CN107909002A - 基于海岸线匹配的红外遥感图像海陆分割方法 - Google Patents

基于海岸线匹配的红外遥感图像海陆分割方法 Download PDF

Info

Publication number
CN107909002A
CN107909002A CN201710665365.XA CN201710665365A CN107909002A CN 107909002 A CN107909002 A CN 107909002A CN 201710665365 A CN201710665365 A CN 201710665365A CN 107909002 A CN107909002 A CN 107909002A
Authority
CN
China
Prior art keywords
image
sea
land
clustering
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.)
Granted
Application number
CN201710665365.XA
Other languages
English (en)
Other versions
CN107909002B (zh
Inventor
肖慧慧
李波
赵鹏
季艳
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.)
Beihang University
Original Assignee
Beihang University
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 Beihang University filed Critical Beihang University
Priority to CN201710665365.XA priority Critical patent/CN107909002B/zh
Publication of CN107909002A publication Critical patent/CN107909002A/zh
Application granted granted Critical
Publication of CN107909002B publication Critical patent/CN107909002B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/13—Satellite images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10048—Infrared image

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本申请公开了一种基于GIS的红外遥感图像舰船检测方法，主要包括以下步骤：首先利用GIS库信息找到海陆交界图像块，并提取图像的特征向量；然后利用改进的k‑means方法对图像的特征向量进行聚类，得到图像块的海陆分割二值图；最后利用得到的二值图在对应位置的GIS库中进行滑动匹配找到匹配度最大的位置作为坐标解算的误差值，用这个值进行坐标校正，获得最终的海陆分割结果。

