黄 亮，舒 宁

（武汉大学遥感信息工程学院，湖北武汉 430079）

基于支持向量机（SVM）单目标SAR图像分割

黄 亮，舒 宁

（武汉大学遥感信息工程学院，湖北武汉 430079）

将考虑 SAR图像局部灰度均值和方差及像素空间分布特征等统计量，以灰度共生矩阵产生的纹理统计量为特征向量，经过归一化后进行特征选择，然后输入到支持向量机中进行训练建模，利用支持向量机分类方法，以实现分割结果。最后，将此方法分类结果与传统方法进行了比较，从对比结果可以看出此方法行之有效。

SAR图像；灰度共生矩阵；图像分割；支持向量机

合成孔径雷达(Synthetic ApertureRadar，简称SAR)是一种工作在微波波段的相干成像雷达，是1951年美国的Wiley C第一个提出的。它作为一种可供选择的远距离对地观测途径，具有高分辨率、全天候、强透射等优点，在遥感、军事、水文、地矿等领域有着广泛的应用[1]，得到了迅猛的发展，因而对SAR图像的分析处理也变得越来越重要，其中，SAR图像的分割则是一个重要方面。

图像分割是计算机视觉领域的一个经典难题，尽管人们在图像分割方面已取得了大量的研究成果，但目前尚无通用的分割理论提出，现已提出的算法大多都是针对具体问题[2]。正是由于图像分割的不确定性及分割任务的重要性，人们至今仍在不断研究探索新的分割理论与分割算法。再加上SAR是一种相干成像系统，因此要受其相干斑噪声的严重影响。这种噪声的存在降低了其图像的质量，SAR图像的这种特性使其分割工作变得更为困难。

目前的分割方法在对高维特征向量，小样本数据等方面很难获得好的分割效果。因此，在进行图像分割时，除了重视多种特征融合、多种分割算法的有效结合外，还需要继续致力于将新的概念、新的方法引入图像分割领域中，充分利用新方法的优点，以期取得好的分割效果。本文将支持向量机 (Support Vector Machine)这种新方法应用到SAR图像分割中。

1 支持向量机原理

式中，C>0为惩罚因子，用于控制对错分样本惩罚的程度。

注意到无论训练样本在原始特征空间中是否线性可分，求解其对应的优化问题以及最终得到的最优分类超平面都只需计算原始特征空间中样本之间的内积，而不需要知道从原始特征空间到高维特征空间的非线性映射的具体形式。统计学习理论指出，满足 Mercer定理的函数K(x,y)可作为内积使用，且能以系数展开成称之为核函数。引入核函数后，当样本在高维特征空间中不是线性可分时，可求得基于高维特征空间中广义最优分类超平面的决策函数为

怎样从理论上保证选择最优的核函数，现在仍然是一个重要的问题。在大多数应用中，普遍采用的核函数有：

原始的SVM是两类分类器，对于多类分类问题，需要对其进行扩展。常用的方法有一类对余类和一类对一类。对N类数据分类问题，前者通过构N个SVM分别将各个类与剩余的类分开，后者则对每两类构造一个SVM，共需N(N一1)/2个分类器。本文采用一类对一类的方法。

2 试验原理与方法分析

2.1 基于灰度共生矩阵纹理特征

间隔d为欧式距离

一幅图像的灰度共生矩阵反映了图像灰度关于方向、相邻间隔、变化幅度的综合信息。它是分析图像的局部模式和它们排列规则的基础，从它出发可以进一步提取描述图像纹理的一系列特征。我们考虑由以上灰度共生矩阵提取以下几个反映纹理特征统计量：

同时要注意，在计算灰度共生矩阵时，需要确定窗口的大小。太小的窗口，不能得到有效的纹理信息；然而，太大的窗口，同一窗口中可能包含有不同的纹理信息，同时增加了共生矩阵的储存代价。可以多用几个大小不一的窗口来进行比较以便得到较好的结果。

按照上述原理，我们按照以下步骤进行特征提取：

1)考虑到处理速度,通常以块为处理单元。将原图像分成N×N的小块图像 (子区域)，N取值为8；

2)计算每个子区域图像块的灰度均值、灰度中值和方差，作为小块图像的局部统计纹理特征；

3)计算各个子区域图像块的灰度共生矩阵特征。首先计算每个子区域四个方向上的灰度共生矩阵，然后分别提取d=1时四个方向（0°，45°，90°，135°）上的5个特征值。

2.2 特征归一化

在使用SVM分类方法之前，对提取的特征进行归一化非常重要。主要的优点是在建立分类超平面时，避免动态范围大的特征淹没了动态范围小的特征，使它们具有同等的作用。另外一个优点是，在特征向量的内积计算时避免大数计算的困难，大的特征值可能引起计算的溢出。因此，常常需要对特征进行归一化处理。采用下面的公式进行归一化处理：

