CN105512622A - 一种基于图分割和监督学习的可见光遥感图像海陆分割方法 - Google Patents

Abstract

本发明一种基于图分割和监督学习的可见光遥感图像海陆分割方法，它有五大步骤：步骤一：计算机读取数据；步骤二：对图像进行图分割；步骤三：对分割后的图像区域提取统计特征；步骤四：训练线性SVM分类器；步骤五：利用训练好的线性SVM来进行海陆判断，得到最终的海陆分割结果图。本发明克服了现有技术的不足，很好地解决了可见光遥感图像中的海陆分割问题，取得了较好的分割结果，因而此方法可以应用在可见光遥感图像船只检测流程之一的海陆分割中，具有广阔的应用前景和价值。

Description

一种基于图分割和监督学习的可见光遥感图像海陆分割方法

技术领域：

本发明涉及一种基于图分割和监督学习的可见光遥感图像海陆分割方法，属于可见光遥感图像技术领域。

背景技术：

遥感(remotesensing)技术，是指应用光学相机、雷达等探测仪器，从远处非物理接触地把地面或空间目标的电磁波特性记录下来，并分析和判定目标特性的一门科学技术。记录各种探测仪器(即传感器)所收集到的电磁波特性的胶片或相片，则统称为遥感影像(remotesensingimages)。不同类型的传感器能够记录并得到物体反射的不同波段范围的电磁波信号，根据其所记录并得到的电磁波信号的波段分布范围，遥感大致有以下几种分类：紫外(ultraviolet)遥感、可见光(optical)遥感、红外(infrared)遥感、微波(microwave)遥感和高光谱(hyperspectral)遥感等。可见光传感器探测的波段范围主要为380nm到760nm之间，也就是人眼所能观察到的波段范围。虽然可见光遥感图像在光谱维度上的分辨率较低，但它的空间分辨率能达到很高的水平，内容清晰，纹理非常丰富，并且符合人眼的视觉特性，易于人观察和分析，所以在遥感领域有很重要的应用，如生态环境、农业生产预测、灾害防护、船只检测等民用领域，还有军事情报的获取、重要军事目标的监控、地形分析与制图等军事领域。

在可见光遥感图像的船只检测中，有很多有效的算法来检测海洋中的船只，但如果待检测的图像中含有陆地，而因为陆地上有很多复杂的纹理和灰度区域，甚至可能有外形上像船的区域存在，那么对于最终的检测结果，在陆地上就很可能存在许多虚警。一种解决方法是提高检测算法的复杂度，从而抑制陆地上的虚警。而另一种更为直接的方法是进行海陆分割，即通过海陆分割的算法，将图像分为海洋和陆地，然后专门检测海洋中的船只，这样就能够直接去除掉陆地上的虚警，提高最终的检测效果。

当前传统的海陆分割方法如大津阈值分割、最大似然的贝叶斯分割以及基于海的统计模型分割等，很难准确地将可见光遥感图像中海洋和陆地分开，尤其是当陆地上的某些区域的灰度信息与海洋相似时，这些方法就容易将这些陆地上的相似区域判断成海洋。本发明针对上述情况，提出了一种基于图分割和监督学习的海陆分割方法，分割效果较好。

发明内容：

1、目的：本发明的目的是提供一种基于图分割和监督学习的可见光遥感图像海陆分割方法，该方法利用图分割和监督分类的方法来进行可见光遥感图像的海陆分割。

2、技术方案：本发明是通过以下技术方案实现的：

本发明是一种基于图分割和监督分类的可见光遥感图像海陆分割方法，该方法的具体步骤如下：

步骤一：计算机读取数据。首先使用计算机读取可见光遥感图像数据。本发明使用的数据来自于中国GF1卫星和委内瑞拉VRSS-1卫星所采集到的可见光遥感图像。将这些图像分为两部分，一部分是训练数据，另一部分是测试数据。其中GF1卫星的可见光遥感图像大小约为14000像素*14000像素，VRSS-1卫星的可见光遥感图像大小约为18000像素*18000像素。为解释方便，在本发明的后面内容中，将可见光遥感图像简称为图像。

