CN110120050B - 基于素描信息和超像素分割的光学遥感图像海陆分割方法 - Google Patents

基于素描信息和超像素分割的光学遥感图像海陆分割方法 Download PDF

Info

Publication number
CN110120050B
CN110120050B CN201910375910.0A CN201910375910A CN110120050B CN 110120050 B CN110120050 B CN 110120050B CN 201910375910 A CN201910375910 A CN 201910375910A CN 110120050 B CN110120050 B CN 110120050B
Authority
CN
China
Prior art keywords
land
sea
points
super
superpixel
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.)
Active
Application number
CN201910375910.0A
Other languages
English (en)
Other versions
CN110120050A (zh
Inventor
陈璞花
江立
刘芳
焦李成
古晶
刘红英
郭雨薇
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.)
Xidian University
Original Assignee
Xidian 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 Xidian University filed Critical Xidian University
Priority to CN201910375910.0A priority Critical patent/CN110120050B/zh
Publication of CN110120050A publication Critical patent/CN110120050A/zh
Application granted granted Critical
Publication of CN110120050B publication Critical patent/CN110120050B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • G06T7/187—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
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • 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
    • G06T2207/10024—Color image
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Geometry (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于素描信息和超像素分割的光学遥感图像海陆分割方法，根据光学遥感图像的素描图生成结构区域图，结合海陆素描先验信息对结构区域图中的结构区域和非结构区域进行海陆标记，得到粗分割结果图；对光学遥感图像进行超像素分割，根据粗分割结果图和超像素的方差与局部海陆信息对超像素进行海陆类别标记；最后使用超像素二分裂算法对沿海陆地超像素进行二分裂，并对分裂得到的超像素海陆类别重新标记实现海岸线的精确定位，得到最终海陆分割结果。本发明分割准确率高，能对噪声点以及陆地内与海洋颜色相似的易分错点进行正确分类，对不同场景的光学遥感图像具有很好的鲁棒性。

