CN112434642B - 一种适用于处理大场景光学遥感数据的海陆分割方法 - Google Patents

一种适用于处理大场景光学遥感数据的海陆分割方法 Download PDF

Info

Publication number
CN112434642B
CN112434642B CN202011418779.0A CN202011418779A CN112434642B CN 112434642 B CN112434642 B CN 112434642B CN 202011418779 A CN202011418779 A CN 202011418779A CN 112434642 B CN112434642 B CN 112434642B
Authority
CN
China
Prior art keywords
pixel unit
amplitude
sea
sea area
image
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
CN202011418779.0A
Other languages
English (en)
Other versions
CN112434642A (zh
Inventor
何晓雨
许小剑
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 CN202011418779.0A priority Critical patent/CN112434642B/zh
Publication of CN112434642A publication Critical patent/CN112434642A/zh
Application granted granted Critical
Publication of CN112434642B publication Critical patent/CN112434642B/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
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • 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
    • 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
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • 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
    • 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
    • G06T2207/20076—Probabilistic image processing
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30181—Earth observation

Landscapes

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

Abstract

本发明提出一种适用于处理大场景光学遥感数据的海陆分割方法。该方法包括：首先，对单色或多色谱段光学遥感数据进行预处理，得到像素单元幅值的概率密度曲线。随后通过求解曲线局域峰值位置确定初始类别中心，并标记海域像素单元初始幅值。采用峰值聚类方法对像素单元幅值进行聚类，得到地物分类结果。接着选取海域像素单元初始幅值所属类别，获得海域检测初步结果图。最后，筛选出海域检测初步结果图中面积高于阈值的连通区域，并它们进行填充处理，从而得到最终的海域检测结果图。对有云场景单色与三色谱段遥感数据的处理结果，展示了本发明方法具有较好的复杂场景及数据源适用性。

