CN103679728B - 一种复杂地形的sar图像的水域自动分割方法及装置 - Google Patents

Abstract

本发明公开了一种复杂地形的SAR图像的水域自动分割方法，包括：对原始SAR图像进行预处理，得到预处理SAR图像；采用阈值分割法对所述预处理SAR图像进行第一次水域分割，得到第一水域范围；在所述第一水域范围中提取ROI；采用LGDF ACM算法对所述ROI进行第二次水域分割，得到第二水域范围。本发明还同时公开了一种复杂地形的SAR图像的水域自动分割装置。采用本发明的技术方案，能够在复杂地形下实现SAR图像水域自动分割。

Description

一种复杂地形的SAR图像的水域自动分割方法及装置

技术领域

本发明涉及合成孔径雷达（SAR，Synthetic Aperture Radar）中的图像处理技术，尤其涉及一种复杂地形的SAR图像的水域自动分割方法及装置。

背景技术

对大面积水域的持续定量定点监测，关系到水土的平衡和经济环境的保护，特别在面临自然灾害，如地震、洪水时，水域监测对于灾害防范和预测具有重要的意义。由于SAR具有全天时、全天候、远距离对观测区域进行成像的优势，因此SAR经常被用来对水域进行观测并计算水域面积，通过对同一水域不同时间的多次观测，还可以获取水域面积的变化信息，其难点和核心是精确、高效的提取水域面积。

目前，对于SAR图像中的水域分割及其变化检测已做出了一些研究。但是，绝大多数方法都是基于平坦地表的假设，在复杂地形条件下，SAR图像会受到高山等地物的影响而产生阴影，其回波幅度与水域相当，直接导致目前常用算法，例如阈值分割、水平集分割等算法的分割效果受到很大影响，甚至失效。

综上所述，如何在复杂地形下实现SAR图像水域自动分割是目前亟待解决的问题。

发明内容

有鉴于此，本发明实施例的主要目的在于提供一种复杂地形的SAR图像的水域自动分割方法及装置，能够在复杂地形下实现SAR图像水域自动分割。

为达到上述目的，本发明实施例的技术方案是这样实现的：

一种复杂地形的合成孔径雷达SAR图像的水域自动分割方法，所述方法包括：

对原始SAR图像进行预处理，得到预处理SAR图像；

采用阈值分割法对所述预处理SAR图像进行第一次水域分割，得到第一水域范围；

在所述第一水域范围中提取图像感兴趣区域ROI；

采用局域高斯分布拟合主动轮廓模型LGDF ACM算法对所述ROI进行第二次水域分割，得到第二水域范围。

优选地，所述对原始SAR图像进行预处理，得到预处理SAR图像，包括：

采用控制点CP自动确定法获取原始SAR图像的CP以及参考SAR图像的CP；

基于所述原始SAR图像的CP以及所述参考SAR图像的CP，对所述原始SAR图像进行配准，得到配准SAR图像；

使用增强Lee滤波法对所述配准SAR图像进行滤波以抑制相干斑噪声，得到滤波SAR图像；

对所述滤波SAR图像的像素进行线性拉伸，而得到所述预处理SAR图像。

优选地，所述采用阈值分割法对所述预处理SAR图像进行第一次水域分割，得到第一水域范围，包括：

将所述预处理SAR图像划分为N个子图像，N为大于1的整数；

针对每一个子图像，采用经典Ostu法选取子图像中的最佳阈值；基于所述最佳阈值，对所述子图像进行第一次水域分割，得到所述子图像对应的第一子水域范围；

对N个所述第一子水域范围进行拼接，得到所述第一水域范围。

优选地，所述在所述第一水域范围中提取ROI，包括：

采用形态学算法中的开与关运算处理所述第一水域范围，以降低所述第一水域范围的噪声以及隔离不同的连通水域；

在所述开与关运算处理后的所述第一水域范围中选取连通面积最大的水域，并基于以下公式计算所述连通面积最大的水域的对比度：

$C_{\max }=\mathrm{MAX}(C_i=\frac{u_B-u_i}{{\mathrm{\σ}}_B})$

其中，C_max表示连通面积最大的水域的对比度，C_i表示第i个连通水域的对比度，u_i表示第i个连通水域的平均强度值，u_B、σ_B分别表示背景的平均强度值和标准偏差值；MAX()表示取最大值运算；