Description

基于素描信息和超像素分割的光学遥感图像海陆分割方法
技术领域
本发明属于图像处理技术领域，具体涉及一种基于素描信息和超像素分割的光学遥感图像海陆分割方法，可用于光学遥感图像海陆区域的精确分割。
背景技术
光学遥感图像由于其分辨率高，覆盖范围广，被广泛应用于各类目标检测中。海洋覆盖范围广阔，只能通过遥感的手段对其进行观测，利用光学遥感图像对海上渔船、军舰、采油井等目标进行检测对于民生及军事应用都有非常大的作用。在海上目标检测中，海陆分割是一个非常关键的步骤，准确的海陆分割可以将海面和陆地分开，利用海洋的先验，缩小目标检测的范围，提高检测效率，同时排除复杂的陆地环境对于目标检测结果的干扰，提高海上目标检测的准确率。
目前已有很多关于海陆分割的方法，主流的海陆分割方法包括：基于阈值的分割方法、基于特征融合的分割方法、基于边界跟踪的分割方法、基于活动轮廓的分割方法等。现有使用区域内方差作为区域纹理特性，设置方差阈值，实现海陆区域的分割，但很难准确自动地选取最优阈值。现有基于特征融合的海陆分割方法，将多种特征相结合，解决了利用单一特征造成的分割精度低，孤立区域多等问题，但这类方法由于计算多个特征，计算成本高，并且会造成分割结果图的边缘锯齿效应。现有使用海岸线跟踪的方法，在海岸线跟踪中基于八邻域方向，按一定规则寻找符合边界要求的像素点来提取海陆分割线实现海陆分割，起始种子边界点的选取在这类方法中非常重要，在很大程度上影响最终的分割效果。现有采用不断迭代初始轮廓来拟合真实海陆轮廓，实现基于活动轮廓的海陆分割，但是该类检测方法会将图像中具有稳定轮廓的弱目标区域检测出来，干扰了海岸线的检测效果。
发明内容
本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种基于素描信息和超像素分割的光学遥感图像海陆分割方法，可以实现对海陆区域的精准分割，对不同场景的光学遥感图像具有较强的鲁棒性。
本发明采用以下技术方案：
基于素描信息和超像素分割的光学遥感图像海陆分割方法，根据光学遥感图像的素描图生成结构区域图，结合海陆素描先验信息对结构区域图中的结构区域和非结构区域进行海陆标记，得到粗分割结果图；对光学遥感图像进行超像素分割，根据粗分割结果图和超像素的方差与局部海陆信息对超像素进行海陆类别标记；最后使用超像素二分裂算法对沿海陆地超像素进行二分裂，并对分裂得到的超像素海陆类别重新标记实现海岸线的精确定位，得到最终海陆分割结果。
具体的，使用长L宽W的矩形窗口提取结构区域，生成结构区域图，具体为：对于素描图中的每一条素描线段，将矩形窗口中心和该素描线段的一个端点对齐，矩形窗口方向与该素描线段方向平行，然后沿着该素描线段的方向滑动矩形窗口，直到矩形窗口的中心与该素描线段的另一个端点重合时停止滑动，矩形窗口所经过的区域为结构区域，矩形窗口未经过的区域为非结构区域，最终得到结构区域图。
具体的，对结构区域图中的结构区域和非结构区域进行海陆标记具体为：
S401、将结构区域图中，被结构区域包围的非结构区域记为封闭式非结构区域，没有被结构区域包围的非结构区域记为开放式非结构区域；
S402、将封闭式非结构区域标记为陆地；
S403、计算每个开放式非结构区域的区域面积，区域面积为区域内像素点个数；
S404、计算每个开放式非结构区域的区域梯度；
S405、将区域梯度大于阈值T2或区域面积小于阈值T3的开放式非结构区域标记为陆地，剩余没有被标记为陆地的开放式非结构区域标记为海洋。
进一步的，步骤S404具体为：
S4041、将光学遥感图转化为灰度图；
S4042、对于区域内的每个点，计算该点与其周围8邻域点的灰度差的绝对值之和作为该点的梯度；
S4043、计算区域内所有点梯度之和与区域面积的比值作为区域的梯度。
具体的，使用SLIC算法对光学遥感图像进行超像素分割，超像素分割过程中超像素个数N为：
Figure BDA0002051652330000031
其中，h为图像的高度，w为图像的宽度，m为控制超像素大小的参数，m为20～30。
具体的，将位置完全处于海陆粗分割结果图中海域内的超像素标记为海域超像素，完全处于海陆粗分割结果图中陆地内的超像素标记为陆地超像素，剩余的超像素标记为待分类超像素。
具体的，使用待分类超像素的方差和局部海陆信息，从陆地到海域逐层对待分类超像素进行类别标记，将其标记为海域超像素或陆地超像素，具体为：
S801、计算每个待分类超像素的方差Var，超像素的方差为超像素中各点的颜色G通道值的方差，R通道值的方差，B通道值的方差之和；
S802、将和陆地超像素相邻的待分类超像素记为最内层待分类超像素，对每个最内层待分类超像素，计算该最内层待分类超像素周围陆地超像素方差的中位数VarM，如果VarM与该超像素的方差Var的比值小于T4，则将该待分类超像素的类别标记为陆地超像素，T4取值2.5；
S803、重复步骤S802直到没有待分类超像素的类别被标记为陆地超像素为止，将剩下的待分类超像素类别标记为海域超像素。