Description

一种适用于处理大场景光学遥感数据的海陆分割方法
技术领域
本发明涉及光学遥感图像处理、海域检测及舰船目标探测识别领域，具体涉及一种可以用于处理多类光学传感器遥感数据的海陆分割方法。
背景技术
海域检测及海陆分割是实现舰船目标探测识别的重要技术途径，光学遥感图像舰船目标探测识别技术，对于管控海域交通、保卫海防安全、打击海上偷渡与走私等违法行为均具有重要意义。近些年来随着光学传感器探测性能的提升，遥感图像覆盖的区域越来越广，图像分辨率越来越高，需要处理的图像数据量显著增长。相较于航空影像或中低分辨率卫星遥感图像处理方法，星载光学传感器大场景遥感影像数据的海域检测需要考虑的问题包括：1)由于星载传感器视场覆盖范围较广，场景中不同区域的太阳光谱辐照度差异导致海水反射辐射强度不同；2)由于传感器空间分辨率较高，可以明显观测到海面纹理，换句话说，由于海浪高低起伏导致海水反射辐射强度在某一区间内变化；3)由于传感器空间分辨率较高，遥感图像中存在高大建筑物、云层等物体在地表投射的阴影，阴影区域的反射辐射与海水的反射辐射强度相近，影响海域检测结果；4)大场景遥感图像的像素单元数较多，在处理多个谱段的遥感数据时，无法直接计算像素单元之间的相关矩阵。
图2(a)所示为一景星载传感器全色谱段遥感图像，各像素单元均减去了原始图像中像素单元强度最小值，即：
E＝E0-min{E0} (1)
式中，E0为原始遥感图像；min为取最小值运算；E为减去最小值之后的遥感图像。
对图2(a)所示场景，统计不同像素单元幅值(辐射强度)的像素单元数，所得概率密度曲线如图2(b)所示。由图可知，排除由于云层覆盖导致的饱和像素单元(像素单元辐射强度趋近或超过传感器可探测辐射强度极大值)，概率密度曲线一般具有两个峰值。考虑到在可见光与红外谱段，若不存在太阳耀斑等反射现象，海水的反射辐射通常小于陆地区域，故像素幅值更小的峰值应为海面像素单元，幅值更大的峰值应为陆地像素单元。因此，海域检测问题转换为典型的二元检测问题，即估计该场景图像中海面区域对应的像素单元幅值区间。
与本发明相关的现有技术介绍如下：
1.1现有技术一的技术方案
基于最大类间方差法Otsu或其他二元检测门限设置方法，设置图2(b)所示像素单元幅值概率分布曲线的门限值，随后根据图像连通区域、海岸线连续性等图像纹理特征，对海陆分割结果进行优化处理(参见文献[1]陈祥,孙俊,尹奎英,于俊鹏.基于Otsu与海域统计特性的SAR图像海陆分割算法[J].数据采集与处理,2014,29(4):603-608.和文献[2]施晓东,刘格.一种光学遥感图像海陆分割方法[J].理论与方法,2014,33(11):29-32.)。
1.2现有技术一的缺点
虽然排除云层区域干扰后，图2(b)所示的概率密度曲线仅有2个峰值，但是实际遥感图像中，陆地区域不同种类覆盖物具有不同的辐射强度，且高大建筑物、大型舰船、云层等造成的阴影也将影响海域检测的结果。
2.1现有技术的技术方案二
利用不同尺寸的滤波器对图像进行模糊处理，之后用CNN等神经网络模型进行训练，进而判断各像素单元为水域或陆地(参见文献[3]R.Li,W.Liu,L.Yang,etal.DeepUNet:A Deep Fully Convolutional Network for Pixel-Level Sea-LandSegmentation[J].IEEE Journal of Selected Topics in Applied Earth Observationand Remote Sensing,2018,11(11):3954-3962.和文献[4]W.Liu,L.Ma,H.Chen,etal.Sea-Land Segmentation for Panchromatic Remote Sensing Imagery viaIntegrating Improved MNcut and Chan-Vese Model[J].IEEE Geoscience and RemoteSensing Letters,2017,14(12):2443-2447.)。
2.2现有技术二的缺点