基于所述连通面积最大的水域的面积确定出面积阈值，以及基于所述连通面积最大的水域的对比度确定出对比度区间；

在所述开与关运算处理后的所述第一水域范围中提取面积大于所述面积阈值，且对比度位于所述对比度区间的连通水域，作为ROI。

优选地，所述方法还包括：

基于时域上的多个SAR图像的所述第二水域范围，计算所述SAR图像的变化量。

一种复杂地形的SAR图像的水域自动分割装置，所述装置包括：

预处理单元，用于对原始SAR图像进行预处理，得到预处理SAR图像；

第一分割单元，用于采用阈值分割法对所述预处理SAR图像进行第一次水域分割，得到第一水域范围；

提取单元，用于在所述第一水域范围中提取ROI；

第二分割单元，用于采用LGDF ACM算法对所述ROI进行第二次水域分割，得到第二水域范围。

优选地，所述预处理单元包括：

第一确定子单元，用于采用CP自动确定法获取原始SAR图像的CP以及参考SAR图像的CP；

配准子单元，用于基于所述原始SAR图像的CP以及所述参考SAR图像的CP，对所述原始SAR图像进行配准，得到配准SAR图像；

滤波子单元，用于使用增强Lee滤波法对所述配准SAR图像进行滤波以抑制相干斑噪声，得到滤波SAR图像；

拉伸子单元，用于对所述滤波SAR图像的像素进行线性拉伸，而得到所述预处理SAR图像。

优选地，所述第一分割单元包括：

划分子单元，用于将所述预处理SAR图像划分为N个子图像，N为大于1的整数；

分割子单元，用于针对每一个子图像，采用经典Ostu法选取子图像中的最佳阈值；基于所述最佳阈值，对所述子图像进行第一次水域分割，得到所述子图像对应的第一子水域范围；

拼接子单元，用于对N个所述第一子水域范围进行拼接，得到所述第一水域范围。

优选地，所述提取单元包括：

处理子单元，用于采用形态学算法中的开与关运算处理所述第一水域范围，以降低所述第一水域范围的噪声以及隔离不同的连通水域；

计算子单元，用于在所述开与关运算处理后的所述第一水域范围中选取连通面积最大的水域，并基于以下公式计算所述连通面积最大的水域的对比度：

$C_{\max }=\mathrm{MAX}(C_i=\frac{u_B-u_i}{{\mathrm{\σ}}_B})$

其中，C_max表示连通面积最大的水域的对比度，C_i表示第i个连通水域的对比度，u_i表示第i个连通水域的平均强度值，u_B、σ_B分别表示背景的平均强度值和标准偏差值；MAX()表示取最大值运算；

第二确定子单元，用于基于所述连通面积最大的水域的面积确定出面积阈值，以及基于所述连通面积最大的水域的对比度确定出对比度区间；

第三确定子单元，用于在所述开与关运算处理后的所述第一水域范围中提取面积大于所述面积阈值，且对比度位于所述对比度区间的连通水域，作为ROI。

优选地，所述装置还包括：

计算单元，用于基于时域上的多个SAR图像的所述第二水域范围，计算所述SAR图像的变化量。

本发明实施例的上述技术方案，对原始SAR图像进行预处理，得到预处理SAR图像；采用阈值分割法对所述预处理SAR图像进行第一次水域分割，得到第一水域范围；在所述第一水域范围中提取图像感兴趣区域（ROI，Region OfInterest）；采用局域高斯分布拟合主动轮廓模型（LGDF ACM，Local GaussDistribution Fitting Local Gauss Distribution Fitting）算法对所述ROI进行第二次水域分割，得到第二水域范围。如此，通过两次对SAR图像进行水域分割，能够获得精确的水域范围，进而可以根据不同时期的水域范围，精准地确定出水域随时间的变化量，而完全不受地形地势的影响。