Description

基于海岸线匹配的红外遥感图像海陆分割方法
技术领域
本申请属于数字图像处理技术领域，涉及一种遥感图像中海陆分割方法，更具体的说是一种基于GIS的红外遥感图像海陆分割方法。
背景技术
我国海域广阔，拥有丰富的海洋资源，舰船作为海上运输的重要载体，具有广阔的应用前景。舰船目标检测是世界上各个海岸地带国家的任务：在民用方面，可以监控各个港口的航运交通状况，快速搜寻遇难船只，监控非法捕鱼船只和移民，打击非法倾倒油污走私等行为；在军事上，可以监控敌方海上军事实力和部署，形成海上军事情报，维护国家安全和领土完整。卫星遥感技术在近十年取得了飞速发展，随着我国高分辨率对地观测系统重大项目的推进，我国拥有更多高分辨率的遥感卫星。其中红外遥感图像具有可在夜间和恶劣气候下成像的特点，所以利用红外卫星遥感图像进行目标分析越来越引起关注。在红外遥感图像分析中，海洋与陆地的分离(海陆分割)是海洋目标检测的重要一步，它直接影响到目标检测的准确率，同时通过去除图像中陆地的影响能大幅度降低目标检测的复杂度，提高检测的效率。
目前常用的红外海陆分割方法从分割方式上可以分为两类：基于GIS的海陆分割方法与基于图像特征的海陆分割方法。(1)基于GIS的海陆分割方法受GIS库的精度与坐标解算误差的影响较大，在海陆交界处容易出现明显的误分，不利于近岸的目标检测。(2)基于图像特征的海陆分割方法可以分为基于灰度直方图的阈值分割，基于区域生长的方法和基于边界检测的方法。基于灰度直方图的分割方法与直方图的特性相关，当直方图出现双峰时能准确的选取阈值，当图像中海洋与陆地灰度接近，或出现云雾时，直方图可能呈现单峰或者多峰特性，则很难选取阈值，因此该类方法仅适用于图像状况简单的图像分割，不能满足红外图像中陆地海洋状况复杂的图像分割，该类阈值分割方法的自适应性和鲁棒性较差。基于区域生长的方法是基于图像的灰度，纹理形状特征进行判断得到海洋区域，由于红外遥感图像的条纹噪声明显，陆地环境复杂，生长边界条件较难选取，容易形成大量孔洞，且计算量大，时间复杂度高。基于边界检测的方法的思想是检测图像中的边缘，再将边缘线连接成轮廓从而构成分割区域。该方法对陆地环境简单，海岸线灰度变化明显的图像效果好，但对于复杂的陆地环境容易产生较多的边缘线，容易产生边缘丢失，不连续等现象，对海陆边缘复杂并存在噪声的情况效果不好。
在此背景下，为了提高场景复杂多变的情况下红外遥感图像海陆分割的准确性，需要深入分析红外遥感图像的成像特点，研究一种改进的基于GIS的海陆分割方法。
发明内容
本申请要解决的技术问题在于提供一种针对场景复杂多变情况的基于GIS的红外遥感图像海陆分割方法。该方法根据GIS信息，将灰度与纹理特征描述、空间特征和自适应k-means聚类的海陆分割等多种技术相结合，有效提高了红外遥感图像海陆分割的准确率。
为了实现上述的发明目的，本申请采用下述的技术方案：
(1)把图像分成p×q大小的图像块，计算出图像块左上角顶点与右下角顶点的地理坐标，取GIS库中上述两顶点之间的块，采样到原图像块同样大小，并找到其中的海陆交界块。
(2)提取海陆交界块中每个像素的特征向量，灰度值，行号，列号，平滑度，采用以下公式(1)计算平滑度：
其中，为当前像素与周围八个像素点的均值，Xi为当前像素点的取值，n取值为8。归一化所述特征向量中每个特征分量到(0,1)区间中，并随机初始化两个聚类中心点。
(3)计算每个像素特征向量到两个中心点聚类时的距离，使用下面公式(2)所示的相对熵距离：
其中，C0与C1分别是两个聚类中心点的特征向量，Vij为该像素点的特征向量。
(4)使用以下公式(3)判断一个像素所属的聚类中心：
其中，Cluster(Vij)是像素的特征向量为Vij的聚类中心，d0与d1分别是Vij到两个聚类中心的距离。
(5)采用以下公式(4)计算两个聚类集合的特征均值：
其中，p和q分别是海陆交界图像块的行数和列数，Vij是待处理海陆交界图像块中第i行第j列像素的特征向量，Cluster(Vij)为公式(3)中计算的该像素所属的类。
(6)采用以下公式(6)计算聚类结束的条件：
D＝D0+D1 (6)
其中，C0'与C1'分别是原聚类中心，D0是原陆地聚类中心与现陆地聚类中心的相对熵距离，D1是原海洋聚类中心与现海洋聚类中心的相对熵距离，根据经验阈值t，如果D<t，则聚类结束，得到交界图像块海陆分割二值图。如果没有达到最大迭代次数iter且新的聚类中心与原来聚类中心的距离大于t，则继续迭代聚类。
(7)将海陆交界图像块的分割结果图与对应位置的GIS库信息进行坐标匹配，在GIS库中对应位置取(p+2*l)×(q+2*l)大小的二值图，其中l为扩展像素的宽度；使用图像分割得到的二值图作为滑动窗口，在GIS库中取得的二值图中滑动，每次滑动计算一次匹配度，匹配度的计算采用以下公式(7)：
其中，Fitting(R)为图像分割得到的二值图R的匹配度，Rij为二值图中第i行第j列的像素值，Mij为滑动窗口在GIS库中取得的二值图中滑动经过的二值图；滑动窗口每移动一次，计算一次匹配度，得到匹配度最大时滑动窗口的滑动值dx与dy，计算所有块最大匹配度时的滑动均值mdx与mdy。
(8)利用上述获得的mdx与mdy对坐标解算误差进行校正，再次利用GIS库信息进行图像块的海陆分割。
本发明所提供的基于GIS的海陆分割方法具有如下优点：
1.使用GIS进行粗分割，并用k-means细分割进行位置匹配保证了分割的准确度和精度，由于只对部分块进行细分割提高了效率，同时避免了GIS分割中坐标解算造成的分割误差。
2.使用多个特征进行聚类，因为海陆分割不同于一般的图像分割，海洋和陆地都具有大面积的连通性，所以不仅包含了图像的灰度和纹理特征，也考虑了图像的空间坐标，这样能够有效减少只靠图像特征进行分割造成的大量孔洞现象。
3.改进的k-means方法中利用相对熵(K-L散度)来衡量当前像素点与聚类中心的距离，欧式距离在计算时，灰度值与空间坐标值有相同的重要性，而K-L距离在边界处有较好的分割效果。
