一種基于先驗信息和U-Net的SAR圖像海陸分割方法

劉 啟，張曉蕾，王亞楠

(1.中國水利水電科學研究院,北京 100038；2.水利部防洪抗旱減災工程技術研究中心,北京 100038；3.航天信息股份有限公司,北京 100195)

0 引言

合成孔徑雷達(Synthetic Aperture Radar，SAR)是一種高分辨率微波成像系統，通過多普勒波束銳化和脈沖壓縮，獲得觀測目標沿傳感器運動方向和視線方向上的二維高分辨率斜距圖像[1]，可安裝在飛機、衛星等平臺上，全天時、全天候對地觀測。SAR圖像海陸分割是將輸入的大場景SAR圖像分割為水域和陸地2類，并生成陸地掩模的過程[2]，在海岸線提取、海洋近岸目標檢測中具有重要意義[3]，通常要求高分割精度和高時效性。

目前，已有一些基于SAR遙感圖像的海陸分割方法。閾值法由于簡單直觀的特點，閾值的選取有多種方法(如直方圖法[4]、OTSU法[5-6]等)，其中，OTSU法具有原理簡單、穩定有效的優點，利用圖像的光譜測度直方圖，使用窮舉法選取使圖像類間方差最大的閾值，是使用最廣泛的閾值方法之一，但是對噪聲較敏感，閾值較難確定。除閾值分割算法外，國內外學者還發展了邊緣檢測分割算法[7]、區域生長和分裂合并的分割算法[8]、Markovian分割算法[9]、水平截集算法[10]以及超像素分割算法[11-12]等。算法各有優缺點，邊緣檢測算法直觀簡單易行，但不易提取區域結構。區域生長和分裂合并算法對復雜圖像的分割效果較好，但往往需要人工給定種子點，是一種半自動分割算法。Markovain分割算法基于Markov隨機場模型并引入模擬退火法計算，計算量較大。水平截集算法基于活動輪廓法檢測邊界的思想，計算量大、迭代方式復雜，檢測速度較慢。

近年來，深度學習得到了快速發展，自然圖像分割模型也被應用到SAR遙感圖像海陸分割中，效果相比傳統算法有顯著提升。張金松等人[13]基于密集深度分離卷積的分割網絡架構，通過密集分離卷積和擴張卷積提取圖像高維特征，構造基于雙線性插值的上采樣解碼模塊用于輸出分割結果。王彬等人[14]通過升級殘差網絡為主干網絡，分4級提取海水目標的特征產生海水分割結果。崔昊等人[15]利用編碼器—解碼器架構，在編碼層中引入殘差塊，通過Sigmoid層對圖像進行像素級海陸分割。戴牧宸等人[16]通過減少雙邊網絡中空間路徑的卷積層數，選用ResNet18輕量化模型作為上下文路徑骨干網絡，同時提出邊緣增強損失函數策略提升模型分割性能。此外，還有學者提出了基于DeepU-Net、DeepLabv3等網絡的海陸分割方法，分割精度有進一步的提升。

然而，無論是傳統方法還是深度學習方法，海陸分割仍存在兩方面的問題：(1) 陸地水域和SAR陰影的影響。由于SAR斜視成像特點引起的背向雷達區域無散射回波，在圖像上與水體表現為相同的黑色區域，無法通過DN值進行區分；此外海岸線提取和海洋船只檢測僅關注以海岸線邊界的二分類，內陸水體呈現弱散射，也會被分割，對應用產生不利影響。(2) 分割時效性問題?，F有方法經常是逐像素分割處理，而SAR圖像通常尺寸較大，逐像素處理往往難以滿足應用要求。目前有一些海陸分割加速方法，如基于海圖信息的SAR影像海陸自動分割[17]、基于GSHHG數據庫與改進CV模型的SAR圖像海陸分割算法[18]和基于海岸線數據庫的遙感圖像海陸分割[19]。這些方法通過引入先驗信息提升海陸分割的時效性，但未與分割性能良好的深度學習模型相結合。