由于遥感图像中海域像素单元辐射强度与太阳光照角度、气象条件、海面风浪大小、海岸情况等因素有关，训练神经网络模型需要大量不同气象条件下各类场景的遥感数据，并对海域像素单元进行手动标注，生成完备数据集。获取完备数据集通常存在困难，因而训练得到网络模型的通用性存在限制。
3.1现有技术三的技术方案
改进技术方案一，利用改进FLICM聚类方法得到陆地初始区域，结合Canny算子提取海岸线粗略轮廓，根据粗分割结果所得区域及轮廓作为加权CV模型初始条件，完成遥感图像海陆精细分割，最后、采用形态学、连通域准则对海陆精细分割结果修正，得到最终海陆分割结果(参见文献[5]吴诗婳,李亚钊,于子桓等.一种遥感图像海陆自动分割方法[P].中国国家发明专利,CN111582198,2020.)。
3.2现有技术三的缺点
FLICM聚类方法与CV模型中均存在较多参数设置，对于某一场景参数的设定值不一定适用于其他场景，因而影响方法的适用性和鲁棒性。此外，提取海岸线判断海域的处理方法较难处理场景中存在多条海岸线的情形，例如场景中存在桥梁、岛屿、云层分割多片海域，或是海湾场景中不连续的海岸线等。且对大场景图像而言，逐像素处理会降低海域检测算法效率。
发明内容
本发明针对以上三种方案各自的特点，为实现高效且较为可靠的海陆分割，针对大场景光学遥感数据的特点，提出一种适用于处理大场景光学遥感数据的海陆分割方法。基于光学遥感数据像素单元幅值的概率密度曲线，利用概率密度峰值搜索方法依幅值对像素单元进行分类，获得海域检测初步结果图。为排除图像中与海面像素单元幅值相当的阴影区域像素单元的影响，计算海域检测初步结果图中各连通区域的面积，排除面积较小的连通区域。考虑到舰船遮挡、海浪阴影等现象在海域掩膜图像中会形成空洞区域，对海域包围的空洞区域像素单元进行填充，并根据填充面积排除岛屿，从而得到最终的海域检测结果图。
本发明采用的技术方案为：一种适用于处理大场景光学遥感数据的海陆分割方法，包括如下步骤：
步骤1：对遥感数据进行预处理，并计算处理后图像的像素单元幅值概率密度曲线；
步骤2：利用局域峰值搜索方法找到概率密度曲线的局域峰值，将其设为初始类别，并记录海域的像素单元幅值；
步骤3：将其余像素单元幅值按像素单元数从多到少排列，利用峰值概率密度搜索方法依像素单元幅值进行分类；
步骤4：找到步骤2中记录的海域像素单元幅值所属类别，标记对应像素单元得到初始海域图；
步骤5：统计初始海域图中各连通区域的面积(像素单元数)，排除面积低于门限的连通区域；
步骤6：填充处理后得到海域检测结果图。
进一步地，所述的步骤1具体包括：对于单色谱段光学遥感图像直接统计其概率密度函数；若为三色谱段可以生成灰度或色比图像，统计对应的概率密度函数；若采用多光谱或高光谱数据，可以定义像素单元的局域密度为：
Figure BDA0002821319340000041
式中，ρij为像素单元(i,j)的局域密度；dk为特征空间内任意像素单元k的投影到像素单元(i,j)投影的距离；χ为判决函数，有定义式：
Figure BDA0002821319340000042
式中，dc为距离门限；
其中，距离dk可以采用绝对距离、相对熵、欧氏距离方法度量。
进一步地，所述的步骤2具体包括：图像像素单元幅值的概率密度曲线通常具有两个显著的峰值，局域峰值位置可以通过对概率密度函数求一阶与二阶导数得到，根据经验可知，一般情况下海水反射辐射较陆地区域更弱，因此单色谱段图像中的海域像素单元对应概率密度函数中像素单元幅值更小的峰值。
进一步地，所述的步骤3具体包括：将概率密度曲线中的局域峰值标识为不同的地物类别，其余像素单元幅值按像素单元数从大到小排列，逐一考查其余像素单元幅值与已标识地物类别像素单元幅值的差别，若步骤2中已标识L类地物，概率密度曲线中像素单元幅值最大为N，考虑排序后第k像素单元幅值与已标识L类地物幅值的差异：
Figure BDA0002821319340000043
式中，δk为像素单元幅值k至高于其概率密度像素单元幅值的差异最小值；min为求最小值符号。
与式(7)类似，该像素单元幅值的类别归属函数χ为：
Figure BDA0002821319340000044