附图说明
下面结合附图和具体实施方式对本申请作进一步的详细说明。
图1是本申请所述的基于GIS的红外遥感图像海陆分割方法流程示意图；
图2是待进行海陆分割的10m红外遥感图像；
图3是使用GIS进行海陆粗分割的结果图；
图4是海陆交界块及本文方法与传统方法对海陆交界块进行细分割的结果图；
图5是海陆交界图像块与对应位置GIS库匹配的流程图；
图6是使用细分割结果校正的GIS海陆分割结果图。
具体实施方式
下面，采用图2所示***分辨率红外遥感图像为待分割图像，对本申请所提供的基于GIS的红外遥感图像海陆分割方法具体实施步骤进行详细说明，处理流程见图1。图2中遥感图像的尺寸为7680像素×7680像素。
步骤1：根据GIS库信息，对图2进行海陆分割，分割结果如图3，把图2分成m×m大小的块，计算出图像块左上角与右下角的地理坐标，取GIS库中这两点之间的块，采样到原图像块同样大小，并找到其中的海陆交界块如图4；
步骤2：使用k-means依次对图4中的海陆交界块进行海陆分割；
(I)提取海陆交界块每个像素的特征向量(灰度值，行号，列号，平滑度)，归一化每个特征分量，初始化两个特征中心点为C0和C1，每个中心点有四个分量，具体过程如下：
计算平滑度的定义如下：
公式(1)中，为当前像素与周围八个像素点的均值，Xi为当前像素与周围八个像素点的取值，n取值为9。
(II)计算海陆交界块每个像素的特征向量V与特征中心点的相对熵距离d，将像素聚类到d较小的一类，具体过程如下：
计算像素特征向量到特征中心点相对熵距离的公式如下：
公式(2)与公式(3)分别是计算像素点到聚类中心C0和C1的相对熵距离，其中本文罗列的所有log都是以2为底的。相对熵越大，说明两个特征向量差距越大，当两个特征向量相同时，相对熵为0。
计算图像像素所属聚类中心的函数定义如下：
公式(4)中，定义了图像中每个像素的特征向量V的聚类集合。
(III)计算每个聚类集合的特征均值，并把这个特征均值作为新的聚类中心，如果没有达到最大迭代次数且新的聚类中心与原来聚类中心的距离大于t，则转(II)，具体过程如下：
计算了新的聚类特征中心的公式如下：
公式(5)与公式(6)中，p和q分别是海陆交界图像块的行数和列数，Vij是第i行第j列像素的特征向量，Cluster(Vij)为公式(4)中计算的该像素所属的类。
判断k-means聚类结束的条件如下：
D＝D0+D1(9)
公式(9)是计算新的聚类中心与原聚类中心的相对熵距离，其中C0'与C1'分别是原聚类中心，如果D<t则聚类结束，得到二值图如图4。
步骤3：使用步骤2得到的海陆交界二值图与对应位置的GIS库进行匹配，得到匹配度最大时原图像块与对应位置GIS库中掩码坐标位置的偏离值dx与dy，并计算所有块偏离的均值mdx和mdy，具体过程如下：
如图5是海陆交界图像块的分割结果图与对应位置的GIS库进行坐标匹配的过程，假设图像块的大小为m×m，在GIS库中对应位置取(m+2*l)×(m+2*l)大小的二值图(在对应位置的二值图四周扩展l个像素)。使用图像分割得到的二值图作为滑动窗口，在GIS库中取得的二值图中滑动，每次滑动计算一次匹配度，匹配度的计算公式如下：
公式(10)中，Fitting为匹配度，R为图像分割得到的二值图，M为滑动窗口在GIS库中取得的二值图中滑动经过的二值图，p为二值图的行数，q为二值图的列数。滑动窗口每移动一次，计算一次匹配度，得到匹配度最大时滑动窗口的滑动值dx与dy，计算所有块最大匹配度时的滑动均值mdx与mdy。
步骤4：使用步骤3中得到滑动均值作为坐标解算的误差对图像的地理坐标信息进行调整，最后利用GIS库中的信息得到海陆分割的最终结果图。
本申请在PC平台上进行了方法实验，实验过程使用了已进行地理坐标信息解算的红外遥感图像，图像样本大小为7680×7680像素，样本数量为50。图(2)为原输入图像，图(3)是直接使用GIS信息进行海陆分割的结果图，从图中可以看出，由于坐标解算的误差，海陆分割结果与真实的海陆分布有个整体的偏移，我们的方法就是计算出这个偏移量，并根据这个偏移量对结果进行校正，图(4)是对海陆交界块进行细分割的结果对比图，其中第一行为原图，第二行是使用Otsu分割的结果图，第三行是使用meanshift并进行区域合并的结果图，第四行是本方法的结果图，图(6)给出了本方法对坐标进行校正的最终结果图。
本申请方法与现有的海陆分割方法进行比较。对比实验中的Otsu方法是文章“Threshold Selection Method from Gray-Level Histograms”中提出的；Meanshift方法是文章“The Estimation of the Gradient of a Density Function,with Applicationsin Pattern Recognition”中提出的。本申请使用Coverage与Precision在客观指标上与上述方法进行对比，计算方法如下：
其中，Coverage为覆盖率，Precision为准确率。较大的Coverage和Precision值说明海陆分割结果较为准确。从表1中可以看到，本申请的方法Coverage与Precision值是最高的，说明本申请方法能够准确的对红外遥感图像进行海陆分割。
表1本遥感图像海陆分割方法结果
方法 Coverage Precision
Otsu 86.6％ 87.3％
Meanshift 93.3％ 94.2％
本方法 97.5％ 98.1％
本申请所提供的基于GIS的红外遥感图像海陆分割方法主要为提供红外遥感图像分析与理解专门提出的，很显然本方法也适用于带地理坐标信息的全色遥感图像的分析。
以上对本申请所提供的基于GIS的红外遥感图像海陆分割方法作了详细的说明，但显然本申请的具体实现形式并不局限于此。对于本技术领域的一般技术人员来说，在不背离本申请的权利要求范围的情况下对它进行的各种显而易见的改变都在本申请的保护范围之内。