附图说明

图1为本发明实施例的复杂地形的SAR图像的水域自动分割方法的流程示意图；

图2为本发明实施例的复杂地形的SAR图像的水域自动分割装置的结构组成示意图；

图3为本发明实施例中的三幅原始SAR图像的示意图；

图4为本发明实施例中的第一次水域分割的示意图；

图5为本发明实施例中的ROI提取结果示意图；

图6为本发明实施例中的第二次水域分割的示意图；

图7为本发明实施例中的多时序SAR图像的水域范围变化示意图；

图8为多时序SAR图像水域水陆分界线变化图。

具体实施方式

为了能够更加详尽地了解本发明的特点与技术内容，下面结合附图对本发明的实现进行详细阐述，所附附图仅供参考说明之用，并非用来限定本发明。

图1为本发明实施例的复杂地形的SAR图像的水域自动分割方法的流程示意图，本示例中的复杂地形的SAR图像的水域自动分割方法应用于复杂地形的SAR图像的水域自动分割装置中，在本发明一个优选实施例中，所述复杂地形的SAR图像的水域自动分割方法包括以下步骤：

步骤101：对原始SAR图像进行预处理，得到预处理SAR图像。

优选地，所述对原始SAR图像进行预处理，得到预处理SAR图像，包括：

采用控制点（CP，Control Point）自动确定法获取原始SAR图像的CP以及参考SAR图像的CP；

基于所述原始SAR图像的CP以及所述参考SAR图像的CP，对所述原始SAR图像进行配准，得到配准SAR图像；

使用增强Lee滤波法对所述配准SAR图像进行滤波以抑制相干斑噪声，得到滤波SAR图像；

对所述滤波SAR图像的像素进行线性拉伸，而得到所述预处理SAR图像。

本实施例中，星载或机载SAR向目标区域发射电磁波，并接收目标区域反馈的回波信号；星载或机载SAR根据回波信号生成目标区域的SAR图像，该SAR图像即为所述原始SAR图像。

本实施例中的SAR图像的水域自动分割装置接收到星载或机载SAR发送的原始SAR图像时，对原始SAR图像进行预处理，具体地，由于星载或机载SAR在不同时刻、不同位置、不同环境下获得的多幅原始SAR图像存在平移、旋转、畸变等变化，因此，需要对多幅原始SAR图像进行配准；可以选取多幅原始SAR图像的其中一幅原始SAR图像作为本实施例中的参考SAR图像，对于除参考SAR图像以外的任意一幅原始SAR图像，都基于该参考SAR图像进行配准，也即将原始SAR图像中的每个像素经过坐标变换至与参考SAR图像一致的坐标系中，在进行坐标变换之前，需选择在SAR图像以及参考SAR图像中选择一个以上CP以作为特征点进行配准，在选择CP时，可以采用CP自动确定法获取原始SAR图像的CP以及参考SAR图像的CP，然后基于所述原始SAR图像的CP以及所述参考SAR图像的CP，对所述原始SAR图像进行配准，得到配准SAR图像。本实施例还使用增强Lee滤波法对所述配准SAR图像进行滤波以抑制相干斑噪声，得到滤波SAR图像。最后，对滤波SAR图像进行线性拉伸，具体为将滤波SAR图像中的最弱的1%像素置为0，将最高的1%像素置为预设的最大值，其他像素按照比例进行线性拉伸，如此，可以提升水域和背景区域的对比度。

上述方案中，CP自动确定法可以通过但不局限以下过程实现：设定基于图像方差的检测模板；预设检测准则及搜索策略；在原始SAR图像中利用归一化积相关图像匹配算法实现基准CP相对应的畸变CP的精确定位。

上述方案中，增强Lee滤波法属于空间域滤波法，增强Lee滤波法是采用最小均方误差的一种方法，此处不再赘述。

步骤102：采用阈值分割法对所述预处理SAR图像进行第一次水域分割，得到第一水域范围。

优选地，所述采用阈值分割法对所述预处理SAR图像进行第一次水域分割，得到第一水域范围，包括：

将所述预处理SAR图像划分为N个子图像，N为大于1的整数；

针对每一个子图像，采用经典Ostu法选取子图像中的最佳阈值；基于所述最佳阈值，对所述子图像进行第一次水域分割，得到所述子图像对应的第一子水域范围；

对N个所述第一子水域范围进行拼接，得到所述第一水域范围。

上述方案中，Ostu法是一种自动的非参数非监督的阈值选择法，该方法基于一种判别式测度准则，最佳阈值在该测度函数取最大时得到，该方法计算简单，仅需计算灰度直方图的零阶和一阶累积矩。