具体的，使用沿海超像素二分裂算法将每个沿海陆地超像素分裂为两个超像素具体为：
S901、记待分裂的沿海超像素为A；
S902、找出超像素A的边界点，构成边界点集合B，对于超像素中每个点P，判断其8个邻域点中是否存在不属于该超像素的点，若存在，则P点为超像素的一个边界点；
S903、根据超像素A的局部海陆关系选取两个种子点P1，P2；计算集合B中每个边界点到超像素A周围陆地超像素中所有点的距离和，将距离和最小的边界点作为一个种子点P1，然后计算集合B中每个边界点到超像素A周围海域超像素中所有点的距离和，将距离和最小的边界点作为另一个种子点P2；
S904、计算P1的特征向量F1(g1，r1，b1，x1，y1)，P2的特征向量F2(g2，r2，b2，x2，y2)，其中g1，r1，b1为点P1颜色g，r，b通道的值，x1，y1是点P1的坐标位置；g2，r2，b2为点P2颜色g，r，b通道的值，x2，y2是点P2的坐标位置；
S905、将P1的8个邻域点构成的集合记为C1，C1中满足即处于超像素A内又为非边界点的点构成的集合D1＝C1∩(A-B)，如果D1内点的个数不为0，即D1不为空集，用D1内各点颜色g，r，b通道的均值代替P1特征向量的g，r，b值；将P2的8个邻域点构成的集合记为C2，C2中满足即处于超像素A内又为非边界点的点构成的集合D2＝C2∩(A-B),如果D2内点的个数不为0，即D2不为空集，用D2内各点颜色g，r，b通道的均值代替P2特征向量的g，r，b值；
S906、对超像素A中的每个点P，其特征向量为F(g，r，b，x，y)，若d(F,F1)<d(F,F2)，则将P点的类别标记为1，否则将P点的类别标记为2，d(F,F1)表示F和F1之间的距离，d(F,F2)表示F和F2之间的距离；
S907、计算所有标记为1的像素点的特征向量的均值
Figure BDA0002051652330000051
计算所有标记为2的像素点的特征向量的均值
Figure BDA0002051652330000052
如果
Figure BDA0002051652330000053
则令
Figure BDA0002051652330000054
并重复步骤S906和S907，否则进行步骤S908，ε取值2；
S908、通过步骤S906和S907将超像素A中的点分为类别1和类别2，找出类别1的点构成的所有连通域，将连通域集合记为E1，将E1中面积最大的连通域记为R1，找出类别2的点构成的所有连通域，将连通域集合记为E2，将E2中面积最大的连通域记为R2，记M＝E1∪E2-{R1，R2}；
S909、若M中存在与R2相邻的连通域Rm，更新集合M＝M-{Rm}，并将R2内的点和Rm内的点合并构成新的连通区域R2，若M中存在与R1相邻的连通域Rk，更新集合M＝M-{Rk}，并将R1内的点和Rk内的点合并构成新的连通区域R1；
S910、若M不为空，则重复步骤S909和S910，否则进行步骤S911；
S911、如果R1，R2两连通域一个被另一个包围，则以两种子点P1，P2的中垂线作为分割线，将超像素A分为两部分，分别记为R1，R2，其中，超像素中处于分割线上的点属于R1；
S912、R1，R2为将超像素A二分裂得到的两个超像素。
进一步的，步骤S906中，超像素A中两个点的特征向量Fi，Fj之间的距离度量函数d(Fi,Fj)定义如下：
dc(Fi,Fj)＝(gi-gj)2+(ri-rj)2+(bi-bj)2
dp(Fi,Fj)＝(xi-xj)2+(yi-yj)2
Figure BDA0002051652330000061
其中，max(Dc)为超像素A中所有点之间颜色(g，r，b)欧式距离的最大值，max(Dp)为超像素A中所有点之间位置(x,y)欧式距离的最大值。
具体的，将被陆地超像素包围的海域超像素标记为陆地超像素，所有处于海域超像素中的像素点为海洋，所有未处于海域超像素中的像素点为陆地，得到海陆分割结果。
与现有技术相比，本发明至少具有以下有益效果：
本发明基于素描信息和超像素分割的光学遥感图像海陆分割方法，将结构区域图中的非结构区域分为开放式非结构区域和封闭式非结构区域两种，将封闭式非结构区域标记为陆地，使用区域梯度对开放式非结构区域进行海陆标记，有效避免了对陆地中与海洋颜色接近的区域的错误分割，提高了分割准确率和区域一致性；在得到海陆粗分割结果后，将图像分割为超像素块，从陆地向海域逐层地对最内层待分类超像素的海陆类别进行判定，实现了海陆的二次分割，得到高精度的海岸线；采用沿海超像素二分裂算法，将分割不准确的超像素中的海域和陆地区域划分开，降低超像素分割不准确所带来的不利影响，进一步提升海陆分割的准确率。
进一步的，结构区域图是根据素描图生成的，使用结构区域图可以充分利用海洋和陆地的素描先验信息进行海陆分割；生成结构区域图可以将图像划分为多个区域，以区域为单位进行图像分割可以加快分割速度，并且能避免陆地上与海域颜色相似的像素点被错分为海洋。
