吴诗婳，吴一全，2，3，4，5，周建江，孟天亮，戴一冕

1.南京航空航天大学电子信息工程学院，南京210016 2.长江水利委员会长江科学院武汉市智慧流域工程技术研究中心，武汉430010 3.黄河水利委员会黄河水利科学研究院水利部黄河泥沙重点实验室，郑州450003 4.哈尔滨工业大学城市水资源与水环境国家重点实验室，哈尔滨150090 5.南京水利科学研究院港口航道泥沙工程交通行业重点实验室，南京210024

基于Shearlet变换和Krawtchouk矩不变量的河流SAR图像分割

吴诗婳1，吴一全1，2，3，4，5，周建江1，孟天亮1，戴一冕1

1.南京航空航天大学电子信息工程学院，南京210016 2.长江水利委员会长江科学院武汉市智慧流域工程技术研究中心，武汉430010 3.黄河水利委员会黄河水利科学研究院水利部黄河泥沙重点实验室，郑州450003 4.哈尔滨工业大学城市水资源与水环境国家重点实验室，哈尔滨150090 5.南京水利科学研究院港口航道泥沙工程交通行业重点实验室，南京210024

合成孔径雷达（synthetic aperture radar，SAR）图像分割是河流检测与识别的关键步骤，为了进一步提高河流SAR图像分割的准确性，提出一种基于Shearlet变换、Krawtchouk矩不变量及模糊局部信息C均值聚类的河流SAR图像分割方法.首先，对河流SAR图像进行Shearlet分解，提取其纹理特征，构成特征向量的前半部分；然后，计算河流SAR图像的Krawtchouk矩不变量，作为其形状特征，构成特征向量的后半部分；最后，利用模糊局部信息C均值算法依照上述特征向量进行聚类，由此得到河流SAR图像分割结果.大量实验结果表明，与近年来提出的脉冲耦合神经网络结合最大方差比准则分割法、Gabor小波变换结合模糊C均值聚类分割法、FLICM聚类分割法相比，所提出的方法在主观视觉效果以及客观定量评价指标误分割率上均有明显优势，且分割河流SAR图像更加准确.

河流检测；SAR图像分割；Shearlet变换；Krawtchouk矩不变量；模糊局部信息C均值聚类

河流作为重要的地理目标，受到广泛关注.河流信息的获取对于洪涝灾害防治、水域调查、水利规划、地图匹配、气候监测和交通指引等有很大的实际意义［1-4］.只有检测出河流，并将其与背景分离，才能更好地对河流进行分析与识别，为了解该河流的特定性质奠定基础.传统的人工识别河流方法效率低，危险大，不准确.近年来，随着航空、航天技术的快速发展，对地观测技术的不断成熟，大量的高空间分辨率卫星遥感成像方法相继涌现.遥感成像清晰度高，周期短，实时性强，成本低，因此在检测河流的领域中被广泛采用［5-7］.鉴于合成孔径雷达（synthetic aperture radar，SAR）监测范围广，成像分辨率高，且具有全天候全天时等特点，对SAR图像进行处理与分析已成为河流检测的重要技术手段［8］.

