CN103500451B - 一种用于卫星数据的独立浮冰提取方法 - Google Patents
一种用于卫星数据的独立浮冰提取方法 Download PDFInfo
- Publication number
- CN103500451B CN103500451B CN201310469982.4A CN201310469982A CN103500451B CN 103500451 B CN103500451 B CN 103500451B CN 201310469982 A CN201310469982 A CN 201310469982A CN 103500451 B CN103500451 B CN 103500451B
- Authority
- CN
- China
- Prior art keywords
- subarea
- ice
- image
- floating ice
- pixel
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Landscapes
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种用于卫星数据的独立浮冰提取方法,应用于已经过冰水识别,需要定量研究独立海冰运动和形状特征的情况。其方法首先划分子区域网格,构造子区梯度差分图像,计算每个子区内海冰像元数与子区总像元数的比率,对于海冰比率大于阈值的子区,海冰包括块状独立浮冰和连接成片的浮冰碎屑,因二者的反射特性有差异,表现在图像直方图呈现双峰特征,选择直方图双峰之间谷的位置作为阈值,然后结合梯度差分图像阈值分割实现独立浮冰与背景碎屑浮冰的识别。本发明的优点在于双峰阈值与梯度差分相结合的卫星数据独立浮冰提取方法能够保留完整的独立浮冰信息,同时有效去除碎屑浮冰。
Description
技术领域
本发明涉及图像处理领域,具体是指一种双峰阈值与梯度差分相结合的卫星数据独立浮冰提取方法,它用于提取遥感图像中的独立浮冰。
背景技术
海冰识别获取了图像中海冰的分布信息,可以进一步计算海冰密集度,但是要获取海冰的运动速度信息,必须在此基础上掌握海冰的准确位置。与传统的遥感跟踪海冰运动方法不同,本发明将给出海冰分布图中独立浮冰识别提取方法。实际情况中海冰的形状和分布非常复杂,虽然独立浮冰高亮且灰度分布均匀,但是独立浮冰间重叠和搭接多,而且在冰水混合区域存在很多尺寸微小的浮冰碎屑,受卫星遥感图像空间分辨率的限制,这些浮冰碎屑连接成片,无法确定其边缘,而且这些浮冰碎屑与独立浮冰相比亮度偏暗,灰度分布杂乱。
经过海冰自动识别后,图像中的陆地、云和海水信息都被去除,只剩下海冰信息,流冰区内海冰包括独立浮冰与浮冰碎屑,它们的光谱特性有差异,在图像中表现为二者灰度值有差异,特别是近红外波段反射率图像中二者的对比最为明显,因此本文以海冰自动识别后的流冰区近红外波段反射率图像(以下称为流冰区图像)为底图进行独立浮冰识别和提取。由于成像时光照不均匀或雾气引起的阴影,造成图像中各区域对比度不同,若只用一个固定的全局阈值对整幅图像进行分割,会因为不能兼顾图像各区域的灰度差异而使分割效果受到影响。为了解决这个问题,提出一种分区域双峰阈值分割与梯度差分法相结合的方法。
发明内容
基于上述已有技术存在的问题,本发明的目的是提出一种用于卫星数据的独立浮冰提取方法。以避免只用一个固定的全局阈值对整幅图像进行分割,会因为不能兼顾图像各区域的灰度差异而使分割效果受到影响。
该方法利用独立浮冰与浮冰碎屑的灰度值差异识别提取独立浮冰(图1)。
其具体步骤是:
1)划分子区网格,从海冰分布图中裁剪出流冰区图像后,将图像划分为矩形网格子区图像,每个子区与其相邻的子区有50%或25%的重叠区域;
2)构造子区梯度差分图像,通过8个方向的梯度算子,获取各个子区图像的8个梯度差分图像;
3)海冰比率检测,计算每个子区内海冰像元数与子区总像元素的比率,与比率阈值进行比较,只有比率大于阈值的子区才进行下一步骤;
4)图像量化及其直方图统计,原图像是反射率图像,像素值采用浮点型记录,后面阈值的确定是利用灰度直方图实现的,因此将每个子区图像进行量化为0到255共256个级别,然后统计每个量化后子区图像的灰度直方图;
5)双峰法确定阈值,对于通过海冰比率检测的子区,海冰包括独立浮冰和连接成片的浮冰碎屑,二者的反射特性有差异,因此可将独立浮冰作为前景像素,在图像中这部分颜色较浅,浮冰碎屑作为背景像素,颜色偏暗,反映在灰度直方图中就是具有明显的双峰,选择双峰之间谷的位置作为子区阈值;
6)子区阈值平均,因为每个子区与其相邻的子区有重叠,所以重叠区域可能有多个阈值,这种情况采用多个阈值的均值作为重叠区域的最终阈值,这样操作后,每个像素都对应一个它所在子区的阈值TDN;