经过上述公式归一化处理后，特征的泛围限制在[-1,1]之间。在进行特征归一化时，需要对训练集与测试集样本的特征采用同样的方式进行归一化（如图 1所示）。

图1 纹理特征提取

本实验中，将 (2)和 (3)求得的特征值归一化到[-1,1]，经组合后组成特征矢量，按照指定的格式作为训练输入样本，输入到向量机中进行训练建模，具体步骤如下：

将所需特征组成一个特征向量 (y1,x1,x2,…xi)，y=1或-1，分别表示水体区或非水体区，xi的值为fi经归一化后所对应的值，通过支持向量机学习方法构建一个基于SAR图像的水体分类器。训练样本的选取对分类的结果有一定的影响，样本数太少，容易引起欠学习的问题；样本数过多，一方面，增加训练的代价，另一方面，容易出现过学习的现象。关键在于需要选择有代表性的样本进行训练。选取样本中的一半作为训练集，另一半作为测试集。采用标准支持向量机进行训练建模，在此过程中首先要确定合适的核函数类型、核参数、惩罚因子以及窗口尺度，以便获得最好的分割性能。然后通过训练后的模型就可对SAR图像进行分类,将图像分割成水体区和非水体区的二值图像。

为此，首先结合分割参考图，对特定的模型及窗口尺度采用 5-折交叉验证法估计其分类精度，选取分类精度最高的模型及窗口尺度作为支持向量机的模型和特征形成窗口尺度。最终，我们选择在窗口尺度为3的情况下，惩罚因子C=100、径向基核函数RBF核函数作为最佳参数，同时选取f1，f2，f3，f4，f5为特征向量，最后用训练好的分类器对SAR图像进行分割。

2.3 试验结果

1)本次试验采用radarsat卫星的单极化SAR图像数据，截取图像大小为710*710。对SAR图像，采用了不同分割方法对其进行分割，效果对比如图2所示。

图2 不同方法分割效果对比图

图2(a)是SAR图像原图，(b)是迭代阈值分割的结果，(c)是区域生长分割的结果，(d)是K-Means法分割结果，(e)是最佳熵阈值法分割结果，(f)是本文方法分割的结果，从图可以看出以上方法均分割出了河流主干，而 (b)很明显除河流主干部分外，其他水体部分分割不准确，(c)、(d)和 (e)对于细节部分分割不清楚，而本文的方法分割出的图像细节清楚，整体轮廓清晰，一目了然，说明本文的分割方法是有效的，同时还优于其他的阈值分割方法。

2)当窗口尺度S=3时，不同参数性能对比。

表1 不同模型参数下RBF核函数的分类精度及支持向量数的比较结果

从表 1可以看出，通过试验结果分析，最优参数为 C=100，2=8，因为此时分类精度最大，其值为97.54%，此时分类器性能最好，也体现了本文设计算法的优势。

3结 语

本文详细讨论了单目标SAR图像的分割过程。首先，对原始SAR图像，从中提取局部统计特征和由灰度共生矩阵得到的 5个纹理特征，经过归一化处理后进行特征选择，然后输入到支持向量机中进行训练建模，用训练好的分类器实现分割。最后，将本文方法分割结果与传统方法进行了比较，从对比结果可以看出本文方法还是行之有效的。

[1] HenriMaitre.孙洪译.合成孔径雷达图像处理[M].北京:电子工业出版社,2005

[2] 章毓晋.图像分割[M].北京:科学出版社,2001

[3] 宋建社,袁礼海,薛文通.SAR图像处理的最新研究与应用[J].遥感技术与应用,2002,17(5):284-288

[4] 贾永红.数字图像处理[M].武汉:武汉大学出版社,2006

[5] 汪西莉,刘芳,焦李成.一种分层马尔可夫图像模型及其推导算法[J].软件学报,2003,14(9):1 558-1 563

[6] 徐海祥.基于支持向量机方法的图像分割与目标分类[D].武汉:华中科技大学,2005

[7] 杨强.支持向量机的模型及其在图像分割中的应用[D].重庆：重庆大学,2004

[8]Ulaby FT，Kouyate F，Brisco B.Textural Information in SAR Image[J].IEEE Transaction on Geoscience and Remote Sensing，1986，24(2)：235-245

[9]Chew H,Bogener R andLM.Dual C.V-support Vector Machine w ith Error Rate and Training Size Beasing[J].Proceedings of IEEE Int.Conf.on Acoustics,Speech and Signa Processing,2001: 1269-1272

[10]Lin C and Wan S.Fuzzy Support Vector M achines[J].IEEE Trans.on NeuralNetworks,2002,13(2):464-471

Single Ob jective Segm entation of SAR Im ages Based on Support Vector Machine(SVM)

by Huang liang

In this paper,some SAR image Statistics in dice were considered such as the local gray mean,variance and the spatial distribution characteristics of pixel.Then,the texture statistics from GLCM was taken as features and was normalized,for which feature selection was carried on.In the end,the support vector machine training model(SVM)was constructed,the segmentation was achieved by SVM.This method of classification were com pared with the traditional method by test,it showed that it was more effective.

SAR,im age segmentation,GLCM,support vector machines（Page:60）

P237.3

B

1672-4623(2011)01-0060-03

2010-04-22

项目来源：湖北省自然科学基金资助项目 (2006ABD003)。

黄亮，硕士，主要从事 SAR影像分类方面的研究。