CN103020975A

CN103020975A - 一种结合多源遥感图像特征的码头和船舶分割方法

Info

Publication number: CN103020975A
Application number: CN2012105913534A
Authority: CN
Inventors: 马健喆; 张永梅; 周易; 张睿
Original assignee: North China University of Technology
Current assignee: North China University of Technology
Priority date: 2012-12-29
Filing date: 2012-12-29
Publication date: 2013-04-03

Abstract

本发明公开了一种结合多源遥感图像特征的码头和船舶分割方法，包括以下步骤：读入多光谱、全色及SAR图像；分别对三幅图像进行预处理；对多光谱图像，由RGB空间转换为HSI空间，基于信息熵二值化水陆；形态学处理去掉小面积区域，得到水陆分割结果，白色部分为陆地，黑色部分为水域；对全色图像，提取码头、船舶的边缘特征，提取码头上下文特征、船舶几何特征。对SAR图像，提取码头和船舶的灰度统计特征；利用在全色图像和SAR图像中提取的多元特征对码头、船舶进行分割；对分割后的最终图像进行颜色标记；本发明充分利用多源图像的多元特征分割码头、船舶，利用不同类型遥感图像的互补性获得更多的目标信息，提高分割码头、船舶的准确率。

Description

一种结合多源遥感图像特征的码头和船舶分割方法

技术领域

本发明涉及一种图像分割技术，具体说，涉及一种结合多源遥感图像特征的码头和船舶分割方法。

背景技术

随着各种遥感技术的发展，越来越多的国家利用遥感图像来进行对地观测和监控，其中一个很重要的应用，就是对码头和船舶的监控与识别。我国拥有300多万平方公里的海洋国土，码头众多、形状复杂，对码头交通监管、海上船舶监测、渔业管理和遇难船只搜救都需要高效的探测手段，因此开展卫星遥感图像码头和船舶分割技术的研究具有重要的现实意义，无论在民用和军事方面都具有广阔的应用前景。

图像分割指把图像分成互不重叠的区域并提取出感兴趣目标的技术和过程。图像分割是由图像处理进到图像分析的关键步骤。一方面，它是目标表达的基础，对特征测量有重要的影响。另一方面，因为图像分割及其基于分割的目标表达、特征提取和参数测量等将原始图像转化为更抽象更紧凑的形式，使得更高层的图像分析和理解成为可能。

近年来，国内外学者提出了针对不同情况的码头、船舶分割方法，主要针对某一类遥感图像，仅利用单一图像源的特征对码头和船舶进行分割，不能综合利用多源遥感图像多种特征信息，造成图像分割准确率较低，具体表现为：

1、如果只用多光谱图像进行码头和船舶分割，由于多光谱图像分辨率较低，提取码头和船舶经常会出现误检；

2、如果只用SAR图像进行码头和船舶分割，SAR图像码头和船舶边缘经常存在断裂现象，同时SAR图像存在大量的噪声，对于目标分割存在很大影响，容易造成误检；

3、如果只用全色图像进行码头和船舶分割，陆地的灰度层次丰富，陆地和水域区域很难提取，不确定陆地和水域的位置来提取码头和船舶计算量太大。

现有技术中与本发明最接近的技术方案包括基于梯度的码头分割方法和基于分形的船舶分割方法。

基于梯度的码头分割方法首先利用直方图和形态学算子分割海域，再利用多边形近似法提取海岸线上的特征点，根据特征点的闭合度确定码头区域。该方法没有结合码头分割模型的知识，没有对码头目标进行层次结构化分析，而且对码头的形状有要求。

基于分形的舰船检测认为自然景物和舰船目标的分形维数有一定的差别，根据差异进行检测。但实际图像受背景复杂度、随机噪声、成像质量等影响，单一的尺度或恒常的分形维数很难区分自然景物和人造目标。