Claims (9)

1.基于海岸线匹配的红外遥感图像海陆分割方法，其特征在于包括如下步骤：
(1)把图像分成p×q大小的图像块，根据GIS库信息，对带有地理坐标信息的红外遥感图像进行海陆分割，找到海陆交界图像块；
(2)提取海陆交界块中每个像素的特征向量，归一化所述特征向量中每个特征分量到(0,1)区间中，并随机初始化两个聚类中心点；
(3)计算海陆交界块中每个像素的特征向量与所述两个聚类中心点的相对熵距离，将每个像素聚类到相对熵距离较小的一类，得到聚类集合；
(4)计算每个聚类集合的特征均值，并把该特征均值作为新的聚类中心，判定当前未达到最大迭代次数且新的聚类中心与原聚类中心的距离未满足聚类结束条件，则继续步骤(3)进行聚类；
(5)聚类结束后得到海陆交界块的海陆分割结果图，将该图与对应位置的GIS库信息进行匹配，得到匹配度最大时所述图像块与对应位置GIS库中掩码坐标位置的偏离值，计算所有块的偏离值的均值作为地理坐标解算的误差；
(6)根据计算出来的偏离值的均值对GIS库信息进行校正，并根据校正后的GIS库信息重新进行海陆分割。
2.如权利要求1中所述的方法，其特征在于：
所述步骤(1)中，把图像分成p×q大小的图像块，计算出图像块左上角顶点与右下角顶点的地理坐标，取GIS库中上述两顶点之间的块，采样到原图像块同样大小，并找到其中的海陆交界块。
3.如权利要求1中所述的方法，其特征在于：
所述步骤(2)中，每个特征向量包含：灰度值，行号，列号，平滑度，采用以下公式(1)计算平滑度：
<mrow> <mi>R</mi> <mo>=</mo> <mn>1</mn> <mo>-</mo> <mfrac> <mn>1</mn> <mrow> <mn>1</mn> <mo>+</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>n</mi> </munderover> <msup> <mrow> <mo>(</mo> <msub> <mi>X</mi> <mi>i</mi> </msub> <mo>-</mo> <mover> <mi>X</mi> <mo>&amp;OverBar;</mo> </mover> <mo>)</mo> </mrow> <mn>2</mn> </msup> </mrow> </mfrac> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>1</mn> <mo>)</mo> </mrow> </mrow>
其中，为当前像素与周围八个像素点的均值，Xi为当前像素点的取值，n取值为8。
4.如权利要求1中所述的方法，其特征在于：
所述步骤(3)中，每个像素特征向量到两个中心点聚类时的距离使用下面公式(2)所示的相对熵距离：
<mrow> <mfenced open = "{" close = ""> <mtable> <mtr> <mtd> <mrow> <mi>d</mi> <mn>0</mn> <mo>=</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mn>4</mn> </munderover> <mi>C</mi> <mn>0</mn> <mi>log</mi> <mrow> <mo>(</mo> <mfrac> <mrow> <mi>C</mi> <mn>0</mn> </mrow> <msub> <mi>V</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> </mfrac> <mo>)</mo> </mrow> <mo>+</mo> <mrow> <mo>(</mo> <mn>1</mn> <mo>-</mo> <mi>C</mi> <mn>0</mn> <mo>)</mo> </mrow> <mi>log</mi> <mrow> <mo>(</mo> <mfrac> <mrow> <mn>1</mn> <mo>-</mo> <mi>C</mi> <mn>0</mn> </mrow> <mrow> <mn>1</mn> <mo>-</mo> <msub> <mi>V</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> </mrow> </mfrac> <mo>)</mo> </mrow> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mi>d</mi> <mn>1</mn> <mo>=</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mn>4</mn> </munderover> <mi>C</mi> <mn>1</mn> <mi>log</mi> <mrow> <mo>(</mo> <mfrac> <mrow> <mi>C</mi> <mn>1</mn> </mrow> <msub> <mi>V</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> </mfrac> <mo>)</mo> </mrow> <mo>+</mo> <mrow> <mo>(</mo> <mn>1</mn> <mo>-</mo> <mi>C</mi> <mn>1</mn> <mo>)</mo> </mrow> <mi>log</mi> <mrow> <mo>(</mo> <mfrac> <mrow> <mn>1</mn> <mo>-</mo> <mi>C</mi> <mn>1</mn> </mrow> <mrow> <mn>1</mn> <mo>-</mo> <msub> <mi>V</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> </mrow> </mfrac> <mo>)</mo> </mrow> </mrow> </mtd> </mtr> </mtable> </mfenced> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>2</mn> <mo>)</mo> </mrow> </mrow>
其中，C0与C1分别是两个聚类中心点的特征向量，Vij为该像素点的特征向量。
5.如权利要求1中所述的方法，其特征在于：
所述步骤(3)中，使用以下公式(3)判断一个像素所属的聚类中心：
