CN111046772A - 多时相卫星遥感岛礁岸线及开发利用信息提取方法 - Google Patents
多时相卫星遥感岛礁岸线及开发利用信息提取方法 Download PDFInfo
- Publication number
- CN111046772A CN111046772A CN201911232063.9A CN201911232063A CN111046772A CN 111046772 A CN111046772 A CN 111046772A CN 201911232063 A CN201911232063 A CN 201911232063A CN 111046772 A CN111046772 A CN 111046772A
- Authority
- CN
- China
- Prior art keywords
- island
- image
- remote sensing
- shoreline
- adopting
- 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
Links
- 238000000605 extraction Methods 0.000 title claims abstract description 42
- 238000011161 development Methods 0.000 title claims abstract description 39
- 230000008859 change Effects 0.000 claims abstract description 99
- 238000001514 detection method Methods 0.000 claims abstract description 88
- 238000000034 method Methods 0.000 claims abstract description 51
- 230000018109 developmental process Effects 0.000 claims abstract description 38
- 238000005070 sampling Methods 0.000 claims abstract description 29
- 230000011218 segmentation Effects 0.000 claims abstract description 19
- 238000012545 processing Methods 0.000 claims abstract description 13
- 238000003384 imaging method Methods 0.000 claims abstract description 12
- 238000005516 engineering process Methods 0.000 claims abstract description 7
- 238000013144 data compression Methods 0.000 claims abstract description 4
- 230000009466 transformation Effects 0.000 claims abstract description 4
- 238000012847 principal component analysis method Methods 0.000 claims abstract description 3
- 239000013598 vector Substances 0.000 claims description 22
- 230000006870 function Effects 0.000 claims description 12
- 239000000203 mixture Substances 0.000 claims description 12
- 238000000513 principal component analysis Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 9
- 239000013535 sea water Substances 0.000 claims description 6
- 238000013459 approach Methods 0.000 claims description 4
- 230000006872 improvement Effects 0.000 claims description 4
- 238000003064 k means clustering Methods 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 230000007797 corrosion Effects 0.000 claims description 2
- 238000005260 corrosion Methods 0.000 claims description 2
- 238000005457 optimization Methods 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 description 12
- 238000002474 experimental method Methods 0.000 description 8
- 230000000877 morphologic effect Effects 0.000 description 7
- 230000004927 fusion Effects 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 5
- 230000003595 spectral effect Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 239000004576 sand Substances 0.000 description 4