进一步的，平静的海面以及海面上的波浪处不会出现素描线段，结构区域是通过矩形窗口沿素描线段滑动得到的，因此可以直接标记为陆地。非结构区域表示图像中灰度分布均匀的区域，一般为海面，农田，鱼塘的水面，房屋的屋顶等。将非结构区域分为封闭式非结构区域和开放式非结构区域。农田，鱼塘，房屋等平坦地区都会被田坎，围栏，树木等结构区域所包围，处于封闭式非结构区域，因此，将封闭式非结构区域标记为陆地。海面面积比较大，不会被结构区域包围，处于开放式非结构区域，由于图像采集幅度的限制，陆地上一些区域也会处于开放式非结构区域。海面包含梯度信息少，面积较大，因此根据区域的面积和梯度对开放式非结构区域的海陆类别进行标记。通过对结构区域图中的结构区域和非结构区域进行海陆标记，大致的将图像分为海陆两部分，原始图像中与结构区域图中标记为海洋的区域对应的地方为海洋，其他地方为陆地，得到海陆粗分割结果图。
进一步的，海陆粗分割得到的海陆边界比较粗糙，真正的海陆边界位于粗分割海陆边界的附近。将图像进行超像素分割，并利用海陆粗分割结果和超像素自身的特征对超像素的海陆类别进行分类，获取精准的海陆分界线，提高分割准确率。
进一步的，由于部分区域海陆边界模糊和超像素分割算法本身的缺陷，会导致个别沿海陆地超像素块中即包含海洋也包含陆地。采用沿海超像素二分裂算法对沿海陆地超像素进行二分裂，并对分裂得到的超像素的海陆类别重新进行标记，将分割不准确的超像素中的海域和陆地区域划分开，进一步提升海陆分割的精准率。
综上所述，本发明分割准确率高，能对噪声点以及陆地内与海洋颜色相似的易分错点进行正确分类，对不同场景的光学遥感图像具有很好的鲁棒性。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
图1为本发明的实现流程图；
图2为海陆区域粗分割过程示意图，其中，(a)为光学遥感图，(b)为图2(a)素描化得到的素描图，(c)为图2(b)得到的结构区域图，(d)为海陆粗分割结果图；
图3为超像素分割和超像素类别标记示意图，其中，(a)为图2(a)进行超像素分割得到的结果图，(b)为对图3(a)中超像素进行海陆类别标记得到的结果图，(c)为对图3(b)中待分类超像素进行类别标记得到的结果图；
图4为沿海陆地超像素二分裂示意图，其中，(a)为对矩形内的超像素进行二分裂，(b)为矩形内超像素的细节图，(c)为图4(b)中超像素二分裂得到的结果图；
图5为沿海陆地超像素二分裂、类别再标记示意图，其中，(a)为对图3(c)中所有沿海陆地超像素进行二分裂得到的结果图，黑色和白色的超像素为分裂得到的超像素，(b)为对图5(a)中二分裂得到的超像素进行海陆标记的结果图，(c)为海陆分割得到的最终结果图；
图6为使用本发明方法和现有方法对3张光学遥感图像进行海陆分割的结果对比图，其中，(a)为本发明一种光学遥感图像，(b)为本发明第二种光学遥感图像，(c)为本发明第三种光学遥感图像，(d)为现有海陆分割得到的一种结果图，(e)为现有海陆分割得到的第二种结果图，(f)为现有海陆分割得到的第三种结果图，(g)为本发明方法对(a)进行海陆分割得到的结果图，(h)为本发明方法对(b)进行海陆分割得到的结果图，(i)为本发明方法对(c)进行海陆分割得到的结果图。
具体实施方式
本发明提供了一种基于素描信息和超像素分割的光学遥感图像海陆分割方法，首先根据光学遥感图像的素描图生成结构区域图，结合海陆素描先验信息对结构区域图中的结构区域和非结构区域进行海陆标记，得到粗分割结果图；接着对光学遥感图像进行超像素分割，根据粗分割结果图和超像素的方差与局部海陆信息对超像素进行海陆类别标记；最后使用超像素二分裂算法对沿海陆地超像素进行二分裂并对分裂得到的超像素海陆类别重新标记实现海岸线的精确定位，得到最终海陆分割结果。本发明实现了对光学遥感图像海陆区域的精确分割，分割准确率高，对不同场景的光学遥感图像具有很好的鲁棒性。
请参阅图1，本发明一种基于素描信息和超像素分割的光学遥感图像海陆分割方法，包括以下步骤：
S1、输入光学遥感图像，然后利用初始素描模型提取素描图；
S2、根据素描图，使用长L，宽W的矩形窗口来提取结构区域，生成结构区域图；
对于素描图(图2b)中的每一条素描线段，将矩形窗口中心和该素描线段的一个端点对齐，矩形窗口方向与该素描线段方向平行，然后沿着该素描线段的方向滑动矩形窗口，直到矩形窗口的中心与该素描线段的另一个端点重合时停止滑动，矩形窗口所经过的区域为结构区域，矩形窗口未经过的区域为非结构区域，最终得到结构区域图，如图2c，图中黑色像素对应的是结构区域，白色像素对应的是非结构区域，在结构区域图生成过程中，矩形窗口的长L取值25PX，宽W取值15PX；
S3、将结构区域图中的结构区域标记为陆地，房屋，道路，农田的田坎，渔场的围栏，森林等都处于结构区域中，因此将结构区域标记为陆地；
S4、将结构区域图(图2c)中的非结构区域分为开放式非结构区域和封闭式非结构区域，并对开放式非结构区域和封闭式非结构区域进行海陆标记；
