CN105719300A - 基于sne流形学习的河道主溜线检测方法 - Google Patents

Abstract

本发明公开了一种基于SNE流形学习的河道主溜线检测方法，用于解决现有河道主溜线检测方法检测精度差的技术问题。技术方案是以单像素点为中心构建3×3大小的窗口，利用该窗口中心点像素的光谱值、窗口灰度的统计值以及窗口梯度构建一个24维的特征向量来描述主溜特征。利用流形学习将24维特征空间降至2维空间，然后在2维空间中寻求与已知主溜像素点距离最近的点，将该点标记为下游的主溜位置，以此类推直至整个河段检测结束。该方法利用窗口构建主溜的高维特征向量，利用流形学习进行维数约简，能够在构建的高维特征空间中寻求与已知主溜点距离最近的点的低维实现。克服了主溜线检测中特征不确定性这一技术难题，提高了主溜的检测精度。

Description

基于SNE流形学习的河道主溜线检测方法

技术领域

本发明涉及一种河道主溜线检测方法，特别涉及一种基于SNE流形学习的河道主溜线检测方法。

背景技术

主溜线是河道横断面上垂线流速最大的点的连线，是对河道主溜的概化表示，被用来描述河势的变化情况。传统获取方法是通过人工坐船查河确定主溜位置，然后手工在地形图上勾绘、转绘而成，该方法往往需要较长时间、安全性差，且难以获取洪水期的主溜变化情况。当前，国外还没有基于遥感影像解译河道主溜线的应用研究成果报道，国内的研究也处于刚刚起步阶段.

文献“Main-streamoftheYellowRiverdetectionbasedonspectralfeatureandtheDynamicTransmissionModel，InternationalConferenceonEarthObservationDataProcessingandAnalysis(ICEODPA),WuHan,China.Proc.ofSPIEVol.7285,72854U1-8”公开了一种基于光谱相似性描述的河道主溜线检测方法。该方法是将单个像素点每个波段的灰度值作为特征向量，利用光谱相似性度量和设置阈值的方法，通过在上游主溜区选择一个已知主溜像素点来寻求其下游的主溜点位置，并对算法的检测结果进行了主观评价。文献所述方法将图像处理技术和水流原理相结合，在一定程度上实现了主溜线检测，但是由于河道主溜自身的特征受河道来水来沙、边界条件以及河型等多因素影响，因此主溜自身的特征，包括主溜带深度、宽度、泥沙含量以及表面波浪的起伏度等都存在很大的不确定性，仅利用单像素点的光谱值很难准确描述不同情形下的河道主溜特征，且检测过程中往往还会受到噪声的影响，降低了主溜线的检测精度，在一些宽、浅、散、乱，河道主溜特征不十分明显的河段检测算法失效。另外，算法中设置了相似性度量的阈值，该阈值对整个检测过程有较大的影响，当阈值设置较大时，断点增多；当阈值设置较小时，检测出的主溜点可能会偏离主溜区，但要确定合理的阈值却十分困难，算法的稳健性较差。

发明内容

为了克服现有河道主溜线检测方法检测精度差的不足，本发明提供一种基于SNE流形学习的河道主溜线检测方法。该方法以单像素点为中心构建3×3大小的窗口，利用该窗口中心点像素的光谱值、窗口灰度的统计值以及窗口梯度构建一个24维的特征向量来描述主溜特征。利用流形学习将24维特征空间降至2维空间，然后在2维空间中寻求与已知主溜像素点距离最近的点，将该点标记为下游的主溜位置，以此类推直至整个河段结束。该方法利用窗口构建主溜的高维特征向量，囊括了主溜的光谱特征、纹理特征和几何特征；利用流形学习算法进行维数约简，能够在构建的高维特征空间中寻求与已知主溜点距离最近的点的低维实现。克服了主溜线检测中特征的不确定性这一技术难题，提高了主溜的检测精度和稳健性。

本发明解决其技术问题所采用的技术方案：一种基于SNE流形学习的河道主溜线检测方法，其特点是包括以下步骤：

步骤一、分割河流，生成河流分割影像。

在一景TM遥感影像上，选择对水体最敏感的band5进行河流粗分割。利用区域生长法，通过选择种子点像素和定义相似性度量值对河流进行增长，生成与TM遥感影像相同大小的二值图像，在该二值图像中河流区域的值为1，非河流区域的值为0。然后利用生成的二值图像对TM遥感影像进行掩膜处理，得到分割后的遥感影像，该遥感影像中河流部分的像素值为TM遥感影像的光谱值，非河流部分全部为0。

