中国海水养殖业十分发达，多采用网箱养殖、延绳式养殖和浮筏养殖3种方式。浮筏养殖是在浅海与潮间带设置浮动筏架，筏上以浮球悬挂吊笼方式养殖以扇贝、牡蛎等贝类为主的水产^[1]。为了合理使用养殖资源、营造健康的海水生态环境，需要系统深入地研究浮筏养殖用海范围等情况。现场调查因浮筏范围大而作业困难，可见光遥感影像受天气和探测机制影响而无法完全准确地获取浮筏养殖目标^[2]，基于合成孔径雷达 (SAR) 的海洋遥感技术可以有效地发现浮筏养殖区域。SAR由传感器主动地发射微波波束，接收地物反射回来的信号，不限制于太阳辐射和天气影响，可以全天时全天候工作，极大提高了时间分辨率，已成为国内外海域动态使用、海上目标识别等领域的重要技术手段之一^[3-5]。由于SAR系统成像原理和复杂海况的影响，后向散射系数相干叠加使得图像存在大量的相干斑噪声，浮筏养殖信息受噪声污染严重，浮筏区域表面分布大量噪声，边缘模糊，难以将其从海水背景中清楚区分。而且单幅SAR图像具有波段单一性，无法提供丰富信息，亦增加了浮筏养殖信息提取的难度。同时，为了解决实际情况下无法获取地表真实数据分布和人工选择训练样本效率低等问题，无监督实现SAR遥感图像中的浮筏养殖信息提取和解译工作，具有研究意义。

为了有效抑制相干斑噪声对浮筏养殖信息的影响，利用空间信息对SAR图像进行超像素分割。超像素更利于局部特征的提取与结构信息的表达，并且能够大幅度降低后续处理的计算复杂度^[6]。常用的超像素分割方法包括Ncut (normalized cuts) 算法^[7]、Turbopixels算法^[8]，区域增长算法^[9]等，均取得较好的效果。Ncut算法利用轮廓特征和纹理特征递归地进行图分割，能得到大小相近、边缘平滑的分割结果，但是对点线等细节保持能力较差，计算速度较慢，不适宜大尺寸图像分割。Turbopixel算法通过基于几何流的水平集方法逐渐膨胀初始化种子点将图像分割为网格化分布规则的超像素，计算速度较快，能控制超像素数量，但超像素边缘细节保持较差。区域增长算法通过设置种子点，将附近与其距离小于阈值的像素划分到该区域实现过分割，细节保持较好，但抗噪性较差，分割后易形成单像素的噪声区域。统计区域合并 (SRM) 算法能克服前几种算法存在的问题，具有很好的抗噪性，分割效率高，且不依赖于数据的概率分布假设。SRM由Nock和Nielsen提出^[10]，用于处理光学彩色图像，采用一种简单高效的统计模型，迅速捕获图像的主要结构成分，并能排除噪声干扰，处理阻塞情况^[11]。2003年被Li等人^[12]引入面向对象的极化SAR图像分类中，后利用混合分割的思想对SRM进行了改进，实现多尺度分割^[13]。2014年，Lang等人^[14]根据SAR数据特性改进得到广义SRM算法 ($\text{GSRM}$)，使之更适于极化SAR影像分类，有效抑制相干斑噪声。Zhang等人^[15]修改了SRM的排序准则并在合并准则中增加统计变量，将其用于SAR图像的变化检测。2015年，Ji等人^[16]改进局部二值模式 (LBP) 算子得到区域一致性局部二值模式 (RHLBP) 算子，其中LBP算子由Ojala等人提出^[17-18]，将图像局部区域像素与中心点像素的灰度值比较，进行二值化处理并编码得到LBP算子，具有计算量小、旋转不变性、多尺度特性等优点。得到RHLBP算子后将其描述的纹理信息加入SRM合并准则中，得到更具区域一致性的超像素，再利用颜色信息分类。虽然可获得具有区域一致性的超像素单元，但是针对于加性噪声数据，不适用于具有乘性噪声模型的SAR数据。