S401、将结构区域图中，被结构区域包围的非结构区域记为封闭式非结构区域，没有被结构区域包围的非结构区域记为开放式非结构区域，封闭式非结构区域通常是平地、池塘、水田、草地、屋顶等；
S402、将封闭式非结构区域标记为陆地；
S403、计算每个开放式非结构区域的区域面积，区域面积为区域内像素点个数；
S404、计算每个开放式非结构区域的区域梯度；
S4041、将光学遥感图转化为灰度图；
S4042、对于区域内的每个点，计算该点与其周围8邻域点的灰度差的绝对值之和作为该点的梯度；
S4043、计算区域内所有点梯度之和与区域面积的比值作为区域的梯度。
S405、将区域梯度大于阈值T2或区域面积小于阈值T3的开放式非结构区域标记为陆地，剩余没有被标记为陆地的开放式非结构区域标记为海洋，其中T2取值0.2，T3取值5000。海面广阔平坦，陆地复杂多样，因此可以使用区域梯度对开放式非结构区域的海陆类型进行判别。
S5、将被海洋区域包围且面积小于T1的陆地区域标记为海洋，得到海陆粗分割结果图，如图2d，图中黑色像素对应的为陆地，白色像素对应的为海域，T1取值为10000；
S6、对输入的光学遥感图(图2a)，使用SLIC算法进行超像素分割，得到图3a，超像素分割过程中超像素个数设置为N为：
Figure BDA0002051652330000111
其中，h为图像的高度，值为1800，w为图像的宽度，值为1500，m为控制超像素大小的参数，m的取值为20～30，优选25；
S7、将位置完全处于海陆粗分割结果图(图2d)中海域内的超像素标记为海域超像素，完全处于海陆粗分割结果图中陆地内的超像素标记为陆地超像素，剩余的超像素标记为待分类超像素，如图3b，图中灰色超像素为海域超像素，黑色超像素为陆地超像素，白色超像素为待分类超像素；
S8、使用待分类超像素的方差和局部海陆信息，从陆地到海域逐层对待分类超像素进行类别标记，将其标记为海域超像素或陆地超像素；
S801、计算图3b中每个待分类超像素的方差Var，超像素的方差为超像素中各点的颜色G通道值的方差，R通道值的方差，B通道值的方差之和；
S802、将图3b中和陆地超像素相邻的待分类超像素记为最内层待分类超像素，对每个最内层待分类超像素，计算该最内层待分类超像素周围陆地超像素方差的中位数VarM，如果VarM与该超像素的方差Var的比值小于T4即：
Figure BDA0002051652330000121
则将该待分类超像素的类别标记为陆地超像素，T4取值2.5；
S803、重复步骤S802直到没有待分类超像素的类别被标记为陆地超像素为止，将剩下的待分类超像素类别标记为海域超像素，得到图3c，图中黑色超像素为陆地超像素，图中灰色超像素为海域超像素。
S9、使用沿海超像素二分裂算法将图3c中每个沿海陆地超像素分裂为两个超像素，将一个沿海超像素分裂为两个超像素的沿海超像素二分裂算法；
S901、记待分裂的沿海超像素为A；
S902、找出超像素A的边界点，构成边界点集合B，对于超像素中每个点P，判断其8个邻域点中是否存在不属于该超像素的点，若存在，则P点为超像素的一个边界点；
S903、根据超像素A的局部海陆关系选取两个种子点P1，P2：计算集合B中每个边界点到超像素A周围陆地超像素中所有点的距离和，将距离和最小的边界点作为一个种子点P1，然后计算集合B中每个边界点到超像素A周围海域超像素中所有点的距离和，将距离和最小的边界点作为另一个种子点P2；使用超像素的局部海陆信息选取种子点比随机选取种子点效果好；
S904、计算P1的特征向量F1(g1,r1,b1,x1,y1)，P2的特征向量F2(g2,r2,b2,x2,y2)。其中g1，r1，b1为点P1颜色g，r，b通道的值，x1，y1是点P1的坐标位置；g2，r2，b2为点P2颜色g，r，b通道的值，x2，y2是点P2的坐标位置；
S905、将P1的8个邻域点构成的集合记为C1，C1中满足即处于超像素A内又为非边界点的点构成的集合D1＝C1∩(A-B)，如果D1内点的个数不为0，即D1不为空集，用D1内各点颜色g，r，b通道的均值代替P1特征向量的g，r，b值；将P2的8个邻域点构成的集合记为C2，C2中满足即处于超像素A内又为非边界点的点构成的集合D2＝C2∩(A-B)，如果D2内点的个数不为0，即D2不为空集，用D2内各点颜色g，r，b通道的均值代替P2特征向量的g，r，b值；该步骤可以有效降低噪音点被选为种子点对二分裂效果的影响；
S906、对超像素A中的每个点P，其特征向量为F(g,r,b,x,y),若d(F,F1)<d(F,F2)，则将P点的类别标记为1，否则将P点的类别标记为2，d(F,F1)表示F和F1之间的距离，d(F,F2)表示F和F2之间的距离，超像素A中两个点的特征向量Fi，Fj之间的距离度量函数d(Fi,Fj)定义如下：
dc(Fi,Fj)＝(gi-gj)2+(ri-rj)2+(bi-bj)2
dp(Fi,Fj)＝(xi-xj)2+(yi-yj)2
Figure BDA0002051652330000131