- 238000001228 spectrum Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000004088 simulation Methods 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 235000002566 Capsicum Nutrition 0.000 description 1
- 235000014653 Carica parviflora Nutrition 0.000 description 1
- 244000132059 Carica parviflora Species 0.000 description 1
- 239000006002 Pepper Substances 0.000 description 1
- 235000016761 Piper aduncum Nutrition 0.000 description 1
- 235000017804 Piper guineense Nutrition 0.000 description 1
- 244000203593 Piper nigrum Species 0.000 description 1
- 235000008184 Piper nigrum Nutrition 0.000 description 1
- 241000124033 Salix Species 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 239000010931 gold Substances 0.000 description 1
- 229910052737 gold Inorganic materials 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000005381 potential energy Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 238000009991 scouring Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
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
- 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
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
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
一种多时相卫星遥感岛礁岸线及开发利用信息提取方法,属于海洋岛礁卫星遥感和计算机图形处理交叉领域。步骤如下:首先分析不同类型海岛岸线和开发利用情况成像特性;其次,采用图像降采样和升采样处理技术,实现大幅宽卫星遥感图像的快速提取,结合距离正则化几何主动轮廓模型,进行精确逐步逼近,获得岛礁岸线;然后,采用Grabcut算法进行海洋背景与岛礁前景的分割,利用图像中的颜色信息和边界信息得到较好的分割结果。最后,采用主成分分析法将数据正交投影到由主成分构成的线性子空间,通过线性变换进行特征提取与数据压缩,根据所提取的特征进行聚类得到最终变化检测结果。本发明能够实现高分辨率卫星遥感影像的岛礁岸线及开发利用快速有效提取。
Description
技术领域
本发明属于海洋岛礁卫星遥感和计算机图像处理交叉领域,涉及一种多时相卫星遥感岛礁岸线及开发利用信息提取方法。
背景技术
在遥感领域中,变化检测被定义为辨别不同时期同一区域地物发生变化的过程。土地利用和土地覆盖的变化信息被广泛应用在城市变化、森林覆盖、海域使用变化检测、灾害监测、植被检测等等。变化检测技术利用覆盖同一区域的遥感影像提取地表变化信息,已经得到了广泛的应用。随着高分辨率可见光卫星GF1/2卫星和GF-3号首颗民用SAR卫星发射,多类型卫星数据得到极大发展,影像的空间分辨率从中低分辨率到高分辨率及超高分辨率发展,变化检测技术也面临着困难和挑战。
变化检测分为无监督变化检测和有监督变化检测:其中,无监督变化检测分为图像差值法、图像比值法、植被索引差值法等,有监督变化检测分为神经网络法、基于小波的检测方法等。Hussain等(Hussain M,Chen D,Cheng A,et al.Change detection fromremotely sensed images:From pixel-based to object-based approaches.ISPRSJournal of Photogrammetry and Remote Sensing,2013,80:91-106.)把变化检测分为基于像素的方法和基于对象的方法。基于像素的变化检测方法以像素作为分析单元,应用直观简单,但是会存在“椒盐”噪声,而面向对象的方法在高分辨率影像中应用频繁,一般对影像进行分割创建对象,然后利用对象进行分析。Tewkesbury等(Tewkesbury AP,Comber AJ,Tate N J,et al.A critical synthesis of remotely sensed optical image changedetection techniques.Remote Sensing of Environment,2015, 160:1-14.)把变化检测分为直接分类变化检测(direct classification change detection)、分类后变化检测(post-classification change detection)、变化向量分析法(change detectionanalysis) 和混合变化检测法(hybrid change detection)。近几年,随着深度学习的流行,深度信念网络、卷积神经网络及栈式自编码网络等基于神经网络的思想逐渐应用于SAR、高分辨率影像和超高分辨率影像的变化检测中。