针对浮筏养殖在海洋SAR遥感图像中的特点，提出结合广义局部二值模式的广义统计区域合并算法 ($\text{GLBP }\!\!\_\!\!\text{ GSRM}$)，构建以$\text{GLBP }\!\!\_\!\!\text{ GSRM}$为核心的多特征集成模型，充分利用纹理信息、空间信息和轮廓信息。根据SAR数据乘性噪声的特性改进LBP算子得到广义局部二值模式 ($\text{GLBP}$) 算子，将其加入$\text{GSRM}$中的合并准则中，使超像素内部符合纹理一致性。以超像素为单位，利用非下采样轮廓波变换 (NSCT)^[19]得到轮廓信息，增加数据特征，最后使用$\text{FCS}$ (fuzzy compactness and separation)^[20]聚类，增加类间离散度，实现浮筏养殖信息的无监督精确提取。

假设$I$是观测图像，包含$\left| I \right|$个像素，其中∣·∣表示像素个数。图像$I$中每个像素$\mathit{\boldsymbol{p}}$包含RGB 3个通道，取值范围$\left[ 0,g \right]$，其中$g$=255。${{I}^{*}}$是未知的理想分割图像，分割区域满足同质属性：分割区域内部，每个通道的像素有相同的期望值；分割区域之间，至少有一个通道的像素期望值不同。对于图像${{I}^{*}}$中每个像素，每个通道都采样$Q$次，每次采样后的值是独立随机的，最大为$g/Q$，因此$Q$次采样值之和在$\left[ 0,g \right]$之间。

一幅图像$I$包含4邻域像素对，通过预排序策略，先计算所有像素对的梯度$f\left( \mathit{\boldsymbol{p}},\mathit{\boldsymbol{p}}' \right)$，其中$\mathit{\boldsymbol{p}}$和$\mathit{\boldsymbol{p}}'$′为相邻像素，然后按从小到大的顺序进行排序，最后根据顺序进行合并测试。若像素$\mathit{\boldsymbol{p}}$所属区域$R\left( \mathit{\boldsymbol{p}} \right)$和像素$\mathit{\boldsymbol{p}}'$所属区域$R\left( \mathit{\boldsymbol{p}}' \right)$ 不同，则按照合并准则进行判定，若符合合并准则，则合并区域，否则不合并。梯度函数定义为

$ f\left( \mathit{\boldsymbol{p}}, \mathit{\boldsymbol{p}}' \right)=\mathop {\max }\limits_{k \in \left\{ {{\text{red}},{\text{green}},{\text{blue}}} \right\}}, \left| {{\mathit{\boldsymbol{p}}}_{k}}-\mathit{\boldsymbol{p}}{{'}_{k}} \right| $

(1)

SRM算法的合并准则是基于概率论中鞅戟理论的定理，对于多通道的情况必须各通道均满足合并准则时才进行合并，最终的合并准则为

$\eqalign{ & \;\;\;\;\;\;\;P\left( {R,R'} \right) = \cr & \left\{ \matrix{ {\rm{true}}\;\;\;\;\;\;\;\mathop {\max }\limits_{k \in \left\{ {{\rm{red, green, blue}}} \right\}} {\mkern 1mu} \left| {\overline {R{'_k}} - \overline {{R_k}} } \right| \le \hfill \cr \;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\sqrt {{b^2}\left( R \right) + {b^2}\left( {R'} \right)} \hfill \cr {\rm{false}}\;\;\;\;\;\;\;\;\;{\rm{其他}} \hfill \cr} \right. \cr} $

(2)

式中，$b\left( R \right)=g\sqrt{\frac{1}{2Q\left| R \right|}\ln \frac{\left\| {{R}_{\left| R \right|}} \right\|}{\delta }}$。

根据合并准则，判定区域是否合并。

为实现准确提取海洋浮筏养殖信息，构建以$\text{GLBP }\!\!\_\!\!\text{ GSRM}$为核心的多特征集成模型，算法流程如图 1所示。为了解决由于传感器以及地球自转等因素造成的图像相对于地面目标发生的几何畸变，先对原始SAR图像进行预处理，包括辐射定标、几何校正、陆地掩膜等。再通过$\text{GLBP}$算子得到纹理信息，将其加入至$\text{GSRM}$的合并准则中，对SAR图像进行$\text{GLBP }\!\!\_\!\!\text{ GSRM}$超像素分割，得到具有纹理一致性的超像素单元，进而通过NSCT提取轮廓信息丰富数据特征，使用$\text{FCS}$聚类后进行腐蚀膨胀的后处理，完成无监督地浮筏养殖区域精确提取。