步骤二、提取河道中心线。

在步骤一生成的二值图像基础上，利用形态学骨架化方法提取河流骨架，去除河流骨架多余毛刺，得到一个完整的只有一个方向的河道骨架，即河道中心线。

步骤三、选取初始主溜样本点。

以河流分割的多光谱遥感影像为基础，在河道上游的主溜区内人工选择一个像素点作为初始主溜样本点，并将该初始主溜样本点标识为主溜点。

步骤四、根据主溜样本点特征向量计算方法，计算主溜点的特征向量X_1×24。Z＝[s₁,s₂,…s₆,μ₁,μ₂,…,μ₆,σ² ₁,σ² ₂,…,σ³ ₂,g₁,g₂…,g₆…。其中，s_i，i＝1,2,…6表示窗口中心点在i波段的灰度值；u_i，i＝1,2,…6表示窗口在i波段的灰度均值；i＝1,2,…6表示窗口在i波段的灰度方差；g_i，i＝1,2,…,6表示在i波段上的窗口梯度。生成的主溜样本特征向量T共24维。各参数的计算方法如下：

窗口的灰度均值μ： $\mathrm{\μ}=\frac{1}{m\·n}\underset{i=-r}{\overset{r}{\Σ}}\underset{j=-l}{\overset{l}{\Σ}}I(x+i,y+j)$

窗口的灰度方差σ²： ${\mathrm{\σ}}^2=\frac{1}{m\·n}\underset{x=-r}{\overset{r}{\Σ}}\underset{y=-l}{\overset{l}{\Σ}}{I}^2(x+i,y+j)-{\left(\frac{1}{m\·n}\underset{i=-r}{\overset{r}{\Σ}}\underset{j=-l}{\overset{l}{\Σ}}I(x+i,y+j)\right)}^2$

窗口梯度g： $g=4u(x,y)-\underset{l=0,1}{\Σ}u(x+{\left(-1\right)}^{l}m,y)+u(x,y+{\left(-1\right)}^{l}n)$

式中，m·n表示窗口的大小，设定为3×3；u(x,y)表示窗口中心点在(x,y)的m·n窗口的灰度均值。

步骤五、计算主溜样本点的水流方向，利用动态演进模型，选择主溜样本点下游的主溜候选点，并利用主溜样本特征计算方法，计算各候选点的特征向量Y_i×24，其中i表示主溜候选点的个数，24表示特征向量的维数。

a.计算主溜样本点的水流方向。

将河道中心线上与主溜点具有相同横坐标的点的切线方向作为该主溜点的水流方向。其方法是在河道中心线上，利用距离该主溜点下游点和上游点3个像素的点位置进行计算，用公式表示为：

d＝tan((y₂-y₁)/(x₂-x₁))

式中，d表示水流方向，y₂、y₁分别表示中心线上下游点、上游点的纵坐标，x₂、x₁表示中心线上下游点、上游点的横坐标。

b.确定下游的主溜样本候选点。

建立河道水流演进模型，该演进模型将水流方向简化为个方向。当上述计算的d值落在两个方向区间时，选择距离近的方向作为水流方向，当时，令d＝0；当时，令确定了主溜样本点的水流方向后，根据水流演进模型确定主溜样本候选点。

c.计算主溜样本候选点特征向量Y_i。

主溜样本候选点特征向量Y_i的计算方法与步骤四主溜样本点特征向量的计算方法相同，计算时是以主溜候选点为中心像素点进行的计算。

步骤六、利用SNE流形学习算法，对主溜样本点和主溜样本候选点同时进行降维处理，得到主溜样本点和各候选点的2维特征向量，分别表示为x和y_i，i表示第i个主溜候选点。

将主溜样本点和主溜样本候选点的特征向量合并成一个向量I，I＝[X,Y_i]_(i+1)×24，然后将向量I_(i+1)×24输入至SNE流形学习算法中。SNE流形学习算法确定的参数包括混乱度Perp、迭代次数T、学习速率η、初始动量系数α(t)、最终动量系数γ(t)和输出维数。