其中，max(Dc)为超像素A中所有点之间颜色(g，r，b)欧式距离的最大值，max(Dp)为超像素A中所有点之间位置(x,y)欧式距离的最大值。在特征中加上点的位置信息可以使位置相近，颜色差异小的点尽可能的分为一类，使每类中的像素点更加紧凑，具有连通性；
S907、计算所有标记为1的像素点的特征向量的均值
Figure BDA0002051652330000132
计算所有标记为2的像素点的特征向量的均值
Figure BDA0002051652330000133
如果
Figure BDA0002051652330000134
则令
Figure BDA0002051652330000135
并重复步骤S906和S907，否则进行步骤S908，ε取值2；
S908、通过步骤S906和步骤S907的操作会将超像素A中的点分为类别为1和类别为2的两类，找出类别为1的点构成的所有连通域，将连通域集合记为E1，将E1中面积最大的连通域记为R1，找出类别为2的点构成的所有连通域，将连通域集合记为E2，将E2中面积最大的连通域记为R2，记M＝E1∪E2-{R1，R2}；
S909、若M中存在与R2相邻的连通域Rm，更新集合M＝M-{Rm}，并将R2内的点和Rm内的点合并构成新的连通区域R2，若M中存在与R1相邻的连通域Rk，更新集合M＝M-{Rk}，并将R1内的点和Rk内的点合并构成新的连通区域R1；
S910、若M不为空，则重复步骤S909，S910，否则进行步骤S911；
S911、如果R1，R2两连通域一个被另一个包围，则以两种子点P1，P2的中垂线作为分割线，将超像素A分为两部分，两部分分别记为R1，R2，其中超像素中处于分割线上的点属于R1；
S912、R1，R2是将超像素A二分裂得到的两个超像素。
图4为沿海陆地超像素二分裂示意图，对图4a中白色矩形内的超像素进行二分裂，图4b为白色矩形内超像素的细节图，图4c为对图4b中超像素二分裂得到的结果图，图4c中白色和灰色分别代表分裂得到的两个超像素。
对图3c中每个沿海陆地超像素分裂进行二分裂得到图5a，图5a中黑色和白色的超像素为分裂得到的超像素。
S10、将步骤S9中沿海陆地超像素分裂得到的超像素标记为待分类超像素，并利用步骤S801，S802，S803的方法对待分类超像素进行海陆类别标记，得到图5b，图中黑色超像素为陆地超像素。对沿海陆地超像素进行二分裂和类别再标记能减少超像素分割不准确带来的不利影响；
S11、将被陆地超像素包围的海域超像素标记为陆地超像素，所有处于海域超像素中的像素点为海洋，所有未处于海域超像素中的像素点为陆地，得到海陆分割结果，如图5c，图中黑色像素为陆地，白色像素为海域。
为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中的描述和所示的本发明实施例的组件可以通过各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作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。
1.仿真条件
本发明仿真的硬件条件是：CPU：AMD Opteron(tm)Processor 2493SE，内存：32G
仿真使用的图片是：3张光学遥感图像，如图6a(1800PX×1500PX)，6d(900PX×900PX)，6g(1500PX×1000PX)。
2.仿真内容：使用本发明的方法和施晓东等人在论文《一种光学遥感图像海陆分割方法》中提到的方法分别对上述3张光学遥感图像进行海陆分割，并对比两种方法的分割效果和分割准确率。其中，分割准确率的计算方式如下：
Figure BDA0002051652330000151
本发明的方法和施晓东等人的方法对上述3张光学遥感图像进行海陆分割的分割结果如图6所示：其中图6a，6d，6g为3张光学遥感图像，图6b，6e，6h是施晓东等人的方法对图6a，6d，6g进行海陆分割得到的结果图，图6c，6f，6i是本发明的方法对图6a，6d，6g进行海陆分割得到的结果图，本发明的方法和现有方法对图6a，6d，6g进行海陆分割的分割结果准确率如表1所示：
表1
Figure BDA0002051652330000161
3.仿真结果分析：
从图6可以看出，本发明的方法对包含人工海岸，自然海岸，港口等的光学遥感图像都能有效地将海陆分开。本发明的方法能够避免对陆地中与海洋颜色接近的区域的错误分割，对不同场景的光学遥感图像具有很好的鲁棒性。
从表1可以看出，本发明的方法得到的分割结果具有较高的准确率，且在3张光学遥感图像上的分割准确率都现有方法。
综上所述，本发明实现了光学遥感图像的海陆分割，分割准确率高，对不同场景的光学遥感图像具有很好的鲁棒性。
以上内容仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明权利要求书的保护范围之内。