对于灰度图像$I$中的像素${{g}_{c}}$，将邻域像素与其比较，进行二值化处理并编码得到LBP算子^[17]，即

$ LB{{P}_{p, r}}=\sum\limits_{i=1}^{p}{{{2}^{\left( i-1 \right)}}}\times sign\left( {{g}_{i}}-{{g}_{c}} \right) $

(3)

式中，$sign\left( x \right)=\left\{ \begin{align} &1\ \ x\ge 0 \\ &0\ \ x\le 0 \\ \end{align} \right., {{g}_{i}}$是${{g}_{c}}$邻域的第$i$个像素值，$p$是邻域像素个数，$r$是邻域半径大小。通过更改$p$和$r$可以获得多尺度特性。可取的最小区域是3×3的矩阵，即$r$为1，$p$为8^[18]。

为了使得LBP描述的纹理信息具有旋转不变性，改进LBP算子得到旋转不变的LBP (RI-LBP) 算子^[18]为

$ LBP_{p, r}^{ri}=\min \left( ROR\left( LBP_{p, r}^{ri}, i \right)\left| i=0, 1\cdots, p-1 \right. \right) $

(4)

式中，$ROR\left( LBP_{p,r}^{ri},i \right)$表示对LBP的$p$位二进制数右移$i$位。选择移位结果的最小值作为旋转不变的LBP算子值。

实验表明LBP中绝大数模式的二进制序列中0与1的转换次数不超过两次，这种模式记作统一LBP (ULBP)^[18]。为了提高纹理特征的辨别能力，引入统一化算子$U$用于表征局部二进制模式中0与1转换的次数，若LBP模式的二值序列中最多存在两次0/1或1/0转换，则LBP属于ULBP，否则将其归属到另一种综合的模式中。$U$定义为

$ \begin{align} &U\left( LBP_{p, r}^{ri} \right)=\left| sign\left( {{g}_{p}}-{{g}_{c}} \right)-sign\left( {{g}_{1}}-{{g}_{c}} \right) \right|+ \\ &\ \ \ \ \ \sum\limits_{i=2}^{p}{\left| sign\left( {{g}_{i}}-{{g}_{c}} \right)-sign\left( {{g}_{i-1}}-{{g}_{c}} \right) \right|} \\ \end{align} $

(5)

为了进一步提高对纹理信息的描述能力，结合旋转不变模式和一致模式的优点，定义旋转不变一致模式 (RIU-LBP) 算子^[18]为

$ LBP_{p, r}^{riu2}=\left\{ \begin{align} &\sum\limits_{i=1}^{p}{sign\left( {{g}_{i}}-{{g}_{c}} \right)\ \ \ U\left( LB{{P}_{p, r}} \right)\le 2} \\ &p+1\ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ 其他 \\ \end{align} \right. $

(6)

但是该算子对噪声极其敏感，当邻域像素因噪声而略微变化时可能会导致RIU-LBP算子值发生巨大变化。因此，为了有效降低噪声敏感性，对于中心像素点，当邻域像素与中心像素的绝对差值在一定范围内，即被认为属于同质像素，超过该范围，被认为是非同质像素。

该方法虽然能降低噪声敏感性，但是适用于度量具有加性噪声的数据，不适用于SAR数据。通常在单极化SAR中，相干斑噪声用乘性噪声模型来描述，即

$ y=xv $

(7)

式中，$y$是在SAR图像中观测到的后向散射强度，$x$表示相应的真实后向散射强度，$v$表示均值为1的相干斑噪声，并且假设$x$、$v$相互独立。

从噪声模型易知$E\left[ y \right]=E\left[ x \right]$，即$E\left[ y \right]$是无噪声的散射回波的无偏估计。则$y$的方差为