7)图像分割,对所有子区的梯度差分图像设置同一个固定阈值TG。若像元灰度值大于它所在子区分割阈值TDN,同时它对应的8个梯度差分图像像元的灰度值都小于固定阈值TG,则判断该像元属于独立浮冰,为前景像元,像元灰度值设为255,反之则为背景像元,像元灰度值设为0,这样,整幅图像分割为只有两类像元的二值图像;
8)形态学修复,为了改善独立浮冰提取效果,对于独立浮冰提取后出现空洞和离散噪声点以及独立浮冰之间的“搭接”,可以采用开运算和闭运算相结合来进行修复。
本发明有如下有益效果:
1)为了实现流冰区独立浮冰提取,提出分区域双峰阈值分割与梯度差分相结合的方法,该方法保留了完整的独立浮冰信息,同时有效去除独立浮冰之间的浮冰碎屑,满足独立浮冰提取精度要求。
2)方法的适用性较高,不仅适用于气象卫星图像,对于其他类型的中、高分辨率图像也适用,有实用价值。
3)独立浮冰的确定可作为研究海冰运动和海冰形态参数变化的基础
附图说明
图1独立浮冰识别提取流程图。
图28个方向的梯度算子。
图3双峰明显的直方图(a)情况1大峰在小峰左边,(b)情况2大峰在小峰右边。
图4独立浮冰提取结果图(a)流冰区海冰分布原始图像,(b)提取的独立浮冰分布二值图。
具体实施方式
根据本发明对FY-3MERSI数据北冰洋弗雷姆海峡夏季海冰进行独立浮冰提取。首先对MERSI数据进行辐射校正,几何精校正、海冰识别等预处理,在得到形状和尺度有差异的独立浮冰以及独立浮冰之间的碎屑冰的流冰图像,在此图像上再进行独立浮冰与背景浮冰碎屑的区分,研究区图像大小为1600行*1600行。
详述如下:
1、划分子区网格。从海冰分布图中裁剪出流冰区图像后,在其上平均划分32行×32列个矩形网格,然后每四个网格合并成一个子区,因此每个子区的尺寸大小为100×100个像元,而且每个子区与其相邻的子区有50%或25%的重叠区域,共产生了961个子区。
2、子区梯度差分图像构造。通过8个方向的梯度算子(图2),获取各个子区图像的8个方向的梯度差分图像。由于独立浮冰的灰度值较高且分布均匀,碎冰区像元灰度相对低且杂乱,因此在梯度差分图像中,原图像独立浮冰与碎冰区临界的边缘位置变得突出。
3、海冰比率检测。计算每个子区内海冰像元数与子区总像元素的比率,与比率阈值进行比较,只有比率大于阈值的子区才进行下一步骤。若子区内的海冰像元过少,不能保证后续对灰度直方图拟合的准确性,从而影响该子区图像分割的效果,因此必须选择比率较大的子区进行计算。本发明选择比率阈值为0.1,海冰像元数必须超过总像元数的10%,进入下一步。
4、图像量化及其直方图统计,原图像是反射率图像,像素值采用浮点型记录,后面阈值的确定是利用灰度直方图实现的,因此将每个子区图像进行量化为0到255共256个级别,然后统计每个量化后子区图像的灰度直方图;
5、双峰法确定阈值。对于通过海冰比率检测的子区,海冰包括独立浮冰和连接成片的碎冰区,二者的反射特性有差异,因此可将独立浮冰作为前景像素,在图像中这部分颜色较浅,碎冰区作为背景像素,颜色偏暗,反映在灰度直方图中就是具有明显的双峰。如图3所示,这时会有两种情况:一是大峰在小峰左边,即独立浮冰像素个数较少,而碎冰区像素个数较多;二是大峰在小峰右边,即独立浮冰像素个数较多,而碎冰区像素个数较少。不管哪种情况,只要选择双峰之间谷的位置作为阈值即可。
双峰法确定阈值的具体流程为:
1)计算像素灰度均值为:
其中,i表示第i个灰度级,hist[i]表示第i个灰度级的像素个数。
2)求出像素个数最多的灰度级,即最大峰的位置f_peak;
3)设置最大峰宽度为30,以灰度级200为分界点,若最大峰位置f_peak小于200,从最大峰宽度范围外向右,即区间[f_peak+30,255]内寻找第二个峰的位置s_peak;若最大峰位置f_peak大于200,从最大峰宽度范围外向左,即区间[0,f_peak-30]内寻找第二个峰的位置s_peak;
4)若两个峰的位置f_peak和s_peak都大于200,但是均值m小于200时,取均值m为最优阈值,否则,转到下一步;
5)求出两个峰间的谷对应的位置即为最优阈值;
6、子区阈值平均。因为每个子区与其相邻的子区有重叠,所以重叠区域可能有多个阈值,这种情况采用多个阈值的均值作为该区域的最终阈值,这样操作后,每个像素都对应一个它所在子区的阈值TDN。
7、图像分割。到目前为止,每个子区图像都有对应的8个梯度差分图像和一个分割阈值。因为梯度差分图像检测的是独立浮冰与碎冰区的边缘信息,边缘在梯度差分图像中灰度差别不大,因此对所有子区的梯度差分图像设置同一个固定阈值TG。若像元灰度值大于它所在子区分割阈值TDN,同时它对应的8个梯度差分图像像元的灰度值都小于TG,则判断该像元属于独立浮冰,为前景像元,像元灰度值设为255,反之则为背景像元,像元灰度值设为0,这样,整幅图像就分割为只有两类像元的二值图像(图4)。