综上所述，现有技术中对码头和船舶分割方法存在以下技术问题：

1、现有的码头和船舶分割方法，仅针对单一图像源，图像分割准确率不高；

2、现有的码头和船舶分割方法基本是针对某一特定种类目标而设计和实施，缺乏一个总体性的技术模型作为指导，与具体任务联系太紧密，造成技术分散化、过度的参数依赖性和处理目标的单一性，使得船舶、码头分割方法的普适性很差；

3、现有的码头和船舶分割方法因过于复杂导致效率太低，不能满足时间要求。

发明内容

本发明的目的在于针对现有技术存在的技术问题，提出一种结合多源遥感图像特征的码头和船舶分割方法，实现码头和船舶的准确分割。

具体技术方案如下：

一种结合多源遥感图像特征的码头和船舶分割方法，包括：

步骤1，读入同一地区包含码头、船舶的多光谱、全色及SAR图像；

步骤2，分别对多光谱、全色及SAR图像进行预处理；

步骤3，对多光谱图像，先由RGB空间转换为HSI空间，分离H、S、I三通道，统计图像直方图，求图像像素概率，计算平均灰度值，然后基于信息熵二值化水陆；

步骤4，运用形态学先腐蚀，后膨胀，去掉二值化水陆中的小面积区域，得到水陆分割结果，白色部分为陆地，黑色部分为水域;

步骤5，对全色图像，先用传统的边缘提取算子提取整个码头、船舶的边缘特征，然后提取码头上下文特征、船舶几何特征；对SAR图像，提取码头和船舶的灰度统计特征；

步骤6，综合利用步骤5中所提取的多元特征对码头、船舶进行分割；

步骤7，对分割后的最终图像进行颜色标记。

进一步：步骤2中，所述预处理程序为：对多光谱、全色图像进行增强对比度处理；对SAR图像进行形态学滤波处理。

进一步：步骤3中，所述由RGB空间转换为HSI空间的公式为：

S＝MAX(R,G,B)-MIN(R,G,B)；

I = \frac{R + G + B}{3};

其中，MAX和MIN分别为RGB颜色模型中R、G、B三分量的最大和最小值，R、G、B分别为三个分量的灰度值，H、S、I为得到的HSI颜色模型三个分量的灰度值。

进一步：步骤3中，所述基于信息熵二值化水陆的过程为：

计算目标物体区域中各灰度级的分布概率，计算背景区域中各灰度级的分布概率；

计算目标物体分布概率，计算背景分布概率；

分别计算目标和背景区域的熵，并求目标和背景的总熵;