式中，Ec为幅值差异门限。当幅值差异最小值δk高于门限时，认为像素单元幅值k为新一类地物，否则，认为像素单元幅值k属于幅值差异最小值最小的那一类地物；
利用式(10)至式(11)的分类方法完成地物分类并更新各类地物的像素单元幅值范围。再利用标记的初始海域像素单元幅值，得到海域像素单元幅值范围。
进一步地，所述的步骤4-6还包括：将图像中属于该范围的区域标记为海域，其他区域标记为陆地，得到海域掩膜初始图像；随后利用连通区域面积、图形空洞填充图形学处理方法得到最终海域检测结果图。
与现有光学遥感图像海陆分割方法相比，本发明提出的适用于处理大场景光学遥感数据的海陆分割方法具有以下优点：
(1)本发明方法具有较好的场景适用性。分类过程基于图像像素单元幅值概率密度曲线，适用于处理海面风浪较大、传感器视场中出现云层、海域中存在大型岛屿等复杂场景的海域检测问题。
(2)本发明方法具有较好的数据源适用性。可以用于处理单色谱段遥感图像的海域检测问题，也可以用于处理多光谱或高光谱遥感数据的海域检测问题；
(3)本发明方法具有较高的效率。地物分类过程采用图像像素单元幅值概率分布曲线，避免了计算像素单元相关系数生成相关矩阵的过程，使得方法可以较为高效地处理大数量的光学遥感图像。
附图说明
图1为本发明一种适用于处理大场景光学遥感数据的海陆分割方法流程图；
图2为全色谱段预处理后的数据图像及其像素单元幅值概率密度曲线。其中，图2(a)为数据图像，尺寸为16971×16292像素；图2(b)为像素单元幅值概率密度分布曲线，标注了几个典型局域峰值；
图3为RGB三色谱段预处理后的数据图像及其像素单元幅值概率密度曲线。其中，图3(a)为RGB三色谱段合成的伪彩图，尺寸为4239×4072像素；图3(b)色比计算所得光谱角图像，尺寸与伪彩图相同；图3(c)为光谱角图像的像素单元幅值概率密度曲线；
图4为同一观测场景、不同谱段所得地物分类图。其中，图4(a)为全色谱段地物分类结果，包含40类地物；图4(b)为三色谱段数据所得光谱角图像的地物分类结果，包含102类地物；
图5为海域掩膜初始图像。其中，图5(a)为全色谱段海域掩膜初始图像；图5(b)为三色谱段海域掩膜初始图像；
图6为连通区域筛选后的海域掩膜图像。其中，图6(a)为全色谱段海域掩膜图像；图6(b)为三色谱段海域掩膜图像；
图7为图像填充后最终海域检测结果图。其中，图7(a)为全色谱段海域检测结果图，包含3片海域；图7(b)为三色谱段海域检测结果图，包含1片海域；
具体实施方式
下面结合附图以及具体实施方式进一步说明本发明。
本发明的一种适用于处理大场景光学遥感数据的海陆分割方法流程图如图1所示，具体步骤如下。
步骤1：图像预处理与概率密度曲线计算。
考虑到遥感图像数据为量化后结果，为保证概率密度统计的准确性需要对图像进行预处理。若原始数据为单色谱段图像，可直接减去图像幅度最小值，参见式(1)。
若原始数据为可见光图像或三色伪彩图，可以将其转化为灰度图作为单色谱段图像处理。然而，三谱段数据融合后图像的地物可辨别特性减弱，因而实际分类过程中采用色比图像，灰度图像仅用于可视化处理。
根据图像转换标准，RGB图像或三色伪彩图转换为灰度图像的表达式为：
E0＝0.2989·Er+0.5870·Eg+0.1140·Eb (2)
式中，E0为灰度图像；Er、Eg、Eb分别为红色、绿色、蓝色谱段遥感图像。
利用两谱段的辐射值之差，将RGB图像或三色伪彩图中各像素单元投影至二维特征平面，像素单元(i,j)在二维特征平面中的直角坐标(xij,yij)为：
Figure BDA0002821319340000061
式中，(i,j)为图像中像素单元的索引；(xij,yij)为像素单元(i,j)在二维特征平面内的坐标。
注意到直角坐标可以转换为极坐标形式，二维特征平面内向量与X轴正半轴的夹角为：
Figure BDA0002821319340000062
式中，Ecr(i,j)为色比图中像素(i,j)的幅值。注意到arctan运算得到的角度范围为-90°～90°，因而需要对式(4)中的计算结果进行修正，使其能够反映二维空间中向量(xij,yij)与X轴正半轴的夹角。再经过式(1)处理，光谱角的取值范围转换为0～360°。