<mrow> <mi>C</mi> <mi>l</mi> <mi>u</mi> <mi>s</mi> <mi>t</mi> <mi>e</mi> <mi>r</mi> <mrow> <mo>(</mo> <msub> <mi>V</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mo>)</mo> </mrow> <mo>=</mo> <mfenced open = "{" close = ""> <mtable> <mtr> <mtd> <mn>0</mn> </mtd> <mtd> <mrow> <mi>i</mi> <mi>f</mi> </mrow> </mtd> <mtd> <mrow> <mi>d</mi> <mn>0</mn> <mo>&amp;le;</mo> <mi>d</mi> <mn>1</mn> </mrow> </mtd> </mtr> <mtr> <mtd> <mn>1</mn> </mtd> <mtd> <mrow> <mi>i</mi> <mi>f</mi> </mrow> </mtd> <mtd> <mrow> <mi>d</mi> <mn>0</mn> <mo>&gt;</mo> <mi>d</mi> <mn>1</mn> </mrow> </mtd> </mtr> </mtable> </mfenced> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>3</mn> <mo>)</mo> </mrow> </mrow>
其中，Cluster(Vij)是像素的特征向量为Vij的聚类中心，d0与d1分别是Vij到两个聚类中心的距离。
6.如权利要求5中所述的方法，其特征在于：
所述步骤(4)中，采用以下公式(4)计算两个聚类集合的特征均值：
<mrow> <mfenced open = "{" close = ""> <mtable> <mtr> <mtd> <mrow> <mi>C</mi> <mn>0</mn> <mo>=</mo> <mfrac> <mrow> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>p</mi> </munderover> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>j</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>q</mi> </munderover> <msub> <mi>V</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> </mrow> <mrow> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>p</mi> </munderover> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>j</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>q</mi> </munderover> <mrow> <mo>(</mo> <mn>1</mn> <mo>-</mo> <mi>C</mi> <mi>l</mi> <mi>u</mi> <mi>s</mi> <mi>t</mi> <mi>e</mi> <mi>r</mi> <mo>(</mo> <msub> <mi>V</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mo>)</mo> <mo>)</mo> </mrow> </mrow> </mfrac> </mrow> </mtd> <mtd> <mrow> <mi>i</mi> <mi>f</mi> </mrow> </mtd> <mtd> <mrow> <mi>C</mi> <mi>l</mi> <mi>u</mi> <mi>s</mi> <mi>t</mi> <mi>e</mi> <mi>r</mi> <mrow> <mo>(</mo> <msub> <mi>V</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mo>)</mo> </mrow> <mo>=</mo> <mn>0</mn> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mi>C</mi> <mn>1</mn> <mo>=</mo> <mfrac> <mrow> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>p</mi> </munderover> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>j</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>q</mi> </munderover> <msub> <mi>V</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> </mrow> <mrow> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>p</mi> </munderover> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>j</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>q</mi> </munderover> <mrow> <mo>(</mo> <mn>1</mn> <mo>-</mo> <mi>C</mi> <mi>l</mi> <mi>u</mi> <mi>s</mi> <mi>t</mi> <mi>e</mi> <mi>r</mi> <mo>(</mo> <msub> <mi>V</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mo>)</mo> <mo>)</mo> </mrow> </mrow> </mfrac> </mrow> </mtd> <mtd> <mrow> <mi>i</mi> <mi>f</mi> </mrow> </mtd> <mtd> <mrow> <mi>C</mi> <mi>l</mi> <mi>u</mi> <mi>s</mi> <mi>t</mi> <mi>e</mi> <mi>r</mi> <mrow> <mo>(</mo> <msub> <mi>V</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mo>)</mo> </mrow> <mo>=</mo> <mn>1</mn> </mrow> </mtd> </mtr> </mtable> </mfenced> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>4</mn> <mo>)</mo> </mrow> </mrow>
其中，p和q分别是海陆交界图像块的行数和列数，Vij是待处理海陆交界图像块中第i行第j列像素的特征向量，Cluster(Vij)为公式(3)中计算的该像素所属的类。
7.如权利要求1中所述的方法，其特征在于：
