CN105913023A - 基于多光谱图像和sar图像的黄河冰凌协同检测方法 - Google Patents

Abstract

本发明公开了一种基于多光谱图像和SAR图像的黄河冰凌协同检测方法，用于解决现有黄河冰凌检测方法精度差的技术问题。技术方案是首先利用遥感图像，通过对黄河遥感图像几何校正、Bow‑tie校正、云剔除、图像裁剪等预处理，进而对河流区域粗分割，最后利用NDSI检测方法与聚类法相结合，得到分割区域集合m；然后将区域m作为SAR图像检测方法输入，通过超像素分割和计算显著图得到分割区域集合n，最后通过交替迭代，寻找使得黄河冰凌检测模型最优的解，获取到最佳冰凌检测区域，实现黄河冰凌快速、有效检测，精度高。

Description

基于多光谱图像和SAR图像的黄河冰凌协同检测方法

技术领域

本发明涉及一种黄河冰凌检测方法，特别是涉及一种基于多光谱图像和SAR图像的黄河冰凌协同检测方法。

背景技术

文献“黄河冰凌测报系统研究与设计，《人民黄河》，2014，第1期，P27-P29”提出了以冰层厚度传感器作为信息采集装置，采集空气、冰与水的电阻值,实现对黄河河道冰凌的实时监测。该方法通过选择合理的冰层厚度对采集数据进行分析计算，得到冰层厚度、水位以及水温等数据信息，并通过GPRS网络通信模块将信息上传至监控中心。由于该方法利用冰层厚度传感器作为采集装置，存在一定的局限性，不能从整体反应冰凌特征，导致黄河冰凌检测存在误差。另一方面该方法通过GPRS网络通信，导致处理耗时。

发明内容

为了克服现有黄河冰凌检测方法精度差的不足，本发明提供一种基于多光谱图像和SAR图像的黄河冰凌协同检测方法。该方法首先利用遥感图像，通过对黄河遥感图像几何校正、Bow-tie校正、云剔除、图像裁剪等预处理，进而对河流区域粗分割，最后利用NDSI检测方法与聚类法相结合，得到分割区域集合m；然后将区域m作为SAR图像检测方法输入，通过超像素分割和计算显著图得到分割区域集合n，最后通过交替迭代，寻找使得黄河冰凌检测模型最优的解，获取到最佳冰凌检测区域，实现黄河冰凌快速、有效检测，精度高。

本发明解决其技术问题所采用的技术方案是：一种基于多光谱图像和SAR图像的黄河冰凌协同检测方法，其特点是包括以下步骤：

步骤一、获得遥感图像冰凌检测的结果。

1)图像预处理。

i)首先对遥感图像进行辐射校正，在理想情况下，太阳高度角订正与日地距离订正表示为，

$E=\frac{E_{0}cos\mathrm{\θ}}{d^2}$

其中E为归一化的太阳辐照度，E₀为平均日地距离时的太阳辐照度，为常数，θ为太阳天顶角，d为日地距离。

通过Bow-tie校正处理消除遥感影像中扫描条带错位现象。利用1km分辨率遥感图像数据带有的对应的像素点的经纬度信息对图像进行影像配准。

ii)接着对图像进行云剔除。利用冰雪与云在近红外波段反射率的差异进行两者的区分。

iii)图像裁剪。由于对整个遥感图像数据处理运算量非常大，从原始大范围的整景影像得到研究区较小范围遥感影像的过程。

2)河流区域粗分割。

通过对感兴趣区域的区域增长算法得到粗略的河流区域图。首先选定需要生长的种子像素点，并将其和该点的4邻域或者8邻域进行比较，当小于某个阈值则合并到同一区域，并对该区域进行标记。再从新合并的标记区域反复进行，得到最终的生长区域。

利用NDSI检测方法与聚类法相结合，得到分割区域集合y_i

利用冰雪在蓝光部分具有极高的反射率；在近红外波段，冰雪的反射率加速下降，且反射率很低这一光谱特性来区分河道中的冰雪及其他地物的。NDSI的计算公式如下，其中R₄表示冰雪在遥感图像第四波段的反射率，R₆表示冰雪在遥感图像第六波段的反射率。

