CN107230210A - 一种遥感图像港口水面目标的快速分割方法 - Google Patents

一种遥感图像港口水面目标的快速分割方法 Download PDF

Info

Publication number
CN107230210A
CN107230210A CN201710461817.2A CN201710461817A CN107230210A CN 107230210 A CN107230210 A CN 107230210A CN 201710461817 A CN201710461817 A CN 201710461817A CN 107230210 A CN107230210 A CN 107230210A
Authority
CN
China
Prior art keywords
image
harbour
angle point
remote sensing
connected domain
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.)
Pending
Application number
CN201710461817.2A
Other languages
English (en)
Inventor
于树海
贺小军
于野
钟兴
于渊博
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chang Guang Satellite Technology Co Ltd
Original Assignee
Chang Guang Satellite Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chang Guang Satellite Technology Co Ltd filed Critical Chang Guang Satellite Technology Co Ltd
Priority to CN201710461817.2A priority Critical patent/CN107230210A/zh
Publication of CN107230210A publication Critical patent/CN107230210A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/12—Edge-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/181—Segmentation; Edge detection involving edge growing; involving edge linking
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10032—Satellite or aerial image; Remote sensing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20024—Filtering details
    • G06T2207/20032—Median filtering

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

一种遥感图像港口水面目标的快速分割方法，涉及遥感图像处理领域，解决现有图像预处理方法计算复杂度高，鲁棒性差，导致无法满足实时性要求的问题，提供一种遥感图像港口水面目标的快速分割方法。图像预处理；对原始图像进行二值化处理，实现海陆分割；对二值化处理的图像提取角点，获得海陆分割后的图像；对获得海陆分割后的图像进行连通域处理，获得连通域总数，并计算连通域周长，判定连通域像素点总数大于连通域周长阈值的连通域为陆地部分，港口目标提取；实现海陆分割，采用本发明的方法可以快速、准确地提取沿海目标，可降低后续目标识别的运算量，提高目标识别速度，因消除了绝大部分陆地影像干扰，可提高目标识别精度。