Bovolo等(Bovolo F,Bruzzone L.A theoretical framework for unsupervisedchange detection based on change vector analysis in the polar domain.IEEETransactions on Geoscience and Remote Sensing,2007,45(1):218-236.)提出了一种自动无监督的多时相影像变化检测框架,通过把多维的光谱变化向量空间压缩到二维半极坐标表示,并且不忽略有效的可能发生变化信息的光谱波段,改进了在2007年提出的光谱变化向量极坐标表示的方法。根据光谱变化向量的强度和方向使用EM算法自动区分变化类和非变化类以及发生变化的种类。实验中使用Landsat-5 和Quickbird影像,通过与只选择两个波段的光谱变化向量的极坐标表示方法做对比实验,总体精度和Kappa系数分别为94%以上和0.8左右,有着较好的实验结果;
柳思聪(Liu S,Du Q,Tong X,et al.Multiscale Morphological CompressedChange Vector Analysis for Unsupervised Multiple Change Detection.IEEEJournal of Selected Topics in Applied Earth Observations and Remote Sensing,2017,10(9):4124-4137.)提出了一种多尺度形态学压缩变化向量分析方法,通过引入形态学滤波器和面向对象的分割,改进了上述Bruzzone和Bovolo 基于像素层面的变化向量分析法的不足。所提出的多尺度集成策略包括两部分组成:数据级融合和决策级融合。数据级融合通过形态学处理重构光谱变化向量,堆叠形成扩展的光谱变化向量,将光谱变化向量压缩到二维半极坐标,用K-means的方法对光谱变化向量的强度和方向进行聚类,得到多种变化检测结果。决策级融合通过增加形态学结构成分SE的大小,形成多种数据级融合,最后通过最大投票的规则得到结果。谭琨等(Tan K,Jin X,Plaza A,et al. Automatic ChangeDetection in High-Resolution Remote Sensing Images by Using a MultipleClassifier System and Spectral–Spatial Features.IEEE Journal of SelectedTopics in Applied Earth Observations and Remote Sensing,2016,9(8):3439-3451.)提出了一种高分辨率遥感影像自动变化检测方法,主要思想是通过用一种新颖的策略来对样本进行选择并且使用多分类器集成分类实现变化检测。首先对两时相相影像提取纹理信息和形态学信息加入多特征数据集,采用两组阈值加强样本选择的质量。选择极限学习机、多项式逻辑回归、K临近组成多分类器系统,每一个分类器利用随机子空间方法生成不同的基分类器。多分类器集成系统对训练样本和差异影像进行分类得到初步的变化检测图和不确定的像素,通过把两时相分割对象融合进去,得到变化检测图。实验数据采用资源三号影像,通过与极限学习机、多项式逻辑回归、 K近邻等8种方法对比,得到Kappa系数和总体精度分别达到0.8和97%以上,说明了此方法对高分率影像变化检测有着更好的性能。曹国等(Cao G,Li X,Shang Y.Automatic change detection based on conditional randomfield in high resolution remote sensing images。Geoscience and Remote SensingSymposium(IGARSS),2016IEEE International.IEEE,2016:2403-2406.)针对高分辨率遥感图像,提出了一种基于条件随机域的自动变化检测方法,利用两时相影像相减得到差异影像,将差异影像分成h*h块作为边缘去噪自动编码器的输入,得到的输出使用 PCA降维来得到差异影像的特征向量。应用模糊C均值产生聚类结果对CRF的一元势能进行初始化。引入基于欧式距离的边界约束来定义CRF的成对势,成对势可以对邻近的像素进行惩罚,分配不同的标签,帮助减少噪声,避免了传统CRF训练大量参数,提高了自动化程度的精度。公茂果等(Gong M,Zhao J,Liu J,et al.Change detection in synthetic aperture radarimages based on deep neural networks.IEEE transactions on neural networks andlearning systems, 2016,27(1):125-138.)提出了一种新颖的高分辨率遥感影像变化检测框架用于GF-1号遥感影像的处理,首先利用超像素分割来生成均匀和紧凑的图像超像素,然后通过使用光谱、纹理和空间特征在相应的超级像素之间提取变化特征来表示变化信息。正确的标签数据通过投票规则从差异特征图中获得,建立神经网络学习变化和未变化的像素之间的语义差异,测试样本输入到神经网络得到一致的标签,从而生成二值变化检测图。陆晓强等(Lu X,Yuan Y,Zheng X.Joint dictionary learning formultispectral change detection.IEEE transactions on Cybernetics, 2017,47(4):884-897.)提出了一种改进的稀疏编码方法用于变化检测,该方法直观性在于差异影像中不变化的点能够由联合字典重构,可以获得与不变化类像素相关的知识。首先,将影像对投影到字典来构成不变化像素的知识。然后重构误差用来区别在差异影像中变化类和不变化类的像素。利用自动阈值来决定变化区域获得变化检测图,其中自动阈值通过最小化变化像素的重构误差得到。
虽然高分辨率遥感影像分辨率高,成像质量较好,但是由于受到遥感成像技术的局限和噪声干扰的影响,而且高分辨率岛礁区遥感影像受外界环境的影响较大、卫星成像影像会受不同大气条件产生影响,导致岛礁区变化区域难以准确提取,仍有待于进一步探索研究。
发明内容
针对海岛岸线及开发利用卫星遥感成像特点,本发明提供一种多时相卫星遥感岛礁岸线及开发利用信息提取方法。
本发明的技术方案如下:
一种多时相卫星遥感岛礁岸线及开发利用信息提取方法,包括以下步骤:
第一步,海岛类型分类及遥感图像成像特点分析
根据海岛物质成分组成对不同海岛进行分类,分析不同类型海岛岸线和开发利用情况成像特性,为后续海岛岸线快速提取和岛礁开发利用变化检测提供依据。
第二步,海岛岸线快速提取