$ \begin{align} &\text{Var}\left( y \right)=E\left[{{\left( y-E\left[y \right] \right)}^{2}} \right]= \\ &\left( \text{Var}\left( x \right)+E{{\left[x \right]}^{2}} \right)\sigma _{v}^{2}+\text{Var}\left( x \right) \\ \end{align} $

(8)

在同质区域中，$\text{Var}\left( x \right)=0$，因此可以得到

$ {{\sigma }_{y}}=E\left[x \right]{{\sigma }_{v}}=E\left[y \right]{{\sigma }_{v}} $

(9)

式 (9) 表明，当SAR图像中的噪声水平一定时，${{\sigma }_{v}}$是关于$E\left[ y \right]$的函数。即SAR图像中相邻像素之间的差值不再是常数，而是随着同质区域的期望变化。在低散射区，期望较小，相邻像素差值较小时也可能是非同质像素；在高散射区，期望较大，相邻像素差值较大时也可能是同质像素。因此，式 (6) 不适用于描述SAR图像的纹理特征，对于中心像素，当邻域像素与中心像素的相对差值在一定范围内，即被认为属于同质像素，超过该范围，被认为是非同质像素。用于衡量的阈值亦不再设置为固定值，而取邻域像素和中心像素之和，增加$\lambda $控制其权重。$\text{GLBP}$算子的计算公式为

$ GLBP=\left\{ \begin{align} &\sum\limits_{i=1}^{p}{sign\left( \frac{\left| {{g}_{i}}-{{g}_{c}} \right|}{{{g}_{i}}+{{g}_{c}}}-\lambda \cdot \left( {{g}_{i}}+{{g}_{c}} \right) \right)\ \ } \\ &\ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ U\left( GLB{{P}_{p, r}} \right)\le 2 \\ &p+1\ \\ &\ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ 其他 \\ \end{align} \right. $

(10)

$ \begin{align} &U\left( GLB{{P}_{p, r}} \right)=\left| sign\left( \left| {{g}_{p}}-{{g}_{c}} \right|-\lambda \cdot \left( {{g}_{i}}+{{g}_{c}} \right) \right)-\right. \\ &\ \ \ \ \ \ \ \ \ \left. sign\left( \left| {{g}_{1}}-{{g}_{c}} \right|-\lambda \cdot \left( {{g}_{i}}+{{g}_{c}} \right) \right) \right|+ \\ &\ \ \ \ \ \ \ \ \ \sum\limits_{i=2}^{p}{\left| sign\left( \left| {{g}_{i}}-{{g}_{c}} \right|-\lambda \cdot \left( {{g}_{i}}+{{g}_{c}} \right) \right)-\right.} \\ &\ \ \ \ \ \ \ \ \ \ \ \left. sign\left( \left| {{g}_{i-1}}-{{g}_{c}} \right|-\lambda \cdot \left( {{g}_{i}}+{{g}_{c}} \right) \right) \right| \\ \end{align} $

(11)

对于图像分割，错误的分割包含3种情况：过分割，分割区域是实际区域的一部分；欠分割，分割区域包含几个实际区域；混杂分割，包含前两种分割错误。其中第3种情况最常见。相比于理想分割图，SRM分割后的结果图中发生欠分割的概率较髙。超像素分割倾向于过分割，即釆用更严格的合并准则，使超像素单元内的像素均属于同一类别。因此本文将$\text{GLBP}$算子描述的纹理信息加入$\text{GSRM}$^[14]的合并准则中，即满足两种合并准则时合并两个区域，从而保证合并的区域符合过分割要求，且具有相似的纹理特征。

对于区域$R$和$R'$，它们纹理相似度定义为

$ {{J}_{\text{GLBP}}}\left( R, R' \right)=\sum\limits_{i=0}^{9}{\left| {{f}_{R}}\left( i \right)-{{f}_{R'}}\left( i \right) \right|} $

(12)

式中，${{f}_{R}}\left( i \right)$和${{f}_{R'}}\left( i \right)$代表区域$R$和$R'$纹理模式值为$i$时的概率。