步骤二：对图像进行图分割。对图像进行图分割，将图像分割成为若干个区域。图分割算法将图像抽象成为一个图，分割好的区域可以看作是一个最小生成树。

图是由顶点V和边E组成，表示为G(V,E)。顶点ν∈V，代表图像中单个的像素点，连接一对像素点的边表示为e∈E，两像素点之间的灰度差表示两个点的不相似度，而整幅图像就可以看作是一个图。树是一种特殊的图，其中任意两点都通过几条边相连接，但没有回路。而最小生成树则是一种特殊的树，即给定某些点，然后选择边权(灰度差)之和最小的一种连接方式将这所有的点连接成一棵树。

用图分割算法来分割图像时，初始时刻图像中的每个像素点都是一个顶点(即一个单独的区域)，然后这些顶点通过一定的规则合并成为若干个区域。该算法是根据区域之间的相似性来判断区域是否要合并。

某个区域的类内差异为Int(C)，即表示这个区域内的最不相似的那条边，形式如下：

$Int\left(C\right)=\underset{e\∈MST(C,E)}{max}\mathrm{\ω}\left(e\right)$

式中MST(C,E)表示由区域C及该区域中的边E所构成的最小生成树，ω(e)表示边e的权重，即该边连接的两个像素点之间的灰度差。

两个相邻区域的类间差异为Dif(C₁,C₂)，形式如下：

$Dif(C_1,C_2)=\underset{v_i\∈C_1,v_j\∈C_2,(v_i,v_j)\∈E}{\min }\mathrm{\ω}\left(\right(v_i,v_j\left)\right)$

式中(ν_i,ν_j)表示C₁,C₂这两个区域相邻的边，而Dif(C₁,C₂)表示这些区域中最不相似的边的权重，也就是相邻像素最大的灰度差。

当两个相邻区域的类间差异小于这两个区域的类内差异时，则表示两个区域可以合并起来，即此时有下式成立：

Dif(C₁,C₂)≤min(Int(C₁),Int(C₂))

当C₁和C₂都只包含一个像素点时，此时min(Int(C₁),Int(C₂))＝0，这时只有具有完全相同的灰度值的两个像素点才能合并。为避免这种情况，就要在上式中增添一个项τ(C)：

$\mathrm{\τ}\left(C\right)=\frac{k}{\left|C\right|}$

式中|C|表示区域C中所包含的像素点个数，k值可以用来控制所形成区域的大小，当k＝0时，几乎每个像素点都单独成为一个区域，而但k趋向无穷时，则整幅图像只为一个区域。

增加项τ(C)后，判断区域是否合并的公式可以进一步描述为：

Dif(C₁,C₂)≤min(Int(C₁)+τ(C₁),Int(C₂)+τ(C₂))

除了参数k，图分割具体实现时还设定了两个参数，一个是代表模糊程度的σ，另一个是后处理参数Min_size。输入图像后，先对图像进行方差为σ的高斯模糊，然后选定k的值对图像进行区域合并，得到一个一个单独的区域后，再进行判断，如果某个区域所包含的像素点数小于Min_size，那么这个区域就要被它邻近的比较大的区域所合并，从而得到最终的图分割结果。

步骤三：对分割后的图像区域提取统计特征。本发明所使用的统计特征为全变分、灰度直方图和梯度直方图。

对于图像的一个区域的全变分可以用下面的公式表示：

$TV\left(u\right)=\underset{\mathrm{\Ω}}{\∫}|\▿u|d\mathrm{\Ω}$

式中Ω表示该区域内所有的面积，表示该区域内某一点的梯度值，在本发明使用的是水平和垂直方向的一阶梯度，具体公式如下：

$TV\left(u\right)=\underset{x}{\overset{n}{\Σ}}\underset{y}{\overset{m}{\Σ}}\left(\right|u\left(x,y\right)-u\left(x-1,y\right)|+|u\left(x,y\right)-u\left(x,y-1\right)\left|\right)(x\≥1,y\≥1)$