采用图像降采样和升采样处理方法,结合基于自适应边缘停止的几何主动轮廓海岛岸线提取模型,实现岛礁岸线的快速提取。
(2.1)图像降采样和升采样处理
由于遥感影像幅宽较大,常规几何主动轮廓模型需要耗费大量时间进行迭代计算。因此,首先通过对原始影像降采样,进行提取粗略岸线,然后再对图像进行升采样,岸线精调整,为避免降升采样过程中岸线发生越界变化,进行边缘增强优化,从而实现大幅宽卫星遥感影像的海岛岸线快速提取。
(2.2)基于自适应边缘停止改进的几何主动轮廓海岛岸线提取模型
在步骤2.1中降采样和升采样过程中之后,均采用基于自适应边缘停止改进的几何主动轮廓模型进行海岛岸线提取,加快算法在抵近海岸线目标时快速逼近。
第三步,岛礁开发利用变化检测
为岛礁内部开发利用情况自动检测,采用Grabcut算法,进行海岛目标与海水背景的快速分割,进行采用PCA-Kmeans无监督方法进行开发利用情况自动检测。
(3.1)Grabcut海岛目标快速识别
采用基于面向对象的Grabcut算法,进行海洋背景与岛礁前景的分割,利用图像中的颜色信息和边界信息可以得到较好的分割结果,为岛礁开发利用检测奠定基础。
(3.2)无监督快速岛礁开发利用变化检测
在(3.1)步骤海岛快速识别的结果上,采用主成分分析法将数据正交投影到由主成分构成的线性子空间,通过线性变换进行特征提取与数据压缩,然后根据所提取的特征采用 K-means进行聚类,最后进行杂点滤波后处理操作得到最终变化检测结果图。
本发明的有益效果为:本发明能够采用快速升降采样和改进几何主动轮廓模型实现大幅宽海岸线快速提取,结合面向对象海水岛礁目标分割,进行实现无监督海岛开发利用精确提取,在中远海海岛岸线及开发利用监视监测具有广泛的应用。
附图说明
图1为无居民海岛三类二级功能分类体系;
图2为江苏省南通市阳光岛卫星遥感影像;图2(a)为2012年阳光岛遥感影像;图2(b)为2016年阳光岛遥感影像;图2(c)为2017年阳光岛遥感影像;
图3为日照市沙北头岛卫星遥感影像;图3(a)为2016年沙北头岛遥感影像;图3(b)为2017年沙北头岛遥感影像;
图4为东营市广利岛卫星遥感影像;图4(a)为2016年广利岛遥感影像;图4(b)为2017年广利岛遥感影像;
图5为海岛岸线变化信息提取流程图;
图6为升降采用快速提取岸线示意图;
图7为基于面向对象目标分割与PCA-Kmeans的岛礁区遥感影像变化检测框架;
图8为基于Grabcut的面向对象背景海水和目标岛礁分割框架;
图9为金州湾新建机场卫星遥感影像;图9(a)为2014年金州湾高分辨率图像;图9(b)为2014年Grabcut目标分割图像;
图10为PCA-Kmeans算法框架;
图11为海岛岸线提取结果;图11(a)2016年广利岛岸线提取结果;图11(b)为2017年广利岛岸线提取结果;
图12为金州湾不同年份高分辨率卫星遥感影像;图12(a)为2014年金州湾卫星遥感影像;图12(b)为2016年金州湾卫星遥感影像;图12(c)为2017年金州湾卫星遥感影像;
图13为金州湾不同年份岛礁开发利用变化检测真值图;图13(a)为2014年-2016年变化检测真值图;图13(b)为2016年-2017年变化检测真值图;图13(c)为2014年-2017 年变化检测真值图;
图14为金州湾不同年份岛礁开发利用变化检测结果;图14(a)为2014年-2016年变化检测结果;图14(b)为2016年-2017年变化检测结果;图14(c)为2014年-2017年变化检测结果;
具体实施方式
以下结合附图对本发明做进一步说明。
一种多时相卫星遥感岛礁岸线及开发利用信息提取方法,包括以下步骤:
第一步,海岛类型分类及遥感图像成像特点分析。
根据海岛物质成分组成对不同海岛进行分类,进而分析不同类型海岛岸线和开发利用情况成像特性,为后续海岛岸线快速提取和岛礁开发利用变化检测提供依据。
在中国国家标准《海洋术语海洋地质学GB/T18190-2000》中对海岛地学定义为:散布于海洋中面积不小于500平方米的小块陆地。在《中华人民共和国海岛保护法》中第二条对海岛法学进行了明确定义:“海岛,是指四面环海水并在高潮时高于水面的自然形成的陆地区域,包括有居民岛和无居民岛”。其中,我国无居民海岛占有很大比重,按物质组成划分,无居民海岛包括基岩岛、泥沙岛和珊瑚岛。根据无居民岛自然属性,无居民海岛三类二级功能分类体系如图1所示。选择江苏南通市阳光岛、山东省日照市沙北头岛、山东省东营市广利岛不同类型岛屿进行卫星遥感图像成像特性分析。
南通市阳光岛:该岛为江苏省海上第一座围填形成的人工岛,属于上述功能分类体系的工业、交通用岛,如图2所示。该岛2008年已吹填完成,因此自2012年海岛整体形态变化不明显。由于工业发展作用,岛内人工建筑变化明显。
日照市沙北头岛:该岛为冲淤堆积岛,一般由砂质、贝壳等组成,形态较易发生改变,不同时期海岛形态变化显著,如图3所示。
东营市广利岛:该岛为广利河入海口处一座冲积形成的无居民岛,经适度开发后属于上述功能分类体系中的旅游用岛。开发利用后,不同时期海岛内外均有形态发生变化,如图4 所示。
第二步,海岛岸线快速提取。
采用图像降采样和升采样处理技术,实现大幅宽卫星遥感图像的快速提取,结合距离正则化几何主动轮廓模型,进行精确逐步逼近,获得岛礁岸线。传统的岸线测量方法测量周期长,且需耗费大量的人力物力,不同的测量工作人员由于各自的知识与经验的不同,历史海图由于时间关系,测量的岸线精度也存在着差异,而快速自动提取岸线才能够满足海岸线动态监测的意义。根据第一步海岛特性分析,如果海岛是沙泥岛或者是自然冲积形成的海岛,且仅有形态发生显著变化,可以采用距离正则化水平集方法对不同时期的海岛进行岸线提取,通过比较不同时期的岸线结果可以得到海岛形态变化信息。该技术流程图如图5所示。
(1)图像降采样和升采样处理
针对大尺寸影像如果直接采用几何主动轮廓模型进行岸线提取,需要耗费大量时间。因此,首先,采用降采样方法对原始影像进行压缩,通过基于自适应边缘停止的几何主动轮廓模型进行粗略岸线提取,然后再对图像进行升采样,岸线精调整,进而达到快速提取岸线的目的。以阳光岛2012年遥感影像为例,示意图如图6所示。