Description

一种遥感图像港口水面目标的快速分割方法
技术领域
本发明涉及遥感图像处理领域，具体涉及一种针对遥感图像港口水面目标的快速分割方法。
背景技术
随着卫星遥感领域的不断发展，对卫星数据处理方式方法得到了越来越多的关注，其中如何快速、智能的识别水面目标成为关注的重点。然而，遥感影像背景复杂，若直接从一幅港口遥感图像中地提取出感兴趣的目标，计算耗时时间长，且正确率较低。因此在对水面目标进行信息提取前，如果准确地分割陆地和海洋，并准确地保留待识别目标区域，是港口水面目标快速、准确识别的重要前提。
现有水面目标识别的图像预处理方法大多数是在整幅卫星图像中进行模板匹配搜索，提取整个港口目标，再进行水上目标识别，这种方法计算复杂度高，鲁棒性差，并且仅适用于同种建筑风格的港口提取,无法满足快速、实时的卫星在轨处理系统。
发明内容
本发明为解决现有图像预处理方法计算复杂度高，鲁棒性差，导致无法满足实时性要求的问题，提供一种遥感图像港口水面目标的快速分割方法。
一种遥感图像港口水面目标的快速分割方法，该方法由以下步骤实现：
步骤一、图像预处理；对原始图像进行二值化处理，实现海陆分割；
步骤二、对步骤一中二值化处理的图像提取角点，并将角点按列坐标从大至小排序；
设定角点总数为N，排序后组成集合NPi＝{ci,ci+1,ci+2...cN}，1≤i<N；
遍历集合NPi＝{ci,ci+1,ci+2...cN}中各角点像素的距离，将小于阈值d的角点存入集合Pi＝{p1,p2,p3...pm}中，其中m为角点ci与集合NPi中的角点满足条件的角点个数；连接角点ci与集合NPi中满足条件的角点，获得海陆分割后的图像；
步骤三、将步骤二中获得海陆分割后的图像进行连通域处理，获得连通域总数，并计算连通域周长，判定连通域像素点总数大于连通域周长阈值的连通域为陆地部分，将陆地部分的灰度值置为1，其他区域灰度值置为0，即剔除港口突出或凹陷区域；
步骤四、港口目标提取；
将步骤三获得的连通域为陆地部分的图像逻辑取反，获得矩阵A，再将矩阵A和原始图像的矩阵B进行点乘运算，C＝A.*B，C矩阵代表的图像即为船只和港口突出或凹陷的建筑物，实现港口水面目标区域的分割提取。
本发明的有益效果：
一、本发明所述的方法首先对遥感图像进行阈值化、形态学运算等预处理工作，从灰度层面将海洋与陆地区域进行初步分离，然后通过分析港口几何特征，设计了基于角点判定的港口水面目标快速分割的方法。
二、本发明所述的遥感图像港口水面目标的快速分割方法具有计算简单、鲁棒性高，易于工程实现等优势。
三、采用本发明的方法可以快速、准确地提取沿海目标，可降低后续目标识别的运算量，提高目标识别速度，因消除了绝大部分陆地影像干扰，可提高目标识别精度。
四、本发明所述的方法不仅适用于传统地面对遥感图像的目标识别领域，还特别适用于对目标识别速度要求较高、处理系统性能受限的卫星在轨处理系统。
附图说明
图1为本发明所述的一种遥感图像港口水面目标的快速分割方法的流程图；
图2为本发明所述的一种遥感图像港口水面目标的快速分割方法中原始遥感图像示意图；
图3为本发明所述的一种遥感图像港口水面目标的快速分割方法中陆地海洋初步分割结果示意图；
图4为本发明所述的一种遥感图像港口水面目标的快速分割方法中陆地分割结果示意图；
图5为本发明所述的一种遥感图像港口水面目标的快速分割方法中港口目标提取结果示意图；
图6为本发明所述的一种遥感图像港口水面目标的快速分割方法中港口图像原始效果图；
图7为本发明所述的一种遥感图像港口水面目标的快速分割方法中港口图像水面目标分割结果示意图。
具体实施方式
具体实施方式一、结合图1至图7说明本实施方式，一种遥感图像港口水面目标的快速分割方法，该方法由以下步骤实现：
一、图像预处理：通过阈值化、形态学运算等步骤，将原始图像二值化处理，初步实现海陆分割。
含有港口图像的直方图可以认为是混合高斯分布(MoG:Mixture of Gaussians)，由两个高斯分布组成，通过EM(最大期望值Expectation Maximization Algorithm)迭代算法可以估算出海洋区域的灰度值范围。本实施方式采用图片尺寸为4329×7696像元，结合图2。
首先对图像进行下采样处理，以提高运算速度和降低数据处理量；再对图像进行阈值化处理(本实施方式中计算得到阈值为50)；然后对图像进行形态学闭运算处理，其中闭运算的内核形状为矩形，尺寸为5×5，最后对图像进行中值滤波，滤波模板尺寸为13×13，这样初步实现海陆分割，分割结果结合图3，再采用Shi Tomasi方法对二值图像提取角点。
本实施方式中，考虑卫星成像特点，角点选择间隔设置为100像元，选择窗口的半轴长为3；最后将角点按列坐标大小排序。本实施方式中，采样处理采用4倍降采样。
二、海岸分离：首先对二值化图像进行角点提取，并排列；再根据港口建筑特点，连接两两角点；最终通过判定，实现海岸分离。
a、角点连接：设上步提取的角点总数量为N个,组成集合NP＝{c1,c2,c3...cN}。以第一个角点c1开始，依次在NP1＝{c2,c3,c4...cN}中寻找和c1像素距离小于阈值d的角点，将满足条件的角点存入集合P1＝{p1,p2,p3...pm}中，其中m为满足条件的角点个数。通过c1和P1连线是否存在非零值，可判断c1和P1中各角点连接线是否仅为陆地，若是，则以c1为起点连接两者，否则，不做任何处理。本实施方式中阈值d设置为100个像素；
b、海岸分离：从ci开始在集合NPi＝{ci+1,ci+2,ci+3...cN}中按照a步骤进行角点连接，进而将海岸线边缘凸出的部分分割为较小的陆地块，再结合下一步的连通域面积约束，即可将该部分小陆地块置为0，1≤i<N；
三、陆地剔除：将得到海岸分离后的图像进行连通域判断，得到连通域总数记为T,保留像素点总数大于某一周长阈值的连通域部分(陆地)，该部分灰度值设置为1，不满足区域灰度值设置为0，可剔除港口突出或凹陷区域，尽可能多选取一些角点，保证海岸线上凸起的部分能够被充分去除。本提案的最终陆地分割结果结合图4，本实施方式中周长阈值设置为S＝500个像素点；
四、港口目标提取：将最终陆地分割图像逻辑取反得到矩阵A，再将A和原始图像的矩阵B进行点乘运算，C＝A.*B，C矩阵代表的图像即是得到船只和少部分港口突出的建筑物，完成海岸线上突出区域的提取，结合图5。
本实施方式采用“吉林一号”A星遥感图像作为验证输入图像，其星下点地面分辨率为0.72m，考虑到舰船尺度大小，选择角点连接距离阈值为100个像素，连通域周长阈值为500个像素，若使用本提案对其他分辨率卫星进行陆地和海洋分割，需要针对星下点分辨率对上面的两个阈值稍作调整。
图2中的原始图中像素数为4328*7696＝33308288，经过本实施方式所述的方法处理后，经统计可知图像中剔除了31579549个像素，保留像素数为1728739个，剔除率达到94.8％，可极大地减少后续水上目标识别的计算量。
结合图6和图7说明本实施方式，对另一图像进行验证，输入图像和结果分别如图6和图7所示，原图尺寸3216*1808，像素总数为5814528，经处理后可剔除5153720个像素，保留660808，剔除率为88.6％。

