CN108256419B - 一种利用多光谱解译提取港口码头图像的方法 - Google Patents

Abstract

本发明公开了一种利用多光谱解译提取港口码头图像的方法，包括如下步骤：首先赋值灰度值提取模糊海岸线；其次对于目标区域内的遥感图像平滑处理和噪音去除，提取边缘信息；再者建立港口码头目标的多光谱数据库；最后通过投影的特征向量提取港口码头，将上述规则化后的核函数再次进行MAF变换，并且将多变量观测值投影到原始特征向量，小于变换方差的原始特征向量对应的遥感图像区域即为待提取的港口码头，之后进行验证；基于灰度赋值和MAF变换，通过特征光谱的对比快速准确的识别港口码头，进一步通过空间关联关系进行验证，提高识别的准确率。

Description

一种利用多光谱解译提取港口码头图像的方法

技术领域

本发明涉及遥感识别技术领域，具体为一种利用多光谱解译提取港口码头图像的方法。

背景技术

随着海洋经济发展战略的确定和海洋经济企业的快速发展，海洋港口的管理也逐渐变得越来越重要，为了合理的开发利用这些资源，则必须要进行适当的调查和评估，而在现有的技术中，对海洋港口进行评估的有效手段就是基于遥感图像的调查。基于遥感图像的调查方法主要是利用卫星遥感、航拍等手段提取港口的光谱图像，再结合遥感图像的解析技术提取地物特征，如港口码头等，以便进行有效的使用和管理。

光谱特征是在遥感图像中每个地物所具备的单一特征。因此，采用多光谱进行港口码头在遥感图像中识别是目前常用的一种技术手段，在现有技术中，如申请号为201210591353.4公布的一种结合多源遥感图像特征的码头和船舶分割方法，利用多源图像的多元特征分割码头、船舶，利用不同类型遥感图像的互补性获得更多的目标信息，提高分割码头、船舶的准确率。

但是，综合上述技术方案和现实存在的问题，以及结合目前被广泛应用的技术方案，还存在的主要缺陷主要体现在以下几个方面：

(1)随着高分辨率光学影像的发展，在利用遥感图像提取所需要信息的同时，往往会直接基于高分辨率的遥感图像来提取相应的信息，但是直接提取信息在港口码头中是不可取的，这是由于在实际的高分辨率影像中，海面情况复杂，影像的纹理细节丰富，简单的进行直接识别，将需要非常庞大的数据库来提供识别基础，而且还需要考虑到实际的运算量和修正算法；

(2)而在直接识别的过程中，仅仅通过几何信息或者光谱信息来检测港口码头，信息利用不充分，而且还会导致识别精度降低，影响检测结果的可靠性，在通过几何信息来识别的话，还会由于误差的原因导致无法识别。

发明内容

为了克服现有技术方案的不足,本发明提供一种利用多光谱解译提取港口码头图像的方法，基于灰度赋值和MAF变换，能够在降低工作量的同时克服干扰信息，提高识别精度和效率，能有效的解决背景技术提出的问题。

本发明解决其技术问题所采用的技术方案是：一种利用多光谱解译提取港口码头图像的方法，其特征在于，包括如下步骤：

S100、赋值灰度值划分海岸线，在原始遥感图像上进行灰度处理，并进行赋值，根据灰度值的分布提取模糊海岸线；

S200、图像平滑和噪音去除，根据模糊海岸线限定的范围，在原始遥感图像上对模糊海岸线所在区域进行平滑处理，并去除干扰噪音，提取边缘信息；

S300、建立港口码头目标的多光谱数据库，在边缘信息之间通过对多变量观测值进行线性组合，并对该线性组合进行规则化得到核函数，即为多光谱数据，通过多次重复上述步骤获得多光谱数据库；

S400、投影的特征向量提取港口码头，将规则化后的核函数进行MAF变换，并且将多变量观测值投影到原始特征向量，经过验证后原始特征向量对应的遥感图像区域即为待提取的港口码头。