在基于SAR图像的河流检测与类型识别系统中，图像分割是一个重要环节，直接影响到后续河流特征提取与识别的准确性.SAR图像中的河流通常分布均匀，面积较大，而背景则分布不均匀且面积较小.这些特征导致河流区域的纹理较相似，而背景区域的纹理差异较大［9］.因此，利用纹理特征进行河流的自动检测是十分有效的.提取纹理特征的方法总体上可分为结构、统计、模型和变换方法，后两种方法尤为常见［10］.近年提出的脉冲耦合神经网络（pulse coupled neural network，PCNN）检测方法是一种改进的神经网络模型方法，它利用目标和背景灰度强度的差异，以神经元能否点火为依据捕捉目标［11］，但对于不规则的纹理，其检测效果较差.多尺度分析（multiscale geometric analysis，MGA）方法［12］则基于Gabor小波、Contourlet等变换提取图像的纹理特征.Gabor小波凭借其方向和频率选择性，具有很好的分辨频域和空域信号的能力，但是它的特征向量维数偏高，计算量大.Contourlet变换仅使用少量系数就能有效地表示平滑轮廓，弥补了Gabor小波的不足.作为图像稀疏表示方法，基函数的各向异性使其拥有更多的方向信息［13］，但由于在变换分解中需计算下采样，导致其并不具有平移不变性且方向分解的数目只能是2n.作为一种新的多维函数稀疏表示方法，近年来提出的剪切波（Shearlet）变换［14-15］对剪切操作没有方向数目限制，且具有多分辨率、局域性、临界采样、多方向性和基函数各向异性等，优势明显，可望更有效地提取河流SAR图像的纹理信息.此外，若能结合形状特征，则可使河流图像分割更加准确.Krawtchouk矩无需进行坐标变换就可以表示图像中的任意局部特征，且量化误差随矩阶数增加变化不明显，不论有无噪声影响，性能均优于其他正交矩［16］.Krawtchouk矩不变量则是在此基础上构成的，能够有效表征形状特征的平移、旋转和尺度不变量［17］.因此，河流SAR图像的形状特征可以尝试采用Krawtchouk矩不变量进行描述.最后可采用聚类算法依据综合上述纹理特征和形状特征的特征向量进行聚类，实现河流SAR图像分割.模糊局部信息C均值（fuzzy local information C-means，FLICM）算法作为一种新颖的聚类算法，所定义的模糊因子不受人为控制，能够克服经典模糊C均值（fuzzy C-means，FCM）算法的缺点并可以有效去除杂点的影响［18］.若将其应用于河流检测，则可避免预处理可能导致的细节丢失，提高鲁棒性和抗噪性.

基于上述分析，本文提出了一种基于Shearlet变换、Krawtchouk矩不变量和模糊局部信息C均值聚类的河流SAR图像分割方法.首先，对河流SAR图像进行Shearlet变换提取其纹理特征；然后，采用各像素点邻域的Krawtchouk矩不变量描述河流SAR图像的形状特征；最后，利用FLICM聚类算法根据上述纹理和形状两种特征构成的特征向量进行聚类得到河流SAR图像的分割结果，并与近年来提出的PCNN结合最大方差比准则分割法［19］、Gabor小波变换结合FCM分割法［20］、FLICM聚类分割法相比较，依据主观视觉效果和客观定量指标对分割结果进行了评价.

1　Shearlet变换和Krawtchouk矩

1.1Shearlet变换

Shearlet变换是在合成小波理论的基础上发展起来的一种最佳多维函数稀疏表示形式，它具有尺度和方向上的灵活性，能对图像实现更稀疏的分解和最优逼近.

信号函数f∈L2（R2）的Shearlet变换定义如下：

式中，r∈R+为尺度系数，s∈R为剪切系数，t∈R2为平移系数，ψrst为Shearlet基函数，定义为［14-15］

采用Shearlet变换对图像进行分解的流程如图1所示.

图1　Shearlet变换流程图Figure 1 Flowchart of shearlet transform

1.2Krawtchouk矩

Krawtchouk矩作为离散正交矩，与Hu矩、Zernike矩等其他矩相比，描述图像形状特征更准确，其核函数由多个Krawtchouk多项式构成.n阶离散Krawtchouk多项式定义如下：

为了确保Krawtchouk多项式数值的稳定性，需要对Kn（x；p，N）进行加权，即，其中，w（x；p，N）=Kpx（1-p）N-x，ρ（n；p，N）=（-1）n