对图像中的每个灰度级求总熵，选取使总熵最大的灰度级作为分割图像的阈值，对图像进行二值化处理。

进一步：步骤5中，所述传统的边缘提取算子为Canny算子。

进一步：步骤5中，所述提取码头上下文特征的过程为：

首先，对预处理后的码头图像分别进行横向和纵向扫描，然后取并集，提取码头目标。

进一步：上述横向扫描的过程为：从上到下扫描每一行像素；对于每行像素，从左到右扫描；若发现一段连续像素，则标记为码头部分。

进一步：步骤5中，所述船舶几何特征为船舶的面积和离心率。

进一步：步骤7中，所述颜色标记具体为：蓝色部分标记为水域；绿色部分标记为陆地；红色部分标记为码头；黄色部分标记为船舶。

本发明技术方案具有以下有益效果：

1、扩大了码头和船舶分割方法的适用范围，提高了普适度；

2、简化了程序，提高了运算效率；

3、提高了码头、船舶分割的准确率。

附图说明

图1是本发明的流程图；

图2是本发明中多光谱图像及水陆分割结果图；

图3是本发明中利用Canny算子边缘检测码头和船舶图；

图4是本发明中基于上下文特征的码头分割结果图；

图5是本发明中基于几何特征的船舶分割结果图；

图6是本发明中基于灰度统计特征的码头分割结果图；

图7是本发明中基于灰度统计特征的船舶分割结果图；

图8是本发明中第一组图像实验结果图；

图9是本发明中第二组图像实验结果图。

具体实施方式

本发明充分利用多源图像的多元特征分割码头、船舶，利用不同类型遥感图像的互补性获得更多的目标信息，提高分割码头、船舶的准确率。

下面结合附图1~7对本发明实施步骤作进一步的详细描述。

步骤1：读入同一地区包含码头、船舶的多光谱、全色及SAR图像。

步骤2：分别对多光谱、全色及SAR图像进行预处理。对多光谱、全色图像进行增强对比度等预处理，对SAR图像进行形态学滤波预处理。

码头、船舶在多光谱图像中颜色特征明显，与水域的色调特征明显不同，很容易在图像中辨认出目标，尤其水陆颜色差异大。因此可以利用多光谱图像的颜色特征进行水陆分割。如步骤3及步骤4所述。

步骤3：对多光谱图像，先由RGB空间转换为HSI空间，分离H、S、I三通道，统计图像直方图，求图像像素概率，计算平均灰度值，然后基于信息熵二值化水陆。

在图像处理中常用的彩色空间模型有两种：一种是由R、G、B三原色组成的彩色立方体空间，即RGB模型，它是面向硬设备最常用的彩色模型；另一种是面向彩色处理的最常用的模型，即HSI模型。其中H表示色调（Hue），用来区分不同的颜色；S表示饱和度（Saturation），用来表示某种颜色的纯度；I表示密度（Intensity），对应成亮度和图像灰度。

在HSI颜色模型中三个分量H、S、I具有相对独立性，可分别对它们进行控制，能够准确地描述颜色特征，它将亮度I与反映色彩本质特征的两个参数色调H和饱和度S分开，对于一些受各种因素制约，所采集图像受光照条件影响大的就可以避免I分量，只考虑H和S分量，避免了光照条件的影响，使得图像处理的时候能够针对性更强。

本发明利用HSI颜色空间图像更易于分辨颜色分量，能有效减小光照影响的特点，将多光谱图像从RGB空间转换到HSI空间，进而进行水陆分割。

转换公式如下：

S＝MAX(R,G,B)-MIN(R,G,B)；

I = \frac{R + G + B}{3};

其中MAX和MIN分别为RGB颜色模型中R、G、B三分量的最大和最小值，R、G、B分别为三个分量的灰度值，H、S、I为得到的HSI颜色模型三个分量的灰度值。

为了将陆地区域和海洋区域分开，必须要对图像进行图像分割处理。先采用最大熵的方法找到一个阈值，然后再对图像进行二值化处理。最大熵阈值法是统计图像中每一个灰度级出现的概率p(x)，该灰度级的熵为：

H＝-p(x)lnp(x)dx；

在L级灰度图像中，假设以灰度级t分割图像，图像中低于或等于灰度级t的像素点构成目标物体（O），高于灰度级t的像素点构成背景（B）。

目标物体区域中各灰度级的分布概率为：

p_i i=0，1，2，3，…，t；

背景区域中各灰度级的分布概率为：

P_i i=t+1，t+2，…，L-1；

目标物体的分布概率为：

p_{o} (t) = Σ_{i = 0}^{t} p_{i};

背景的分布概率为：

P_B(t)＝1-P_O(t)；

数字图像中的目标和背景区域的熵分别为：

H_{O} (t) = - Σ_{i = 0}^{t} \frac{p_{i}}{p_{o} (t)} 1 n \frac{p_{i}}{p_{o} (t)};

H_{B} (t) = - Σ_{i = t + 1}^{L - 1} \frac{p_{i}}{p_{B} (t)} 1 n \frac{p_{i}}{p_{B} (t)};

其中，H_o(t)代表图像目标熵，P_o(t)目标物体的分布概率，P_i代表目标物体区域各灰度级分布概率。i取值范围0,1,2,3…t,t为灰度级；

H_B(t)代表背景区域熵，P_B(t)为背景的分布概率P_i，代表目标物体区域各灰度级分布概率，i取值范围0,1,2,3…t,t为灰度级。B=t+1，t+2…L-1。

因此，目标和背景的总熵W为：

W＝H_O(t)+H_B(t)；

对图像中的每个灰度级求W，选取使W最大的灰度级T作为分割图像的阈值，对图像进行二值化处理。原图像为f(x,y)，二值化后为：

f^{,} (x, y) = \{\begin{matrix} 0 & (f (x, y) \leq T) \\ 1 & (f (x, y) > T) \end{matrix} .