作为本发明一种优选的技术方案，在步骤S100中，对不同灰度的遥感图像进行不同的赋值，且将遥感图像上水域的灰度值赋值为0，将陆地上灰度值最大的部分赋值为10。

作为本发明一种优选的技术方案，在步骤S100中，通过灰度赋值提取海岸线的具体步骤如下所示：

S101、首先对原始遥感图像进行统一的灰度处理，并且将不同灰度值的区域进行划分，将划分开的区域对灰度值计算方差，获得灰度的分布均匀程度；

S102、检验步骤S101中的灰度值方差，并且选择确定方差对比值，将小于方差对比值的灰度值认定为水域，将大于方差对比值的灰度值认定为陆域；

S103、通过上述步骤认定的水域和陆域之间存在明显的界线，并且将该界线通过插值的方法恢复成连续的边界线，即为模糊海岸线。

作为本发明一种优选的技术方案，在经过灰度赋值提取模糊海岸线之后，对遥感图像进行预处理，所述预处理包括几何校正、大气校正和辐射校正。

作为本发明一种优选的技术方案，在步骤S200中，图像平滑的方法为均值平滑、中值滤波或者高斯模糊滤波中的任意一种，所述中值滤波或者高斯模糊滤波均采用归一化比值法，具体计算公式如下所示：

NDWI＝(Green-NIR)/(Green+NIR)，其中Green代表绿光波段影像，NIR代表近红外波段影像，NDWI代表波段组合。

作为本发明一种优选的技术方案，在步骤S300中，在进行线性组合之前对边缘区域内的图像进行MAF变换获得自相关因子，具体算法如下所示：

设定α^Tx(r)为自相关因子，x(r)是在r点的多变量观测值，x(r+δ)是在r+δ点的多变量观测值，δ是空间位移向量，则有x(r)的线性组合α^Tx(r)的自协方差为R＝Cov{α^Tx(r)，α^Tx(r+δ)}，将自协方差R进行逆运算即可得到自相关因子。

作为本发明一种优选的技术方案，在步骤S300中，线性组合及其规则化如下步骤所示：

S301、将自协方差R经过变换获得其中C_δ为变换相关矩阵；

S302、设定线性组合的自相关系数为ρ＝1-(α^TS_δα)/(2α^TSα)，其中差异协方差矩阵而设定S＝X^TX/(n-1)是x的协方差矩阵；

S303、选取自相关系数的可选形式 变化获得核函数形式 其中X^Tb＝α，A为变换因子，k为变换系数，I_p为特征向量P的单位向量，K为变换系数的相关矩阵。

作为本发明一种优选的技术方案，在步骤S400中，在经过规则化后，设定原始特征向量为a_i，则原始特征向量的投影算法为：

φ(x)^Ta_i＝φ(x)^Tφ^Tb_i＝[k(x，x₁)，k(x，x₂)，…，k(x，x_N)]b_i。

作为本发明一种优选的技术方案，验证方法具体为将原始特征向量与变换方差进行比较，小于变换方差的原始特征向量符合要求，所述变换方差的具体算法为：

设A矩阵的列是a_i，B矩阵的列是b_i，则有φA＝KB，则变换方差 其中n为提取的次数。

作为本发明一种优选的技术方案，还包括步骤S500、空间关联关系的验证，其具体的操作方法为：

基于步骤S100和步骤S200，通过灰度赋值和图像处理得到模糊海岸线上的空间关联关系，并且通过该空间关系对步骤S400中识别出的港口码头进行空间关联关系的验证。

与现有技术相比，本发明的有益效果是：本发明首先通过对原始遥感图像进行灰度处理，划分水域和陆域，确定港口码头所在的大概位置，在通过对该位置进行多光谱的处理，而基于MAF变换，将遥感图像直接切换成相关数据的计算，能够通过特征光谱的对比快速准确的识别港口码头，在识别的过程中，对遥感图像进行误差校正，在源头上提高特征光谱的准确性能，而且在识别的过程中还能够进一步通过空间关联关系进行验证，提高识别的准确率。

附图说明

图1为本发明的流程示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1所示，本发明提供了一种利用多光谱解译提取港口码头图像的方法，其特征在于，包括如下步骤：