所述步骤(4)中，采用以下公式(6)计算聚类结束的条件：
<mrow> <mfenced open = "{" close = ""> <mtable> <mtr> <mtd> <mrow> <mi>D</mi> <mn>0</mn> <mo>=</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mn>4</mn> </munderover> <mo>{</mo> <mi>C</mi> <mn>0</mn> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> <mi>log</mi> <mrow> <mo>(</mo> <mfrac> <mrow> <mi>C</mi> <mn>0</mn> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> </mrow> <mrow> <mi>C</mi> <msup> <mn>0</mn> <mo>&amp;prime;</mo> </msup> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> </mrow> </mfrac> <mo>)</mo> </mrow> <mo>+</mo> <mrow> <mo>(</mo> <mn>1</mn> <mo>-</mo> <mi>C</mi> <mn>0</mn> <mo>(</mo> <mi>i</mi> <mo>)</mo> <mo>)</mo> </mrow> <mi>log</mi> <mrow> <mo>(</mo> <mfrac> <mrow> <mn>1</mn> <mo>-</mo> <mi>C</mi> <mn>0</mn> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> </mrow> <mrow> <mn>1</mn> <mo>-</mo> <mi>C</mi> <msup> <mn>0</mn> <mo>&amp;prime;</mo> </msup> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> </mrow> </mfrac> <mo>)</mo> </mrow> <mo>}</mo> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mi>D</mi> <mn>1</mn> <mo>=</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mn>4</mn> </munderover> <mo>{</mo> <mi>C</mi> <mn>1</mn> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> <mi>log</mi> <mrow> <mo>(</mo> <mfrac> <mrow> <mi>C</mi> <mn>1</mn> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> </mrow> <mrow> <mi>C</mi> <msup> <mn>1</mn> <mo>&amp;prime;</mo> </msup> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> </mrow> </mfrac> <mo>)</mo> </mrow> <mo>+</mo> <mrow> <mo>(</mo> <mn>1</mn> <mo>-</mo> <mi>C</mi> <mn>1</mn> <mo>(</mo> <mi>i</mi> <mo>)</mo> <mo>)</mo> </mrow> <mi>log</mi> <mrow> <mo>(</mo> <mfrac> <mrow> <mn>1</mn> <mo>-</mo> <mi>C</mi> <mn>1</mn> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> </mrow> <mrow> <mn>1</mn> <mo>-</mo> <mi>C</mi> <msup> <mn>1</mn> <mo>&amp;prime;</mo> </msup> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> </mrow> </mfrac> <mo>)</mo> </mrow> <mo>}</mo> </mrow> </mtd> </mtr> </mtable> </mfenced> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>5</mn> <mo>)</mo> </mrow> </mrow>
D＝D0+D1 (6)
其中，C0'与C1'分别是原聚类中心，D0是原陆地聚类中心与现陆地聚类中心的相对熵距离，D1是原海洋聚类中心与现海洋聚类中心的相对熵距离，根据经验阈值t，如果D<t，则聚类结束，得到交界图像块海陆分割二值图。如果没有达到最大迭代次数iter且新的聚类中心与原来聚类中心的距离大于t，则继续迭代聚类。
8.如权利要求1中所述的方法，其特征在于：
所述步骤(5)中，将海陆交界图像块的分割结果图与对应位置的GIS库信息进行坐标匹配，在GIS库中对应位置取(p+2*l)×(q+2*l)大小的二值图，其中l为扩展像素的宽度；使用图像分割得到的二值图作为滑动窗口，在GIS库中取得的二值图中滑动，每次滑动计算一次匹配度，匹配度的计算采用以下公式(7)：
其中，Fitting(R)为图像分割得到的二值图R的匹配度，Rij为二值图中第i行第j列的像素值，Mij为滑动窗口在GIS库中取得的二值图中滑动经过的二值图；滑动窗口每移动一次，计算一次匹配度，得到匹配度最大时滑动窗口的滑动值dx与dy，计算所有块最大匹配度时的滑动均值mdx与mdy。
9.如权利要求8中所述的方法，其特征在于：
所述步骤(6)中，利用上述获得的mdx与mdy对坐标解算误差进行校正，再次利用GIS库信息进行图像块的海陆分割。
CN201710665365.XA 2017-08-07 2017-08-07 基于海岸线匹配的红外遥感图像海陆分割方法 Active CN107909002B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710665365.XA CN107909002B (zh) 2017-08-07 2017-08-07 基于海岸线匹配的红外遥感图像海陆分割方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710665365.XA CN107909002B (zh) 2017-08-07 2017-08-07 基于海岸线匹配的红外遥感图像海陆分割方法