步骤4：运用形态学先腐蚀，后膨胀，去掉二值化水陆中的小面积区域，得到水陆分割结果，白色部分为陆地，黑色部分为水域。

水域的提取过程如下，先对二值化图像进行黑色区域标记，然后找到像素最多的区域，判断此区域为水域，然后消除图像中的斑点。这样处理后，陆地区域为白色，海洋区域为黑色，二者进行了区分。同时，也为后面的码头和船舶分割确定了大致区域，码头分割主要在陆地部分进行，船舶分割在海上区域进行。图2给出了多光谱图像及水陆分割的实验结果。其中，2a为多光谱图像1；2b为多光谱图像2；2c为多光谱图像3；2d为图像1水陆分割结果；2e为图像2水陆分割结果；2f为图像3水陆分割结果。

从图2可以看出，由颜色特征分割多光谱图像的海域和陆地，黑色部分为海域，白色部分为陆地。陆地部分保留了码头目标，为后面确定码头区域限定了区域，而船舶目标的确定在海域部分进行。

步骤5：对全色图像，先用传统的边缘提取算子（Canny算子）提取整个码头、船舶的边缘特征，然后提取码头上下文特征、船舶几何特征（船舶的面积和离心率）；对SAR图像，提取码头和船舶的灰度统计特征。

全色图像具有高空间分辨率，码头、船舶边缘特征明显，可以很容易地提取码头、船舶边缘点，进而提取码头目标的上下文特征和船舶目标的几何特征（包括离心率、面积）。

全色图像码头、船舶边缘特征的提取，用常用的Canny算子提取图像的各种边缘。在陆地区域搜索边缘，得到包含码头的轮廓点；在海上区域搜索边缘，得到包含船舶的边缘点。

边缘信息是全色图像重要的特征信息。传统的边缘检测算子如Sobel、Prewitt、Roberts等算子，大部分为局域窗口梯度算子。由于它们对噪声很敏感，所以对处理实际图像不太实用。用于边缘检测的算子中Laplace算子常常会产生双边界；Sobel算子往往会形成不闭合区域。而Canny算子在边缘检测中可获取封闭边界区域，所以在全色图像水陆分割部分，提取边缘特征方法使用了Canny算子。

从图3可以看出，Canny算子能较好地提取出连续的轮廓边缘，得到稳定的边缘提取结果。其中，3a为全色图像；3b为Canny算子边缘检测图像。

全局上下文特征是指码头位于陆地与海洋交界处，紧邻大片海域；局部上下文特征是指通常码头方向与码头走向相对，向海域延伸形成突起部分。根据以上特征，可以采取以下方法来提取码头区域。

首先，对预处理后的码头图像进行横向和纵向扫描，然后取并集，即可提取到码头目标。

下面介绍横向检测的方法（纵向方法类似）。从上到下扫描每一行像素；对于每行像素，从左到右扫描；若发现一段连续像素，其左右两侧都是水域，则标记为码头部分（将像素值标记为127）。

这里之所以要对图像进行双向扫描，主要是考虑到码头的方向，若是码头只是纵向的，则一次横向扫描即可提取出来，反之亦然。但是若码头两个方向上都有，或者呈斜向，则通过两次的并集就可以最大限度地提取到准确的码头。