2　基于Shearlet、Krawtchouk矩不变量和FLICM的河流SAR图像分割

2.1基于Shearlet的纹理特征提取

首先对M1×M2大小的图像f（x，y）进行Shearlet变换.先利用各向异性膨胀矩阵Ar对图像进行多尺度分解，再利用剪切矩阵Bs对所得的多尺度图像进一步进行剪切操作和方向分解，由此得到不同方向和不同尺度的方向子带系数.假设将图像分解为n个子带（n-1个高频子带和1个低频子带），得到一组方向子带高频系数si（x，y）（i=1，2，···，n-1），记为

然后，利用Shearlet变换系数的均值和标准差表征图像的纹理特征.由于纹理特征的提取依赖于局部信息，而非单个像素，若直接采用各子带Shearlet系数表征图像的纹理特征并不合适.于是本文对图像的各个高频子带，以每个Shearlet系数为中心，计算其3×3邻域的均值与标准差

将上述Shearlet系数的均值和标准差作为第i个子图像的纹理特征，即该子图像的纹理特征向量fti由均值分量ftµi和标准差分量ftσi两部分构成：

2.2基于Krawtchouk矩不变量的形状特征提取

M1×M2大小图像f（x，y）的（n+m）阶Krawtchouk矩表示如下：

Krawtchouk矩不变量具有平移、旋转和尺度不变性，可作为图像的形状特征，定义如下：

依据上述Krawtchouk矩不变量，构造如下特征向量表征该图像的形状特征：

2.3基于模糊局部信息C均值聚类的图像分割方法

设X=｛xi，i=1，2，···.，n｝∈Re为待聚类的n个样本集，其中xi=｛xi1，xi2，···，xie｝为e维特征向量.FLICM算法的目标函数集成了空间和灰度信息，定义如下：

式中，xi为局部窗口Xi里的中心样本，xj为该窗口中的非中心样本，vk为第k个聚类中心，dij表示样本xi和样本xj的欧氏距离.Gki表示局部窗口Xi内非中心样本与聚类中心vk欧氏距离平方的加权和.

从式（11）可以看出，Gki具有如下特性：

1）包含空间和灰度信息，与FCM算法相比，鲁棒性可以提高；

2）通过邻域样本到中心样本的距离控制对目标函数的影响；

3）使用原始图像，避免预处理可能导致的细节丢失；

4）无需选择任何参数，不受人为控制.

FLICM采用迭代计算的方式求出使得目标函数最小的一组样本隶属度，再根据样本的隶属度实现图像的分割.

2.4方法流程图与具体步骤

基于Shearlet变换、Krawtchouk矩不变量和模糊局部信息C均值聚类的河流SAR图像分割方法流程图如图2所示.

图2　方法流程图Figure 2 Flowchart of the method

基于Shearlet变换、Krawtchouk矩不变量和模糊局部信息C均值聚类的河流SAR图像分割方法的具体步骤如下：

步骤1河流SAR图像的纹理特征提取.首先对M1×M2大小的河流SAR图像进行Shearlet分解，得到n个子带（n-1个高频子带和1个低频子带），以此求得不同方向和不同尺度的Shearlet系数；然后分别对每一层高频子带系数根据式（6）构造子图像的纹理特征向量fti（i=1，2，···，n-1），则整幅河流SAR图像的纹理特征向量为Ft=（ft1，ft2，···，ft（n-1））.

步骤2河流SAR图像的形状特征提取.设置窗口大小为3×3，以图像中每个像素点为中心，分别计算窗口内的（n+m）阶Krawtchouk矩不变量eQnm，根据式（9）构造第j个窗口图像的形状特征向量fsj（j=1，2，···，M1M2），则整幅河流SAR图像的形状特征向量为Fs=（fs1，fs2，···，fs（M1M2））T.

步骤3河流SAR图像的纹理和形状特征向量综合.为避免特征向量中单个元素过大或过小而影响河流SAR图像分割的准确性，并保证各元素具有同等重要性，首先对第i个子图像纹理特征向量fti和第j个窗口图像形状特征向量fsj的元素分别进行高斯归一化，然后相应地组合成整幅河流SAR图像归一化的纹理特征向量和归一化的形状特征向量，由此构成综合特征向量.

