CN113160238B - 一种基于海浪理论的海面图像分割方法 - Google Patents

一种基于海浪理论的海面图像分割方法 Download PDF

Info

Publication number
CN113160238B
CN113160238B CN202110245307.8A CN202110245307A CN113160238B CN 113160238 B CN113160238 B CN 113160238B CN 202110245307 A CN202110245307 A CN 202110245307A CN 113160238 B CN113160238 B CN 113160238B
Authority
CN
China
Prior art keywords
wave
sea
wavelength
membership
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
CN202110245307.8A
Other languages
English (en)
Other versions
CN113160238A (zh
Inventor
魏婧雅
陈忠彪
姚玉雯
戴子玥
何宜军
于思源
王铮
田飞
朱睿君
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.)
Nanjing University of Information Science and Technology
Original Assignee
Nanjing University of Information Science and Technology
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 Nanjing University of Information Science and Technology filed Critical Nanjing University of Information Science and Technology
Priority to CN202110245307.8A priority Critical patent/CN113160238B/zh
Publication of CN113160238A publication Critical patent/CN113160238A/zh
Application granted granted Critical
Publication of CN113160238B publication Critical patent/CN113160238B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • 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
    • G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30181—Earth observation
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

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

Abstract

本发明是一种基于海浪理论的海面图像分割方法，该方法通过获取海浪图像中观测区域的波数谱求得海浪波长，再根据随机海浪理论确定海浪波长的累计统计分布函数，是理想状态下海浪波长的隶属度函数关系，仅实现对海浪的初步聚类，无法完成对图像区域的准确划分，因而利用本算法可以精确计算波长的隶属度函数，最终对图像区域做出有效划分，具有精确度高，适用性强等优点。