由于码头目标结构和形状的复杂性和多样性，大部分码头分割算法都指定一种特定类型的码头。本发明总结了所有类型的码头都共有的特征，即上下文特征，设计了一种全色图像码头目标的上下文特征提取方法，大大提高了码头和船舶分割方法的普适性。

常用的船舶几何特征包括长度、长宽比、Hu矩、Zernike矩、舰船面积等。由于一般在中高分辨率遥感图像中船舶为较复杂的多边形，一般近似为纺锤型目标，在数学中可近似看作椭圆形（军舰的船型比商船的船型要细长狭窄，椭圆更扁）。所以可以通过提取类椭圆状目标的离心率来提取椭圆状目标。

椭圆的离心率与区域具有相同标准二阶中心距，其值是椭圆焦距与其长轴的比值，取值范围是[0，1]。若离心率等于0时，目标形状是标准的圆形，若离心率等于1时，目标形状是一条线段。因此，椭圆状目标的离心率应该在0-1之间。经过统计，大部分船舶目标的离心率都在0.5以上。

然而，若仅仅通过离心率这一几何特征来确定海上船舶目标的话，在海上有不少同样细长的椭圆状目标也会被确定为船舶，例如一些小型的岛屿，一些大型的浮漂，甚至是由码头口延伸到海域的突堤。所以，还需结合船舶的其他特征来进一步确定船舶。

本发明还利用了船舶的面积特征。但由于遥感图像分辨率不同，不同类型船舶的大小不同，所以面积特征并不能保证自适应性，需依具体情况，选取一个合适阈值。

一般的船舶检测方法算法较复杂，如提取分形特征，并不适应大量图像的快速处理的要求。本发明利用全色图像中船舶轮廓边缘较清晰这一特点，提取船舶边缘，然后分别统计闭合轮廓线的离心率和面积，通过离心率和面积分割船舶。相比一般的船舶分割算法，在时间复杂度和空间复杂度上都有了一定提高，可以快速检测船舶目标。

图4、图5分别给出了全色图像中码头、船舶分割的实验结果。图4中4a为全色图像1，4b为全色图像2，4c为全色图像3，4d为全色图像1码头分割结果，4e为全色图像2码头分割结果，4f为全色图像3码头分割结果；图5中5a为全色图像1，5b为全色图像2，5c为全色图像3，5d为全色图像1船舶分割结果，5e为全色图像2船舶分割结果，5f为全色图像3船舶分割结果。

从图4的实验结果可以看出，第一幅图像中的5个码头的大致轮廓已被较好地分割出来，但有不少虚检之处。第二幅图像中的5个码头的轮廓也被分割出来。第三幅图像中的4个码头的轮廓也被分割出来。

从图5的实验结果可以看到，第一幅图像中的5个船舶中的4个被正确分割出来，但存在不少误分割。第二幅图像中的1个船舶被正确分割出来，同样存在不少误分割的地方。第三幅图像中的3个船舶连同它们各自在海上运行所留下的尾迹也被一起误分割出来。所以下一步需要用SAR图像的特征将这些误检的部分去除掉，留下清晰的船舶目标。

SAR图像对人造目标（特别是金属目标）形成的角散射体等十分敏感，在SAR图像中表现为特别亮的点或者区域。灰度统计特征反映了SAR图像在区域内的相对亮度均值大小，值越大，越趋于SAR图像非平稳区域，即码头、船舶、城市建筑、公路桥梁等。

SAR图像灰度统计特征提取部分，主要是在陆地区域提取码头灰度统计特征，在海上区域提取船舶灰度统计特征，并利用各自特征分割码头和海上船舶。

在全色图像特征提取部分，由于全色图像本身的成像特点，导致不可能得到十分精确的目标区域，所以在SAR图像提取部分，目标灰度统计特征可以作为目标分割很好的补充，使分割更加精确。