步骤3.1首先计算子图像纹理特征向量的均值分量ftµi中各元素的均值µftµi和标准差σftµi

然后根据式（14）将ftui中各元素高斯归一化到［0，1］

归一化后为

同理，纹理特征向量的标准差分量ftσi归一化后为

步骤3.2类似步骤3.1中纹理特征向量的高斯归一化过程，按式（19）将窗口图像形状特征向量fsj中的各元素高斯归一化到［0，1］

式中，µfsj和σfsj分别为向量fsj中所有元素的均值和标准差.归一化后窗口图像的形状特征向量为

整幅河流SAR图像的形状特征向量为

步骤4依据综合特征向量对河流SAR图像进行聚类.将综合纹理和形状两种特征的特征向量Fts作为模糊局部信息C均值聚类算法的输入，对河流SAR图像进行聚类.

步骤4.1设置聚类数c、模糊度m、最大迭代次数qmax和迭代停止条件ε＞0，初始化随机模糊划分矩阵，初始化循环计数器q=0.

步骤4.2根据式（10）计算第q次迭代的目标函数值J（U，V），并分别根据式（23）和（24）计算更新聚类中心V=［vk］和隶属度矩阵U=［uki］

步骤5河流SAR图像分割.将聚类结果中所属的灰度最暗的一类置0，显示为黑色，其余置1，显示为白色，分割出河流和背景.

3　实验结果与分析

针对多幅河流SAR图像，采用本文提出的基于Shearlet变换、Krawtchouk矩不变量和模糊局部信息C均值聚类的河流SAR图像分割方法进行了大量实验，并与PCNN结合最大方差比准则分割法、Gabor小波变换结合FCM分割法、FLICM聚类分割法进行了比较.所有方法的运行环境为Pentium（R）Dual-Core CPU 2.10 GHz/2 GB内存、MATLAB R2009a.现以4幅河流SAR图像（图像1、图像2、图像3、图像4，256×256）及采用4种方法所得分割结果为例加以说明.实验中各方法的参数设置如下：在PCNN结合最大方差比准则分割法中，反馈输入、连接输入和动态阈值对应的衰减系数分别取为0.1、2.0和1.0，幅度常数分别取为0.5、0.2和20，链接权矩阵W取2个神经元欧氏距离的平方倒数，链接系数取1.Gabor小波变换结合FCM分割法中，采用6个方向、10个频率尺度的Gabor滤波器来提取河流特征，滤波器的带宽为1倍频，最大聚类数为5.FLICM聚类分割法的聚类数目取3.在50次实验的基础上，本文方法的参数设置如下：Shearlet变换中尺度向量Ns=［2 2 3 4］，方向向量Nd=［2 2 1 1］，计算（n+m=）3阶Krawtchouk矩不变量，FLICM聚类数目取3.

图3分别给出了原始图像（a）、PCNN结合最大方差比准则分割法（b）、Gabor小波变换结合FCM分割法（c）、FLICM聚类分割法（d）以及本文方法（e）所得到的河流SAR图像分割结果.采用上述4种方法分割4幅河流SAR图像的误分割率如表1所示.这里将误分割率定义为误分割像素数目与类内像素总数的比值，误分割像素数目是指分割后的图像与经人工精确分割后的图像相比存在差异的像素数目；类内像素总数是指原始图像中目标类和背景类的像素数目之和.误分割率越小，表示误分割程度越小，分割结果越准确.