注意到式(3)与式(4)为典型特征空间生成方法，当存在更多谱段时，特征空间的维度数更高，例如当使用4个谱段时，各像素单元能够投影至三维特征空间，即：
Figure BDA0002821319340000071
式中，(xij,yij,zij)为像素单元(i,j)在三维特征空间内的坐标；E1、E2、E3、E4分别为4个谱段的遥感图像。
当采用高维特征空间时，概率密度为统计以某一坐标点为中心，一定半径球面内的像素点数目，可以定义为：
Figure BDA0002821319340000072
式中，ρij为像素单元(i,j)的局域密度；dk为特征空间内任意像素单元k的投影到像素单元(i,j)投影的距离；χ为判决函数，有定义式：
Figure BDA0002821319340000073
式中，dc为距离门限。
距离dk可以采用绝对距离、相对熵、欧氏距离等方法度量。对于三维特征空间，欧式距离dk的计算式为：
Figure BDA0002821319340000074
式中，(xk,yk,zk)为任意像素单元k在三维特征空间内的坐标。
为简化海域检测问题，后续论述中针对单色谱段或是三色谱段遥感数据展开。
步骤2：初始类别设置与初始海域类别标识。
经过预处理后，像素单元幅值的概率密度曲线通常具有两个显著的峰值。连续可导函数y＝f(x)的峰值位置满足一阶导数为零，二阶导数为负，即：
Figure BDA0002821319340000075
式中，f(x)像素单元幅值的概率密度曲线；f′(x)与f″(x)分别为其一阶与二阶导数。
对于离散函数，峰值为概率密度函数一阶导数符号由正变负的拐点，容易求得局域峰值密度。根据经验可知，一般情况下海水反射辐射较陆地区域更弱，因此海域像素单元对应概率密度函数中像素单元幅值更小的峰值。
步骤3：峰值概率密度搜索方法地物分类。
地物分类采用了改进的峰值概率密度搜索方法(参见文献[6]A.Rodriguez andA.Laio.Clustering by Fast Search and Find of Density Peaks[J].Science,2014,344(6191):1492-1496.)。将步骤2中初始的几个峰值标识为不同的地物类别，其余像素单元幅值按像素单元数从大到小排列，逐一考查其余像素单元幅值与已标识地物类别像素单元幅值的差别。若步骤2中已标识L类地物，概率密度曲线中像素单元幅值最大为N，考虑排序后第k像素单元幅值与已标识L类地物幅值的差异：
Figure BDA0002821319340000081
式中，δk为像素单元幅值k至高于其概率密度像素单元幅值的差异最小值；min为求最小值符号。
与式(7)类似，像素单元幅值的类别归属函数χ为：
Figure BDA0002821319340000082
式中，Ec为幅值差异门限。当幅值差异最小值δk高于门限时，认为像素单元幅值k为新一类地物，否则，认为像素单元幅值k属于幅值差异最小值最小的那一类地物。
若遥感数据为多光谱或高光谱数据，可以采用多级聚类方法(参见文献[7]何晓雨,许小剑.用于大数据量光谱遥感图像分类的非监督聚类方法[P].中国国家发明专利,ZL201810441780.1,2018.)
利用式(10)至式(11)的分类方法完成地物分类并更新各类地物的像素单元幅值范围。
步骤4：海域掩膜初始图像生成。
步骤3中已经完成了地物分类，再利用步骤2中标记的初始海域像素单元幅值，得到海域像素单元幅值范围，将图像中属于该范围的区域标记为海域，其他区域标记为陆地。
步骤5：掩膜图像连通区域筛选。
利用3×3的滤波器对各像素单元的连通情况进行判断并标识各连通区域。分别统计各连通区域的面积(像素单元数目)，认为面积低于阈值的区域为陆地，将对应像素单元置零，借此排除阴影区域或云层区域的干扰。
步骤6：海域掩膜图像填充。