Claims (5)

1.一种遥感图像港口水面目标的快速分割方法，其特征是，该方法由以下步骤实现：
步骤一、图像预处理；对原始图像进行二值化处理，实现海陆分割；
步骤二、对步骤一中二值化处理的图像提取角点，并将角点按列坐标从大至小排序；
设定角点总数为N，排序后组成集合NPi＝{ci,ci+1,ci+2...cN}，1≤i<N；
遍历集合NPi＝{ci,ci+1,ci+2...cN}中各角点像素的距离，将小于阈值d的角点存入集合Pi＝{p1,p2,p3...pm}中，其中m为角点ci与集合NPi中的角点满足条件的角点个数；连接角点ci与集合NPi中满足条件的角点，获得海陆分割后的图像；
步骤三、将步骤二中获得海陆分割后的图像进行连通域处理，获得连通域总数，并计算连通域周长，判定连通域像素点总数大于连通域周长阈值S的连通域为陆地部分，将陆地部分的灰度值置为1，其他区域灰度值置为0，即剔除港口突出或凹陷区域；
步骤四、港口目标提取；
将步骤三获得的连通域为陆地部分的图像逻辑取反，获得矩阵A，再将矩阵A和原始图像的矩阵B进行点乘运算，C＝A.*B，C矩阵代表的图像即为船只和港口突出或凹陷的建筑物，实现港口水面目标区域的分割提取。
2.根据权利要求1所述的一种遥感图像港口水面目标的快速分割方法，其特征在于，步骤一中，首先对原始图像进行下采样处理，再对处理的图像进行阈值化处理；然后对阈值化处理的图像进行形态学闭运算处理，最后对图像进行中值滤波，实现海陆分割。
3.根据权利要求1所述的一种遥感图像港口水面目标的快速分割方法，其特征在于，步骤二中，采用Shi Tomasi方法对二值化后的图像提取角点，所述角点间隔设置为100像元，选择窗口的半轴长为3；将角点按列坐标大小排序。
4.根据权利要求1所述的一种遥感图像港口水面目标的快速分割方法，其特征在于，阈值d设置为100个像素。
5.根据权利要求1所述的一种遥感图像港口水面目标的快速分割方法，其特征在于，连通域周长阈值S设置为500个像素。
CN201710461817.2A 2017-06-19 2017-06-19 一种遥感图像港口水面目标的快速分割方法 Pending CN107230210A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710461817.2A CN107230210A (zh) 2017-06-19 2017-06-19 一种遥感图像港口水面目标的快速分割方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710461817.2A CN107230210A (zh) 2017-06-19 2017-06-19 一种遥感图像港口水面目标的快速分割方法

Publications (1)

Publication Number Publication Date
CN107230210A true CN107230210A (zh) 2017-10-03

Family

ID=59936072

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710461817.2A Pending CN107230210A (zh) 2017-06-19 2017-06-19 一种遥感图像港口水面目标的快速分割方法

Country Status (1)