由图3和表1可以看出，本文方法在去除背景的同时，能准确保留河流的轮廓信息，可以有效地检测河流.在主观视觉效果上，PCNN结合最大方差比准则分割法虽然保留了河流的形状纹理信息，但同时也保留了部分背景信息，尤其是在河流SAR图像1和河流SAR图像2的分割结果中含有大量的背景信息，河流轮廓不明显.Gabor变换结合FCM分割法可以去除背景信息，检测出河流.但不能有效地提取形状特征，因此检测出的河流区域与实际河流区域存在偏差，轮廓不突出，河流形状存在些许失真.在河流SAR图像2和河流SAR图像4的分割结果中，丢失了部分河流的细节信息，而在河流SAR图像3的分割结果中，又将部分桥梁误判为河流.FLICM聚类分割法较前两种方法分割效果好，但与本文方法相比，仍存在少许背景信息，尤其在河流与背景灰度值相近的情况下，如河流SAR图像1，利用本文方法比直接利用FLICM聚类分割法更能准确地识别出河流区域，消除误判目标.由表1可见，利用本文方法针对上述4幅河流SAR图像进行分割的误分割率最低，远远低于其他3种分割方法.大量实验结果证明，本文方法对于河流SAR图像有很好的分割效果.

图3　河流SAR图像1，2，3，4及其分割结果Figure 3 River SAR image 1，2，3，4 and their segmentation results

表1　4种分割方法的误分割率Table 1 Segmentation error rate of four segmentation methods

4　结语

本文提出了一种基于Shearlet变换、Krawtchouk矩不变量和模糊局部信息C均值聚类的河流SAR图像分割方法.首先对河流SAR图像进行Shearlet变换，该变换拥有多尺度以及良好的时频局部特性，没有方向数目的限制，且数学结构简单，能更有效地提取河流SAR图像的纹理信息；再依据Krawtchouk矩不变量的平移、旋转和尺度不变性，将其作为形状描述子，更准确地表征了河流SAR图像的形状特征，将其与纹理特征相结合，进一步提高了河流的检测精度；最后利用FLICM聚类算法依照由纹理和形状特征构成的特征向量对河流SAR图像进行聚类，有效去除了背景信息的影响，弥补了FCM算法的不足，提高了算法的鲁棒性和抗噪性.采用本文方法对多幅河流SAR图像进行了大量实验，并与PCNN结合最大方差比准则分割法、Gabor小波变换结合FCM分割法、FLICM聚类分割法进行了比较.实验结果表明，在主观视觉效果以及客观定量评价指标两个方面，本文方法在去除背景的同时，能完整而准确地保留河流边缘轮廓信息，大大降低了误分割率，是一种行之有效的河流SAR图像分割方法，在实际河流目标检测中应用效果极佳，可望得到广泛应用.

［1］崔建勇，盛辉，赵健.黄河三角洲河道信息自动提取研究［J］.人民黄河，2011，33（10）：131-132. Cui J Y，Sheng H，Zhao J.Automatic extraction of water information of the Yellow River delta［J］.Yellow River，2011，33（10）：131-132.（in Chinese）

［2］Wang H，Pan L，Zheng H.Multi-texture-model for water extraction based on remote sensing image［C］//Congress on Image and Signal Processing，China，2008，3：710-714.

［3］喻恒，赵建军.基于数字图像的实体黄河模型河势宽度检测［J］.河南大学学报：自然科学版，2011，41（2）：188-192. Yu H，Zhao J J.The width detection of Yellow River model regime based on digital image processing［J］.Journal of Henan University，2011，41（2）：188-192.（in Chinese）

［4］王超，黄凤辰，汤晓斌，汤敏，徐立中.一种针对复杂背景下高分辨率SAR图像河道检测算法［J］.遥感技术与应用，2012，27（4）：516-522. Wang C，Huang F C，Tang X B，Tang M，Xu L Z.A river extraction algorithm for high-resolution SAR images with complex backgrounds［J］.Remote Sensing Technology and Application，2012，27（4）：516-522.（in Chinese）

［5］Klemenjak S，Waske B，Valero S，ChanussoT J.Automatic detection of rivers in highresolution SAR data［J］.IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing，2012，5（5）：1364-1372.