上述方案中，基于所述最佳阈值，对所述子图像进行第一次水域分割具体为：利用子图像的目标和背景在灰度特性上的差异，将图像看作不同灰度级的两类区域的组合，基于最佳阈值，判断出子图像中的每个像素点属于目标区域还是属于背景区域，从而得到相应的第一子水域范围。

步骤103：在所述第一水域范围中提取ROI。

优选地，所述在所述第一水域范围中提取ROI，包括：

采用形态学算法中的开与关运算处理所述第一水域范围，以降低所述第一水域范围的噪声以及隔离不同的连通水域；

在所述开与关运算处理后的所述第一水域范围中选取连通面积最大的水域，并基于以下公式计算所述连通面积最大的水域的对比度：

$C_{\max }=\mathrm{MAX}(C_i=\frac{u_B-u_i}{{\mathrm{\σ}}_B})---\left(1\right)$

其中，C_max表示连通面积最大的水域的对比度，C_i表示第i个连通水域的对比度，u_i表示第i个连通水域的平均强度值，u_B、σ_B分别表示背景的平均强度值和标准偏差值；MAX()表示取最大值运算；

基于所述连通面积最大的水域的面积确定出面积阈值，以及基于所述连通面积最大的水域的对比度确定出对比度区间；

在所述开与关运算处理后的所述第一水域范围中提取面积大于所述面积阈值，且对比度位于所述对比度区间的连通水域，作为ROI。

上述方案中，所述形态学算法的基本运算为腐蚀运算和膨胀运算，而形态学算法中的开与关运算为腐蚀运算和膨胀运算的结合，例如，关运算是先进行膨胀运算，再进行腐蚀运算；其中，关运算是开运算的对偶运算。

步骤104：采用LGDF ACM算法对所述ROI进行第二次水域分割，得到第二水域范围。

这里，LGDF ACM算法主要通过以下过程实现：

（1）初始化水平集函数φ(x)，得到公式（2）：

$\mathrm{\φ}\left(x\right)=\left\{\begin{array}{cc}-{\mathrm{\ρ}}_0,& x\∈{\mathrm{\Ω}}_0-\∂{\mathrm{\Ω}}_0\\ 0,& x\∈{\∂\mathrm{\Ω}}_0\\ {\mathrm{\ρ}}_0,& x\∈\mathrm{\Ω}-{\mathrm{\Ω}}_0\end{array}---\left(2\right)\right.$

其中，ρ₀为常数，Ω₀为获得的ROI，为Ω₀的边界。Ω为连通区域。

（2）更新局部均值u_i(x)和方差得到更新的函数如公式（3）和公式（4）：

$u_i\left(x\right)=\frac{\∫\mathrm{\ω}(y-x)I\left(y\right)M_{i,\mathrm{\ϵ}}\left(\mathrm{\φ}\left(y\right)\right)\mathrm{dy}}{\∫\mathrm{\ω}(y-x)M_{i,\mathrm{\ϵ}}\left(\mathrm{\φ}\left(y\right)\right)\mathrm{dy}}---\left(3\right)$

${\mathrm{\σ}}_i^2\left(x\right)=\frac{\∫\mathrm{\ω}(y-x){(u_i\left(x\right)-I\left(y\right))}^2{M}_{i,\mathrm{\ϵ}}\left(\mathrm{\φ}\left(y\right)\right)\mathrm{dy}}{\∫\mathrm{\ω}(y-x)M_{i,\mathrm{\ϵ}}\left(\mathrm{\φ}\left(y\right)\right)\mathrm{dy}}---\left(4\right)$

其中，i为1或2，M_1,ε(φ(y))=H_ε(φ(y))，M_2,ε(φ(y))=1-H_ε(φ(y))，ω(y-x)为加窗的高斯核函数，H为亥维赛（Heaviside）函数，定义为：

$H_{\mathrm{\ϵ}}\left(x\right)=\frac{1}{2}[1+\frac{2}{\mathrm{\π}}\arctan \left(\frac{x}{\mathrm{\ϵ}}\right)]---\left(5\right)$