Country Link
CN (1) CN107230210A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108376247A (zh) * 2018-02-05 2018-08-07 北方工业大学 一种应用于光学遥感船只检测中的分策略粗精结合海陆分离方法
CN110246139A (zh) * 2019-04-26 2019-09-17 清华大学深圳研究生院 基于双阈值的浮游生物原位图像roi快速提取方法
CN111178230A (zh) * 2019-12-26 2020-05-19 武汉大学 一种遥感影像内河洲滩智能化提取方法
CN116626029A (zh) * 2023-07-20 2023-08-22 津泰(天津)医疗器械有限公司 一种用于糖尿病氯化钴试纸色差的检测方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104331886A (zh) * 2014-10-29 2015-02-04 中国人民解放军国防科学技术大学 基于高分辨sar图像的港口区域舰船检测方法
CN104376548A (zh) * 2014-11-07 2015-02-25 中国电子科技集团公司第二十八研究所 一种基于改进型surf算法的图像快速拼接方法
CN106370668A (zh) * 2016-08-22 2017-02-01 华中农业大学 一种咸蛋内部品质的在线视觉检测装置及其方法
CN106845372A (zh) * 2016-12-31 2017-06-13 华中科技大学 一种星载遥感光学图像的船舶目标检测识别方法和系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104331886A (zh) * 2014-10-29 2015-02-04 中国人民解放军国防科学技术大学 基于高分辨sar图像的港口区域舰船检测方法
CN104376548A (zh) * 2014-11-07 2015-02-25 中国电子科技集团公司第二十八研究所 一种基于改进型surf算法的图像快速拼接方法
CN106370668A (zh) * 2016-08-22 2017-02-01 华中农业大学 一种咸蛋内部品质的在线视觉检测装置及其方法
CN106845372A (zh) * 2016-12-31 2017-06-13 华中科技大学 一种星载遥感光学图像的船舶目标检测识别方法和系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
WEI WU等: "Ship Recognition from High Resolution Remote Sensing Imagery Aided by Spatial Relationship", 《PROCEEDINGS 2011 IEEE INTERNATIONAL CONFERENCE ON SPATIAL DATA MINING AND GEOGRAPHICAL KNOWLEDGE SERVICES》 *
张毅飞等: "基于均值漂移的遥感图像海陆边界分割算法", 《光学技术》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108376247A (zh) * 2018-02-05 2018-08-07 北方工业大学 一种应用于光学遥感船只检测中的分策略粗精结合海陆分离方法
CN110246139A (zh) * 2019-04-26 2019-09-17 清华大学深圳研究生院 基于双阈值的浮游生物原位图像roi快速提取方法
CN110246139B (zh) * 2019-04-26 2021-01-01 清华大学深圳研究生院 基于双阈值的浮游生物原位图像roi快速提取方法
CN111178230A (zh) * 2019-12-26 2020-05-19 武汉大学 一种遥感影像内河洲滩智能化提取方法
CN116626029A (zh) * 2023-07-20 2023-08-22 津泰(天津)医疗器械有限公司 一种用于糖尿病氯化钴试纸色差的检测方法
CN116626029B (zh) * 2023-07-20 2023-09-22 津泰(天津)医疗器械有限公司 一种用于糖尿病氯化钴试纸色差的检测方法

Similar Documents

Publication Publication Date Title
CN111047551B (zh) 一种基于U-net改进算法的遥感影像变化检测方法及系统
CN109934200B (zh) 一种基于改进M-Net的RGB彩色遥感图像云检测方法及系统
CN110738207B (zh) 一种融合文字图像中文字区域边缘信息的文字检测方法
CN106845372B (zh) 一种星载遥感光学图像的船舶目标检测识别方法和系统
CN113569667B (zh) 基于轻量级神经网络模型的内河船舶目标识别方法及系统
CN108171752A (zh) 一种基于深度学习的海面船只视频检测与跟踪方法
CN111563473A (zh) 基于密集特征融合和像素级注意力的遥感舰船识别方法
CN107038416B (zh) 一种基于二值图像改进型hog特征的行人检测方法
CN107230210A (zh) 一种遥感图像港口水面目标的快速分割方法
CN106815583B (zh) 一种基于mser和swt相结合的夜间车辆车牌定位方法
CN111681197A (zh) 一种基于Siamese网络结构的遥感图像无监督变化检测方法
CN111611998A (zh) 一种基于候选区域面积和宽高的自适应特征块提取方法
CN111753682B (zh) 一种基于目标检测算法的吊装区域动态监控方法
CN108846844B (zh) 一种基于海天线的海面目标检测方法
Cai et al. MHA-Net: Multipath Hybrid Attention Network for building footprint extraction from high-resolution remote sensing imagery
CN110084302B (zh) 一种基于遥感图像的裂缝检测方法
CN108021890B (zh) 一种基于plsa和bow的高分遥感影像港口检测方法
Xiang et al. Lightweight fully convolutional network for license plate detection
CN114022408A (zh) 基于多尺度卷积神经网络的遥感图像云检测方法
CN111797841A (zh) 一种基于深度残差网络的视觉显著性检测方法
CN105405138A (zh) 基于显著性检测的水面目标跟踪方法
CN106778661A (zh) 一种基于形态学变换和自适应阈值的快速车道线检测方法
CN117253150A (zh) 一种基于高分辨率遥感图像的船舶轮廓提取方法及系统
Liu et al. CAFFNet: channel attention and feature fusion network for multi-target traffic sign detection
CN107169412B (zh) 基于混合模型决策的遥感图像靠港船只检测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20171003

WD01 Invention patent application deemed withdrawn after publication