步骤S100、赋值灰度值划分海岸线，在原始遥感图像上进行灰度处理，并且对不同灰度的遥感图像进行不同的赋值，根据灰度值的分布提取模糊海岸线。

为了在保证分辨能力的基础上，在上述步骤中对灰度值进行赋值时，需要注意的是，在遥感图像上，由于水域的灰度值一般比较低而且灰度分布均匀，在本发明中的表征量为方差，而陆地的灰度值相对比较高且方差比较大，在水域和陆域之间具有明显的分界线。为了在数字地图上更好的、突出的表征分界线的特征，在赋值的过程中，设定在遥感图像上水域的灰度值赋值为0，将陆地上灰度值最大的部分赋值为10，其它的灰度值则根据灰度高低按比例进行调整，还需要进一步说明的是，陆地上的灰度值最大部分赋值为10具体指的是，在剔除零散分布的极高灰度值后的正常赋值，这么做的作用在于能够有效降低处理的误差，避免“污染数据”混入。

因此，在灰度值的赋值中，根据以下步骤进行灰度赋值并提取海岸线：

步骤S101、首先对原始遥感图像进行统一的灰度处理，并且将不同灰度值的区域进行划分，将划分开的区域对灰度值计算方差，获得灰度的分布均匀程度；

步骤S102、检验步骤S101中的灰度值方差，并且选择确定方差对比值，将小于方差对比值的灰度值认定为水域，将大于方差对比值的灰度值认定为陆域；

步骤S103、通过上述步骤认定的水域和陆域之间存在明显的界线，并且将该界线通过插值的方法恢复成连续的边界线，即为模糊海岸线。

在经过灰度赋值提取模糊海岸线之后，对遥感图像进行预处理，所述预处理包括几何校正、大气校正和辐射校正。

其中，几何校正的作用在于是使得遥感图像上地物的坐标更加符合实际，校正在遥感中的坐标误差，使得识别结果更加接近实际结果；

大气校正指的是在几何校正之后，消除云雾阻挡对遥感图像造成的影响；

辐射校正是消除地物的辐射对遥感图像造成的影响。

而上述的校正方法在现有的技术中，可以直接通过图像处理软件进行直接的处理。在经过校正的遥感图像中，使得图像上地物的纹理特征符合提取的需求。

步骤S200、图像平滑和噪音去除，根据模糊海岸线限定的范围，在原始遥感图像上对模糊海岸线所在区域进行平滑处理，并去除干扰噪音，提取边缘信息。

经过图像平滑和噪音去除的作用是因为海上常常存在浪花，浪花的破浪在遥感图像上灰度值与码头的灰度值较为接近，如果不进行处理的话，将会给后续识别带来较大的麻烦，从而提高了识别的误差，而且在不断重复性的识别计算中，会进行误差传递，使得误差越来越大，而且还会大大增加识别过程中的计算量。

在步骤S200中，图像平滑的方法为均值平滑、中值滤波或者高斯模糊滤波中的任意一种，所述中值滤波或者高斯模糊滤波均采用归一化比值法，具体计算公式如下所示：

NDWI＝(Green-NIR)/(Green+NIR)，其中Green代表绿光波段影像，NIR代表近红外波段影像，NDWI代表波段组合。

其中中值滤波在抑制噪音的同时能够有效保留边缘信息，因此，在本发明中更倾向于采用中值滤波的方式对图像进行平滑处理，其次采用高斯模糊滤波的方式，不提倡使用均值平滑的方式进行平滑处理。

在这里需要进一步强调的是，在进行图像平滑和降噪的过程中，本发明主要是采用光波波段进行处理的，其基本的原理是根据水体和陆地对绿光和近红外光波反射的特征性差异来提取水体信息的，在计算过程中，设定阈值为0，也就是当计算结果为负值时代表水域，而其余的非水域均表示为正值。

在进行多光谱提取之前，需要明确的是：本发明中所指的多光谱波段包括蓝光、绿光、红光和近红外光四个波段。

步骤S300、建立港口码头目标的多光谱数据库，在边缘信息之间通过对多变量观测值进行线性组合，对该线性组合进行规则化得到核函数，即为多光谱数据，通过多次重复上述步骤获得多光谱数据库。

在进行线性组合之前对边缘区域内的图像进行MAF变换获得自相关因子，具体算法如下所示：

设定α^Tx(r)为自相关因子，x(r)是在r点的多变量观测值，x(r+δ)是在r+δ点的多变量观测值，δ是空间位移向量，则有x(r)的线性组合α^Tx(r)的自协方差为R＝Cov{α^Tx(r)，α^Tx(r+δ)}，将自协方差R进行逆运算即可得到自相关因子。