步骤七、在主溜候选点中确定下游的主溜样本点。

在降维后的2维特征空间中，计算主溜样本点X与各候选点Y_i之间的距离，将距离最小的候选点标识为主溜点，并将其作为新的主溜样本点。

$\min d(X,Y_i)=\min {\left(\underset{i=1}{\overset{n}{\Σ}}{\left|x-y_i\right|}^2\right)}^{1/2}$

式中X表示主溜样本点，Y_i表示主溜样本候选点，x表示降维后主溜样本点的二维特征向量，y_i表示降维后主溜样本候选点的二维特征向量，n是候选点的个数，n等于5。

步骤八、重复步骤四至步骤七，直至整个河道检测结束，并将所有标记为主溜的点显示出来，完成整个河段的主溜线检测。

本发明的有益效果是：该方法以单像素点为中心构建3×3大小的窗口，利用该窗口中心点像素的光谱值、窗口灰度的统计值以及窗口梯度构建一个24维的特征向量来描述主溜特征。利用流形学习将24维特征空间降至2维空间，然后在2维空间中寻求与已知主溜像素点距离最近的点，将该点标记为下游的主溜位置，以此类推直至整个河段结束。该方法利用窗口构建主溜的高维特征向量，囊括了主溜的光谱特征、纹理特征和几何特征；利用流形学习算法进行维数约简，能够在构建的高维特征空间中寻求与已知主溜点距离最近的点的低维实现。克服了主溜线检测中特征不确定性这一技术难题，提高了主溜的检测精度和稳健性。

下面结合附图和具体实施方式对本发明作详细说明。

附图说明

图1是本发明基于SNE流形学习的河道主溜线检测方法的流程图。

图2是本发明方法建立的河道水流演进模型。

图中，→表示水流方向，■表示主溜样本点，表示主溜样本候选点。

具体实施方式

参照图1-2。本发明基于SNE流形学习的河道主溜线检测方法具体步骤如下：

1.分割河流，生成河流分割影像。

在一景TM遥感影像上，选择对水体最敏感的band5进行河流粗分割。利用区域生长法，通过选择种子点像素和定义相似性度量值对河流进行增长，生成与原始影像相同大小的二值图像，在该图像中河流区域的值为1，非河流区域的值为0。然后利用生成的二值图像对原始影像进行掩膜处理，得到分割后的遥感影像，该影像中河流部分的像素值为原始影像的光谱值，非河流部分全部为0。

2.提取河道中心线。

在上述生成的二值图像上，利用形态学骨架化方法，即先用开运算进行运算，然后再用闭运算进行运算，提取河流的骨架。在此基础上，去除多余的毛刺，得到一个完整的只有一个方向的河道骨架，将该骨架视作河道中心线。

3.选取初始主溜样本点。

以河流分割的多光谱遥感影像为基础，在河道上游的主溜区内人工选择一个像素点作为初始主溜样本点，并将该点标识为主溜点。

4.根据主溜样本特征向量计算方法，计算主溜样本点的特征向量X_1×24。Z＝[s₁,s₂,…s₆,μ₁,μ₂,…,μ₆,σ² ₁,σ² ₂,…,σ³ ₂,g₁,g₂…,g₆]。其中，s_i(i＝1,2,…6)表示窗口中心点在i波段的灰度值；u_i(i＝1,2,…6)表示窗口在i波段的灰度均值；表示窗口在i波段的灰度方差；g_i(i＝1,2,…,6)表示在i波段上的窗口梯度。生成的主溜样本特征向量T共24维。各参数的计算方法如下：

窗口的灰度均值μ： $\mathrm{\μ}=\frac{1}{m\·n}\underset{i=-r}{\overset{r}{\Σ}}\underset{j=-l}{\overset{l}{\Σ}}I(x+i,y+j)$

窗口的灰度方差σ²： ${\mathrm{\σ}}^2=\frac{1}{m\·n}\underset{x=-r}{\overset{r}{\Σ}}\underset{y=-l}{\overset{l}{\Σ}}{I}^2(x+i,y+j)-{\left(\frac{1}{m\·n}\underset{i=-r}{\overset{r}{\Σ}}\underset{j=-l}{\overset{l}{\Σ}}I(x+i,y+j)\right)}^2$

窗口梯度g： $g=4u(x,y)-\underset{l=0,1}{\Σ}u(x+{\left(-1\right)}^{l}m,y)+u(x,y+{\left(-1\right)}^{l}n)$