8、形态学修复
在提取的独立浮冰中存在一些空洞和离散的孤立点,这些噪声都会影响后面独立浮冰的标记和海冰参数提取,因此需要对提取的结果进行修复处理。
为了改善独立浮冰提取效果,对于独立浮冰提取后出现空洞和离散噪声点以及独立浮冰之间的“搭接”,可以采用开运算和闭运算相结合来进行修复。本文选择先使用开运算再使用闭运算的方式进行修复。先使用开运算,一方面消除离散的噪声点,另一方面去除独立浮冰与独立浮冰之间的“搭接”部分,使提取的独立浮冰轮廓更圆滑,然后再使用闭运算,消除独立浮冰目标由于分割而产生的空洞和缝隙,使提取出的独立浮冰目标更完整。
Claims (1)
1.一种用于卫星数据的独立浮冰提取方法,其特征在于已包括如下步骤:
1)划分子区网格,从海冰分布图中裁剪出流冰区图像后,将图像划分为矩形网格子区图像,每个子区与其相邻的子区有50%或25%的重叠区域;
2)构造子区梯度差分图像,通过8个方向的梯度算子,获取各个子区图像的8个梯度差分图像;
3)海冰比率检测,计算每个子区内海冰像元数与子区总像元素的比率,与比率阈值进行比较,只有比率大于阈值的子区才进行下一步骤;
4)图像量化及其直方图统计,原图像是反射率图像,像素值采用浮点型记录,后面阈值的确定是利用灰度直方图实现的,因此将每个子区图像进行量化为0到255共256个级别,然后统计每个量化后子区图像的灰度直方图;
5)双峰法确定阈值,对于通过海冰比率检测的子区,海冰包括独立浮冰和连接成片的浮冰碎屑,二者的反射特性有差异,因此将独立浮冰作为前景像素,在图像中这部分颜色较浅,浮冰碎屑作为背景像素,颜色偏暗,反映在灰度直方图中就是具有明显的双峰,选择双峰之间谷的位置作为子区阈值;
6)子区阈值平均,因为每个子区与其相邻的子区有重叠,所以重叠区域可能有多个阈值,这种情况采用多个阈值的均值作为重叠区域的最终阈值,这样操作后,每个像素都对应一个它所在子区阈值TDN;
7)图像分割,对所有子区的梯度差分图像设置同一个固定阈值TG,若像元灰度值大于它所在子区阈值TDN,同时像元对应的8个梯度差分图像像元的灰度值都小于固定阈值TG,则判断该像元属于独立浮冰,为前景像元,像元灰度值设为255,反之则为背景像元,像元灰度值设为0,这样,整幅图像分割为只有两类像元的二值图像;
8)形态学修复,为了改善独立浮冰提取效果,对于独立浮冰提取后出现空洞和离散噪声点以及独立浮冰之间的“搭接”,采用开运算和闭运算相结合来进行修复。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310469982.4A CN103500451B (zh) | 2013-10-10 | 2013-10-10 | 一种用于卫星数据的独立浮冰提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310469982.4A CN103500451B (zh) | 2013-10-10 | 2013-10-10 | 一种用于卫星数据的独立浮冰提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103500451A CN103500451A (zh) | 2014-01-08 |
CN103500451B true CN103500451B (zh) | 2016-02-17 |
Family
ID=49865654
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310469982.4A Active CN103500451B (zh) | 2013-10-10 | 2013-10-10 | 一种用于卫星数据的独立浮冰提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103500451B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105354281B (zh) * | 2014-02-03 | 2018-12-07 | 株式会社隆创 | 图像检查装置和图像检查方法 |
CN104407338B (zh) * | 2014-12-12 | 2015-11-18 | 国家卫星海洋应用中心 | 基于海洋二号卫星微波散射计的极地海冰识别方法 |
CN105550639B (zh) * | 2015-12-07 | 2019-01-18 | 国家测绘地理信息局卫星测绘应用中心 | 对地观测激光测高卫星高程控制点自动提取方法和数据处理方法 |
CN106871877B (zh) * | 2017-02-13 | 2018-08-28 | 国家卫星海洋应用中心 | 海冰标识确定方法及装置 |