降低分辨率后,提取岛礁岸线虽然速度快,但是由于边界细节信息丢失,容易导致弱边界泄露的问题。因此提出对降低分辨率后的影像采用拉普拉斯算子进行边界增强,然后再进行岸线提取。拉普拉斯算子利用二阶导数信息,具有各向同性,即与坐标轴方向无关,坐标轴旋转后梯度结果不变。在原有的算子基础上,对模板系数进行改变,获得拉普拉斯变形算子。选择拉普拉斯算子对图像进行卷积,其中卷模板选择模板中,保证所有系数之和等于0。其中H2是在的基础上在考虑45°和135°方向的结果。对于原图大小为1304*3469原始图像I,降采样为66*174,采用拉普拉斯算子得到边缘增强后的图像I′=|I*H2|。从图中可以看出,在相同的初始轮廓下,改进方法提取的岸线平滑且能够有效避免边界泄露的问题,完整平滑的初始岸线有利于后续岸线微调。
在对初始岸线升采样到原始影像大小时,岸线会出现锯齿状的现象,这会影响后续对岸线的进一步微调,因此采用插值平滑粗略岸线,然后再进行岸线的精确修正。
(2)基于自适应边缘停止改进的几何主动轮廓海岛岸线提取模型
在步骤(1)中降采样和升采样过程中之后,均采用基于自适应边缘停止改进的几何主动轮廓模型进行海岛岸线提取,加快算法在抵近海岸线目标时快速逼近。
所述的几何主动轮廓模型的边缘停止函数是根据公式的性质有:g(0)=1,即当演化曲线是否能停留在边界上,取决于停止函数近似于0。为了使水平集运动接近目标时,演化速度迅速减少到0,因此构造指数形式的边缘停止函数。
其中,表示边缘停止函数的梯度,I表示原始图像。通过指数型边缘停止函数,加快几何主动轮廓模型(姜大伟,范剑超,黄凤荣.SAR图像海岸线检测的区域距离正则化几何主动轮廓模型[J].测绘学报,2016,45(9):1096-1103.)岸线迭代计算效率。
第三步,岛礁开发利用变化检测
为岛礁内部开发利用情况自动检测,采用Grabcut算法,进行海岛目标与海水背景的快速分割,采用PCA-Kmeans无监督方法进行开发利用情况自动检测。
针对遥感影像受外界环境干扰严重且不易提取准确的变化信息等问题,提出了一种基于目标分割Grabcut与PCA-Kmeans的变化检测算法(Target Segmentation and PCA-Kmeans for Reef Image Change Detection,TSPK)来提取多时相岛礁区遥感影像中的变化信息。其中,采用目标分割算法来减轻外界干扰带来的影响,采用PCA-Kmeans提取变化区域,算法整体框架如图7所示。
(3.1)Grabcut海岛目标快速识别
由于不同时间拍摄的遥感图像受到光线、季节等的影响,会产生明显的颜色差异和亮度差异,首先采用直方图匹配的方法对灰度化处理的两时相岛礁区遥感图像进行色彩均衡,以消除不同时相颜色差异的影响;接着,对处理后的两时相影像分别进行基于Grabcut算法的目标分割,以排除海浪波动、船只、云层遮挡等背景的干扰(既采用基于面向对象的Grabcut 算法,进行海洋背景与岛礁前景的分割,利用图像中的颜色信息和边界信息可以得到较好的分割结果,为岛礁开发利用检测奠定基础)。
所述的Grabcut算法流程如下:首先标记前景和背景像素,采用K-means方法将前景和背景分别生成K类高斯模型;然后采用高斯混合模型(Gaussian Mixture Model,GMM)对前景和背景进行建模,选择概率最大的高斯模型,学习并创建新的像素分布,通过已知像素重新对像素进行分类。根据像素的分布创建一幅图,图中的节点就是像素点。使用mincut算法对上面的图像进行分割,根据最小能量方程减掉边的权重之和,将影像分割为背景和前景。继续上述过程直到分类收敛,整个流程如图8所示。最小能量方程E分为区域能量项和边界能量项两部分,可以表示为:
E(αn,kn,θn,In)=U(αn,kn,θn,In)+V(αn,In) (3)
其中,n为像素,αn是像素标签,kn是像素的高斯分量,θn为高斯分量的参数,In代表像素值。U为区域能量项,表示一个像素被归类为目标或者背景的惩罚,即像素属于目标或背景的概率的负对数,可以表示为:
其中,D(·)表示混合高斯模型,可以得到某个像素分别属于目标和背景的概率像素。对混合高斯密度模型取负对数如式所示:
其中θ={π(α,k),μ(α,k),∑(α,k),α=0,1,k=1...K},θ为混合高斯模型每一个高斯分量的参数,共有三个:权重π、均值向量u和协方差矩阵∑,通过这三个参数能够确定区域能量项,计算出像素属于背景还是前景的概率。
V是边界能量项,体现邻域像素之间不连续的惩罚,即像素间的差异,通过采用欧式距离来衡量两像素的相似性,其定义为。
其中,γ为常数,β由像素间的对比度决定,可以表示为β=(2<(Im-In)2>)-1。使用Grabcut 算法进行分割效果如图9所示。
(3.2)无监督快速岛礁开发利用变化检测
在步骤(3.1)海岛快速识别的基础上,采用无监督学习进行遥感影像的变化检测方法。采用主成分分析法将数据正交投影到由主成分构成的线性子空间,通过线性变换进行特征提取与数据压缩,然后根据所提取的特征采用K-means进行聚类,最后进行杂点滤波后处理操作得到最终变化检测结果图,具体流程如图10所示。具体如下:
在使用主成分分析(Principle Component Analysis,PCA)进行特征提取之前,对经目标分割后的遥感影像采用均值滤波器进行去噪,滤波后的影像通过差值法获得新的差分图DI,如式所示。
DI(x,y)=abs(I1(x1,y1)-I2(x2,y2)) (7)
其中I1,I2分别表示2景不同遥感影像,(x,y)为图像中对应位置。随后对差分图使用PCA在不重叠的图像块上进行特征提取,以减少获得的特征中所受噪声。首先,我们将差异图像划分为h×h不重叠的图像块,将图像块排列成一个数据矩阵,其中每行是一个向量化的块,应用PCA生成一个特征向量空间。再在整个差异图像上,将为每个像素创建的重叠块投影到特征向量空间以生成特征向量,能充分应用上下文信息,将图像空间中的变化检测问题转换为聚类方法所在的特征空间。
然后,将式(7)产生的差分图DI分配特征到最近的聚类空间,使用K-means聚类方法将特征向量分为两类,即变化区域和不变区域。采用K-means聚类得到的岛礁开发利用图如下式进行生成:
其中,v(x,y)是像素提取的特征,Vc和Vu是变化和非变化像素的平均特征向量。最后,将得到的变化检测结果IC进行腐蚀膨胀后操作,进行平滑降噪。
海岛岸线及开发利用信息提取分析实验
(1)海岛岸线提取仿真
对日照市沙北头岛和东营市广利岛进行海岛岸线进行升降采样和改进的距离正则化几何主动轮廓模型进行岸线提取仿真,结果如图11所示。
(2)海岛岸线提取仿真
采用辽宁省大连市金州湾新建大连国际机场作为研究区域,采用GF-1号多光谱影像和全色影像融合得到的金州湾高分辨率遥感影像,如图12所示。