在上述中，需要说明的是MAF变换，所述MAF变换指得是最大/最小自相关因子变换，它主要考虑的是遥感图像的空间特征，而在多光谱识别中，利用遥感图像的空间特征进行识别是必要的，这是由于在地物的空间特征上，均对应着唯一的特征光谱，而通过提取特征光谱应用在识别上，可以很准确的识别出对应的标定物。

在对图像进行了MAF变换之后，就必要要考虑图像的协方差矩阵，且需要消除原始数据和偏移数据之间的差异性协方差矩阵，这是由于MAF变换就基于数据的自相关性。

在上述中，应该遥感图像看成是n个像素p个光谱波段的观测数据集，则MAF最大化原始变量x(r)的线性组合α^Tx(r)的自相关因子。

具体的，线性组合及其规则化如下步骤所示：

步骤S301、将自协方差R经过变换获得其中C_δ为变换相关矩阵；

步骤S302、设定线性组合的自相关系数为ρ＝1-(α^TS_δα)/(2α^TSα)，其中差异协方差矩阵而设定S＝X^TX/(n-1)是x的协方差矩阵；

步骤S303、选取自相关系数的可选形式：

变化获得核函数形式其中X^Tb＝α，A为变换因子，k为变换系数，I_p为特征向量P的单位向量，K为变换系数的相关矩阵。

在步骤S303中，需要注意的是，在核函数形式的变换中，通过MAF变换分析，只要找到一种线性变换，为了后续运算的方便，均可以对其首先进行规则化的处理，这样，每一个线性变换均可以得到一个原始模式对应的可选形式，再经过变换即可得到核函数形式。

步骤S400、投影的特征向量提取港口码头，将上述规则化后的核函数再次进行MAF变换，并且将多变量观测值投影到原始特征向量，小于变换方差的原始特征向量对应的遥感图像区域即为待提取的港口码头。

在步骤S400中，在经过规则化后，设定原始特征向量为a_i，则原始特征向量的投影算法为：

φ(x)^Ta_i＝φ(x)^Tφ^Tb_i＝[k(x，x₁)，k(x，x₂)，…，k(x，x_N)]b_i。

另外的，所述变换方差的具体算法为：

设A矩阵的列是a_i，B矩阵的列是b_i，则有φA＝KB，则变换方差 其中n为提取的次数。

在本发明中，还需要进一步说明的是：尽管通过多光谱特征的识别可以有效的确定港口码头，但是在实际的应用中，还是需要注意的是，对于港口码头来说，其空间特征关系不仅仅是依赖于多光谱的识别。

因此，在这里，还包括步骤S500、空间关联关系的验证，其具体的操作方法为：

基于步骤S100和步骤S200，通过灰度赋值和图像处理得到模糊海岸线上的空间关联关系，并且通过该空间关系对步骤S400中识别出的港口码头进行空间关联关系的验证。

可以充分利用空间关系的关联关系进行检测，以便进一步的提高检验的准确率，而对于港口码头来说，其空间关系的关联是相对比较简单的，比如，在港口码头的空间关联关系上，只需要考虑：港口出港通道水系、转运公路、转运广场、仓储仓库等，而以上特征在遥感的光谱特征都是能够简单识别的，而且在本发明提供的识别方法中，甚至只需要通过灰度赋值处理后就可以通过灰度的赋值将其识别出来，再进行匹配，可以便捷的进行检测。

综上所述，本发明的主要特点在于：

(1)本发明首先通过对原始遥感图像进行灰度处理，划分水域和陆域，确定港口码头所在的大概位置，在通过对该位置进行多光谱的处理，而基于MAF变换，将遥感图像直接切换成相关数据的计算，能够通过特征光谱的对比快速准确的识别港口码头；

(2)在识别的过程中，对遥感图像进行误差校正，在源头上提高特征光谱的准确性能，而且在识别的过程中还能够进一步通过空间关联关系进行验证，提高识别的准确率。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。

Claims (8)

1.一种利用多光谱解译提取港口码头图像的方法，其特征在于，包括如下步骤：

S100、赋值灰度值划分海岸线，在原始遥感图像上进行灰度处理，并进行赋值，根据灰度值的分布提取模糊海岸线；

S200、图像平滑和噪音去除，根据模糊海岸线限定的范围，在原始遥感图像上对模糊海岸线所在区域进行平滑处理，并去除干扰噪音，提取边缘信息；

S300、建立港口码头目标的多光谱数据库，在边缘信息之间通过对多变量观测值进行线性组合，并对该线性组合进行规则化得到核函数，即为多光谱数据，通过多次重复上述步骤获得多光谱数据库；