式中(x,y)表示像素点在图像中的位置，n,m分别表示图像横向长度和纵向长度，u(x,y)表示像素点(x,y)的灰度值，u(x,y)-u(x-1,y)表示点(x,y)处的水平梯度，u(x,y)-u(x,y-1)表示点(x,y)处的垂直梯度。即该区域的全变分值为该区域内所有点处的水平梯度和垂直梯度绝对值的总和。

提取整个区域灰度直方图特征，即统计整个区域的灰度分布情况，并做归一化处理。具体的实现过程如下：

(1)选定为16维的灰度直方图，每一维的灰度级间隔为256/16＝16，然后统计整个区域的灰度，得到16维的特征；

(2)归一化：将得到的16维特征都除以整个区域的像素点的总数。

统计整个区域的梯度直方图特征。先计算区域内每个像素的梯度方向，然后统计梯度方向直方图，最后再进行归一化。具体的实现过程如下：

(1)计算区域内每个像素点水平方向和竖直方向的梯度，并得到梯度方向；

(2)统计18维的梯度方向直方图，方向间隔选择无符号梯度，每一维的梯度方向间隔为180°/18＝10°，得到18维的特征；

(3)归一化：将得到的18为特征除以所有梯度方向上值的平方和。

提取区域的全变分、灰度方向直方图和梯度方向直方图特征维数总计为1+16+18＝35维。

步骤四：训练线性SVM分类器。步骤二中图分割将图像分割成一个个区域后，人为地挑选样本，将陆地区域当作正样本，海洋区域当作负样本，在步骤三中提取出这些正负样本的统计特征，然后再训练线性SVM分类器，并记录好权重。

步骤五：利用训练好的线性SVM来进行海陆判断，得到最终的海陆分割结果图。对于测试图，先使用已经选定好参数的图分割将图像分割成若干个区域，然后提取出各个区域的统计特征，最后再用已经训练好的线性SVM分类器进行判断，得到最终的海陆分割结果图。

本发明使用了12张可见光遥感图像作为训练数据，3张可见光遥感图像作为测试。在分割算法中常使用的评价指标为IOU，在本发明的海陆分割中其定义如下：

在3张测试图像上得到的平均IOU值为0.8157，效果较好。

3、优点及功效。

本发明是一种基于图分割和监督分类的可见光遥感图像海陆分割方法。本发明的优点是：本发明通过结合图分割和监督学习的方法来完成海陆分割。图分割保证了分割边缘的精确性，监督学习保证了海洋和陆地判断的正确性，通过两者的结合，海陆分割的总体效果较好。

附图说明：

图1本发明所述方法海陆分割流程框图。

具体实施方式：

为了更好地理解本发明的技术方案，以下结合附图对本发明的实施方式作进一步描述：

本发明在VisualStudio2010和MATLAB2014b编程环境下实现。在VisualStudio2010编程环境下完成主体的海陆分割流程，在MATLAB2014b编程环境下完成线性SVM分类器的训练。计算机读取了可见光遥感图像后，首先进行海陆分割，将图像分割成若干个区域，然后提取各个区域的统计特征(全变分、灰度方向直方图和梯度方向直方图)用来训练线性SVM分类器，并利用训练好的分类器在图分割的基础上判断各个区域是海洋还是陆地，最终完成海陆分割。

本发明的流程图如1所示，计算机配置采用Intel(R)Core(TM)i7-3770处理器，主频3.40GHz，内存32GB，该海陆分割方法包括如下步骤：

步骤一：计算机读取数据。使用计算机在VisualStudio2010编程环境下读取可见光遥感图像，其分辨率为2～3米；

步骤二：对图像进行图分割。对图像进行图分割，选择合适的参数k，σ和Min_size，以得到较好的分割区域，即一个区域全是陆地，或全是海洋；

步骤三：对分割后的图像区域提取统计特征。在VisualStudio2010编程环境下提取图分割后区域的统计特征(全变分、灰度方向直方图和梯度方向直方图)，并写入txt中，以供分类器训练使用；