$NDSI=\frac{R_4-R_6}{R_4+R_6}---\left(1\right)$

接着利用K-均值的方法使所有样本到聚类中心的距离平方和最小。最终得到利用遥感图像检测得到的分割区域y_i。

步骤二、获得SAR图像冰凌检测结果。

1)基于超像素分割。

首先初始化聚类中心像素C_k＝[l_ka_kb_kx_ky_k]^T，其中l_k，a_k，b_k为像素的颜色在CIELAB空间的颜色，x_k与y_k为像素的空间位置。根据梯度图像在初始化的聚类中心在5*5的邻域内选择局部极小值，设置每个像素的标签l(i)＝-1，同时设置每个像素到聚类中心的距离d(i)＝∞。接着对SAR图像上的每一个像素分配到各个聚类中心。

依次选择各个聚类中心，选择每个聚类中心的的圆形邻域内的像素，对于邻域内的每个像素i计算i到中心聚类k的距离D。如果D＜d(i)，则分配像素到该聚类中心所在的超像素中，并设置d(i)＝D，l(i)＝k。接着计算新的聚类中心，并计算是否达到一定的迭代步数或连续两步之间聚类中心不再变化。则此时得到的聚类即对SAR图像的超像素分割。

2)显著图计算。

i)计算全局显著图。

利用颜色空间的对比、空间位置的对比以及面积的对比。将这三种对比度结合得到基于全局独特性的显著性计算方法。

$U\left(t_i\right)=\underset{t_j\≠t_i}{\Σ}\exp \left(\frac{D(t_i,t_j)}{-{\mathrm{\σ}}^2}\right)\·w_{t_j}.\left|\right|{\mathrm{\μ}}_{t_i}-u_{t_j}\left|\right|---\left(2\right)$

其中D(t_i,t_j)表示两个两类之间的空间距离，表示聚类t_i在图像中的权重，为两类之间在CIELAB颜色空间的欧式距离，t_i,t_j代表两个聚类。

ii)颜色空间分布性显著图。

利用公式计算每个区域的中心位置其中x_h表示超像素的横坐标，|X|_c＝∑_xp(C|I_x)为区域C在所有图像中所占的比例。通过上式得到区域重心的横坐标，通过同样的方法得到该区域中心的纵坐标位置M_h(C)。

$M_h\left(C\right)=\frac{1}{|X{|}_C}\underset{x}{\Σ}p\left(C\right|I_x)\·x_h---\left(3\right)$

则计算横坐标的方差如公式所示

$V_h\left(C\right)=\frac{1}{|X{|}_C}\underset{x}{\Σ}p\left(C\right|I_x)\·|x_h-M_h\left(C\right){|}^2---\left(4\right)$

类似的，得到纵坐标的方差V_v(C),将横纵坐标的方差结合即得到图像空间分布的紧凑特性,即

V(C)＝V_h(C)+V_v(C) (5)

另外引入区域的中心偏置项

D(C)＝∑_xp(C|I_x)d_x (6)

将V(C)与D(C)归一化到[0,1]区间内，则显著性计算如下式所示

S(C)＝(1-V(C))(1-D(C)) (7)

iii)最终显著图。

结合基于区域独特性的显著图与基于空间分布的显著图的计算方法，求得最终显著图，其中U(c_i)表示区域独特性显著图，S(c_i)表示空间分布显著图。即检测区域集合。

sal(c_i)＝min(U(c_i),S(c_i)) (8)

步骤三、进行多源协同过程。

对于上述步骤分别得到的多光谱图像冰凌检测结果和采用协同驾驶向量进行协同计算过程。将最为先验信息输入到SAR冰凌检测算法中，从而使得在对SAR图像的冰凌检测可以缩小到所指示的局部区域中，调整检测算法内部的处理策略和具体参数，由此获得同理，将作为先验信息输入到多光谱冰凌检测算法中，调整检测算法内部的处理策略和具体参数，由此获得迭代进行上述过程，直至与之间的误差小于给定阈值thr，最终获得多光谱和SAR图像的多源协同冰凌检测结果。