Claims (7)

1.基于素描信息和超像素分割的光学遥感图像海陆分割方法，其特征在于，根据光学遥感图像的素描图生成结构区域图，结合海陆素描先验信息对结构区域图中的结构区域和非结构区域进行海陆标记，得到粗分割结果图；对光学遥感图像进行超像素分割，根据粗分割结果图和超像素的方差与局部海陆信息对超像素进行海陆类别标记；最后使用超像素二分裂算法对沿海陆地超像素进行二分裂，并对分裂得到的超像素海陆类别重新标记实现海岸线的精确定位，得到最终海陆分割结果；
对结构区域图中的结构区域和非结构区域进行海陆标记具体为：
S401、将结构区域图中，被结构区域包围的非结构区域记为封闭式非结构区域，没有被结构区域包围的非结构区域记为开放式非结构区域；
S402、将封闭式非结构区域标记为陆地；
S403、计算每个开放式非结构区域的区域面积，区域面积为区域内像素点个数；
S404、计算每个开放式非结构区域的区域梯度；
S405、将区域梯度大于阈值T2或区域面积小于阈值T3的开放式非结构区域标记为陆地，剩余没有被标记为陆地的开放式非结构区域标记为海洋；
使用待分类超像素的方差和局部海陆信息，从陆地到海域逐层对待分类超像素进行类别标记，将其标记为海域超像素或陆地超像素，具体为：
S801、计算每个待分类超像素的方差Var，超像素的方差为超像素中各点的颜色G通道值的方差，R通道值的方差，B通道值的方差之和；
S802、将和陆地超像素相邻的待分类超像素记为最内层待分类超像素，对每个最内层待分类超像素，计算该最内层待分类超像素周围陆地超像素方差的中位数VarM，如果VarM与该超像素的方差Var的比值小于T4，则将该待分类超像素的类别标记为陆地超像素，T4取值2.5；
S803、重复步骤S802直到没有待分类超像素的类别被标记为陆地超像素为止，将剩下的待分类超像素类别标记为海域超像素；
使用沿海超像素二分裂算法将每个沿海陆地超像素分裂为两个超像素具体为：
S901、记待分裂的沿海超像素为A；
S902、找出超像素A的边界点，构成边界点集合B，对于超像素中每个点P，判断其8个邻域点中是否存在不属于该超像素的点，若存在，则P点为超像素的一个边界点；
S903、根据超像素A的局部海陆关系选取两个种子点P1，P2；计算集合B中每个边界点到超像素A周围陆地超像素中所有点的距离和，将距离和最小的边界点作为一个种子点P1，然后计算集合B中每个边界点到超像素A周围海域超像素中所有点的距离和，将距离和最小的边界点作为另一个种子点P2；
S904、计算P1的特征向量F1(g1，r1，b1，x1，y1)，P2的特征向量F2(g2，r2，b2，x2，y2)，其中，g1，r1，b1为点P1颜色g，r，b通道的值，x1，y1是点P1的坐标位置；g2，r2，b2为点P2颜色g，r，b通道的值，x2，y2是点P2的坐标位置；
S905、将P1的8个邻域点构成的集合记为C1，C1中满足即处于超像素A内又为非边界点的点构成的集合D1＝C1∩(A-B)，如果D1内点的个数不为0，即D1不为空集，用D1内各点颜色g，r，b通道的均值代替P1特征向量的g，r，b值；将P2的8个邻域点构成的集合记为C2，C2中满足即处于超像素A内又为非边界点的点构成的集合D2＝C2∩(A-B)，如果D2内点的个数不为0，即D2不为空集，用D2内各点颜色g，r，b通道的均值代替P2特征向量的g，r，b值；
S906、对超像素A中的每个点P,其特征向量为F(g，r，b，x，y)，若d(F,F1)<d(F,F2)，则将P点的类别标记为1，否则将P点的类别标记为2，d(F,F1)表示F和F1之间的距离，d(F,F2)表示F和F2之间的距离；
S907、计算所有标记为1的像素点的特征向量的均值
Figure FDA0002735808740000021
计算所有标记为2的像素点的特征向量的均值
Figure FDA0002735808740000031
如果
Figure FDA0002735808740000032
则令
Figure FDA0002735808740000033
并重复步骤S906和S907，否则进行步骤S908，ε取值2；
S908、通过步骤S906和S907将超像素A中的点分为类别1和类别2，找出类别1的点构成的所有连通域，将连通域集合记为E1，将E1中面积最大的连通域记为R1，找出类别2的点构成的所有连通域，将连通域集合记为E2，将E2中面积最大的连通域记为R2，记M＝E1∪E2-{R1，R2}；
S909、若M中存在与R2相邻的连通域Rm，更新集合M＝M-{Rm}，并将R2内的点和Rm内的点合并构成新的连通区域R2，若M中存在与R1相邻的连通域Rk，更新集合M＝M-{Rk}，并将R1内的点和Rk内的点合并构成新的连通区域R1；
S910、若M不为空，则重复步骤S909和S910，否则进行步骤S911；
S911、如果R1，R2两连通域一个被另一个包围，则以两种子点P1，P2的中垂线作为分割线，将超像素A分为两部分，分别记为R1，R2，其中，超像素中处于分割线上的点属于R1；
S912、R1，R2为将超像素A二分裂得到的两个超像素。
2.根据权利要求1所述的方法，其特征在于，使用长L，宽W的矩形窗口提取结构区域，生成结构区域图，具体为：对于素描图中的每一条素描线段，将矩形窗口中心和该素描线段的一个端点对齐，矩形窗口方向与该素描线段方向平行，然后沿着该素描线段的方向滑动矩形窗口，直到矩形窗口的中心与该素描线段的另一个端点重合时停止滑动，矩形窗口所经过的区域为结构区域，矩形窗口未经过的区域为非结构区域，最终得到结构区域图。
3.根据权利要求1所述的方法，其特征在于，步骤S404具体为：
S4041、将光学遥感图转化为灰度图；
S4042、对于区域内的每个点，计算该点与其周围8邻域点的灰度差的绝对值之和作为该点的梯度；
S4043、计算区域内所有点梯度之和与区域面积的比值作为区域的梯度。
4.根据权利要求1所述的方法，其特征在于，使用SLIC算法对光学遥感图像进行超像素分割，超像素分割过程中超像素个数N为：
Figure FDA0002735808740000041
其中，h为图像的高度，w为图像的宽度，m为控制超像素大小的参数，m为20～30。
5.根据权利要求1所述的方法，其特征在于，将位置完全处于海陆粗分割结果图中海域内的超像素标记为海域超像素，完全处于海陆粗分割结果图中陆地内的超像素标记为陆地超像素，剩余的超像素标记为待分类超像素。
6.根据权利要求1所述的方法，其特征在于，步骤S906中，超像素A中两个点的特征向量Fi，Fj之间的距离度量函数d(Fi,Fj)定义如下：
dc(Fi,Fj)＝(gi-gj)2+(ri-rj)2+(bi-bj)2
dp(Fi,Fj)＝(xi-xj)2+(yi-yj)2
Figure FDA0002735808740000042
其中，max(Dc)为超像素A中所有点之间颜色(g，r，b)欧式距离的最大值，max(Dp)为超像素A中所有点之间位置(x，y)欧式距离的最大值。
7.根据权利要求1所述的方法，其特征在于，将被陆地超像素包围的海域超像素标记为陆地超像素，所有处于海域超像素中的像素点为海洋，所有未处于海域超像素中的像素点为陆地，得到海陆分割结果。
CN201910375910.0A 2019-05-07 2019-05-07 基于素描信息和超像素分割的光学遥感图像海陆分割方法 Active CN110120050B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910375910.0A CN110120050B (zh) 2019-05-07 2019-05-07 基于素描信息和超像素分割的光学遥感图像海陆分割方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910375910.0A CN110120050B (zh) 2019-05-07 2019-05-07 基于素描信息和超像素分割的光学遥感图像海陆分割方法