步骤四：训练线性SVM分类器。使用MATLAB2014b读取步骤三中记录统计特征的txt，利用LibLinear工具包训练线性SVM分类器，得到最后的训练权重ω。

步骤五：利用训练好的线性SVM来进行海陆判断，得到最终的海陆分割结果图。对于测试图，先对图像进行图分割，得到很多个区域，然后再在每个区域内，提取统计特征，最后利用训练好的SVM分类器进行判断，海洋区域中像素点的灰度值置为0，陆地区域中像素点的灰度值置为255，输出最终的海陆分割结果图。

有益效果：

实验结果：为了验证本发明的有效性，我们使用该方法进行实验，取得了较好的海陆分割效果。本发明实验所用数据为来自于中国GF1卫星和委内瑞拉VRSS-1卫星所采集到的可见光遥感图像。12张训练图像，3张测试图像，最终在测试数据上得到的平均IOU值为0.8157，海陆分割的效果较好。

从实验结果来看，本发明的方法很好地解决了可见光遥感图像的海陆分割问题，因而此方法可以应用在可见光遥感图像船只检测流程之一的海陆分割中，具有广阔的应用前景和价值。

Claims (1)

1.一种基于图分割和监督分类的可见光遥感图像海陆分割方法，其特征在于：该方法的具体步骤如下：

步骤一：计算机读取数据；首先使用计算机读取可见光遥感图像数据，使用的数据来自于中国GF1卫星和委内瑞拉VRSS-1卫星所采集到的可见光遥感图像，将这些图像分为两部分，一部分是训练数据，另一部分是测试数据；其中GF1卫星的可见光遥感图像大小为14000像素*14000像素，VRSS-1卫星的可见光遥感图像大小为18000像素*18000像素；

步骤二：对图像进行图分割；对图像进行图分割，将图像分割成为复数个区域，图分割算法将图像抽象成为一个图，分割好的区域看作是一个最小生成树；

图是由顶点V和边E组成，表示为G(V,E)；顶点ν∈V，代表图像中单个的像素点，连接一对像素点的边表示为e∈E，两像素点之间的灰度差表示两个点的不相似度，而整幅图像就看作是一个图；树是一种特殊的图，其中任意两点都通过几条边相连接，但没有回路；而最小生成树则是一种特殊的树，即给定某些点，然后选择边权即灰度差之和最小的一种连接方式将这所有的点连接成一棵树；

用图分割算法来分割图像时，初始时刻图像中的每个像素点都是一个顶点即一个单独的区域，然后这些顶点通过一定的规则合并成为复数个区域；该算法是根据区域之间的相似性来判断区域是否要合并；

某个区域的类内差异为Int(C)，即表示这个区域内的最不相似的那条边，形式如下：

$Int\left(C\right)=\underset{e\∈MST(C,E)}{max}\mathrm{\ω}\left(e\right)$

式中MST(C,E)表示由区域C及该区域中的边E所构成的最小生成树，ω(e)表示边e的权重，即该边连接的两个像素点之间的灰度差；

两个相邻区域C₁,的类间差异为Dif(C₁,C₂)，形式如下：

$Dif(C_1,C_2)=\underset{v_i\∈C_1,v_j\∈C_2,(v_i,v_j)\∈E}{\min }\mathrm{\ω}\left(\right(v_i,v_j\left)\right)$

式中(ν_i,ν_j)表示C₁,C₂这两个区域相邻的边，而Dif(C₁,C₂)表示这些区域中最不相似的边的权重，也就是相邻像素最大的灰度差；

当两个相邻区域的类间差异小于这两个区域的类内差异时，则表示两个区域能合并起来，即此时有下式成立：

Dif(C₁,C₂)≤min(Int(C₁),Int(C₂))