为了验证提出的基于目标分割和PCA_Kmeans的变化检测方法在高分辨率影像变化检测任务中的性能,实验主要分为两部分,相关对比算法对比与实验结果,其中包括变化检测结果图与精度表。真值图如13所示,海岛开发利用监测结果如图14所示。
变化检测精度评价是指利用检测结果与标注的真值图进行比较分析,用以评价自动化检测算法的检测精度。检测精度指标可以通过计算灰度误差矩阵获得。常用的评价检测结果的参数有:漏警率、虚警率、检测准确率和Kappa系数等。其中漏警率(Missingalarm,MA) 是指正样本被分为负样本占所有正样本的比例,虚警率(False alarm,FA)是指负样本被分为正样本占所有负样本的比例。检测准确率(Percentage correctclassification,PCC)是指所有分类正确的样本占样本总数的比例。Kappa系数(Kappacoefficient,KC)是综合评估变化检测结果与真实变化相似程度的指标。Kappa系数比其他指标更敏感,更能总体衡量变化检测结果的优劣,Kappa系数越大,表示检测结果和真实变化结果越接近。另外,本文还采用了总误差(Overall error,OE)表示所有错误分类的样本数,是一种能够显示总体性能的标准评价检测结果。
设待检测图像的像素总数为N,将变化像素称为正样本,未变化像素称为负样本。检测结果中正确分类的正样本数为TP、正确分类的负样本数为TN、错误分类的正样本
数为FP和错误分类的负样本数为FN,满足N=TP+TN+FP+FN。上述五种参数可表示如下:
OE=FP+FN (11)
岛礁开发利用检测结果精度如表1所示。
表1金州湾开发利用变化检测精度
实验表明所提方法具有优异的变化检测性能,经验证框架中的目标分割能够很好的提取目标区域并去除背景像素,可以削弱海水变化的影响。直方图匹配算法能够很好的减弱颜色差异,提高变化检测精度。此外,PCA具有获得差异图像的特征的能力,所提出的特征输入到聚类,可以很好的提取出变化区域。
Claims (3)
1.一种多时相卫星遥感岛礁岸线及开发利用信息提取方法,其特征在,包括以下步骤:
第一步,海岛类型分类及遥感图像成像特点分析;
根据海岛物质成分组成对不同海岛进行分类,进而分析不同类型海岛岸线和开发利用情况成像特性,为后续海岛岸线快速提取和岛礁开发利用变化检测提供依据;
第二步,海岛岸线快速提取;
采用图像降采样和升采样处理技术,实现大幅宽卫星遥感图像的快速提取,结合距离正则化几何主动轮廓模型,进行精确逐步逼近,获得岛礁岸线;
(1)图像降采样和升采样处理
首先,采用降采样方法对原始影像进行压缩,通过基于自适应边缘停止的几何主动轮廓模型进行粗略岸线提取,然后再对图像进行升采样,岸线精调整,进而达到快速提取岸线的目的;
(2)基于自适应边缘停止改进的几何主动轮廓海岛岸线提取模型
在步骤(1)中降采样和升采样过程中之后,均采用基于自适应边缘停止改进的几何主动轮廓模型进行海岛岸线提取,加快算法在抵近海岸线目标时快速逼近;
第三步,岛礁开发利用变化检测
为岛礁内部开发利用情况自动检测,采用目标分割算法Grabcut算法,进行海岛目标与海水背景的快速分割,减轻外界干扰带来的影响;采用PCA-Kmeans无监督方法提取变化区域,进行开发利用情况自动检测;
(3.1)Grabcut海岛目标快速识别
首先采用直方图匹配的方法对灰度化处理的两时相岛礁区遥感图像进行色彩均衡,以消除不同时相颜色差异的影响;接着,对处理后的两时相影像分别进行基于Grabcut算法的目标分割,以排除背景的干扰;
所述的Grabcut算法流程如下:首先标记前景和背景像素,采用K-means方法将前景和背景分别生成K类高斯模型;然后采用高斯混合模型GMM对前景和背景进行建模,选择概率最大的高斯模型,学习并创建新的像素分布,通过已知像素重新对像素进行分类;根据像素的分布创建一幅图,图中的节点就是像素点;使用mincut算法对上面的图像进行分割,根据最小能量方程减掉边的权重之和,将影像分割为背景和前景;继续上述过程直到分类收敛;最小能量方程E分为区域能量项和边界能量项两部分,表示为:
E(αn,kn,θn,In)=U(αn,kn,θn,In)+V(αn,In) (3)
其中,n为像素,αn是像素标签,kn是像素的高斯分量,θn为高斯分量的参数,In代表像素值;U为区域能量项,表示一个像素被归类为目标或者背景的惩罚,即像素属于目标或背景的概率的负对数,表示为:
其中,D(·)表示混合高斯模型,可以得到某个像素分别属于目标和背景的概率像素;对混合高斯密度模型取负对数如式所示:
其中θ={π(α,k),μ(α,k),∑(α,k),α=0,1,k=1...K},θ为混合高斯模型每一个高斯分量的参数,共有三个:权重π、均值向量u和协方差矩阵∑,通过这三个参数能够确定区域能量项,计算出像素属于背景还是前景的概率;
V是边界能量项,体现邻域像素之间不连续的惩罚,即像素间的差异,通过采用欧式距离来衡量两像素的相似性,其定义为:
其中,γ为常数,β由像素间的对比度决定,可以表示为β=(2<(Im-In)2>)-1;
(3.2)无监督快速岛礁开发利用变化检测
在步骤(3.1)海岛快速识别的基础上,采用无监督学习进行遥感影像的变化检测方法;采用主成分分析法将数据正交投影到由主成分构成的线性子空间,通过线性变换进行特征提取与数据压缩,然后根据所提取的特征采用K-means进行聚类,最后进行杂点滤波后处理操作得到最终变化检测结果图;具体如下:
在使用主成分分析PCA进行特征提取之前,对经目标分割后的遥感影像采用均值滤波器进行去噪,滤波后的影像通过差值法获得新的差分图DI,如式所示:
DI(x,y)=abs(I1(x1,y1)-I2(x2,y2)) (7)
其中I1,I2分别表示2景不同遥感影像,(x,y)为图像中对应位置;随后对差分图使用PCA在不重叠的图像块上进行特征提取,减少获得的特征中所受噪声;
然后,将式(7)产生的差分图DI分配特征到最近的聚类空间,使用K-means聚类方法将特征向量分为两类,即变化区域和不变区域;采用K-means聚类得到的岛礁开发利用图如下式进行生成:
其中,v(x,y)是像素提取的特征,Vc和Vu是变化和非变化像素的平均特征向量;
最后,将得到的变化检测结果IC进行腐蚀膨胀后操作,进行平滑降噪。