Description

一种基于海浪理论的海面图像分割方法
技术领域
本发明涉及海洋遥感技术领域，具体的说是一种基于海浪理论的海面图像分割方法。
背景技术
随着近年来海洋探测技术的发展，光学遥感图像的分辨率变得越来越高，图像的数据量也随之增加。可见光和红外相机可以搭载在机载或者固定的平台上，具有分辨率高、使用方便等优点，在海洋观测中得到了广泛的应用，例如2014年09月10日申请的CN104034270A《一种基于无人机的水面油污监测方法和装置》。但是，光学传感器对海面成像受到多种因素的影响，例如观测角度、太阳高度角、海面粗糙度、传感器所在平台的运动和摇摆等，它们都容易造成图像中出现太阳耀斑、斑点噪声，这给利用光学图像定量提取海面信息带来很大不便。因此，在进行图像分析时，需要先对图像做区域分割、矫正，以方便后期的数据处理，也是进一步理解图像的基础。
目前应用较为广泛的图像分割算法包括基于阈值的分割算法、基于边缘的分割算法和基于区域的分割算法等。这些算法在一定程度上将具有特殊性质的目标区域提取出来，但仍存在对噪声敏感、图像被过度分割以及不能提供较好的区域结构等缺陷。与此同时，基于深度学习的图像分割算法在图像处理中也得到了应用，例如2020年08月28日申请的CN111598914A《一种基于不确定性引导的自适应图像分割方法》，但是它需要利用大数据集做训练学习，不适合用于短时间的实时海面观测。海洋遥感中常用小型无人机等平台获取海面的光学图像，它的观测几何变化快、成像时间短，传统的图像分割算法不能有效区分有效的海面信息。
针对现有的图像分割的算法技术的不足，本专利提出一种基于海浪的累积分布函数的模糊评价模型，依据符合海浪理论的隶属度函数更为准确地对采集的图像进行有效区域划分。
发明内容
本发明要解决的技术问题是提供一种基于海浪理论的海面图像分割方法，适用于高分辨率光学传感器所观测到的海面图像，将海面图像分割后，能够获得具有有效海浪信息的图像数据，具有操作简单、适用性强等特点。
为解决上述技术问题，本发明采用的技术方案为：
一种基于海浪理论的海面图像分割方法，其特征在于：依据符合海浪理论的隶属度函数准确地对采集的图像进行区域划分，获得有效的海浪图像，具体步骤如下：
步骤1，读取原始图像数据，选定研究区域，对研究区域内图像做二维傅里叶变换，根据所得频谱的峰值确定主波波向；
步骤2，选取平行于主波波向的各个径向，找出其波峰和波谷的位置，再由相邻的波峰与波谷求出该径向包含的波浪的所有波长，然后对径向波长做直方图，得到该区域的波长分布，波长的均值和方差，以及相关物理参数；
步骤3，根据随机海浪理论建立海浪的波长的概率分布函数，将其作为海浪波长的理论隶属度函数；
步骤4，针对海浪波长的统计参数建立隶属度函数，将步骤2获得的海浪波长的统计参数代入建立的隶属度函数，计算隶属度值u；再将海浪观测点数据代入理论函数中，求出理论值u0，如果隶属度函数值u>u0，则选取的区域合理；否则，重新选取区域，并利用以上步骤判断其合理性。
所述的步骤3中建立的随机海浪波长的统计分布函数为：
Figure BDA0002963875630000021
式中，λ为波长，
Figure BDA0002963875630000022
为平均波长，/>
Figure BDA0002963875630000023
为平均波数，d为波高，/>
Figure BDA0002963875630000024
所述的步骤4中建立的隶属度函数为：
Figure BDA0002963875630000025
式中，U、V分别为波长隶属度矩阵和波浪观测点的聚类中心矩阵，
Figure BDA0002963875630000026
是径向的第k个观测点属于第i类的海浪波长参数的隶属度值的m次方，而/>
Figure BDA0002963875630000027
则是第k个观测点的xk到第i类聚类中心点vi距离的平方‖xk-vi||2；
隶属度函数中
Figure BDA0002963875630000028
和vi的计算公式如下：
Figure BDA0002963875630000029
Figure BDA00029638756300000210
当J(U,V)取最小值时完成聚类，此时可根据所建立的隶属度函数来分析海浪观测点聚类的合理性，若uik>u0，则保留被检验观测点；反之则剔除这些观测点。
所述的海浪图像观测点的聚类判断变量，包括但不限于海浪波长、波长的均值及方差。
该种基于海浪理论的海面图像分割方法能够达到的有益效果为：通过获取海浪图像中观测区域的波数谱求得海浪波长，再根据随机海浪理论确定海浪波长的累计统计分布函数，是理想状态下海浪波长的隶属度函数关系，仅实现对海浪的初步聚类，无法完成对图像区域的准确划分，因而利用本算法可以精确计算波长的隶属度函数，最终对图像区域做出有效划分，具有精确度高，适用性强等优点。
附图说明
图1为本发明一种基于海浪理论的海面图像分割方法的算法流程图。
图2为本发明一种基于海浪理论的海面图像分割方法中观测到的海面图像示意图。
图3为本发明一种基于海浪理论的海面图像分割方法中两组不同区域图像的直方图。
具体实施方式
以下结合说明书附图和具体优选的实施例对本发明作进一步描述。
如图1所示的一种基于海浪理论的海面图像分割方法，依据符合海浪理论的隶属度函数准确地对采集的图像进行区域划分，获得有效的海浪图像，具体步骤如下：
步骤1，读取如图2所示的原始图像数据，将原始图像分割成若干区域，其中图2中的左下方框选区域为第一区域，右上方框选区域为第二区域；首先选定第一区域作为研究区域，对研究区域内图像做二维傅里叶变换，根据所得频谱的峰值确定主波波向；
步骤2，选取平行于主波波向的各个径向，找出其波峰和波谷的位置，再由相邻的波峰与波谷求出该径向包含的波浪的所有波长，然后对径向波长做直方图，得到该区域的波长分布，以及波长的均值和方差，以及相关物理参数；
步骤3，根据随机海浪理论建立海浪的波长的概率分布函数，将其作为海浪波长的理论隶属度函数；所述的随机海浪波长的统计分布函数为：
Figure BDA0002963875630000031
式中，λ为波长，
Figure BDA0002963875630000032
为平均波长，/>
Figure BDA0002963875630000033
为平均波数，d为波高，/>
Figure BDA0002963875630000034
步骤4，针对海浪波长的统计参数建立隶属度函数，所述的隶属度函数为：
Figure BDA0002963875630000041
式中，U、V分别为波长隶属度矩阵和波浪观测点的聚类中心矩阵，
Figure BDA0002963875630000042
是径向的第k个观测点属于第i类的海浪波长参数的隶属度值的m次方，而/>
Figure BDA0002963875630000043
则是第k个观测点的xk到第i类聚类中心点vi距离的平方||xk-vi||2；该式中观测点的聚类没有确定的判断变量，可以依据波长，均值或方差等来进行聚类分析。
隶属度函数中
Figure BDA0002963875630000044
和vi的计算公式如下：
Figure BDA0002963875630000045
Figure BDA0002963875630000046
当J(U,V)取最小值时完成聚类，此时可根据所建立的隶属度函数来分析海浪观测点聚类的合理性，若uik>u0，则保留被检验观测点；反之则剔除这些观测点。
将步骤2获得的海浪波长的统计参数代入建立的隶属度函数，计算隶属度值u；再将海浪观测点数据代入理论函数中，求出理论值u0，若隶属度函数值u大于u0，第一区域选取合理。即第一区域图像内包含有效的海浪信息。
重新选取第二区域作为研究区域，并利用以上步骤判断其合理性。若隶属度函数值u小于u0，则第二区域图像内不包含有效的海浪信息，可剔除该区域。
以上仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，应视为本发明的保护范围。