当C₁和C₂都只包含一个像素点时，此时min(Int(C₁),Int(C₂))＝0，这时只有具有完全相同的灰度值的两个像素点才能合并；为避免这种情况，在上式中增添一个项τ(C)：

$\mathrm{\τ}\left(C\right)=\frac{k}{\left|C\right|}$

式中|C|表示区域C中所包含的像素点个数，k值用来控制所形成区域的大小，当k＝0时，几乎每个像素点都单独成为一个区域，而但k趋向无穷时，则整幅图像只为一个区域；

增加项τ(C)后，判断区域是否合并的公式进一步描述为：

Dif(C₁,C₂)≤min(Int(C₁)+τ(C₁),Int(C₂)+τ(C₂))

除了参数k，图分割具体实现时还设定了两个参数，一个是代表模糊程度的σ，另一个是后处理参数Min_size；输入图像后，先对图像进行方差为σ的高斯模糊，然后选定k的值对图像进行区域合并，得到一个一个单独的区域后，再进行判断，如果某个区域所包含的像素点数小于Min_size，那么这个区域就要被它邻近的比较大的区域所合并，从而得到最终的图分割结果；

步骤三：对分割后的图像区域提取统计特征；统计特征为全变分、灰度直方图和梯度直方图；

对于图像的一个区域的全变分用下面的公式表示：

$TV\left(u\right)=\underset{\mathrm{\Ω}}{\∫}|\▿u|d\mathrm{\Ω}$

式中Ω表示该区域内所有的面积，表示该区域内某一点的梯度值，是水平和垂直方向的一阶梯度，具体公式如下：

$TV\left(u\right)=\underset{x}{\overset{n}{\Σ}}\underset{y}{\overset{m}{\Σ}}\left(\right|u\left(x,y\right)-u\left(x-1,y\right)|+|u\left(x,y\right)-u\left(x,y-1\right)\left|\right)(x\≥1,y\≥1)$

式中(x,y)表示像素点在图像中的位置，n,m分别表示图像横向长度和纵向长度，u(x,y)表示像素点(x,y)的灰度值，u(x,y)-u(x-1,y)表示点(x,y)处的水平梯度，u(x,y)-u(x,y-1)表示点(x,y)处的垂直梯度，即该区域的全变分值为该区域内所有点处的水平梯度和垂直梯度绝对值的总和；

提取整个区域灰度直方图特征，即统计整个区域的灰度分布情况，并做归一化处理；具体的实现过程如下：

(1)选定为16维的灰度直方图，每一维的灰度级间隔为256/16＝16，然后统计整个区域的灰度，得到16维的特征；

(2)归一化：将得到的16维特征都除以整个区域的像素点的总数；

统计整个区域的梯度直方图特征，先计算区域内每个像素的梯度方向，然后统计梯度方向直方图，最后再进行归一化；具体的实现过程如下：

(1)计算区域内每个像素点水平方向和竖直方向的梯度，并得到梯度方向；

(2)统计18维的梯度方向直方图，方向间隔选择无符号梯度，每一维的梯度方向间隔为180°/18＝10°，得到18维的特征；

(3)归一化：将得到的18为特征除以所有梯度方向上值的平方和；

提取区域的全变分、灰度方向直方图和梯度方向直方图特征维数总计为1+16+18＝35维；

步骤四：训练线性SVM分类器；步骤二中图分割将图像分割成一个个区域后，人为地挑选样本，将陆地区域当作正样本，海洋区域当作负样本，在步骤三中提取出这些正负样本的统计特征，然后再训练线性SVM分类器，并记录好权重；

步骤五：利用训练好的线性SVM来进行海陆判断，得到最终的海陆分割结果图；对于测试图，先使用已经选定好参数的图分割将图像分割成若干个区域，然后提取出各个区域的统计特征，最后再用已经训练好的线性SVM分类器进行判断，得到最终的海陆分割结果图；

在分割算法中常使用的评价指标为IOU，海陆分割中其定义如下：