Publications (2)

Publication Number Publication Date
CN110120050A CN110120050A (zh) 2019-08-13
CN110120050B true CN110120050B (zh) 2021-01-29

Family

ID=67520398

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910375910.0A Active CN110120050B (zh) 2019-05-07 2019-05-07 基于素描信息和超像素分割的光学遥感图像海陆分割方法

Country Status (1)

Country Link
CN (1) CN110120050B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN113538478A (zh) * 2020-04-15 2021-10-22 深圳市光鉴科技有限公司 基于图像的箱体边界提取方法、系统、设备及存储介质
CN115049649B (zh) * 2022-08-12 2022-11-11 山东振鹏建筑钢品科技有限公司 基于锈蚀程度的钢筋打磨除锈控制方法
CN115147733B (zh) * 2022-09-05 2022-11-25 山东东盛澜渔业有限公司 一种基于人工智能的海洋垃圾识别回收方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10042048B1 (en) * 2014-02-20 2018-08-07 National Technology & Engineering Solutions Of Sandia, Llc Superpixels for improved structure and terrain classification using multiple synthetic aperture radar image products
CN105513041B (zh) * 2015-10-28 2018-12-21 深圳大学 一种大幅面遥感图像海陆分割的方法及系统
CN108898101B (zh) * 2018-06-29 2021-09-28 西安电子科技大学 基于素描图和先验约束的高分辨sar图像路网检测方法

Also Published As

Publication number Publication date
CN110120050A (zh) 2019-08-13

Similar Documents

Publication Publication Date Title
CN110120050B (zh) 基于素描信息和超像素分割的光学遥感图像海陆分割方法
CN107145874B (zh) 复杂背景sar图像中的舰船目标检测与鉴别方法
CN110378308B (zh) 改进的基于Faster R-CNN的港口SAR图像近岸舰船检测方法
CN109034026B (zh) 一种遥感影像中水陆区域的红树林提取方法及系统
CN108121991A (zh) 一种基于边缘候选区域提取的深度学习舰船目标检测方法
Wang et al. Interannual changes of coastal aquaculture ponds in China at 10-m spatial resolution during 2016–2021
CN110414509A (zh) 基于海陆分割和特征金字塔网络的港口停靠舰船检测方法
CN110097101A (zh) 一种基于改进可靠性因子的遥感图像融合与海岸带分类方法
CN105528585B (zh) 基于舰船尾迹和海底地形内波模型的水下航行器检测方法
Liu et al. Aquaculture area extraction and vulnerability assessment in Sanduao based on richer convolutional features network model
CN110110682A (zh) 遥感图像的语义立体重构方法
CN109359533A (zh) 一种基于多波段遥感影像的海岸线提取方法
Xu et al. Efficient computation of attributes and saliency maps on tree-based image representations
CN112037244A (zh) 联合指数和轮廓指示器SLIC的Landsat-8图像养殖池提取方法
Liu et al. Mapping China’s offshore mariculture based on dense time-series optical and radar data
CN108717539A (zh) 一种小尺寸舰船检测方法
He et al. Object-based distinction between building shadow and water in high-resolution imagery using fuzzy-rule classification and artificial bee colony optimization
CN108765440B (zh) 一种单极化sar图像的线引导超像素海岸线提取方法
Wang et al. Seamline determination for high resolution orthoimage mosaicking using watershed segmentation
CN106815851B (zh) 一种基于视觉测量的栅格圆形油位计自动读数方法
Kezia et al. A color-texture based segmentation method to extract object from background
Liu et al. A Deep Learning Method for Offshore Raft Aquaculture Extraction Based on Medium Resolution Remote Sensing Images
CN108875636A (zh) 一种基于辅助判别策略的合成孔径雷达图像海陆分割方法
Bayram et al. Shoreline extraction and change detection using 1: 5000 scale orthophoto maps: A case study of Latvia-Riga
Blain et al. Simple methodology for deriving continuous shorelines from imagery: Application to rivers

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