本发明的有益效果是：该方法首先利用遥感图像，通过对黄河遥感图像几何校正、Bow-tie校正、云剔除、图像裁剪等预处理，进而对河流区域粗分割，最后利用NDSI检测方法与聚类法相结合，得到分割区域集合m；然后将区域m作为SAR图像检测方法输入，通过超像素分割和计算显著图得到分割区域集合n，最后通过交替迭代，寻找使得黄河冰凌检测模型最优的解，获取到最佳冰凌检测区域，实现黄河冰凌快速、有效检测，精度高。

下面结合具体实施方式对本发明作详细说明。

具体实施方式

本发明基于多光谱图像和SAR图像的黄河冰凌协同检测方法具体步骤如下：

1.获得遥感图像冰凌检测的结果。

4)图像预处理。

iv)首先对遥感图像进行辐射校正，在理想情况下，太阳高度角订正与日地距离订

正可表示为，

$E=\frac{E_{0}cos\mathrm{\θ}}{d^2}$

其中E为归一化的太阳辐照度，E₀为平均日地距离时的太阳辐照度，一般为常数，θ为太阳天顶角，d为日地距离，是跟季节相关的变量。

经过辐射校正处理的图像由于存在Bow-tie效应，导致遥感影像数据失真，因此通过Bow-tie校正处理消除遥感影像中扫描条带错位现象。接着利用1km分辨率遥感图像数据带有的对应的像素点的经纬度信息对图像进行影像配准。

v)接着对图像进行云剔除。由于在近红外波段，冰雪反射率下降很快，反射率较低，而云在可见光和近红外部分一般都具有较高的反射率，因此可利用冰雪与云在近红外波段反射率的差异进行两者的区分。

vi)图像裁剪。由于对整个遥感图像数据处理运算量非常大，从原始大范围的整景影像得到研究区较小范围遥感影像的过程。

5)河流区域粗分割。

通过对感兴趣区域的区域增长算法得到粗略的河流区域图。首先选定需要生长的种子像素点，并将其和该点的4邻域或者8邻域进行比较，当小于某个阈值则合并到同一区域，并对该区域进行标记。再从新合并的标记区域反复进行，得到最终的生长区域。

6)利用NDSI检测方法与聚类法相结合，得到分割区域集合y_i

利用冰雪在蓝光部分具有极高的反射率；在近红外波段，冰雪的反射率加速下降，且反射率很低这一光谱特性来区分河道中的冰雪及其他地物的。NDSI的计算公式如下，其中R₄表示冰雪在遥感图像第四波段的反射率，R₆表示冰雪在遥感图像第六波段的反射率。

$NDSI=\frac{R_4-R_6}{R_4+R_6}---\left(1\right)$

接着利用K-均值的方法使所有样本到聚类中心的距离平方和最小。最终得到利用遥感图像检测得到的分割区域y_i。

2.获得SAR图像冰凌检测结果。

3)基于超像素分割。

首先初始化聚类中心像素C_k＝[l_ka_kb_kx_ky_k]^T，其中l_k，a_k，b_k为像素的颜色在CIELAB空间的颜色，x_k与y_k为像素的空间位置。根据梯度图像在初始化的聚类中心在5*5的邻域内选择局部极小值，设置每个像素的标签l(i)＝-1，同时设置每个像素到聚类中心的距离d(i)＝∞。接着对SAR图像上的每一个像素分配到各个聚类中心。

依次选择各个聚类中心，选择每个聚类中心的的圆形邻域内的像素，对于邻域内的每个像素i计算i到中心聚类k的距离D。如果D＜d(i)，则分配像素到该聚类中心所在的超像素中，并设置d(i)＝D，l(i)＝k。接着计算新的聚类中心，并计算是否达到一定的迭代步数或连续两步之间聚类中心不再变化。则此时得到的聚类即对SAR图像的超像素分割。

4)显著图计算。

iv)计算全局显著图。

利用颜色空间的对比、空间位置的对比以及面积的对比。将这三种对比度结合得到基于全局独特性的显著性计算方法。

$U\left(t_i\right)=\underset{t_j\≠t_i}{\Σ}\exp \left(\frac{D(t_i,t_j)}{-{\mathrm{\σ}}^2}\right)\·w_{t_j}\·\left|\right|{\mathrm{\μ}}_{t_i}-u_{t_j}\left|\right|---\left(2\right)$