则$\text{GLBP}$的合并准则为

$ {{P}_{\text{GLBP}}}\left( R, R' \right)=\left\{ \begin{align} &\text{true}\ \ {{J}_{\text{GLBP}}}\left( R, R' \right)\le T \\ &\text{false}\ \ 其他\ \\ \end{align} \right. $

(13)

式中，$T$为$\text{GLBP}$的合并条件的阈值。

由Lang^[14]改进得到的$\text{GSRM}$的合并准则为

$ {{P}_{\text{GSRM}}}\left( R, R' \right)=\left\{ \begin{align} &\text{true}\ \ {{\left\| \overline{R'}-\overline{R} \right\|}_{1}}\le {{b}_{G}}\left( R, R' \right) \\ &\text{false}\ \ 其他\ \\ \end{align} \right. $

(14)

式中，${{b}_{G}}\left( R, R' \right)=\sqrt{\frac{{{B}^{2}}}{2Q}\left( \frac{\left\| E\left( R \right) \right\|_{\infty }^{2}}{\left| R \right|}+\frac{\left\| E\left( R' \right) \right\|_{\infty }^{2}}{\left| R' \right|} \right)\ln \frac{2}{\delta }}, $，根据中心极限定理将$B$设置为2。

将$\text{GLBP}$和$\text{GSRM}$的合并准则统一合并，记作$\text{GLBP }\!\!\_\!\!\text{ GSRM}$，即

$ {{P}_{\text{GLBP }\!\!\_\!\!\text{ GSRM}}}\left( R, R' \right)=\left\{ \begin{align} &{{P}_{\text{GSRM}}}\left( R, R' \right)\cdot {{P}_{\text{GLBP}}}\left( R, R' \right) \\ &\ \ \ \ \ \ \ \ \ \left| R \right|\ge n且\left| R' \right|\ge n \\ &{{P}_{\text{GSRM}}}\left( R, R' \right) \\ &\ \ \ \ \ \ \ \ \ 其他\ \\ \end{align} \right. $

(15)

式中，只有区域才有纹理信息，$n$是区域包含的最小的像素数。

对于超像素单元，为了克服SAR数据特征单一的限制，使用NSCT得到轮廓信息，丰富数据特征。NSCT是基于Contourlet变换的一种多尺度多方向变换，其完全平移不变性弥补了下采样Contourlet变换的不足^[19]。NSCT变换通过非下采样的金字塔尺度分解和基于非下采样方向性滤波器组的方向分解来实现。通过金字塔对输入图像进行塔型分解得到高频和低频部分，去除上采样和下采样，从而减少采样在滤波器中的失真，获得平移不变性，然后由方向滤波器分解高频子带为多个方向获得方向性信息。利用双通道的滤波器，将分布在同方向的奇异点合成NSCT的系数，低频部分继续分解。分解得到的子带图像代表轮廓特征。

针对提取了轮廓特征的超像素单元，利用Wu提出的$\text{FCS}$^[20]聚类提取浮筏养殖信息。对于确定的数据集，模糊聚类的总体离散度的迹不是固定的值，因此在原始的FCM目标函数中加入类间离散度的惩罚项，可使聚类结果具有较小的类内离散度和较大的类间离散度。目标函数为

$ \begin{align} &{{J}_{\text{FCS}}}=\sum\limits_{i=1}^{c}{\sum\limits_{j=1}^{N}{u_{ij}^{m}{{\left\| {{x}_{j}}-{{v}_{i}} \right\|}^{2}}-}} \\ &\ \ \ \ \ \ \ \ \sum\limits_{i=1}^{c}{\sum\limits_{j=1}^{N}{{{\eta }_{i}}u_{ij}^{m}{{\left\| {{v}_{i}}-\bar{x} \right\|}^{2}}}} \\ \end{align} $

(16)

式中，$N$表示样本数，$c$表示类别数${{u}_{ij}}$描述像素${{x}_{i}}$属于第$j$类中心${{v}_{ij}}$的隶属度，$m$是模糊指数，${{\eta }_{i}}$是类间离散度惩罚项的权重${\bar{x}}$， 是整幅图像的均值。