式中，m·n表示窗口的大小，设定为3×3；u(x,y)表示窗口中心点在(x,y)的m·n窗口的灰度均值。

5.计算主溜样本点的水流方向，利用动态演进模型，选择主溜样本点下游的主溜候选点，并利用主溜样本特征计算方法，计算各候选点的特征向量Y_i×24，其中i表示主溜候选点的个数，24表示特征向量的维数。这里需要三步完成：

a.首先，计算主溜样本点的水流方向。

主溜样本点的水流方向是该主溜点所在河道横断面与河道中心线交叉点的切线方向。本发明对该算法进行了简化，是将河道中心线上与该主溜点具有相同横坐标的点的切线方向作为该主溜点的水流方向。其方法是在河道中心线上，利用距离该点下、上游3个像素的点位置进行计算，用公式可表示为：

d＝tan((y₂-y₁)/(x₂-x₁))

式中，d表示水流方向，y₂、y₁分别表示中心线上下游点、上游点的纵坐标，x₂、x₁表示中心线上下游点、上游点的横坐标。

b.其次，确定下游的主溜样本候选点

建立河道水流演进模型，该模型将水流方向简化为等8个方向。当上述计算的d值落在两个方向区间时，选择距离近的方向作为水流方向，如当时，令d＝0；当时，令确定了主溜样本点的水流方向后，根据水流演进模型确定主溜样本候选点。

c.最后，计算主溜样本候选点的特征向量Y_i

主溜候选点特征向量的计算方法与主溜样本点特征向量的计算方法相同，只是计算时是以主溜候选点为中心像素点进行的计算。

6.利用SNE流形学习算法，对主溜样本点和主溜样本候选点同时进行降维处理，得到主溜样本点和各候选点的2维特征向量，分别表示为x和y_i，i表示第i个主溜候选点。

将主溜样本点和主溜样本候选点的特征向量合并成一个向量I，I＝[X,Y_i]_(i+1)×24，然后将向量I_(i+1)×24输入至SNE流形学习算法中。SNE流形学习算法需要确定的参数包括混乱度Perp、迭代次数T，学习速率η、初始动量系数α(t)、最终动量系数γ(t)和输出维数。各参数的参考设置值为Perp＝8、T＝100、η＝0.05、α(t)＝0.3、γ(t)＝0.8，输出维数设置为2。

7.在主溜候选点中确定下游的主溜样本点。

在降维后的2维特征空间中，计算主溜样本点X与各候选点Y_i之间的距离，将距离最小的候选点标识为主溜点，并将其作为新的主溜样本点。

$\min d(X,Y_i)=\min {\left(\underset{i=1}{\overset{n}{\Σ}}{\left|x-y_i\right|}^2\right)}^{1/2}$

式中X表示主溜样本点，Y_i表示主溜样本候选点，x表示降维后主溜样本点的二维特征向量，y_i表示降维后主溜样本候选点的二维特征向量，n是候选点的个数，等于5，是由水流演进模型确定的。

8.重复4-7步，直至整个河道结束，并将所有标记为主溜的点显示出来，即可完成整个河段的主溜线检测。

Claims (1)

1.一种基于SNE流形学习的河道主溜线检测方法，其特征在于包括以下步骤：

步骤一、分割河流，生成河流分割影像；

在一景TM遥感影像上，选择对水体最敏感的band5进行河流粗分割；利用区域生长法，通过选择种子点像素和定义相似性度量值对河流进行增长，生成与TM遥感影像相同大小的二值图像，在该二值图像中河流区域的值为1，非河流区域的值为0；然后利用生成的二值图像对TM遥感影像进行掩膜处理，得到分割后的遥感影像，该遥感影像中河流部分的像素值为TM遥感影像的光谱值，非河流部分全部为0；