对于高分辨率光学遥感图像而言，海水波浪、云层及阴影、海面舰船均会导致步骤4与步骤5中生成的海域检测图像存在不连续的空洞处，可以采用图片填充的方法形成整片的海域(参见文献[8]P.Soille.Morphological Image Analysis:Principles andApplications[M].Springer-Verlag,pp.173–174,1999.)。从形态学角度说，海域中间的空洞为未被标记且不与图像边缘连通的像素单元，同样可以利用3×3的滤波器对各像素单元的连通情况进行判断。
填充之后，根据填充像素单元面积排除岛礁，从而得到最终海域检测结果图。
实施例
下面采用本发明方法分别处理一景星载传感器全色谱段与RGB三色谱段图像数据，对本发明做进一步说明。其中全色谱段数据的星下点地面投影视场分辨率为0.7-0.8m，一景图像大小为16971×16292像素，量化后像素单元幅值范围为1至1024；RGB三色谱段的地面投影视场分辨率约为全色谱段的四分之一，一景图像大小均为4239×4072像素，量化后像素单元幅值范围均为1至1024。
步骤1：图像预处理与概率密度曲线计算。
图2(a)所示为全色单谱段原始数据图像，图2(b)所示为该图像的概率密度曲线。图3(a)为该场景三色谱段合成的伪彩图，图3(b)为光谱角图像，图3(c)为光谱角图像的概率密度曲线。由图可知该场景包含云层区域，因此图2(b)所示的概率密度曲线在饱和幅值附近出现峰值。图3(b)中的光谱角度已转换至0～360°，由图3(c)可知，0～100°内出现多个峰值，体现了云层阴影对海域检测的影响。
步骤2：初始类别设置与初始海域类别标识。
容易计算得到图2(b)与图3(c)两幅图像的局域峰值，若干峰值已标注在曲线图当中。图2(b)中海面像素单元的初始幅值为64，图3(c)海面像素单元的初始幅值为71。
步骤3：峰值概率密度搜索方法地物分类。
对于全色谱段设定像素单元幅值差异门限Ec为4，得到的地物分类图如4(a)所示。图4(a)表明该场景中应有40类地物，考虑到海面像素单元的初始幅值为64，可知地物分类图4(a)中类别2为海域，海面像素单元的幅值区间为42至85。
对于三谱段所得光谱角图像，设定像素单元幅值差异门限Ec为1，得到的地物分类图如4(b)所示。由于像素单元幅值差异门限更小，因此地物分类结果更精细，图4(b)表明该场景中应有102类地物。考虑到海面像素单元初始幅值为71，可知地物分类图4(b)中类别2为海域，海面像素单元的幅值区间为68至76。
步骤4：海域掩膜初始图像生成。
将全色谱段中像素幅值42至85的像素单元设定为1，其余像素单元置零，得到的初始海域掩膜图像如图5(a)所示。与此类似，将光谱角图像中像素幅值68至76的像素单元设定为1，其余像素单元置零，得到的初始海域掩膜图像如图5(b)所示。可以看出，由于场景图像的分辨率降低，海域与陆地的对比度较全色谱段更低，因而图5(b)中存在更多虚警。
步骤5：掩膜图像连通区域筛选。
考虑到油轮和货轮等大型舰船的最大尺寸可达420m，且全色谱段的地面投影分辨率最高为0.7m，设定像素单元数门限为800×800像素。全色谱段连通区域筛选后所得海域掩膜图像，如图6(a)所示。对于RGB三色谱段，设定像素单元数门限为400×400像素，连通区域筛选后的海域掩膜图像如图6(b)所示。可以明显看出两幅图像的差异。
步骤6：海域掩膜图像填充。
填充空洞后，全色谱段与三色谱段所得海域掩膜图像分别如图7(a)与图(b)所示。其中图7(a)检测结果显示该场景存在3片海域，而图7(b)中三片海域连成了一片，这是由于图像分辨率降低，海水与陆地的边界变得模糊，导致检测算法不能将二者分开。由此可知，原始光学遥感数据的分辨率及清晰度(信噪比或对比度)将影响海域检测结果。由于遥感图像信噪比或对比度受到传感器自身参数、传感器平台振动、气象条件变化等多方面因素的影响，海域检测方法能否处理低信噪比或对比度遥感图像，检测结果是否可靠，是研究可靠且高效的海陆分割方法时需要考虑的问题。。
本发明还可以采用的替代方案同样能完成发明目的：在图像预处理过程中(步骤1)，采用对比度增强方法提高海陆对比度；对于多色谱段或高光谱数据，采用与式(5)与式(6)类似的方法计算像素单元密度，随后进行分类处理；在聚类过程中(步骤3)采用其他的门限准则如相对熵等。