Claims (1)

1.一种基于海浪理论的海面图像分割方法，其特征在于：依据符合海浪理论的隶属度函数准确地对采集的图像进行区域划分，获得有效的海浪图像，具体步骤如下：
步骤1，读取原始图像数据，选定研究区域，对研究区域内图像做二维傅里叶变换，根据所得频谱的峰值确定主波波向；
步骤2，选取平行于主波波向的各个径向，找出其波峰和波谷的位置，再由相邻的波峰与波谷求出该径向包含的波浪的所有波长，然后对径向波长做直方图，得到该区域的波长分布；
步骤3，根据随机海浪理论建立海浪的波长的概率分布函数，将其作为海浪波长的理论隶属度函数；
步骤4，针对海浪波长的统计参数建立隶属度函数，将步骤2获得的海浪波长的统计参数代入建立的隶属度函数，计算隶属度值u；再从研究区域图像内选取多个海浪观测点数据代入理论函数中，求出理论值u0，如果隶属度函数值u>u0，则选取的区域合理；否则，重新选取研究区域，并利用以上步骤判断其合理性；
所述的步骤3中建立的随机海浪波长的统计分布函数为：
Figure FDA0004224477520000011
式中，λ为波长，
Figure FDA0004224477520000012
为平均波长，/>
Figure FDA0004224477520000013
为平均波数，d为波高，/>
Figure FDA0004224477520000014
所述的步骤4中建立的隶属度函数为：
Figure FDA0004224477520000015
式中，U、V分别为波长隶属度矩阵和波浪观测点的聚类中心矩阵，
Figure FDA0004224477520000016
是径向的第k个观测点属于第i类的海浪波长参数的隶属度值的m次方，而/>
Figure FDA0004224477520000017
则是第k个观测点的xk到第i类聚类中心点vi距离的平方|xk-vi|2；
隶属度函数中
Figure FDA0004224477520000018
和vi的计算公式如下：
Figure FDA0004224477520000019
Figure FDA0004224477520000021
当J(U,V)取最小值时完成聚类，此时可根据所建立的隶属度函数来分析海浪观测点聚类的合理性，若uik＞u0，则保留被验证观测点；反之则剔除上述观测点；
所述的海浪图像观测点的聚类判断变量，包括海浪波长、波长的均值及方差。
CN202110245307.8A 2021-03-05 2021-03-05 一种基于海浪理论的海面图像分割方法 Active CN113160238B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110245307.8A CN113160238B (zh) 2021-03-05 2021-03-05 一种基于海浪理论的海面图像分割方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110245307.8A CN113160238B (zh) 2021-03-05 2021-03-05 一种基于海浪理论的海面图像分割方法

Publications (2)

Publication Number Publication Date
CN113160238A CN113160238A (zh) 2021-07-23
CN113160238B true CN113160238B (zh) 2023-06-20

Family

ID=76884333

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110245307.8A Active CN113160238B (zh) 2021-03-05 2021-03-05 一种基于海浪理论的海面图像分割方法

Country Status (1)

Country Link
CN (1) CN113160238B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104457643A (zh) * 2014-11-04 2015-03-25 中国铁道科学研究院 一种轨道几何检测数据的脉冲噪声滤波方法及装置
CN105467806A (zh) * 2015-01-06 2016-04-06 四川大学 单像素全息相机
CN106990404A (zh) * 2017-03-30 2017-07-28 南京信息工程大学 一种利用导航x波段雷达反演海面波高的自动定标算法
CN109781073A (zh) * 2018-11-12 2019-05-21 国家海洋局第二海洋研究所 一种融合海浪特征和光谱特征的浅海水深遥感提取方法
CN110276764A (zh) * 2019-05-29 2019-09-24 南京工程学院 基于K值估计的K-Means水下图像背景分割改进算法
CN111008989A (zh) * 2019-12-24 2020-04-14 辽宁工程技术大学 一种基于多值体元的机载多光谱lidar三维分割方法
CN111257886A (zh) * 2020-03-23 2020-06-09 南京信息工程大学 一种利用单幅船载x波段雷达图像反演海浪参数的方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10898079B2 (en) * 2016-03-04 2021-01-26 University Of Manitoba Intravascular plaque detection in OCT images