其中，ε为可调参数。

（3）水平面演化的偏微分方程为：

$\frac{\∂\mathrm{\φ}}{\∂t}=-{\mathrm{\δ}}_{\mathrm{\ϵ}}\left(\mathrm{\φ}\right)(e_1-e_2)+{\mathrm{v\δ}}_{\mathrm{\ϵ}}\left(\mathrm{\φ}\right)\mathrm{div}\left(\frac{\▿\mathrm{\φ}}{|\▿\mathrm{\φ}|}\right)+u({\▿}^2\mathrm{\φ}-\mathrm{div}\left(\frac{\▿\mathrm{\φ}}{|\▿\mathrm{\φ}|}\right))---\left(6\right)$

其中，

${\mathrm{\δ}}_{\mathrm{\ϵ}}\left(\mathrm{\φ}\right)=H_{\mathrm{\ϵ}}^{\′}\left(x\right)=\frac{1}{\mathrm{\π}}\frac{\mathrm{\ϵ}}{{\mathrm{\ϵ}}^2+x^2}---\left(7\right)$

$e_i\left(x\right)={\∫}_{\mathrm{\Ω}}\mathrm{\ω}(y-x)[\log \left({\mathrm{\σ}}_i\left(y\right)\right)+\frac{{(u_i\left(y\right)-I\left(x\right))}^2}{2{\mathrm{\σ}}_i^2\left(y\right)}]\mathrm{dy},i=\mathrm{1,2,3},...---\left(8\right)$

（4）判断演化是否收敛，是则可获得相应图像的精确水陆分界线，否则返回上述（2）中所述的步骤进行循环操作。

优选地，所述方法还包括：基于时域上的多个SAR图像的所述第二水域范围，计算所述SAR图像的变化量。具体地，将从多幅不同时间的原始SAR图像中分别提取的多条精确的水陆分界线，也即第二水域范围叠加在一起，并进行比较，获得不同时间的水域面积及其随时间的变化量，如此，可以对变化量进行分析。

图2为本发明实施例的复杂地形的SAR图像的水域自动分割装置的结构组成示意图，如图2所示，所述装置包括：

预处理单元21，用于对原始SAR图像进行预处理，得到预处理SAR图像；

第一分割单元22，用于采用阈值分割法对所述预处理SAR图像进行第一次水域分割，得到第一水域范围；

提取单元23，用于在所述第一水域范围中提取ROI；

第二分割单元24，用于采用LGDF ACM算法对所述ROI进行第二次水域分割，得到第二水域范围。

优选地，所述预处理单元21包括：

第一确定子单元211，用于采用CP自动确定法获取原始SAR图像的CP以及参考SAR图像的CP；

配准子单元212，用于基于所述原始SAR图像的CP以及所述参考SAR图像的CP，对所述原始SAR图像进行配准，得到配准SAR图像；

滤波子单元213，用于使用增强Lee滤波法对所述配准SAR图像进行滤波以抑制相干斑噪声，得到滤波SAR图像；

拉伸子单元214，用于对所述滤波SAR图像的像素进行线性拉伸，而得到所述预处理SAR图像。

优选地，所述第一分割单元22包括：

划分子单元221，用于将所述预处理SAR图像划分为N个子图像，N为大于1的整数；

分割子单元222，用于针对每一个子图像，采用经典Ostu法选取子图像中的最佳阈值；基于所述最佳阈值，对所述子图像进行第一次水域分割，得到所述子图像对应的第一子水域范围；

拼接子单元223，用于对N个所述第一子水域范围进行拼接，得到所述第一水域范围。

优选地，所述提取单元23包括：

处理子单元231，用于采用形态学算法中的开与关运算处理所述第一水域范围，以降低所述第一水域范围的噪声以及隔离不同的连通水域；

计算子单元232，用于在所述开与关运算处理后的所述第一水域范围中选取连通面积最大的水域，并基于以下公式计算所述连通面积最大的水域的对比度：

$C_{\max }=\mathrm{MAX}(C_i=\frac{u_B-u_i}{{\mathrm{\σ}}_B})$

其中，C_max表示连通面积最大的水域的对比度，C_i表示第i个连通水域的对比度，u_i表示第i个连通水域的平均强度值，u_B、σ_B分别表示背景的平均强度值和标准偏差值；MAX()表示取最大值运算；

