gamma分布模型的SAR图像直方图分割算法[J].计算机工程与设计,2014,35(6):2104-2108.

[5] 陈祥,孙俊,尹奎英,等.基于Otsu与海域统计特性的SAR图像海陆分割算法[J].数据采集与处理,2014, 29(4):603-608.

[6] 倪维平,严卫东,吴俊政,等.MSTAR图像的矩特征分析与多阈值分割[J].中国图像图形学报,2013,18(10):1364-1373.

[7] BOVIK A C.On detecting edges in speckle imagery[J].IEEE Transactions on Acoustics,Speech,and Signal Processing,1988,36(10):1618-1627.

[8] 刘帅奇,胡绍海,肖扬,等.基于局部混合滤波的SAR图像边缘检测[J].电子与信息学报,2013,35(5):1120-1127.

[9] MA X,LIU S,HU S,et al.SAR image edge detection via sparse representation[J].Soft Computing,2017:1-9.

[10]李淑清,李瑞华,王潇.基于SAR图像的海洋溢油分割方法研究[J].测绘工程,2017(26):37-40.[11]BEZDEK J C.Pattern recognition with fuzzy objective function algorithms[M].Springer Science & Business Media,2013.

[12]SHI Z,LIHUANG S,LI L,et al.A modified fuzzy C-means for bias field estimation and segmentation of brain MR image[C]//Control and Decision Conference (CCDC),2013 25th Chinese.IEEE,2013:2080-2085.

[13]杨晓波.结合小波变换和K均值聚类的SAR舰船目标分割[J].舰船科学技术,2016 (9X):169-171.

[14]田小林,焦李成,缑水平.加权空间函数优化FCM的SAR图像分割[J].西安电子科技大学学报,2008,35(5):846-852.

[15]汪柯陆.基于模糊c均值聚类的SAR图像分割算法研究[D].西安:西安电子科技大学,2014.

[16]WEISENSEEL R A,KARL W C,CASTANON D A,et al.Markov random field segmentation methods for SAR target chips[C]//AeroSense’99.International Society for Optics and Photonics.[S.l.]:[s.n.],1999:462-473.

[17]高贵,计科峰,匡纲要.基于马尔可夫随机场SAR目标切片图像分割方法[J].现代雷达,2004,26(5):42-44.

[18]SARKAR A,BISWAS M K,SHARMA K M S.A simple unsuper-vised MRF model based image segmen-tation approach[J].IEEE Transactions on Image Processing,2000,9(5):801-812.

[19]张鹏.基于统计模型的SAR图像降斑和分割方法研究[D].西安:西安电子科技大学,2012.

[20]权金娟,温显斌,王春东,等.基于两种神经网络的SAR图像多尺度分割与分析[J].光电子激光,2008,19(4):542-545.

[21]刘勍.基于脉冲耦合神经网络的图像处理若干问题研究[D].西安:西安电子科技大学,2011.

[22]KUNTIMAD G,RANGANATH H S.Perfect image segmentation using pulse coupled neural networks[J].IEEE Transactions on Neural Networks,1999,10(3):591-598.

[23]LI H,BAI Z.A new PCNN-based method for segmentation of SAR images[C]//Control,Automation,Robotics and Vision,2008.ICARCV 2008.10th International Conference on.IEEE,2008:1635-1639.

[24]WANG R,SONG J,ZHANG X.Multiclass segmentation of SAR image using modified unit-linking pulse coupled neural network[C]//2009 4th IEEE Conference on Industrial Electronics and Applications.IEEE,2009:3775-3778.

[25]汪华章,宰文姣.改进型脉冲耦合神经网络高分辨率SAR图像分割[J].北京大学学报:自然科学版,2013,49(2):176-182.

[26]LONG J,SHELHAMER E,DARRELL T.Fully convolu-tional networks for semantic segmentation[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition.2015:3431-3440.

[27]CHEN L C,PAPANDREOU G,KOKKINOS I,et al.Semantic Image Segmentation with Deep Convolutional Nets and Fully Connected CRFs[J].Computer Science,2016(4):357-361.

[28]NOH H,HONG S,HAN B.Learning deconvolution network for semantic segmentation[C]//Proceed-ings of the IEEE International Conference on Computer Vision.[S.l.]:[s.n.],2015:1520-1528.

[29]MALMGREN-HANSEN D,NOBEL J M.Convolutional neural networks for SAR image segmenta-tion[C]//2015 IEEE International Symposium on Signal Processing and Information Technology (ISSPIT).IEEE,2015:231-236.

[30]于文倩.基于自适应频域信息和深度学习的SAR图像分割[D].西安:西安电子科技大学,2014.

[31]石西建.基于深度学习和区域图的SAR图像分割[D].西安:西安电子科技大学,2014.

[32]田微晴，程慧华，刘琼俐，等.基于多重分形的遥感图像融合检测方法[J].四川兵工学报，2015(3):135-137.

(责任编辑 杨继森)

Overview of SAR Image Segmentation

ZHANG Yea， ZHU Wei-gangb， XING Qianga

(a.Department of Graduate Management; b.Department of Optical and Electronic Equipment, Academy of Equipment of PLA, Beijing 101416, China)

This paper briefly summarizes each methods’ characteristics. Then, it analyzes the application of depth learning in optical image segmentation, which has some significance for SAR segmentation. Finally, some existing problems in the SAR image segmentation based on deep learning are briefly summarized and discussed and some possible new directions for future development are prospected.

SAR; image segmentation; deep learning

2017-02-15；

2017-03-10

张椰(1992—),男,硕士研究生,主要从事军事信息处理研究。

10.11809/scbgxb2017.06.022

format:ZHANG Ye，ZHU Wei-gang，XING Qiang.Overview of SAR Image Segmentation[J].Journal of Ordnance Equipment Engineering,2017(6):99-103.

TN97;TJ765

A

2096-2304(2017)06-0099-05

本文引用格式：张椰，朱卫纲，邢强.SAR图像分割方法综述[J].兵器装备工程学报，2017(6):99-103.