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104457643A (zh) * 2014-11-04 2015-03-25 中国铁道科学研究院 一种轨道几何检测数据的脉冲噪声滤波方法及装置
CN105467806A (zh) * 2015-01-06 2016-04-06 四川大学 单像素全息相机
CN106990404A (zh) * 2017-03-30 2017-07-28 南京信息工程大学 一种利用导航x波段雷达反演海面波高的自动定标算法
CN109781073A (zh) * 2018-11-12 2019-05-21 国家海洋局第二海洋研究所 一种融合海浪特征和光谱特征的浅海水深遥感提取方法
CN110276764A (zh) * 2019-05-29 2019-09-24 南京工程学院 基于K值估计的K-Means水下图像背景分割改进算法
CN111008989A (zh) * 2019-12-24 2020-04-14 辽宁工程技术大学 一种基于多值体元的机载多光谱lidar三维分割方法
CN111257886A (zh) * 2020-03-23 2020-06-09 南京信息工程大学 一种利用单幅船载x波段雷达图像反演海浪参数的方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
Multi-spectral image analysis and classification of melanoma using fuzzy membership based partitions;Patwardhan S V等;《Computerized Medical Imaging and Graphics》;第29卷(第4期);287-296 *
波长相关物理成像模型的交通监控图像去雾算法;王一斌等;《光子学报》;第48卷(第9期);227-236 *
系泊浮体系统非线性运动的模糊随机性因素探讨;严建国,孙芦忠,陈徐均;《解放军理工大学学报(自然科学版)》(第1期);65-67 *
结合像元级与对象级的滨海湿地变化检测方法;吴瑞娟等;《地球信息科学学报》;第22卷(第10期);2078-2087 *
降雨条件下的导航 X 波段雷达海浪参数反演算法研究;陈忠彪等;《海洋科学》;第42卷(第7期);10-17 *

Also Published As

Publication number Publication date
CN113160238A (zh) 2021-07-23

Similar Documents

Publication Publication Date Title
CN109804232B (zh) 一种基于红外热像图分析的沥青路面裂缝发育程度检测方法
CN107067415B (zh) 一种基于图像匹配的目标定位方法
CN110781827A (zh) 一种基于激光雷达与扇状空间分割的路沿检测系统及其方法
CN109100741A (zh) 一种基于3d激光雷达及图像数据的目标检测方法
CN110647850A (zh) 一种基于逆透视原理的车道偏移自动测量方法
CN112766274A (zh) 一种基于Mask RCNN算法的水尺图像水位自动读数方法及系统
CN105700525B (zh) 基于Kinect传感器深度图机器人工作环境不确定性地图构建法
CN111027446B (zh) 一种高分辨率影像的海岸线自动提取方法
Hassaan et al. Precision forestry: trees counting in urban areas using visible imagery based on an unmanned aerial vehicle
CN101915910B (zh) 利用航海雷达识别海上溢油目标的方法及系统
CN112285710B (zh) 一种多源遥感水库蓄水量估算方法与装置
CN112487912B (zh) 基于改进YOLOv3的任意方向舰船检测方法
CN109186706A (zh) 一种用于城市雨洪淹没区预警的方法
CN110717496B (zh) 基于神经网络的复杂场景树木检测方法
CN113034569A (zh) 一种基于点云数据的船舶超限预警方法及系统
CN105184804A (zh) 基于机载红外相机航拍图像的海面小目标检测方法
Stassopoulou et al. Building detection using Bayesian networks
CN116758049A (zh) 一种基于主被动卫星遥感的城市洪涝立体监测方法
CN115690161A (zh) 一种红外目标搜索检测和跟踪方法及装置
CN113469097B (zh) 一种基于ssd网络的水面漂浮物多相机实时检测方法
CN114494371A (zh) 基于多尺度相位一致性的光学图像和sar图像配准方法
CN113160238B (zh) 一种基于海浪理论的海面图像分割方法
CN104297753A (zh) 一种基于自适应缩减算子的导航雷达图像反演海面风向方法
CN110956083A (zh) 一种基于高分四号光学卫星的渤海海冰漂移遥感探测方法
CN114743059A (zh) 一种综合地形地貌特征的海底地理实体自动分类方法

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