第二确定子单元233，用于基于所述连通面积最大的水域的面积确定出面积阈值，以及基于所述连通面积最大的水域的对比度确定出对比度区间；

第三确定子单元234，用于在所述开与关运算处理后的所述第一水域范围中提取面积大于所述面积阈值，且对比度位于所述对比度区间的连通水域，作为ROI。

优选地，所述装置还包括：

计算单元25，用于基于时域上的多个SAR图像的所述第二水域范围，计算所述SAR图像的变化量。

本领域技术人员应当理解，图2所示的复杂地形的SAR图像的水域自动分割装置中的各单元及其子单元的实现功能可参照前述复杂地形的SAR图像的水域自动分割方法的相关描述而理解。图2所示的复杂地形的SAR图像的水域自动分割装置中的各单元及其子单元的功能可通过运行于处理器上的程序而实现，也可通过具体的逻辑电路而实现。

图3为高分辨率机载SAR获取的多时序原始SAR图像，三幅原始SAR图像的像素大小为1m×1m（距离×方位），获取区域为唐家山堰塞湖，三幅原始SAR图像的获取日期依次为：（a）图为2008年5月24日、（b）图为2008年5月25日、（c）图为2008年5月31日；图4为将原始SAR图像进行预处理后，得到的预处理SAR图像，该预处理SAR图像对应于图3中的（b）图；图5为SAR图像水域的第一次分割结果示意图，该分割图对应于图3中的（b）图；图6为SAR图像水域的ROI提取结果，该ROI对应于图3中的（b）图；图7为SAR图像水域的第二次分割结果示意图，该方法剔除了SAR图像中具有相似强度的水域部分，最终获得精确的水陆分界线，对应获取日期依次为：（a）图为2008年5月24日、（b）图为2008年5月25日、（c）图为2008年5月31日；图8为多时序SAR图像水域水陆分界线变化图，该图准确地显示三次观测时水域的变化情况。基于上述获取到的水陆分界线，表1示出了多时序SAR图像水域面积及其变化定量分析结果，该结果包含该水域每次观测时的面积、增长面积和增长率，该结果对于堰塞湖的危险性评估及水位预测具有重大的实际意义。

	水域区域（Km2）	增长区域（Km2）	增长率
				08-05-24	1.747565	0.000000	0.000000%
08-05-25	1.790024	0.042459	2.429596%
				08-05-31	2.099901	0.352336	20.161527%

表1

以上所述，仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。

Claims (8)

1.一种复杂地形的合成孔径雷达SAR图像的水域自动分割方法，其特征在于，所述方法包括：

对原始SAR图像进行预处理，得到预处理SAR图像；

采用阈值分割法对所述预处理SAR图像进行第一次水域分割，得到第一水域范围；

在所述第一水域范围中提取图像感兴趣区域ROI；

采用局域高斯分布拟合主动轮廓模型LGDF ACM算法对所述ROI进行第二次水域分割，得到第二水域范围；

所述在所述第一水域范围中提取ROI，包括：

采用形态学算法中的开与关运算处理所述第一水域范围，以降低所述第一水域范围的噪声以及隔离不同的连通水域；

在所述开与关运算处理后的所述第一水域范围中选取连通面积最大的水域，并基于以下公式计算所述连通面积最大的水域的对比度：

$C_{max}=MAX(C_i=\frac{u_B-u_i}{{\mathrm{\σ}}_B})$

其中，C_max表示连通面积最大的水域的对比度，C_i表示第i个连通水域的对比度，u_i表示第i个连通水域的平均强度值，u_B、σ_B分别表示背景的平均强度值和标准偏差值；MAX()表示取最大值运算；