其中D(t_i,t_j)表示两个两类之间的空间距离，表示聚类t_i在图像中的权重，为两类之间在CIELAB颜色空间的欧式距离，t_i,t_j代表两个聚类。

v)颜色空间分布性显著图。

首先利用公式计算每个区域的中心位置其中x_h表示超像素的横坐标，|X|_c＝∑_xp(C|I_x)为区域C在所有图像中所占的比例。通过上式可得到区域重心的横坐标，通过同样的方法可得到该区域中心的纵坐标位置M_h(C)。

$M_h\left(C\right)=\frac{1}{|X{|}_C}\underset{x}{\Σ}p\left(C\right|I_x)\·x_h---\left(3\right)$

则计算横坐标的方差如公式所示

$V_h\left(C\right)=\frac{1}{|X{|}_C}\underset{x}{\Σ}p\left(C\right|I_x)\·|x_h-M_h\left(C\right){|}^2---\left(4\right)$

类似的，可得到纵坐标的方差V_v(C),将横纵坐标的方差结合即可得到图像空间分布的紧凑特性,即

V(C)＝V_h(C)+V_v(C) (5)

另外引入区域的中心偏置项

D(C)＝∑_xp(C|I_x)d_x (6)

将V(C)与D(C)归一化到[0,1]区间内，则显著性计算如下式所示

S(C)＝(1-V(C))(1-D(C)) (7)

vi)最终显著图。

结合基于区域独特性的显著图与基于空间分布的显著图的计算方法，求得最终显著图，其中U(c_i)表示区域独特性显著图，S(c_i)表示空间分布显著图。即检测区域集合。

sal(c_i)＝min(U(c_i),S(c_i)) (8)

3.进行多源协同过程。

对于上述步骤分别得到的多光谱图像冰凌检测结果和采用协同驾驶向量进行协同计算过程。将最为先验信息输入到SAR冰凌检测算法中，从而使得在对SAR图像的冰凌检测可以缩小到所指示的局部区域中，调整检测算法内部的处理策略和具体参数，由此获得同理，将作为先验信息输入到多光谱冰凌检测算法中，调整检测算法内部的处理策略和具体参数，由此获得迭代进行上述过程，直至与之间的误差小于给定阈值thr，最终获得多光谱和SAR图像的多源协同冰凌检测结果。

Claims (1)

1.一种基于多光谱图像和SAR图像的黄河冰凌协同检测方法，其特征在于包括以下步骤：

步骤一、获得遥感图像冰凌检测的结果；

1)图像预处理；

i)首先对遥感图像进行辐射校正，在理想情况下，太阳高度角订正与日地距离订正表示为，

$E=\frac{E_{0}cos\mathrm{\θ}}{d^2}$

其中E为归一化的太阳辐照度，E₀为平均日地距离时的太阳辐照度，为常数，θ为太阳天顶角，d为日地距离；

通过Bow-tie校正处理消除遥感影像中扫描条带错位现象；利用1km分辨率遥感图像数据带有的对应的像素点的经纬度信息对图像进行影像配准；

ii)接着对图像进行云剔除；利用冰雪与云在近红外波段反射率的差异进行两者的区分；

iii)图像裁剪；由于对整个遥感图像数据处理运算量非常大，从原始大范围的整景影像得到研究区较小范围遥感影像的过程；

2)河流区域粗分割；

通过对感兴趣区域的区域增长算法得到粗略的河流区域图；首先选定需要生长的种子像素点，并将其和该点的4邻域或者8邻域进行比较，当小于某个阈值则合并到同一区域，并对该区域进行标记；再从新合并的标记区域反复进行，得到最终的生长区域；

利用NDSI检测方法与聚类法相结合，得到分割区域集合y_i

利用冰雪在蓝光部分具有极高的反射率；在近红外波段，冰雪的反射率加速下降，且反射率很低这一光谱特性来区分河道中的冰雪及其他地物的；NDSI的计算公式如下，其中R₄表示冰雪在遥感图像第四波段的反射率，R₆表示冰雪在遥感图像第六波段的反射率；