2.第二步步骤(1)中,对初始岸线升采样到原始影像大小时,岸线会出现锯齿状的现象,为避免降升采样过程中岸线发生越界变化,进行边缘增强优化,具体为先采用插值平滑粗略岸线,再进行岸线的精确调整,实现大幅宽卫星遥感影像的海岛岸线快速提取。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911232063.9A CN111046772A (zh) | 2019-12-05 | 2019-12-05 | 多时相卫星遥感岛礁岸线及开发利用信息提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911232063.9A CN111046772A (zh) | 2019-12-05 | 2019-12-05 | 多时相卫星遥感岛礁岸线及开发利用信息提取方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111046772A true CN111046772A (zh) | 2020-04-21 |
Family
ID=70234854
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911232063.9A Pending CN111046772A (zh) | 2019-12-05 | 2019-12-05 | 多时相卫星遥感岛礁岸线及开发利用信息提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111046772A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112017159A (zh) * | 2020-07-28 | 2020-12-01 | 中国科学院西安光学精密机械研究所 | 一种遥感场景下的地面目标真实感仿真方法 |
CN112270291A (zh) * | 2020-11-11 | 2021-01-26 | 中山大学 | 一种基于多源光学遥感图像的违法建设用地开发自动检测方法 |
CN112861614A (zh) * | 2020-12-31 | 2021-05-28 | 中国水产科学研究院南海水产研究所 | 一种绿色能源的远程岛礁生态监测系统及方法 |
CN113158840A (zh) * | 2021-04-01 | 2021-07-23 | 中国科学院南京地理与湖泊研究所 | 一种基于高清遥感影像的内河岸线资源利用类型提取方法 |
CN113985733A (zh) * | 2021-10-26 | 2022-01-28 | 云南电网有限责任公司电力科学研究院 | 一种基于自适应概率学习的配电网故障辨识方法 |
CN115358497A (zh) * | 2022-10-24 | 2022-11-18 | 湖南长理尚洋科技有限公司 | 基于gis技术的智慧全景巡河方法及系统 |
CN116630811A (zh) * | 2023-06-07 | 2023-08-22 | 自然资源部国土卫星遥感应用中心 | 一种河流提取方法、装置、终端设备和可读存储介质 |
CN117372301A (zh) * | 2023-09-27 | 2024-01-09 | 深圳市梦作坊科技有限公司 | 基于多模耦合技术的游戏图像处理方法 |
CN117576581A (zh) * | 2024-01-17 | 2024-02-20 | 山东元鸿勘测规划设计有限公司 | 基于图像处理的地质勘探遥感监测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103106658A (zh) * | 2013-01-23 | 2013-05-15 | 中国人民解放军信息工程大学 | 一种海岛、礁岸线快速提取方法 |
CN109308451A (zh) * | 2018-08-09 | 2019-02-05 | 哈尔滨哈船导航技术有限公司 | 一种高分数据信息提取系统及方法 |
-
2019
- 2019-12-05 CN CN201911232063.9A patent/CN111046772A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103106658A (zh) * | 2013-01-23 | 2013-05-15 | 中国人民解放军信息工程大学 | 一种海岛、礁岸线快速提取方法 |
CN109308451A (zh) * | 2018-08-09 | 2019-02-05 | 哈尔滨哈船导航技术有限公司 | 一种高分数据信息提取系统及方法 |
Non-Patent Citations (3)
Title |
---|
周晓君: "多时相高分辨率遥感影像变化检测算法研究" * |
姜大伟等: "SAR图像海岸线检测的区域距离正则化集合主动轮廓模型" * |
张雷;胡宇;: "改进的ROEWA算子用于SAR图像的海陆分离" * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112017159B (zh) * | 2020-07-28 | 2023-05-05 | 中国科学院西安光学精密机械研究所 | 一种遥感场景下的地面目标真实感仿真方法 |
CN112017159A (zh) * | 2020-07-28 | 2020-12-01 | 中国科学院西安光学精密机械研究所 | 一种遥感场景下的地面目标真实感仿真方法 |
CN112270291A (zh) * | 2020-11-11 | 2021-01-26 | 中山大学 | 一种基于多源光学遥感图像的违法建设用地开发自动检测方法 |
CN112861614A (zh) * | 2020-12-31 | 2021-05-28 | 中国水产科学研究院南海水产研究所 | 一种绿色能源的远程岛礁生态监测系统及方法 |
CN112861614B (zh) * | 2020-12-31 | 2024-01-12 | 中国水产科学研究院南海水产研究所 | 一种绿色能源的远程岛礁生态监测系统及方法 |
CN113158840A (zh) * | 2021-04-01 | 2021-07-23 | 中国科学院南京地理与湖泊研究所 | 一种基于高清遥感影像的内河岸线资源利用类型提取方法 |
CN113158840B (zh) * | 2021-04-01 | 2022-02-01 | 中国科学院南京地理与湖泊研究所 | 一种基于高清遥感影像的内河岸线资源利用类型提取方法 |
