CN109471106A - 结合聚类分析和边界跟踪法的sar海洋内波条纹识别方法 - Google Patents

Abstract

本发明涉及一种结合聚类分析和边界跟踪法的SAR海洋内波条纹识别方法，首先，对从欧空局网站或者其他平台获取的内波SAR原始数据进行滤波预处理，获取识别图像场景每一像元的灰度值；其次，将滤波后的图像进行K‑mean聚类分析，并根据类别更换图像的灰度值；然后对新的灰度图像进行边界跟踪，绘制出较明显的内波条纹的轮廓。本发明的方法能够识别出内波发生处的较明显的条纹区域，从而为海下安全监测提供技术支持，为做好海下安全工作提供服务。

Description

结合聚类分析和边界跟踪法的SAR海洋内波条纹识别方法

技术领域

本发明属于海洋内波科学领域，更确切的说，是属于内波探测技术领域，提供一种结合K-means聚类分析和边界跟踪法的SAR海洋内波条纹识别方法。

背景技术

海洋内波是当今世界性的重大灾害之一，具有突发性强，破坏力强，能量巨大的特点。它隐匿水中，常使人们防范不及，故有“水下魔鬼”之称。海洋内波往往会造成重大的安全事故，若有潜艇或者鱼雷等水下航行物不幸遇到海洋内波，它们便难以操控甚至被压成碎片。因此，对海洋内波进行早期识别，是海洋内波探测的重要组成部分，为海洋航行安全工作的现代化管理提供基础保障。

目前，欧空局、加拿大、德国空间局以及意大利等国家和地区的ERS、Radarsat、Envisat、TerraSAR-X和COSMO-Skymed等星载和机载SAR传感器获得了世界各海区大量的海洋内波遥感图像，为海洋内波研究提供了丰富的资料。主要根据海洋内波对海表面波的调制机制，利用电磁波成像机理进行大范围遥感成像。进一步利用SAR(Synthetic ApertureRadar)遥感图像可以直接获取内波的空间位置以及波长、波向等水平向参数信息。还可以结合现场观测、历史资料等获取内波的波速、跃层深度、海水密度差和内波振幅等海洋内波垂向参数。因此，SAR在海洋内波遥感探测研究方面具有独特的应用价值和发展潜力，可以极大地丰富人们对海洋内波的认识。

内波识别是海洋内波探测至关重要的组成部分，最常见的内波识别方法是边缘检测法，对图像进行分割处理，该方法尽管在准确性上具有一定的保证，但普遍存在处理数据量大，速度不够快的特点。另一种常用的方法是海洋SAR图像功率谱特征提取，对图像的二维功率谱做一维变换，归一化处理后，得出各种海洋现象的归一化功率谱特征，经有限样本统计、分析后得到内波的特征。该方法需要根据样本统计，准确性和适应性不够好。此外还有基于多孔小波的内波特征检测，根据内波图像特征，结合小波多尺度边缘检测的能力，改进二进制小波为多孔小波进行内波多尺度边缘检测，结合图像处理的方法可提取内波的边缘特征。但不同尺度的检测响应并不相同，会导致边缘冗余，噪声也没有得到抑制，加大了后续处理的流程。

现有的海洋内波检测技术由于SAR图像的数据复杂、数据量大，导致处理难度大，准确性难以把握；另一方面，由于相干斑噪声的客观因素，边缘检测难度大，后续处理流程复杂，一定程度上增加了检测难度和准确度。

发明内容

本发明提供一种结合K-means聚类分析和边界跟踪法的SAR海洋内波条纹识别方法，利用欧空局的对地观测卫星系列Envisat卫星以及哨兵一号等卫星，运用遥感技术、计算机图像处理技术对SAR图像中的海洋内波进行识别。

为了达到上述目的，本发明的技术方案是提供一种结合K-means聚类分析和边界跟踪法的SAR海洋内波条纹识别方法，其包含以下过程：

获取卫星遥感数据图像，对内波SAR原始数据进行滤波预处理，获取识别图像场景在滤波之后的每一像元的灰度值；

对滤波后的图像进行K-mean聚类分析，并根据类别更换图像的灰度值，得到具有新的灰度值的聚类图像；

对聚类图像进行边界跟踪，绘制出最明显的内波条纹的轮廓。

可选地，选取Lee滤波对图像进行的滤波，降低噪声对SAR影像的干扰，并获取影像中每一像元的灰度值。

可选地，应用K-means算法进行聚类分析时，分类数k取3；按照海洋内波的明条纹、暗条纹及背景色的特征信息，将图像特征分为三类；根据原始灰度值的所属的簇，对图像重新赋予灰度值，以增加图像的对比度。

可选地，对聚类分析中通过最终迭代后获得的三类簇样本，依次更换各聚类簇内所有值为0、130、255的元素，分别对应暗条纹、背景色、明条纹，将三类特征的灰度值分开。

可选地，对聚类图像进行边界跟踪时，基于选定的阈值，将聚类图像转换为二值图像后布置多个起始点的坐标，作为边界跟踪的起点，进行八邻域边界跟踪或四邻域边界跟踪，绘制出跟踪路径。