$NDSI=\frac{R_4-R_6}{R_4+R_6}---\left(1\right)$

接着利用K-均值的方法使所有样本到聚类中心的距离平方和最小；最终得到利用遥感图像检测得到的分割区域y_i；

步骤二、获得SAR图像冰凌检测结果；

1)基于超像素分割；

首先初始化聚类中心像素C_k＝[l_ka_kb_kx_ky_k]^T，其中l_k，a_k，b_k为像素的颜色在CIELAB空间的颜色，x_k与y_k为像素的空间位置；根据梯度图像在初始化的聚类中心在5*5的邻域内选择局部极小值，设置每个像素的标签l(i)＝-1，同时设置每个像素到聚类中心的距离d(i)＝∞；接着对SAR图像上的每一个像素分配到各个聚类中心；

依次选择各个聚类中心，选择每个聚类中心的的圆形邻域内的像素，对于邻域内的每个像素i计算i到中心聚类k的距离D；如果D＜d(i)，则分配像素到该聚类中心所在的超像素中，并设置d(i)＝D，l(i)＝k；接着计算新的聚类中心，并计算是否达到一定的迭代步数或连续两步之间聚类中心不再变化；则此时得到的聚类即对SAR图像的超像素分割；

2)显著图计算；

i)计算全局显著图；

利用颜色空间的对比、空间位置的对比以及面积的对比；将这三种对比度结合得到基于全局独特性的显著性计算方法；

$U\left(t_i\right)=\underset{t_j\≠t_i}{\mathrm{\Σ}}\exp \left(\frac{D(t_i,t_j)}{-{\mathrm{\σ}}^2}\right)\·w_{t_j}\·\left|\right|{\mathrm{\μ}}_{t_i}-u_{t_j}\left|\right|---\left(2\right)$

其中D(t_i,t_j)表示两个两类之间的空间距离，表示聚类t_i在图像中的权重，为两类之间在CIELAB颜色空间的欧式距离，t_i,t_j代表两个聚类；

ii)颜色空间分布性显著图；

利用公式计算每个区域的中心位置其中x_h表示超像素的横坐标，|X_c|＝∑_xp(C|I_x)为区域C在所有图像中所占的比例；通过上式得到区域重心的横坐标，通过同样的方法得到该区域中心的纵坐标位置M_h(C)；

$M_h\left(C\right)=\frac{1}{|X{|}_C}\underset{x}{\Σ}p\left(C\right|I_x)\·x_h---\left(3\right)$

则计算横坐标的方差如公式所示

$V_h\left(C\right)=\frac{1}{|X{|}_C}\underset{x}{\Σ}p\left(C\right|I_x)\·|x_h-M_h\left(C\right){|}^2---\left(4\right)$

类似的，得到纵坐标的方差V_v(C),将横纵坐标的方差结合即得到图像空间分布的紧凑特性,即

V(C)＝V_h(C)+V_v(C) (5)

另外引入区域的中心偏置项

D(C)＝∑_xp(C|I_x)d_x (6)

将V(C)与D(C)归一化到[0,1]区间内，则显著性计算如下式所示

S(C)＝(1-V(C))(1-D(C)) (7)

iii)最终显著图；

结合基于区域独特性的显著图与基于空间分布的显著图的计算方法，求得最终显著图，其中U(c_i)表示区域独特性显著图，S(c_i)表示空间分布显著图；即检测区域集合；

sal(c_i)＝min(U(c_i),S(c_i)) (8)

步骤三、进行多源协同过程；

对于上述步骤分别得到的多光谱图像冰凌检测结果和采用协同驾驶向量进行协同计算过程；将最为先验信息输入到SAR冰凌检测算法中，从而使得在对SAR图像的冰凌检测可以缩小到所指示的局部区域中，调整检测算法内部的处理策略和具体参数，由此获得同理，将作为先验信息输入到多光谱冰凌检测算法中，调整检测算法内部的处理策略和具体参数，由此获得迭代进行上述过程，直至与之间的误差小于给定阈值thr，最终获得多光谱和SAR图像的多源协同冰凌检测结果。