实验选择辽宁省长海县邻近海域作为测试区域，选用了C波段的Radarsat-2 SAR图像和X波段的TerraSAR图像，极化方式均为HH。为了比较同幅图像不同区域和不同图像同一区域的浮筏养殖信息提取结果，在Radarsat-2 SAR图像中选择两个不同的区域进行测试，在TerraSAR图像中选择和Radarsat-2 SAR图像其中一个区域位置一致的区域进行测试。

为了验证本文方法的有效性，与3种经典无监督方法进行比较，分别是K-means^[21]、FCM^[22]、$\text{FCS}$^[20]。为了体现本文方法各部分的贡献程度，再增加与SRM^[10]、RHLBP_SRM^[16]、$\text{GLBP }\!\!\_\!\!\text{ GSRM}$、NSCT的比较。这4种方法均选用$\text{FCS}$聚类，其中，SRM表示使用SRM超像素分割后聚类，RHLBP_SRM表示使用结合RHLBP (regional homogeneity local binary pattern) 算子和SRM的超像素分割后聚类，$\text{GLBP }\!\!\_\!\!\text{ GSRM}$表示使用$\text{GLBP }\!\!\_\!\!\text{ GSRM}$超像素分割后聚类，NSCT表示提取NSCT轮廓特征^[19]后聚类。

浮筏养殖信息提取精度的评估标准采用总体分类精度 ($OA$) 和Kappa系数 ($\kappa $)。总体分类精度反映了整体图像识别的误差性，计算公式为

$ OA=\frac{\sum\limits_{i=1}^{c}{{{M}_{ii}}}}{N} $

(17)

Kappa系数反映了样本的识别结果与真实标记类型相一致的概率，计算公式为

$ \kappa =\frac{N\left( \sum\limits_{i=1}^{c}{{{M}_{ii}}} \right)-\sum\limits_{i=1}^{c}{\left( \sum\limits_{j=1}^{c}{{{M}_{ij}}}\sum\limits_{j=1}^{c}{{{M}_{ji}}} \right)}}{{{N}^{2}}-\sum\limits_{i=1}^{c}{\left( \sum\limits_{i=1}^{c}{{{M}_{ij}}\sum\limits_{i=1}^{c}{{{M}_{ji}}}} \right)}} $

(18)

式中，$N$表示样本数，$M$表示误差混淆矩阵，${{M}_{ij}}$表示类别$i$被分为类别$j$的样本数。

图 2(a)是Radarsat-2系统C波段SAR原始图像，分辨率为5 m，图 2(b)是现场勘查的实景图。从原图中选取两块不同的区域来验证本文方法的效果，选取的图像如图 2(c)(d) 所示，图 2(c)的图像大小为800×800像素，对应图 2(a)的位置如大方框所示，中心坐标为北纬39°16′30″，东经122°32′24″，该区域水产养殖类型为扇贝。图 2(d)的图像大小为300×300像素，对应图 2(a)的位置如小方框所示，中心坐标为北纬39°17′14″，东经122°39′18″，该区域水产养殖类型为扇贝。图 2(e)(f) 是根据实地现场调查结果绘制的对应于图 2(c)(d) 的真值图。

测试图像如图 2(c)所示，先进行参数分析，确定各参数的影响，再利用本文方法提取浮筏养殖信息，并与7种对比方法进行比较分析。

$\text{GLBP }\!\!\_\!\!\text{ GSRM}$算法中存在$\lambda $、$n$、$T$、$Q$这4个参数，其中，$n$和$Q$根据经验分别设置为10和64，参数分析的重点是研究$\lambda $和$T$的影响。

$\lambda $代表相邻像素和中心像素的绝对差值的阈值权重，通过控制阈值范围从而影响$\text{GLBP}$算子描述的纹理信息。每一个$\lambda $均对应10个$\text{GLBP}$值从0取到9时的模式图。由于绝对差值的范围必小于1，根据10个模式图清晰程度预判阈值大致范围，取10^-1 10^-6，再通过交叉验证确定$\lambda $的数量级，最后采用二分法确定具体的$\lambda $值。由实验可知，当$\lambda $取0.003 5时，$\text{GLBP}$值为0和9时的模式图最清晰，且其余8个模式图均能粗略显示浮筏信息。具体模式图如图 3所示，子图分别是$\text{GLBP}$取0~9时对应的模式图。