可选地，将聚类图像转变为二值图像时，使明条纹显示为1，其他均为0。

可选地，通过最大类间方差法、或人工选择法、或直方图技术法、或迭代法，来选定将聚类图像转换为二值图像所需的阈值。

可选地，边界跟踪时，通过程序嵌套循环选择多个出发点进行跟踪，并选取曲线最长值作为限制条件，最长值的取值范围为60000～100000。

为了实现对海洋内波的初步识别，本发明提供的一种结合K-means聚类分析和边界跟踪法的SAR海洋内波条纹识别方法，基于欧空局Envisat等卫星遥感数据图像进行处理，先对原始数据进行预处理，获取识别图像场景在滤波之后的每一像元的灰度值；其次，将滤波后的图像进行K-mean聚类分析，并根据类别更换图像的灰度值；然后对新的灰度图像进行边界跟踪，绘制出最明显的内波条纹的轮廓。所述方法能够识别出内波发生处的较明显的条纹区域，从而为海下安全监测提供技术支持，为做好海下安全工作提供服务。

附图说明

图1是结合边界跟踪对合成孔径雷达海洋内波条纹识别算法的流程图；

图2是本发明实施例未经处理的SAR影像图；

图3是本发明实施例海洋内波SAR图像滤波预处理结果图；

图4是本发明实施例海洋内波SAR图像聚类分析处理结果图；

图5是本发明实施例海洋内波SAR图像边界跟踪法识别结果图。

具体实施方式

如图1所示，本发明基于合成孔径雷达成像的海洋内波检测技术，提供一种结合K-means聚类分析和边界跟踪法的识别方法，来识别出内波发生处的较明显的条纹区域。

1、原始数据预处理

由于合成孔径雷达的相干成像机理固有特性，使得SAR图像产生相干斑噪声，故将从欧空局Envisat卫星遥感数据图像通过滤波后获取图像场景中每一个像元的灰度值矩阵。滤波方法采用3×3窗口的Lee滤波。

2、基于滤波后图像的K-mean聚类分析

聚类分析是指用数学的方法研究和处理，根据数据特征的相似性对给定对象进行分类。K-means聚类的主要思想是将离散的许多数据点利用k个质心进行聚类，相似性较大的数据点归为一类，是利用不断更新数据点的质心归属和质心位置来最终收敛到最优解。

算法具体流程包括赋予初始聚类中心、按距离归属数据点、更新聚类中心，直至迭代收敛。应用K-means算法进行聚类分析时，分类数k需事先给定，本发明中根据海洋内波明、暗条纹及背景色的特征信息，故可将一幅SAR图像按图像特征分为三类，即k取3。并将最终迭代完成后的三类簇样本，依次更换各聚类簇内所有值为0、130、255，分别对应暗条纹、背景色、明条纹。根据八位色图的灰度值范围0～255，这样替换的优点是最大限度将三类特征的灰度值划分开，增加图像的对比度。

将滤波后的图像进行聚类后将第一类的元素全部变成一类值，第二类全部变成另一类值，第三类同理。这样得到由新元素构成的矩阵作为聚类图像。

更详细地讲，本例中，读取图像文件，得到矩阵数据。

给定3个初始聚类中心值，如40、200、400，记为第一类、第二类、第三类。依次计算矩阵中所有数据到这三个初始值的距离(欧氏空间距离)，将该数据归至距离最小的类中。

归类完成后，计算三类数据各自的平均值，作为新的3个聚类中心值，再次计算原始数据到新中心值的距离，并按距离最小原则归类，直至相近两次迭代的聚类中心值，变化差值小于0.1即停止迭代。

将迭代好的数据，进行变更。即第一类内的全部数据变为0，第二类变为130，第三类为255。将数据结果保存为图像(聚类图像)。

通过聚类分析处理后，可以使图像的对比度增加。这是因为聚类分析后，我们根据原始灰度值的所属的簇，对图像重新赋予了灰度值，图像的灰度值发生改变以后，灰度值之间的差值也变大，这就使得图像的对比度增加。

3、基于聚类图像的边界跟踪处理

由于边界跟踪法是搜索某列不为0的元素，故在进行边界跟踪之前，首先需将聚类后的图像转变为二值图像，即让明条纹显示为1，其他均为0。而灰度图转变为二值图像时，可利用最大类间方差法找到合适阈值，阈值以上为1，阈值以下为0，据此将图像变成二值图像。此外最佳阈值的选择方法还包括人工选择、直方图技术和迭代法。由于最大类间方差法是借助最小二乘法原理，在直方图技术法基础上推导出来的，具有简单、速度快的特点，故在本例中采用。