Publications (2)

Publication Number Publication Date
CN107909002A true CN107909002A (zh) 2018-04-13
CN107909002B CN107909002B (zh) 2021-01-19

Family

ID=61840035

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710665365.XA Active CN107909002B (zh) 2017-08-07 2017-08-07 基于海岸线匹配的红外遥感图像海陆分割方法

Country Status (1)

Country Link
CN (1) CN107909002B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109117802A (zh) * 2018-08-21 2019-01-01 东北大学 面向大场景高分遥感影像的舰船检测方法
CN109741446A (zh) * 2018-12-12 2019-05-10 四川华控图形科技有限公司 一种三维数字地球上动态生成精细海岸地形的方法
CN110866926A (zh) * 2019-10-24 2020-03-06 北京航空航天大学 一种红外遥感图像快速精细海陆分割方法
CN111754524A (zh) * 2020-06-22 2020-10-09 厦门大学 一种基于岸线数据的遥感图像快速海陆分割方法
CN114742854A (zh) * 2022-04-02 2022-07-12 西安电子科技大学 基于场景先验知识和区域合并的sar图像海陆分割方法
CN115471761A (zh) * 2022-10-31 2022-12-13 宁波拾烨智能科技有限公司 集成多源遥感数据的海岸滩涂变化监测方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005346664A (ja) * 2004-06-07 2005-12-15 Nogiwa Sangyo Kk 海岸線抽出方法及び海岸線抽出システム
KR100571121B1 (ko) * 2005-10-18 2006-04-13 한진정보통신(주) 항공 레이저 측량데이터를 이용한 해안선 추출시스템 및 그방법
CN103559500A (zh) * 2013-10-15 2014-02-05 北京航空航天大学 一种基于光谱与纹理特征的多光谱遥感图像地物分类方法
CN103886285A (zh) * 2014-03-11 2014-06-25 武汉大学 先验地理信息辅助下的光学遥感影像舰船检测方法
CN106651864A (zh) * 2016-12-21 2017-05-10 郑州航空工业管理学院 一种面向高分辨率遥感图像的分割方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005346664A (ja) * 2004-06-07 2005-12-15 Nogiwa Sangyo Kk 海岸線抽出方法及び海岸線抽出システム
KR100571121B1 (ko) * 2005-10-18 2006-04-13 한진정보통신(주) 항공 레이저 측량데이터를 이용한 해안선 추출시스템 및 그방법
CN103559500A (zh) * 2013-10-15 2014-02-05 北京航空航天大学 一种基于光谱与纹理特征的多光谱遥感图像地物分类方法
CN103886285A (zh) * 2014-03-11 2014-06-25 武汉大学 先验地理信息辅助下的光学遥感影像舰船检测方法
CN106651864A (zh) * 2016-12-21 2017-05-10 郑州航空工业管理学院 一种面向高分辨率遥感图像的分割方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
LIU YING: "Coastline detection from Remote Sensing image based on K-Mean Cluster and Distance Transform algorithm", 《ADVANCED MATERIALS RESEARCH》 *
XIAO HUIHUI ETAL.: "A Sea-land Segmentation Algorithm Based on Gray Smoothness Ratio", 《2016 FOURTH INTERNATIONAL WORKSHOP ON EARTH OBSERVATION AND REMOTE SENSING APPLICATIONS》 *
ZHONGLING LIU ETAL.: "A Novel Region-Merging Approach for Coastline Extraction From Sentinel-1A IW Mode SAR Imagery", 《IEEE GEOSCIENCE AND REMOTE SENSING LETTERS》 *
李行等: "基于遥感和GIS的江苏省海岸线时空变化", 《地理研究》 *