Claims (2)

1.一种适用于处理大场景光学遥感数据的海陆分割方法，其特征在于：包括如下步骤：
步骤1：对遥感数据进行预处理，并计算处理后图像的像素单元幅值概率密度曲线；
步骤2：利用局域峰值搜索方法找到概率密度曲线的局域峰值，将其设为初始类别，并记录海域的像素单元幅值；
步骤3：将其余像素单元幅值按像素单元数从多到少排列，利用峰值概率密度搜索方法依像素单元幅值进行分类；
步骤4：找到步骤2中记录的海域像素单元幅值所属类别，标记对应像素单元得到初始海域图；
步骤5：统计初始海域图中各连通区域的像素单元数，排除像素单元数低于门限的连通区域；
步骤6：填充处理后得到海域检测结果图；
其中，所述的步骤1具体包括：对于单色谱段光学遥感图像直接统计其概率密度函数；若为三色谱段可以生成灰度或色比图像，统计对应的概率密度函数；若采用多光谱或高光谱数据，可以定义像素单元的局域密度为：
Figure FDA0003847441560000011
式中，ρij为像素单元(i,j)的局域密度；dk为特征空间内任意像素单元k的投影到像素单元(i,j)投影的距离；χ为判决函数，有定义式：
Figure FDA0003847441560000012
式中，dc为距离门限；
其中，距离dk可以采用绝对距离、相对熵、欧氏距离方法度量；
所述的步骤2具体包括：图像像素单元幅值的概率密度曲线通常具有两个显著的峰值，局域峰值位置可以通过对概率密度函数求一阶与二阶导数得到，根据经验可知，一般情况下海水反射辐射较陆地区域更弱，因此单色谱段图像中的海域像素单元对应概率密度函数中像素单元幅值更小的峰值；
所述的步骤3具体包括：将概率密度曲线中的局域峰值标识为不同的地物类别，其余像素单元幅值按像素单元数从大到小排列，逐一考查其余像素单元幅值与已标识地物类别像素单元幅值的差别，若步骤2中已标识L类地物，概率密度曲线中像素单元幅值最大为N，考虑排序后第k像素单元幅值与已标识L类地物幅值的差异：
Figure FDA0003847441560000021
式中，δk为像素单元幅值k至高于其概率密度像素单元幅值的差异最小值；min为求最小值符号；
与式(7)类似，该像素单元幅值的类别归属函数χ为：
Figure FDA0003847441560000022
式中，Ec为幅值差异门限；当幅值差异最小值δk高于门限时，认为像素单元幅值k为新一类地物，否则，认为像素单元幅值k属于幅值差异最小值最小的那一类地物；
利用式(10)至式(11)的分类方法完成地物分类并更新各类地物的像素单元幅值范围，再利用标记的初始海域像素单元幅值，得到海域像素单元幅值范围。
2.根据权利要求1所述的一种适用于处理大场景光学遥感数据的海陆分割方法，其特征在于：所述的步骤4-6还包括：将图像中属于该范围的区域标记为海域，其他区域标记为陆地，得到海域掩膜初始图像；随后利用连通区域面积、图形空洞填充图形学处理方法得到最终海域检测结果图。
CN202011418779.0A 2020-12-07 2020-12-07 一种适用于处理大场景光学遥感数据的海陆分割方法 Active CN112434642B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011418779.0A CN112434642B (zh) 2020-12-07 2020-12-07 一种适用于处理大场景光学遥感数据的海陆分割方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011418779.0A CN112434642B (zh) 2020-12-07 2020-12-07 一种适用于处理大场景光学遥感数据的海陆分割方法