［6］Sun J P，Mao S Y.River detection algorithm in SAR images based on edge extraction and ridge tracing techniques［J］.International Journal of Remote Sensing，2011，32（12）：3485-3494.

［7］王珂，肖鹏峰，冯学智，吴桂平，李晖.基于频域滤波的高分辨率遥感图像城市河道信息提取［J］.遥感学报，2013，17（2）：269-285. Wang K，Xiao P F，Feng X Z，Wu G P，Li H.Extraction of urban rivers from high spatial resolution remotely sensed imagery based on fltering in the frequency domain［J］.Journal of Remote Sensing，2013，17（2）：269-285.（in Chinese）

［8］胡正磊，孙进平，袁运能.基于小波边缘提取和脊线跟踪技术的SAR图像河流检测算法［J］.电子与信息学报，2007，29（3）：524-527. Hu Z L，Sun J P，Yuan Y N.River detection in SAR images based on edge extraction in wavelet domain and ridge tracing technique［J］.Journal of Electronics and Information Technology，2007，29（3）：524-527.（in Chinese）

［9］于晓升，吴成东，陈东岳，田子恒.支持向量机和水平集的高分辨率遥感图像河流检测［J］.中国图象图形学报，2013，18（6）：677-684. Yu X S，Wu C D，Chen D Y，Tian Z H.Using support vector machine and level set for river detection in high resolution remote sensing image［J］.Journal of Image and Graphics，2013，18（6）：677-684.（in Chinese）

［10］刘丽，匡纲要.图像纹理特征提取方法综述［J］.中国图象图形学报，2009，14（4）：622-635. Liu L，Kuang G Y.Overview of image textural feature extraction methods［J］.Journal of Image and Graphics，2009，14（4）：622-635.（in Chinese）

［11］宋寅卯，刘国乐.一种改进的PCNN图像分割算法［J］.电路与系统学报，2010，15（1）：79-81. Song Y M，Liu G L.An image segmentation algorithm based on an improved PCNN［J］. Journal of Circuits and Systems，2010，15（1）：79-81.（in Chinese）

［12］李杰.图像的方向多尺度分析及其应用研究［D］.成都：电子科技大学，2007.

［13］吴艳，肖平，王昌明，李明.基于Contourlet域持续性和聚集性的合成孔径雷达图像融合分割算法［J］.光学学报，2010，30（7）：1977-1983. Wu Y，Xiao P，Wang C M，Li M.Fusion segmentation algorithm for SAR images based on the persistence and clustering in the Contourlet domain［J］.Acta Optica Sinica，2010，30（7）：1977-1983.（in Chinese）

［14］Guo K H，LabaTe D.Optimally sparse multidimensional representation using Shearlets［J］. SIAM Journal on Mathematical Analysis，2007，39（1）：298-318.

［15］Easley G R，LabaTe D.Sparse directional image representations using the discrete Shearlet transform［J］.Applied and Computational Harmonic Analysis，2008，25（1）：25-46.

［16］吴柯，舒华忠.应用Krawtchouk矩和支持向量机的图像纹理分割［J］.应用科学学报，2008，26（5）：521-525. Wu K，Shu H Z.Image texture segmentation based on Krawtchouk moment and SVM［J］. Journal of Applied Sciences，2008，26（5）：521-525.（in Chinese）

［17］吴一全，武燕燕，唐艳亮.利用Krawtchouk矩不变量实现基于形状的图像检索［J］.光电工程，2010，37（5）：97-103. Wu Y Q，Wu Y Y，Tang Y L.Shape-based image retrieval using Krawtchouk moment invariants［J］.Opto-electronic Engineering，2010，37（5）：97-103.（in Chinese）

［18］Krinidis S，ChaTzis V.A robust fuzzy local information C-means clustering algorithm［J］. IEEE Transactions on Image Processing，2010，19（5）：1328-1337.