步骤二、提取河道中心线；

在步骤一生成的二值图像基础上，利用形态学骨架化方法提取河流骨架，去除河流骨架多余毛刺，得到一个完整的只有一个方向的河道骨架，即河道中心线；

步骤三、选取初始主溜样本点；

以河流分割的多光谱遥感影像为基础，在河道上游的主溜区内人工选择一个像素点作为初始主溜样本点，并将该初始主溜样本点标识为主溜点；

步骤四、根据主溜样本点特征向量计算方法，计算主溜点的特征向量X_1×24；Z＝[s₁,s₂,…s₆,μ₁,μ₂,…,μ₆,σ² ₁,σ² ₂,…,σ³ ₂,g₁,g₂…,g₆]；其中，s_i，i＝1,2,…6表示窗口中心点在i波段的灰度值；u_i，i＝1,2,…6表示窗口在i波段的灰度均值；i＝1,2,…6表示窗口在i波段的灰度方差；g_i，i＝1,2,…,6表示在i波段上的窗口梯度；生成的主溜样本特征向量T共24维；各参数的计算方法如下：

窗口的灰度均值μ： $\mathrm{\μ}=\frac{1}{m\·n}\underset{i=-r}{\overset{r}{\Σ}}\underset{j=-l}{\overset{l}{\Σ}}I(x+i,y+j)$

窗口的灰度方差σ²： ${\mathrm{\σ}}^2=\frac{1}{m\·n}\underset{x=-r}{\overset{r}{\Σ}}\underset{y=-l}{\overset{l}{\Σ}}{I}^2(x+i,y+j)-{\left(\frac{1}{m\·n}\underset{i=-r}{\overset{r}{\Σ}}\underset{j=-l}{\overset{l}{\Σ}}I\right(x+i,y+j\left)\right)}^2$

窗口梯度g： $g=4u(x,y)-\underset{l=0,1}{\Σ}u(x+{\left(-1\right)}^{l}m,y)+u(x,y+{\left(-1\right)}^{l}n)$

式中，m·n表示窗口的大小，设定为3×3； u(x,y)表示窗口中心点在(x,y)的m·n窗口的灰度均值；

步骤五、计算主溜样本点的水流方向，利用动态演进模型，选择主溜样本点下游的主溜候选点，并利用主溜样本特征计算方法，计算各候选点的特征向量Y_i×24，其中i表示主溜候选点的个数，24表示特征向量的维数；

a.计算主溜样本点的水流方向；

将河道中心线上与主溜点具有相同横坐标的点的切线方向作为该主溜点的水流方向；其方法是在河道中心线上，利用距离该主溜点下游点和上游点3个像素的点位置进行计算，用公式表示为：

d＝tan((y₂-y₁)/(x₂-x₁))

式中，d表示水流方向，y₂、y₁分别表示中心线上下游点、上游点的纵坐标，x₂、x₁表示中心线上下游点、上游点的横坐标；

b.确定下游的主溜样本候选点；

建立河道水流演进模型，该演进模型将水流方向简化为个方向；当上述计算的d值落在两个方向区间时，选择距离近的方向作为水流方向，当时，令d＝0；当时，令确定了主溜样本点的水流方向后，根据水流演进模型确定主溜样本候选点；

c.计算主溜样本候选点特征向量Y_i；

主溜样本候选点特征向量Y_i的计算方法与步骤四主溜样本点特征向量的计算方法相同，计算时是以主溜候选点为中心像素点进行的计算；

步骤六、利用SNE流形学习算法，对主溜样本点和主溜样本候选点同时进行降维处理，得到主溜样本点和各候选点的2维特征向量，分别表示为x和y_i，i表示第i个主溜候选点；

将主溜样本点和主溜样本候选点的特征向量合并成一个向量I，I＝[X,Y_i]_(i+1)×24，然后将向量I_(i+1)×24输入至SNE流形学习算法中；SNE流形学习算法确定的参数包括混乱度Perp、迭代次数T、学习速率η、初始动量系数α(t)、最终动量系数γ(t)和输出维数；

步骤七、在主溜候选点中确定下游的主溜样本点；

在降维后的2维特征空间中，计算主溜样本点X与各候选点Y_i之间的距离，将距离最小的候选点标识为主溜点，并将其作为新的主溜样本点；

$\min d(X,Y_i)=min{\left(\underset{i=1}{\overset{n}{\Σ}}\right|x-y_i{|}^2)}^{1/2}$

式中X表示主溜样本点，Y_i表示主溜样本候选点，x表示降维后主溜样本点的二维特征向量，y_i表示降维后主溜样本候选点的二维特征向量，n是候选点的个数，n等于5；

步骤八、重复步骤四至步骤七，直至整个河道检测结束，并将所有标记为主溜的点显示出来，完成整个河段的主溜线检测。