基于所述连通面积最大的水域的面积确定出面积阈值，以及基于所述连通面积最大的水域的对比度确定出对比度区间；

在所述开与关运算处理后的所述第一水域范围中提取面积大于所述面积阈值，且对比度位于所述对比度区间的连通水域，作为ROI。

2.根据权利要求1所述的复杂地形的SAR图像的水域自动分割方法，其特征在于，所述对原始SAR图像进行预处理，得到预处理SAR图像，包括：

采用控制点CP自动确定法获取原始SAR图像的CP以及参考SAR图像的CP；

基于所述原始SAR图像的CP以及所述参考SAR图像的CP，对所述原始SAR图像进行配准，得到配准SAR图像；

使用增强Lee滤波法对所述配准SAR图像进行滤波以抑制相干斑噪声，得到滤波SAR图像；

对所述滤波SAR图像的像素进行线性拉伸，而得到所述预处理SAR图像。

3.根据权利要求1所述的复杂地形的SAR图像的水域自动分割方法，其特征在于，所述采用阈值分割法对所述预处理SAR图像进行第一次水域分割，得到第一水域范围，包括：

将所述预处理SAR图像划分为N个子图像，N为大于1的整数；

针对每一个子图像，采用经典Ostu法选取子图像中的最佳阈值；基于所述最佳阈值，对所述子图像进行第一次水域分割，得到所述子图像对应的第一子水域范围；

对N个所述第一子水域范围进行拼接，得到所述第一水域范围。

4.根据权利要求1至3任一项所述的复杂地形的SAR图像的水域自动分割方法，其特征在于，所述方法还包括：

基于时域上的多个SAR图像的所述第二水域范围，计算所述SAR图像的变化量。

5.一种复杂地形的SAR图像的水域自动分割装置，其特征在于，所述装置包括：

预处理单元，用于对原始SAR图像进行预处理，得到预处理SAR图像；

第一分割单元，用于采用阈值分割法对所述预处理SAR图像进行第一次水域分割，得到第一水域范围；

提取单元，用于在所述第一水域范围中提取ROI；

第二分割单元，用于采用LGDF ACM算法对所述ROI进行第二次水域分割，得到第二水域范围；

所述提取单元包括：

处理子单元，用于采用形态学算法中的开与关运算处理所述第一水域范围，以降低所述第一水域范围的噪声以及隔离不同的连通水域；

计算子单元，用于在所述开与关运算处理后的所述第一水域范围中选取连通面积最大的水域，并基于以下公式计算所述连通面积最大的水域的对比度：

$C_{max}=MAX(C_i=\frac{u_B-u_i}{{\mathrm{\σ}}_B})$

其中，C_max表示连通面积最大的水域的对比度，C_i表示第i个连通水域的对比度，u_i表示第i个连通水域的平均强度值，u_B、σ_B分别表示背景的平均强度值和标准偏差值；MAX()表示取最大值运算；

第二确定子单元，用于基于所述连通面积最大的水域的面积确定出面积阈值，以及基于所述连通面积最大的水域的对比度确定出对比度区间；

第三确定子单元，用于在所述开与关运算处理后的所述第一水域范围中提取面积大于所述面积阈值，且对比度位于所述对比度区间的连通水域，作为ROI。

6.根据权利要求5所述的复杂地形的SAR图像的水域自动分割装置，其特征在于，所述预处理单元包括：

第一确定子单元，用于采用CP自动确定法获取原始SAR图像的CP以及参考SAR图像的CP；

配准子单元，用于基于所述原始SAR图像的CP以及所述参考SAR图像的CP，对所述原始SAR图像进行配准，得到配准SAR图像；

滤波子单元，用于使用增强Lee滤波法对所述配准SAR图像进行滤波以抑制相干斑噪声，得到滤波SAR图像；

拉伸子单元，用于对所述滤波SAR图像的像素进行线性拉伸，而得到所述预处理SAR图像。

7.根据权利要求5所述的复杂地形的SAR图像的水域自动分割装置，其特征在于，所述第一分割单元包括：

划分子单元，用于将所述预处理SAR图像划分为N个子图像，N为大于1的整数；

分割子单元，用于针对每一个子图像，采用经典Ostu法选取子图像中的最佳阈值；基于所述最佳阈值，对所述子图像进行第一次水域分割，得到所述子图像对应的第一子水域范围；

拼接子单元，用于对N个所述第一子水域范围进行拼接，得到所述第一水域范围。

8.根据权利要求5至7任一项所述的复杂地形的SAR图像的水域自动分割装置，其特征在于，所述装置还包括：

计算单元，用于基于时域上的多个SAR图像的所述第二水域范围，计算所述SAR图像的变化量。