在进行线性组合之前对边缘区域内的图像进行MAF变换获得自相关因子，具体算法如下所示：

设定α^Tx(r)为自相关因子，x(r)是在r点的多变量观测值，x(r+δ)是在r+δ点的多变量观测值，δ是空间位移向量，则有x(r)的线性组合α^Tx(r)的自协方差为R＝Cov{α^Tx(r)，α^Tx(r+δ)}，将自协方差R进行逆运算即可得到自相关因子；

线性组合及其规则化如下步骤所示：

S301、将自协方差R经过变换获得其中C_δ为变换相关矩阵；

S302、设定线性组合的自相关系数为ρ＝1-(α^TS_δα)/(2α^TSα)，其中差异协方差矩阵而设定S＝X^TX/(n-1)是x的协方差矩阵；

S303、选取自相关系数的可选形式 变化获得核函数形式 其中X^Tb＝α，A为变换因子，k为变换系数，I_p为特征向量P的单位向量，K为变换系数的相关矩阵；

S400、投影的特征向量提取港口码头，将规则化后的核函数进行MAF变换，并且将多变量观测值投影到原始特征向量上，经过验证后原始特征向量对应的遥感图像区域即为待提取的港口码头。

2.根据权利要求1所述的一种利用多光谱解译提取港口码头图像的方法，其特征在于，在步骤S100中，对不同灰度的遥感图像进行不同的赋值，且将遥感图像上水域的灰度值赋值为0，将陆地上灰度值最大的部分赋值为10。

3.根据权利要求1所述的一种利用多光谱解译提取港口码头图像的方法，其特征在于，在步骤S100中，通过灰度赋值提取海岸线的具体步骤如下所示：

S101、首先对原始遥感图像进行统一的灰度处理，并且将不同灰度值的区域进行划分，将划分开的区域对灰度值计算方差，获得灰度的分布均匀程度；

S102、检验步骤S101中的灰度值方差，并且选择确定方差对比值，将小于方差对比值的灰度值认定为水域，将大于方差对比值的灰度值认定为陆域；

S103、通过上述步骤认定的水域和陆域之间存在明显的界线，并且将该界线通过插值的方法恢复成连续的边界线，即为模糊海岸线。

4.根据权利要求1所述的一种利用多光谱解译提取港口码头图像的方法，其特征在于，在经过灰度赋值提取模糊海岸线之后，对遥感图像进行预处理，所述预处理包括几何校正、大气校正和辐射校正。

5.根据权利要求1所述的一种利用多光谱解译提取港口码头图像的方法，其特征在于，在步骤S200中，图像平滑的方法为均值平滑、中值滤波或者高斯模糊滤波中的任意一种，所述中值滤波或者高斯模糊滤波均采用归一化比值法，具体计算公式如下所示：

NDWI＝(Green-NIR)/(Green+NIR)，其中Green代表绿光波段影像，NIR代表近红外波段影像，NDWI代表波段组合。

6.根据权利要求1所述的一种利用多光谱解译提取港口码头图像的方法，其特征在于，在步骤S400中，在经过规则化后，设定原始特征向量为a_i，则原始特征向量的投影算法为：

φ(x)^Ta_i＝φ(x)^Tφ^Tb_i＝[k(x，x₁)，k(x，x₂)，…，k(x，x_N)]b_i。

7.根据权利要求1所述的一种利用多光谱解译提取港口码头图像的方法，其特征在于，验证方法具体为将原始特征向量与变换方差进行比较，小于变换方差的原始特征向量符合要求，所述变换方差的具体算法为：

设A矩阵的列是a_i，B矩阵的列是b_i，则有φA＝KB，则变换方差 其中n为提取的次数。

8.根据权利要求1所述的一种利用多光谱解译提取港口码头图像的方法，其特征在于，还包括步骤S500、空间关联关系的验证，其具体的操作方法为：

基于步骤S100和步骤S200，通过灰度赋值和图像处理得到模糊海岸线上的空间关联关系，并且通过该空间关系对步骤S400中识别出的港口码头进行空间关联关系的验证。