SAR成像是地物目标散射特性空间到影像空间的映射，因此SAR图像是测量地面目标散射特性的有效途径。SAR图像的散射特征通过SAR图像色调或亮度反映，其大小是回波幅度或功率值。地物目标的散射回波受雷达成像系统和地面参数的影响，波动较大，适合用概率统计方法描述，因此一般采用一阶统计特性研究SAR图像，如均值、方差等。所以在SAR图像特征提取部分采用灰度统计特征，然后用模糊均值聚类（fuzzy c-means algorithm，FCM）分别得到码头和船舶目标。

如果把SAR图像看作是一个二维随机过程，则可用不同的统计特征描述和分析SAR图像。对于一幅灰度图像，设(i,j)处处像元点的二维灰度值分别为g(i,j)和g’(i,j)，则图像灰度值的联合分布密度可表示为：

P(a,b)＝P_R{g(i,j)＝a,g′(i,j)＝b}

其中a和b均为0到L-1之间的灰度等级。其相应的二维直方图可表示为：

P (a, b) = \frac{N (a, b)}{M}

其中M表示滑动窗内总的像元数目，N(a,b)表示g(i,j)=a和g’(i,j)=b同时发生的事件数。可选取3×3，5×5大小的滑动窗口。

图6、图7分别给出了SAR图像中码头、船舶分割的实验结果。图6中6a为SAR图像1，6b为SAR图像2，6c为SAR图像3，6d为SAR图像1的码头分割结果，6e为SAR图像2的码头分割结果，6f为SAR图像3的码头分割结果；图7中7a为SAR图像1，7b为SAR图像2，7c为SAR图像3，7d为SAR图像1的船舶分割结果，7e为SAR图像2的船舶分割结果，7f为SAR图像3的船舶分割结果。

从图6的实验结果可以看出，第一幅图像中的码头部分均被分割出来，不过存在一处误检。第二幅图像中的码头也均被分割出来，但同样存在个别误检。第三幅图像中的码头也被分割出来，不存在任何误检。

从图7的实验结果可以看出，第一幅图像在上一步全色图像的基础上去除了不少虚检目标，留下的4个目标均是正确的船舶目标，但有一处漏检。第二幅图像同样去除了其他非船舶的目标，留下的唯一一个目标即为船舶目标。第三幅图像去除了大量的船行动过程中的尾迹，留下的3处较小的目标即为船体本身。

步骤6：综合利用步骤5中所提取的多元特征对码头、船舶进行分割。

对于全色图像，用传统的边缘提取算子（Canny算子）提取整个码头、船舶的边缘特征，然后分别对码头提取上下文特征，对船舶提取几何特征（本发明提取船舶的面积和离心率）；利用全色图像的码头边缘特征和上下文特征，给出全色图像码头分割结果；利用全色图像的船舶边缘特征和几何特征，给出全色图像船舶分割结果，并将全色图像码头和船舶分割结果在全色图像中用不同的颜色给出。对于SAR图像，分别提取码头和船舶的灰度统计特征，并将SAR图像码头和船舶分割结果在SAR图像中用不同的颜色给出。

步骤7：对分割后的最终图像进行颜色标记。蓝色部分标记为水域，绿色部分标记为陆地，红色部分标记为码头，黄色部分标记为船舶。

为了验证本发明方法的有效性和可行性，在Intel Core(TM)2Duo CPU2.93GHz，2.0GB内存的PC机上利用Matlab7.6.0(R2008a)进行了仿真实验。

本实验采用多组多光谱、全色和SAR图像，利用本发明方法，对于不同传感器，不同空间分辨率以及不同地区的QuickBird、WorldView等卫星遥感图像进行实验，均取得了较好的效果。

下面结合附图8、9进一步说明：

图8、图9给出了遥感图像的实验结果，并将本发明的方法与基于梯度的码头分割方法以及基于分形特征的船舶分割方法进行了比较。图8中8a为多光谱图像，8b为全色图像，8c为SAR图像，8d为分割结果1，8e为分割结果2，8f为分割结果3；图9中9a为多光谱图像，9b为全色图像，9c为SAR图像，9d为分割结果1，9e为分割结果2，9f为分割结果3；。