Publications (2)

Publication Number Publication Date
CN112434642A CN112434642A (zh) 2021-03-02
CN112434642B true CN112434642B (zh) 2022-11-11

Family

ID=74690855

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011418779.0A Active CN112434642B (zh) 2020-12-07 2020-12-07 一种适用于处理大场景光学遥感数据的海陆分割方法

Country Status (1)

Country Link
CN (1) CN112434642B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113139569B (zh) * 2021-03-04 2022-04-22 山东科技大学 目标分类检测方法、装置与系统
CN113344878B (zh) * 2021-06-09 2022-03-18 北京容联易通信息技术有限公司 一种图像处理方法及系统
CN115526924B (zh) * 2022-11-29 2023-06-23 湖南长理尚洋科技有限公司 一种蒙特卡洛模拟的水文环境建模方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105513041A (zh) * 2015-10-28 2016-04-20 深圳大学 一种大幅面遥感图像海陆分割的方法及系统
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
CN111582198A (zh) * 2020-05-12 2020-08-25 中国电子科技集团公司第二十八研究所 一种遥感图像海陆自动分割方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8238658B2 (en) * 2009-01-21 2012-08-07 The United States Of America, As Represented By The Secretary Of The Navy Boundary extraction method

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105513041A (zh) * 2015-10-28 2016-04-20 深圳大学 一种大幅面遥感图像海陆分割的方法及系统
WO2017071160A1 (zh) * 2015-10-28 2017-05-04 深圳大学 一种大幅面遥感图像海陆分割的方法及系统
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
CN111582198A (zh) * 2020-05-12 2020-08-25 中国电子科技集团公司第二十八研究所 一种遥感图像海陆自动分割方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
A novel Deep Structure U-Net for Sea-Land Segmentation in Remote Sensing Images;Pourya Shamsolmoali等;《Electrical Engineering and Systems Science》;20200517;全文 *
DeepUNet- A Deep Fully Convolutional Network for Pixel-level Sea-Land Segmentation;Ruirui Li等;《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》;20180531;第11卷(第11期);全文 *
基于Otsu与海域统计特性的SAR图像海陆分割算法;陈祥等;《数据采集预处理》;20140715;第29卷(第4期);全文 *
基于SAR图像的舰船目标检测与鉴别算法研究;孙成璐;《中国优秀硕士全文论文数据库》;20180415(第4期);全文 *
航空遥感影像的实时舰船目标检测;姜鑫等;《光学精密工程》;20201015;第28卷(第10期);全文 *

Also Published As

Publication number Publication date
CN112434642A (zh) 2021-03-02

Similar Documents

Publication Publication Date Title
CN112434642B (zh) 一种适用于处理大场景光学遥感数据的海陆分割方法
CN106022288B (zh) 基于sar图像的海洋溢油信息识别与提取方法
CN107563303B (zh) 一种基于深度学习的鲁棒性舰船目标检测方法
CN106651795A (zh) 一种利用光照估计来校正图像颜色的方法
US20050286770A1 (en) Endmember spectrum database construction method, endmember spectrum database construction apparatus and endmember spectrum database construction program
CN103077515B (zh) 一种多光谱图像建筑物变化检测方法
US11017507B2 (en) Image processing device for detection and correction of cloud cover, image processing method and storage medium
CN112488050A (zh) 一种结合颜色与纹理的航拍影像场景分类方法和系统
Zakir et al. Road sign segmentation based on colour spaces: A Comparative Study
US8958648B2 (en) Method for recognition of a predetermined pattern in an image data set
CN111275652A (zh) 一种去除城市遥感图像中雾霾的方法
Huang et al. A new haze removal algorithm for single urban remote sensing image
Manaf et al. Hybridization of SLIC and Extra Tree for Object Based Image Analysis in Extracting Shoreline from Medium Resolution Satellite Images.
Chaki et al. Image color feature extraction techniques: fundamentals and applications
CN114067222B (zh) 一种城市水体遥感分类方法及装置
CN112329829B (zh) 一种基于高光谱数据的红树林提取方法
CN111260603A (zh) 识别风力发电机组叶片尖端的方法及装置
CN112418156B (zh) 基于无监督分类的光学遥感图像海面舰船目标检测方法
Iannone et al. Proba-V cloud detection Round Robin: Validation results and recommendations
CN116452872A (zh) 一种基于改进的Deeplabv3+的森林场景树种分类方法
CN112464849B (zh) 一种星载光学遥感图像中驻泊舰船目标检测方法
Albano et al. Graph theoretic metrics for spectral imagery with application to change detection
CN115690502B (zh) 一种近岸及内陆水体水波纹消除方法、系统及可读存储介质
Korosov et al. Fusion of data from Sentinel-2/MSI and Sentinel-3/OLCI
CN111340779B (zh) 一种类圆形植被斑块综合检测方法

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