［19］辛国江，邹北骥，李建锋.结合最大方差比准则和PCNN模型的图像分割［J］.中国图象图形学报，2011，16（7）：1310-1316. Xin G J，Zou B J，Li J F.Image segmentation with PCNN model and maximum of variance ratio［J］.Journal of Image and Graphics，2011，16（7）：1310-1316.（in Chinese）

［20］徐少平，刘小平，李春泉，胡凌燕，杨晓辉.基于区域特征分析的快速FCM图像分割改进算法［J］.模式识别与人工智能，2012，25（6）：987-995. Xu S P，Liu X P，Li C Q，Hu L Y，Yang X H.An improved fast FCM image segmentation algorithm based on region feature analysis［J］.Pattern Recognition and Artifcial Intelligence，2012，25（6）：987-955.（in Chinese）

（编辑：秦巍）

Segmentation of SAR Image of Rivers Based on Shearlet Transform and Krawtchouk Moment Invariants

WU Shi-hua1，WU Yi-quan1，2，3，4，5，ZHOU Jian-jiang1，MENG Tian-liang1，DAI Yi-mian1
1.College of Electronic and Information Engineering，Nanjing University of Aeronautics and Astronautics，Nanjing 210016，China 2.Engineering Technology Research Center of Wuhan Intelligent Basin，Changjiang River Scientifc Research Institute，Changjiang Water Resources Commission，Wuhan 430010，China 3.Key Laboratory of the Yellow River Sediment of Ministry of Water Resource，Yellow River Institute of Hydraulic Research，Yellow River Water Resources Commission，Zhengzhou 450003，China 4.State Key Laboratory of Urban Water Resource and Environment，Harbin Institute of Technology，Harbin 150090，China 5.Key Laboratory of Port，Waterway and Sedimentation Engineering of the Ministry of Transport，Nanjing Hydraulic Research Institute，Nanjing 210024，China

Segmentation of synthetic aperture radar（SAR）images is a key procedure in river detection and recognition.To further improve accuracy of SAR image segmentation for rivers，a segmentation method is proposed based on Shearlet transform，Krawtchouk moment invariants，and fuzzy local information C-means（FLICM）.The SAR image is frst decomposed with Shearlet transform，and its texture features are extracted as the frst part of the feature vector.Krawtchouk moment invariants of the image are then calculated to obtain corresponding shape features used as the second part of the feature vector.Finally，the image is clustered based on FLICM algorithm using the extracted feature vector.Thus segmentation of the river SAR image is obtained.A large number of experiments are performed.The results are compared with several recently proposed methods based on pulse coupled neural network（PCNN）combined with maximum variance ratio，and Gabor wavelet transform combined with fuzzy C-means（FCM）and FLICM clustering.It has been shown that the proposed method has clear advantages both in subjective visual efects and in terms of objective evaluation indicator such as segmentation error rate.The method can provide river segmentation with better accuracy.

river detection，SAR image segmentation，Shearlet transform，Krawtchouk moment invariant，fuzzy local information C-means clustering（FLICM）

TP391.41，TP751.1

0255-8297（2015）01-0021-11

10.3969/j.issn.0255-8297.2015.01.003

2014-09-13；

2014-12-22

国家自然科学基金（No.60872065）；长江科学院开放基金（No.CKWV2013225/KY）；水利部黄河泥沙重点实验室开放基金（No.2014006）；城市水资源与水环境国家重点实验室开放基金（No.LYPK201304）；港口航道泥沙工程交通行业重点实验室开放基金；江苏高校优势学科建设工程基金资助

吴一全，教授，博导，研究方向：遥感图像处理与分析、目标检测与识别、视觉检测与图像测量、视频编码与视频处理、生物特征识别与数字水印等，E-mail：nuaaimage@163.com