$T$表示$\text{GLBP}$合并的阈值，在两个区域满足$\text{GSRM}$合并准则的情况判断是否满足纹理一致性，影响最终的超像素分割结果。超像素分割结果不易明显判断优劣，因此将得到的超像素输入至$\text{FCS}$中，通过分类精度评估参数影响。实验时，$\lambda $取0.003 5。实验结果如图 4所示，当$T$取0.5时，分类精度最高。

实验中，$\lambda $设置为0.003 5，$n$设置为10，$T$设置为0.5，$Q$设置为64，再利用3级NSCT分解得到15维轮廓特征，最后利用$\text{FCS}$聚类，${{\eta }_{i}}$统一设置为2，实验结果如图 5(h)所示。对比算法分类结果分别如图 5(a)-(g)所示。分类精度如表 1所示。

由实验结果可知，C波段的Radarsat-2 SAR图像中，浮筏养殖区域较清晰，和复杂海水背景区别较为明显。本文算法具有最高的精度和Kappa系数，明显高于其他7种方法。整体聚类结果中，本文方法明显优于经典的无监督聚类方法K-means、FCM和$\text{FCS}$。

为了分析本文方法中每个部分的贡献程度，将$\text{GLBP }\!\!\_\!\!\text{ GSRM}$和无超像素分割的$\text{FCS}$方法、SRM超像素分割以及RHLBP_SRM超像素分割方法比较，说明$\text{GLBP }\!\!\_\!\!\text{ GSRM}$超像素分割方法大幅度提高了分类精度，分别提高了9 %、6 %和4 %左右，且图像中包含较少的孤立噪点。NSCT方法的精度达到86.88 %，说明NSCT得到的轮廓特征能丰富数据特征，有效提高分类精度。通过比较NSCT方法和本文方法可知，在同时提取轮廓信息的情况下，本文提出的超像素分割方法的分类精度仍能提高1.5 %左右，验证了$\text{GLBP }\!\!\_\!\!\text{ GSRM}$算法的有效性。$\text{GLBP }\!\!\_\!\!\text{ GSRM}$超像素分割方法能获得更具有一致性的超像素单元，减少了孤立的噪声，得到的浮筏养殖区域更完整，NSCT轮廓信息能使浮筏养殖区域更完整、边缘更平滑，增加分类的准确性。通过实地现场调查结果验证了所提模型的有效性。

测试图像如图 2(d)所示，利用本文方法提取浮筏养殖信息，并和7种对比方法比较分析。由于海洋不同区域的后向散射特性存在差异，为了验证本文算法对不同区域的有效性和适用性，与实验区域1的分类结果进行比较分析。

实验中，$\lambda $设置为0.000 8，$n$设置为10，$T$设置为0.19， $Q$设置为64，再利用3级NSCT分解得到15维轮廓特征，最后利用$\text{FCS}$聚类，${{\eta }_{i}}$统一设置为4，实验结果如图 6(h)所示。对比算法分类结果分别如图 6(a)-(g)所示。分类精度如表 2所示。

由实验结果可知，该区域的浮筏养殖信息较模糊，受相干斑噪声影响明显。本文算法具有最高的精度和Kappa系数，明显高于其他7种方法。经典无监督聚类算法K-means和FCM的聚类效果较差，无法有效分辨海水和浮筏信息，精度分别为66.25 %和68.14 %。$\text{FCS}$聚类能提高分类精度，优于K-means和FCM方法。

使用超像素分割能有效抑制相干斑噪声，大幅度提高分类精度，SRM和RHLBP_SRM的超像素分割方法能将分类精度分别提高至78.47 %和81.09 %，但图像中仍存在较多孤立的噪点，且浮筏养殖区域不完整。$\text{GLBP }\!\!\_\!\!\text{ GSRM}$的超像素分割方法能在前两种的基础上分别提高4 %和1.3 %左右，减少了孤立的噪点，且浮筏养殖区域更完整，验证了超像素分割的有效性。通过NSCT变换提取轮廓特征能丰富数据特征，比较$\text{GLBP }\!\!\_\!\!\text{ GSRM}$和本文方法可知，轮廓信息有利于获取边缘更平滑更完整的浮筏养殖区域，提高分类精度。