本文提出采用海陸先驗信息粗判和深度學習海陸精細分割相結合的方法，海陸粗判采用現有的海陸先驗數據庫；海陸精細分割采用U-Net網絡，一方面消除陸地水域和SAR陰影的影響，另一方面大幅提升海陸分割的時效性。

1 研究方法

1.1 海陸先驗數據

采用Matplotlib底圖工具包(Matplotlib Basemap Toolkit,MBT)提供的海陸先驗信息。陸海數據來源于全球高分辨率海岸線數據(GSHHG)。Basemap可以精確判斷出陸地主體部分，隨著時間推移，雖然海陸邊界部分發生了微小變化，但是陸地主體位置基本沒變。由于農田等都處于陸地主體部分，使用Basemap進行陸地主體判斷，可以避免使用U-Net模型對農田、陰影等分割效果不好的情況，能夠整體提高分割精度，滿足精度指標要求。

1.2 U-Net網絡

對于SAR遙感圖像進行分割不僅要輸出圖像的類別，還要明確類別圖像的位置，輸出相同大小帶有標簽的分類后的圖像。相比于以像素為單位的分割方法，U-Net以圖片為整體進行圖片分類分割，大大降低了計算復雜度。U-Net中較淺的高分辨率層用以實現像素的定位，較深的層用以實現像素的分類，從而實現圖像語義級別的分割。U-Net是使用全卷積網絡進行語義分割的算法之一，為Encoder-Decoder結構，具有結構簡單、有效性高的特點。該網絡結構在訓練時進行了數據增強，能夠使用少量標注數據實現更有效的網絡訓練。U-Net架構包括一個捕獲上下文信息的收縮路徑和一個允許精確定位的對稱拓展路徑，從而在少量數據的基礎上完成端到端的訓練。U-Net結構如圖1所示。

圖1 U-Net結構Fig.1 U-Net structure

U-Net的典型特點為U型對稱結構，左側為卷積層，右側為上采樣層。在U-Net結構中，包含4個卷積層和對應的4個上采樣層。該網絡具有2種工作方式：① 從一開始實現網絡并進行權重初始化，隨后進行模型訓練；② 借用現有網絡卷積層結構和已訓練好的權重文件，同時配置上采樣層進行訓練計算，比如ResNet，VGG等。在深度學習模型訓練中，使用已有的權重模型文件可以大大加快訓練速度。

1.3 基于海陸先驗信息和U-Net相結合的海陸分割

為了兼顧海陸分割的精度和時效性，本文采用海陸粗判和海陸精細分割相結合的方案，流程如圖2所示。海陸粗判采用現有的海陸先驗數據庫，海陸精細分割采用U-Net。

圖2 基于先驗信息和U-Net的SAR圖像海陸分割方法流程Fig.2 Flowchart of the sea-land segmentation method of SAR image based on prior information and U-Net

整體海陸分割流程如下：

(1) 輸入大圖后首先對影像大圖4條邊每隔一定像素點取一個坐標(避免圖像4個角點是陸地，中間是水域的情況)，間隔像素點數由圖像的分辨率決定，大致每隔10 000 m取一個坐標點，例如當圖像分辨率為10 m時，每隔1 000個像素取一個坐標。然后將所有像素坐標根據RPC文件轉為經緯度，使用Basemap的island函數，將取出點的經緯度依次用island函數判斷是否為陸地/海域，如果所有的點都判斷是陸地/海域，就將整景影像判為純陸地/海域，跳過該景影像輸入下一景進行判斷。

(2) 經過步驟(1)判斷，影像不是純陸地/海域時，采用512 pixel×512 pixel的滑窗在整景影像上進行滑動切片，將切片4個角點像素坐標根據RPC文件轉為經緯度，然后使用island函數判斷四角坐標是否為陸地/海域，四角坐標全部判斷為陸地/海域時將整張切片置為純陸地/海域，否則使用U-Net模型對該切片進行逐像素精細海陸分割。