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109117802A (zh) * 2018-08-21 2019-01-01 东北大学 面向大场景高分遥感影像的舰船检测方法
CN109117802B (zh) * 2018-08-21 2021-10-29 东北大学 面向大场景高分遥感影像的舰船检测方法
CN109741446A (zh) * 2018-12-12 2019-05-10 四川华控图形科技有限公司 一种三维数字地球上动态生成精细海岸地形的方法
CN109741446B (zh) * 2018-12-12 2022-12-16 四川华控图形科技有限公司 一种三维数字地球动态生成精细海岸地形的方法
CN110866926A (zh) * 2019-10-24 2020-03-06 北京航空航天大学 一种红外遥感图像快速精细海陆分割方法
CN110866926B (zh) * 2019-10-24 2022-12-20 北京航空航天大学 一种红外遥感图像快速精细海陆分割方法
CN111754524A (zh) * 2020-06-22 2020-10-09 厦门大学 一种基于岸线数据的遥感图像快速海陆分割方法
CN111754524B (zh) * 2020-06-22 2024-01-16 厦门大学 一种基于岸线数据的遥感图像快速海陆分割方法
CN114742854A (zh) * 2022-04-02 2022-07-12 西安电子科技大学 基于场景先验知识和区域合并的sar图像海陆分割方法
CN114742854B (zh) * 2022-04-02 2023-06-02 西安电子科技大学 基于场景先验知识和区域合并的sar图像海陆分割方法
CN115471761A (zh) * 2022-10-31 2022-12-13 宁波拾烨智能科技有限公司 集成多源遥感数据的海岸滩涂变化监测方法
CN115471761B (zh) * 2022-10-31 2023-03-24 宁波拾烨智能科技有限公司 集成多源遥感数据的海岸滩涂变化监测方法

Also Published As

Publication number Publication date
CN107909002B (zh) 2021-01-19

Similar Documents

Publication Publication Date Title
CN107909002B (zh) 基于海岸线匹配的红外遥感图像海陆分割方法
CN108510467B (zh) 基于深度可变形卷积神经网络的sar图像目标识别方法
CN107145874B (zh) 复杂背景sar图像中的舰船目标检测与鉴别方法
CN107993245B (zh) 一种空天背景多目标检测和跟踪方法
CN109740460B (zh) 基于深度残差密集网络的光学遥感图像舰船检测方法
CN108805904B (zh) 一种基于卫星序列图像的运动舰船检测与跟踪方法
CN110659591B (zh) 基于孪生网络的sar图像变化检测方法
CN107330875B (zh) 基于遥感图像正反向异质性的水体周边环境变化检测方法
CN110443201B (zh) 基于多源影像联合形状分析与多属性融合的目标识别方法
CN109871823B (zh) 一种结合旋转框和上下文信息的卫星图像舰船检测方法
CN108960190B (zh) 基于fcn图像序列模型的sar视频目标检测方法
CN108021890B (zh) 一种基于plsa和bow的高分遥感影像港口检测方法
CN109829423B (zh) 一种结冰湖泊红外成像检测方法
CN112818905B (zh) 一种基于注意力和时空信息的有限像素车辆目标检测方法
CN110428425B (zh) 一种基于海岸线矢量数据的sar图像海陆分离方法
CN104077605A (zh) 一种基于颜色拓扑结构的行人搜索识别方法
CN111145228A (zh) 基于局部轮廓点与形状特征融合的异源图像配准方法
CN114200477A (zh) 一种激光三维成像雷达地面目标点云数据处理方法
CN110210428B (zh) 一种基于mser的远距离复杂环境下的烟雾根节点检测方法
CN103077515A (zh) 一种多光谱图像建筑物变化检测方法
CN108229342A (zh) 一种海面舰船目标自动检测方法
CN111353371A (zh) 基于星载sar影像的海岸线提取方法
CN113177593A (zh) 一种水上交通环境中雷达点云与影像数据的融合方法
CN107169412B (zh) 基于混合模型决策的遥感图像靠港船只检测方法
CN110298855B (zh) 一种基于高斯混合模型和纹理分析的海天线检测方法

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
GR01 Patent grant
GR01 Patent grant