该分析结论和3.1.1.2节的分析结论一致。虽然不同海洋区域的后向散射特性不同，两个区域的实验图像受相干斑噪声影响程度不同，但本文方法均能精确有效地提取浮筏养殖信息。

图 7(a)是TerraSAR系统X波段的SAR原始图像，分辨率为1.5 m，从原图中选取如图 2(a)中小方框的区域来验证本文方法的有效性。选取的图像如图 7(b)所示，图像大小为1 000×1 000像素，在图 7(a)的位置如小方框所示，中心坐标为北纬39°17′14″，东经122°39′18″，该区域水产主要养殖类型为扇贝。图 7(c)是根据实地现场调查结果绘制的真值图。

实验中，$\lambda $设置为0.000 9，$n$设置为10，$T$设置为0.3，$Q$设置为64，再利用3级NSCT分解得到15维轮廓特征，最后利用$\text{FCS}$聚类，${{\eta }_{i}}$统一设置为2.3，实验结果如图 8(h)所示。对比算法聚类结果分别如图 8(a)-(g)所示。分类精度如表 3所示。

由实验结果可知，X波段的TerraSAR数据的原图中浮筏养殖区域不清晰，包含大量噪声，与复杂的海水背景区别较小。仅使用经典无监督聚类算法K-means、FCM和$\text{FCS}$聚类，效果较差，无法有效分辨海水和浮筏信息，精度均不高于74 %。

使用超像素分割能抑制相干斑噪声，大幅度提高分类精度，SRM和RHLBP_SRM的超像素分割方法能将分类精度分别提高至78.05 %和80.52 %，但图像中仍存在较多孤立的噪点，且浮筏养殖区域不完整。$\text{GLBP }\!\!\_\!\!\text{ GSRM}$的超像素分割方法能在前两种的基础上分别提高5 %和2.5 %左右，明显减少了孤立的噪点，且得到的浮筏养殖区域更完整，验证了超像素分割的有效性。通过NSCT变换提取轮廓特征能丰富数据特征，比较$\text{GLBP }\!\!\_\!\!\text{ GSRM}$和本文方法可知，轮廓信息有利于获取更完整边缘更平滑的浮筏养殖区域，提高分类精度。

该分析结论与3.1.2节的分析结论一致。图 2(d)和图 7(b)选择了同一区域，虽然图像拍摄时间相隔数月，浮筏养殖也有一定的变化，但该区域的后向散射特性较为相似，均受相干斑噪声影响严重，通过实验结果分析可知，本文方法针对不同波段不同分辨率的SAR图像中的同一区域均能精确地提取浮筏养殖信息。

海洋遥感SAR图像能显示浮筏养殖范围，但图像中浮筏养殖信息受相干斑噪声污染严重，边缘模糊，有效提取浮筏养殖信息利于海域使用动态监测。为了抑制乘性相干斑噪声的影响，提出了$\text{GLBP }\!\!\_\!\!\text{ GSRM}$算法，构建了以其为核心的多特征集成模型，充分利用了纹理、空间和轮廓信息。为了降低噪声敏感性，改进得到$\text{GLBP}$算子，更适合描述SAR图像的纹理特征。进而将其加入至$\text{GSRM}$超像素分割的合并准则中，使超像素内部更符合纹理一致性，满足过分割的要求。对于超像素单元，利用NSCT提取轮廓信息，丰富数据特征，最后利用结合了类间离散度的FCS算法聚类。实验以辽宁省长海县邻近海域作为测试区域，针对C波段的Radarsat-2 SAR和X波段的TerraSAR图像，分别比较了同一图像不同区域和不同图像同一区域的提取结果，对比现场调查获得的真实结果，所提模型针对不同波段不同分辨率不同区域的SAR图像均可实现浮筏养殖信息的精确提取，可广泛推广应用于其他海域使用类型信息提取中。由于本文实验采用不同波段不同分辨率的SAR数据，下一步研究同一波段不同分辨率的SAR数据，探究分辨率对提取浮筏养殖信息的影响。