(3) 等待所有切片處理結束，拼接大圖輸出分割結果。傳統的全圖U-Net海陸分割優點是處理流程簡便、環境搭建簡單，但是當整景影像陸地/海域占主體時，時間消耗較長。引入Basemap先驗海陸信息后，陸地/水域主體采用Basemap判斷，海陸邊緣采用U-Net分割，在保證精度的同時極大地縮減了海陸分割的時間，同時也降低了陸地水域和SAR陰影的干擾。

2 實驗結果

2.1 實驗數據

本文采用的SAR圖像為高分三號SAR圖像。高分三號是我國首顆C頻段多極化SAR衛星，不僅涵蓋了傳統的條帶、掃描成像模式，而且可在聚束、條帶、掃描、波浪、全球觀測和高低入射角等多種成像模式下自由切換。本文主要采用條帶和掃描圖像進行測試，實驗圖像如表1所示。

表1 實驗圖像

2.2 分割性能評估指標

為衡量海陸分割性能，采用平均交并比(MIOU)指標進行綜合評估，計算方法如下：

(1)

式中，TP表示分割正確，分割結果是陸地，實際是陸地；FP表示分割錯誤，分割結果是陸地，實際是海域；FN表示分割錯誤，分割結果是海域，實際是陸地。

2.3 實驗及結果

本文實驗采用GTX 2080 Ti顯卡，在Keras環境下進行。

對U-Net訓練時，將原始圖像裁剪為512 pixel×512 pixel大小并進行標注，同時采用翻轉、平移等數據增強方式，對原始數據樣本進行擴充，最終采用3 869張512 pixel×512 pixel的SAR圖像標注數據作為訓練數據集。訓練過程中，由于內存限制，每批次輸入2張圖像(batch_size=2)進行100輪迭代(ephoc=100)，每次迭代輸出損失函數Loss值，直至訓練完成保存最優的網絡模型。訓練過程中損失函數Loss值的變化曲線如圖3所示。

圖3 U-Net網絡訓練的損失函數變化曲線Fig.3 Variable graph of U-Net train loss function

損失函數Loss采用的是二分類的交叉熵損失函數：

Loss=-[yt·lb(yp)+(1-yt)·lb(1-yp)]。

(2)

交叉熵損失函數是分類中最常用的損失函數。交叉熵用來度量2個概率分布的差異性，衡量模型學習到的分布和真實分布的差異。

在二分類問題中，y取值的集合可能為{0,1}，假設某個樣本的真實標簽為yt，該樣本yt=1的概率為yp。

使用以上訓練得到的U-Net模型進行測試，3張圖的測試指標結果如圖4～圖6和表2～表4所示。算法分別為傳統方法OTSU、U-Net與Basemap+U-Net。Basemap+U-Net為本文提出方法，即利用海陸先驗信息結合U-Net進行聯合分割。

(a) 原圖

(a) 原圖

(a) 原圖

表2 條帶圖1測試結果

表3 條帶圖2測試結果

表4 掃描圖測試結果

從實驗結果可以看到，OTSU算法具有最快的分割速度，然而由于其主要基于閾值，因此在海域和陸地存在較多的錯判。常規U-NET方法相比于OTSU方法分割精度有一定提升，但耗時最長。本文提出的方法有效去除了陸地水域和SAR陰影的干擾，有最高的分割精度，耗時介于OTSU和U-NET方法之間，具有較好的實用價值。如果圖中只存在海洋區域或者陸地區域，本文提出的方法將只使用Basemap進行先驗判斷而跳過U-Net逐像素分割過程，總體速度有較大提升。

3 結束語

針對當前海陸分割方法存在精度和時效性問題，對比當前常用的海陸分割算法OTSU，U-Net等，選擇海陸分割精度較高的U-Net，引入Basemap先驗知識庫，使模型在復雜場景也能保持相對較高的準確率，并且速度也得到了有效提升。下一步工作，將針對U-NET分割精度受限的問題，采用分割精度更高的模型與先驗信息相結合，從而進一步提升海陸分割的精度。