CN113985733A (zh) * | 2021-10-26 | 2022-01-28 | 云南电网有限责任公司电力科学研究院 | 一种基于自适应概率学习的配电网故障辨识方法 |
CN113985733B (zh) * | 2021-10-26 | 2023-11-17 | 云南电网有限责任公司电力科学研究院 | 一种基于自适应概率学习的配电网故障辨识方法 |
CN115358497B (zh) * | 2022-10-24 | 2023-03-10 | 湖南长理尚洋科技有限公司 | 基于gis技术的智慧全景巡河方法及系统 |
CN115358497A (zh) * | 2022-10-24 | 2022-11-18 | 湖南长理尚洋科技有限公司 | 基于gis技术的智慧全景巡河方法及系统 |
CN116630811A (zh) * | 2023-06-07 | 2023-08-22 | 自然资源部国土卫星遥感应用中心 | 一种河流提取方法、装置、终端设备和可读存储介质 |
CN116630811B (zh) * | 2023-06-07 | 2024-01-02 | 自然资源部国土卫星遥感应用中心 | 一种河流提取方法、装置、终端设备和可读存储介质 |
CN117372301A (zh) * | 2023-09-27 | 2024-01-09 | 深圳市梦作坊科技有限公司 | 基于多模耦合技术的游戏图像处理方法 |
CN117576581A (zh) * | 2024-01-17 | 2024-02-20 | 山东元鸿勘测规划设计有限公司 | 基于图像处理的地质勘探遥感监测方法 |
CN117576581B (zh) * | 2024-01-17 | 2024-04-05 | 山东元鸿勘测规划设计有限公司 | 基于图像处理的地质勘探遥感监测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111046772A (zh) | 多时相卫星遥感岛礁岸线及开发利用信息提取方法 | |
Modava et al. | Integration of spectral histogram and level set for coastline detection in SAR images | |
CN111080678B (zh) | 一种基于深度学习的多时相sar图像变化检测方法 | |
CN104881677B (zh) | 针对遥感影像地表覆盖分类的最优分割尺度确定方法 | |
Asokan et al. | Machine learning based image processing techniques for satellite image analysis-a survey | |
CN102005034A (zh) | 基于区域聚类的遥感影像分割方法 | |
CN109410228A (zh) | 基于多尺度数学形态学特征融合的海洋内波检测算法 | |
CN109584284B (zh) | 一种分层决策的滨海湿地地物样本提取方法 | |
Xu et al. | Feature-based constraint deep CNN method for mapping rainfall-induced landslides in remote regions with mountainous terrain: An application to Brazil | |
Demir et al. | Integrated shoreline extraction approach with use of Rasat MS and SENTINEL-1A SAR Images | |
CN112115795B (zh) | 一种基于Triple GAN的高光谱图像分类方法 | |
CN108710862A (zh) | 一种高分辨率遥感影像水体提取方法 | |
CN110889840A (zh) | 面向地物目标的高分6号遥感卫星数据的有效性检测方法 | |
CN105405138A (zh) | 基于显著性检测的水面目标跟踪方法 | |
Elkhateeb et al. | A novel coarse-to-Fine Sea-land segmentation technique based on Superpixel fuzzy C-means clustering and modified Chan-Vese model | |
CN114764801A (zh) | 基于多视觉显著特征的弱小舰船目标融合检测方法及装置 | |
Zhang et al. | Nearshore vessel detection based on Scene-mask R-CNN in remote sensing image | |
CN117455868A (zh) | 基于显著融合差异图和深度学习的sar图像变化检测方法 | |
CN108765440B (zh) | 一种单极化sar图像的线引导超像素海岸线提取方法 | |
CN116486248A (zh) | 一种多源多模态遥感影像海气界面目标协同探测与识别方法 | |
Zhu et al. | Unrestricted region and scale: Deep self-supervised building mapping framework across different cities from five continents | |
CN112784777A (zh) | 基于对抗学习的无监督高光谱图像变化检测方法 | |
Zhang et al. | Oil spill detection based on CBD-net using marine SAR image | |
CN116843938A (zh) | 一种高空间分辨率遥感图像的混合分类方法 | |
CN113592829B (zh) | 基于分割重组的深度学习泥沙颗粒识别方法及装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200421 |
|
RJ01 | Rejection of invention patent application after publication |