图8和图9分别给出了两组不同类型的同一地区的遥感图像，8a、9a；8b、9b；8c、9c分别是多光谱、全色、SAR图像。8d、9d是基于梯度的码头分割方法的实验结果，8e、9e是基于分形方法的船舶分割实验结果，8f、9f是利用本发明方法分割码头和船舶的实验结果。

第一组实验图像中，基于梯度的码头分割有2处虚检；而基于分形的船舶分割由于没有先利用多光谱图像分割水陆，这样搜索船舶的范围是在整幅图像中，导致陆地上也检测到了船舶，最终只有1个海上船舶被正确检测出来，其他陆地上的2处均为虚检，整个图像中还应该包含的4个船舶均漏检。本发明方法中，图像中应有的码头全部分割出来，但却有2处虚检，船舶4个正确分割，有1个漏检。

第二组实验图像中，基于梯度的码头分割有1个漏检，2处虚检；基于分形特征的船舶分割有2个虚检，利用本发明方法，图像中的所有码头和船舶均被正确分割出来。

从实验结果可以看出，本发明结合多源遥感图像特征的码头和船舶分割方法效果优于其他两种方法。表1给出了本发明方法和其他两种经典方法的实验结果比较。

表1不同方法的码头和船舶分割实验结果比较

通过以上实验可以看出，综合利用多光谱图像的颜色特征，全色图像的边缘特征以及全色图像中码头的上下文特征，船舶的几何特征，SAR图像的灰度统计特征同时对遥感图像中的码头、船舶进行分割的方法，提高了码头、船舶分割的准确率。

综上所述，本发明方法具有以下技术效果：

1、扩大了码头和船舶分割方法的适用范围，提高了普适度；

2、简化了程序，提高了运算效率；

3、提高了码头、船舶分割的准确率。

Claims

1.一种结合多源遥感图像特征的码头和船舶分割方法，其特征在于，包括以下步骤：

步骤2，分别对多光谱、全色及SAR图像进行预处理；

步骤7，对分割后的最终图像进行颜色标记。

2.如权利要求1所述的一种结合多源遥感图像特征的码头和船舶分割方法，其特征在于，所述步骤2中，预处理程序为对多光谱、全色图像进行增强对比度处理；对SAR图像进行形态学滤波处理。

3.如权利要求1所述的一种结合多源遥感图像特征的码头和船舶分割方法，其特征在于，所述步骤3中，由RGB空间转换为HSI空间的公式为：

S＝MAX(R,G,B)-MIN(R,G,B)；

I = \frac{R + G + B}{3};

4.如权利要求1所述的一种结合多源遥感图像特征的码头和船舶分割方法，其特征在于，所述步骤3中，基于信息熵二值化水陆的过程为：

计算目标物体分布概率，计算背景分布概率；

分别计算目标和背景区域的熵，并求目标和背景的总熵;

5.如权利要求1所述的一种结合多源遥感图像特征的码头和船舶分割方法，其特征在于，所述步骤5中，传统的边缘提取算子为Canny算子。

6.如权利要求1所述的一种结合多源遥感图像特征的码头和船舶分割方法，其特征在于，所述步骤5中，提取码头上下文特征的过程为：

7.如权利要求6所述的一种结合多源遥感图像特征的码头和船舶分割方法，其特征在于，所述横向扫描的过程为：

从上到下扫描每一行像素；

对于每行像素，从左到右扫描；

若发现一段连续像素，则标记为码头部分。

8.如权利要求1所述的一种结合多源遥感图像特征的码头和船舶分割方法，其特征在于，所述步骤5中，船舶几何特征为船舶的面积和离心率。

9.如权利要求1所述的一种结合多源遥感图像特征的码头和船舶分割方法，其特征在于，所述步骤7中，颜色标记具体为：蓝色部分标记为水域；绿色部分标记为陆地；红色部分标记为码头；黄色部分标记为船舶。