对于边界跟踪法，本发明采用的是八邻域边界跟踪，此外还有四邻域边界跟踪。其中邻域指矩阵中任意一点周围最近的元素，四邻域、八邻域指四面八方。设点P(x,y)为图像中一个边界点，那么该点下一个边界点必在其八邻域内。边界跟踪法根据这个原理，首先找到位于物体边界区域左上角的一个边界点作为搜索起点，按照逆时针或者顺时针方向，自上而下、从左至右，搜索其八邻域，找到下一边界点，然后以此边界点为当前点继续搜索，直到回到搜索起点或者满足最大曲线长度值，不再继续搜索。边界跟踪的完成，首先需要确定每一次八邻域搜索的起始位置，也就是决定从八邻域的哪个像素开始依次检查八个邻近像素，才能迅速有效地找出下一边界点。

故起始出发点的选取尤为重要，选取不同会导致不同的结果，而且往往选取不合适得不到想要的结果。故本发明通过程序嵌套循环选择多个出发点进行跟踪，并选取曲线最长值作为限制条件，经不断调试，取最长值为60000～100000。

以下提供本发明的一个具体实施例：

本例针对2006年8月15日下午14:11左右发生的海洋内波，中心经纬度为：21°11′N，116°45′E(20°40′N～21°47′N，116°10′E～117°10′E)，选取了欧空局Envisat卫星数据，结合K-means聚类分析和边界跟踪发对合成孔径雷达海洋内波条纹算法进行识别研究。

将卫星遥感实验数据按照图1所示的流程图进行操作，具体步骤如下：

(1)对原始遥感数据通过构建3×3窗口的Lee滤波，进行滤波预处理。

(2)对第(1)步得到滤波后图像通过K-mean聚类分析得到聚类图像。

(3)对第(2)步得到的聚类图像，使用最大类间方差法找到图像的一个合适的阈值，把灰度图像转换为二值图像。然后在图像上布置多个起始点的坐标，作为边界跟踪的起点，在跟踪方向上可选四个或者八个方向，本发明选八个方向，设置种子数目N(60000～100000)，然后进行边界跟踪，绘制出跟踪路径。

使用Envisat卫星数据基于本发明的算法的处理结果如图2-图5所示，图2是未经处理的海洋内波SAR影像，图3是海洋内波SAR图像滤波预处理结果，图4是海洋内波SAR图像滤波预处理结果，图5是海洋内波SAR图像边界跟踪法识别结果，图5中的灰色路径即内波中的条纹信息。

尽管本发明的内容已经通过上述优选实施例作了详细介绍，但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后，对于本发明的多种修改和替代都将是显而易见的。因此，本发明的保护范围应由所附的权利要求来限定。

Claims (8)

1.一种结合K-means聚类分析和边界跟踪法的SAR海洋内波条纹识别方法，其特征在于，包含以下过程：

获取卫星遥感数据图像，对内波SAR原始数据进行滤波预处理，获取识别图像场景在滤波之后的每一像元的灰度值；

对滤波后的图像进行K-mean聚类分析，并根据类别更换图像的灰度值，得到具有新的灰度值的聚类图像；

对聚类图像进行边界跟踪，绘制出明显的内波条纹的轮廓。

2.如权利要求1所述的SAR海洋内波条纹识别方法，其特征在于，

选取Lee滤波对SAR影像进行滤波处理，以消除噪声的干扰，并获取SAR影像每一像元的灰度值。

3.如权利要求1所述的SAR海洋内波条纹识别方法，其特征在于，

应用K-means算法进行聚类分析时，分类数k取3；按照海洋内波的明条纹、暗条纹及背景色的特征信息，将图像特征分为三类；根据原始灰度值的所属的簇，对图像重新赋予灰度值，使得图像的对比度增加。

4.如权利要求3所述的SAR海洋内波条纹识别方法，其特征在于，

对聚类分析中通过最终迭代后获得的三类簇样本，依次更换各聚类簇内所有值为0、130、255的元素，分别对应暗条纹、背景色、明条纹，将三类特征的灰度值分开。

5.如权利要求3或4所述的SAR海洋内波条纹识别方法，其特征在于，

对聚类图像进行边界跟踪时，基于选定的阈值，将聚类图像转换为二值图像后布置多个起始点的坐标，作为边界跟踪的起点，进行八邻域边界跟踪或四邻域边界跟踪，绘制出跟踪路径。

6.如权利要求5所述的SAR海洋内波条纹识别方法，其特征在于，

将聚类图像转变为二值图像时，使明条纹显示为1，其他均为0。

7.如权利要求5所述的SAR海洋内波条纹识别方法，其特征在于，

通过最大类间方差法、或人工选择法、或直方图技术法、或迭代法，来选定将聚类图像转换为二值图像所需的阈值。

8.如权利要求5所述的SAR海洋内波条纹识别方法，其特征在于，

边界跟踪时，通过程序嵌套循环选择多个出发点进行跟踪，并选取曲线最长值作为限制条件，最长值的取值范围为60000～100000。