CN109523528B (zh) * | 2018-11-12 | 2021-07-13 | 西安交通大学 | 一种基于无人机双目视觉sgc算法的输电线路提取方法 |
CN111862117B (zh) * | 2020-07-16 | 2022-10-18 | 大连理工大学 | 基于像素优化的海冰冰块分水岭分割方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5451285B2 (ja) * | 2009-09-24 | 2014-03-26 | キヤノン株式会社 | 画像処理装置、画像処理方法 |
US20120002855A1 (en) * | 2010-06-30 | 2012-01-05 | Fujifilm Corporation | Stent localization in 3d cardiac images |
CN102567726B (zh) * | 2010-12-13 | 2015-06-17 | 北京师范大学 | 极地冰盖边缘区域浮冰自动提取技术 |
CN102542551B (zh) * | 2010-12-13 | 2015-08-12 | 北京师范大学 | 极地冰盖边缘浮冰自动变化检测技术 |
-
2013
- 2013-10-10 CN CN201310469982.4A patent/CN103500451B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN103500451A (zh) | 2014-01-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103500451B (zh) | 一种用于卫星数据的独立浮冰提取方法 | |
CN106651872B (zh) | 基于Prewitt算子的路面裂缝识别方法及系统 | |
Lalonde et al. | Detecting ground shadows in outdoor consumer photographs | |
CN106067003B (zh) | 一种车载激光扫描点云中道路矢量标识线自动提取方法 | |
CN104376551A (zh) | 一种融合区域生长和边缘检测的彩色图像分割方法 | |
CN103778627B (zh) | 一种基于sar图像的海域溢油检测方法 | |
CN104361589A (zh) | 一种基于尺度间映射的高分辨率遥感影像分割方法 | |
CN103413303A (zh) | 基于联合显著性的红外目标分割方法 | |
CN102393902A (zh) | 基于h_s二维直方图和区域颜色匹配的车辆颜色检测方法 | |
CN104123734A (zh) | 基于可见光和红外检测结果融合的运动目标检测方法 | |
Niksaz | Automatic traffic estimation using image processing | |
CN113240735B (zh) | 一种边坡位移活动性监测方法 | |
CN102881017B (zh) | 一种细胞分离方法 | |
CN114463286A (zh) | 一种基于移动窗口的路面点云平滑及裂缝信息处理方法 | |
CN105139375A (zh) | 一种结合全球dem与立体视觉的卫星影像云检测方法 | |
CN103218833A (zh) | 边缘加强型的彩色空间最稳极值区域检测方法 | |
CN111353371A (zh) | 基于星载sar影像的海岸线提取方法 | |
CN104156727A (zh) | 一种基于单目视觉的灯光倒影检测的方法 | |
CN107578414B (zh) | 一种路面裂缝图像的处理方法 | |
CN111539980A (zh) | 一种基于可见光的多目标追踪方法 | |
CN104835142B (zh) | 一种基于纹理特征的车辆排队长度检测方法 | |
CN103914840B (zh) | 一种针对非简单背景的人体轮廓自动提取方法 | |
Avery et al. | Investigation into shadow removal from traffic images | |
CN110853000B (zh) | 一种车辙的检测方法 | |
Álvarez et al. | Shadow resistant road segmentation from a mobile monocular system |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |