CN111582198B - 一种遥感图像海陆自动分割方法 - Google Patents

Abstract

本发明提供了一种遥感图像海陆自动分割方法，包括如下步骤：1、对待分割遥感图像进行线性增强处理，改善图像对比度；2、广义径向高斯核函数改进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；3、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。4、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。本发明有效地实现了大场景遥感图像海陆自动分割。

Description

一种遥感图像海陆自动分割方法

技术领域

本发明涉及遥感图像海陆分割领域，具体涉及一种遥感图像海陆自动分割方法。

背景技术

通过海陆分割可以实现海洋与陆地分离，抑制陆地区域复杂背景的干扰，有效降低海面目标检测的难度。海陆分割作为海面目标检测与识别的前提与基础，分割结果的优劣直接影响后续处理的准确性，在民用、军事侦察、海洋监控等领域具有重要意义。另外，通过海陆分割获得的海岸线信息在潮汐观测、地图绘制、海洋资源管理等诸多应用场景起着至关重要的作用。因此，亟需一种有效的海陆分割方法。

传统海陆分割普遍是基于海图、剖面监测、地形图等方法，耗费大量时间、人力，且动态跟踪性差。随着遥感图像被人们所关注，基于遥感图像的海陆分割方法逐渐成为研究热点。目前基于遥感图像的海陆分割方法主要分为基于区域信息及基于边界轮廓等。其中模糊C均值(FCM)聚类方法作为一种有效的基于区域信息的图像分割方法，被不断改进。近年提出的模糊局部信息C均值(FLICM)聚类方法在像素模糊隶属度判定过程中综合考虑了像素局部的空间和灰度信息，展现出较强的鲁棒性，但未考虑使用核函数映射方式，且其仅依据图像区域灰度对图像进行分割，未考虑图像全局信息，分割精度有待提高。另一方面，基于无边缘主动轮廓模型Chan-Vese(CV)模型的方法利用图像全局信息建立能量函数，以此控制曲线运动，分割精度较高但计算效率较低，且仅利用区域的均值信息确定边界，对初始条件敏感。

发明内容

发明目的：针对现有遥感图像海陆分割领域中存在的问题，进一步提高遥感图像海陆分割的精度和速度，本发明公开了一种基于改进FLICM和加权CV的遥感图像海陆自动分割方法。针对遥感图像对比度不理想，主观视觉效果较差的问题，首先对遥感图像线性拉伸，突出感兴趣的信息；然后采用改进FLICM聚类方法对遥感图像进行海陆粗分割，引入广义径向高斯核函数使像素点在高维特征空间中拥有更优的线性可聚性；为了避免CV模型对初始条件敏感这个缺陷，再分别将粗分割得到的陆地区域和海岸线粗略轮廓作为加权CV模型的初始迭代条件，实现海陆精细分割；最后，综合考虑陆地与海洋的不同特性，利用形态学手段及连通域准则在进一步保持海岸线完整性的同时消除散杂点，得到最终的海陆分割结果。

技术方案：本发明公开了一种基于改进FLICM和加权CV的遥感图像海陆自动分割方法，包括如下步骤：

包括如下步骤：

步骤1，对待分割遥感图像进行线性变换增强处理；

步骤2，引入广义径向高斯核函数对FLICM聚类方法进行改进，实现遥感图像海陆粗分割，结合Canny算法提取海岸线粗略轮廓；

步骤3，计算得到遥感图像海陆精细分割结果；

步骤4，利用形态学手段及连通域准则对海陆精细分割结果进一步修正，最终完成海陆分割。

步骤1包括：利用如下线性变换公式对待分割遥感图像进行拉伸处理：

式中，g_e为增强后图像灰度级，g为待分割遥感图像的原始图像灰度级，g_max、g_min分别为原始图像灰度级的最大值与最小值。

步骤2包括：

步骤2-1，初始化核模糊局部信息C均值聚类参数：设定待聚类图像像素的个数n、聚类数目c、隶属度指数m、最大迭代次数T_M、停止迭代条件ε＞0，初始化迭代次数t＝0、原始隶属度u_ik和聚类中心{v₁,v₂,...,v_c}，v_c表示第c个聚类中心；

步骤2-2，引入广义径向高斯核函数，利用下式计算每个样本x_k的原始隶属度u_ik：

其中，i、j的取值范围为1～c；K_ugrb为广义径向高斯核函数：

式中，b、r、ρ为可调参数，b＞0,b∈z，z为整数集合；r≥1，P为核参数，D为数据的维数；x、y分别表示图像上像素点的横坐标和纵坐标；

步骤2-3，利用下式计算并更新每个样本x_k的新的模糊隶属度

式中，x_k隶属于第i类区域的隶属度为u_ik；x_k隶属于第j类区域的隶属度为u_jk；

p、q为决定原有隶属度函数和空间函数相关性的指数参数；

空间函数h_ik表示由局部空间像素决定的x_k属于第i类区域的可能性；

空间函数h_jk表示由局部空间像素决定的x_k属于第j类区域的可能性；

u_it为像素x_t属于第i类局部区域的隶属度，变量t属于N_k，N_k为以x_k为中心的局部区域；

步骤2-4，聚类中心计算与更新：

利用下式计算并更新t+1时刻的聚类中心

：

v′_i表示t时刻的的聚类中心，u′_ik表示更新后的隶属度；

步骤2-5，如果

或t＝T_M，T_M是设定的阈值，则停止迭代更新，否则t＝t+1，返回步骤2-2；

步骤2-6，依据最大模糊隶属度判定准则，如果u_ji＞u_jk则将x_j划分为第i类区域，对增强后遥感图像进行聚类分割，得到遥感图像海陆粗分割结果，u_ji表示隶属于第i类区域的隶属度，k＝1,2,...,c；i≠k；

步骤2-7，依据步骤2-6粗分割后得到的遥感图像海陆粗分割结果，采用Canny算法提取海岸线粗略轮廓。

步骤3包括：

步骤3-1，根据步骤2-7所得的海岸线粗略轮廓，初始化零水平集函数

如下式所示：

步骤3-2，步骤2-6所得的海陆粗分割结果表示为改进核模糊局部信息聚类结果g(x,y)，将g(x,y)作为加权CV模型的输入，并根据下式改进偏微分方程进行计算，使能量函数最小：

表示理想阶跃函数，当进行数值运算时，用下式参与运算：

式中，ε表示趋于0的小正数(一般取值为10^-6)；

μ、v、λ₁、λ₂为常数，C₁、C₂分别为引入自适应权值δ₁和δ₂的目标拟合中心和背景拟合中心，定义如下：

其中参数

参数

通过迭代实现自适应调节，海岸线粗略轮廓经过CV模型迭代分割后得到最佳轮廓；

步骤3-3，对于得到的最佳轮廓，通过水平集函数更新及边界演化，实现海陆精细分割。

步骤3-3中，选择符号距离函数作为水平集函数，则水平集函数变为：

其中，所述轮廓为步骤3-2得到的最佳轮廓，d为符号距离函数，表示高维空间内点(x，y)到零水平集的距离。

步骤4包括：采用连通域判定准则，取海陆精细分割结果中最大连通域为海洋，通过形态学开运算方法消除海洋内部可能存在的杂散点及噪声，再通过形态学闭运算方法去除目标内部孔洞，最终完成海陆自动分割。

有益效果：与现有技术相比，本发明公开的基于改进FLICM和加权CV的遥感图像海陆自动分割方法的优点在于：

(1)有机结合现有遥感图像海陆分割中基于区域信息及基于边界轮廓两类主流算法，充分考虑图像局部性及全局性，取长补短，提高遥感图像海陆分割的精度和速度。

(2)通过图像增强方法对遥感图像预处理，改善图像整体对比度，提高图像使用价值，为后续分割提供了良好的数据条件。

(3)引入广义径向高斯核函数改进FLICM聚类方法，将待分割图像的样本特征非线性映射高维特征空间进行放大，有利于特征的分辨及提取。且广义径向高斯核函数规避了单一高斯核可调参数唯一的弊端，通过多参数提升学习及泛化能力，以此改善FLICM方法聚类性能，实现遥感图像海陆粗分割。

(4)将遥感图像核模糊局部信息C均值聚类结果作为加权CV模型的初始区域及轮廓，解决传统CV模型初始条件未知、收敛时间长的问题，提高方法速度及智能化程度。同时构建自适应权值加权平均策略替代传统的算术平均计算像素点对拟合中心的贡献值，充分考虑差异性，使分割结果更加精准，从而实现遥感图像海陆精细分割。

(5)依据不同区域特性采用形态学及连通域准则对精细分割结果修正，进一步保证分割方法的性能。

附图说明

下面结合附图和具体实施方式对本发明做更进一步的具体说明，本发明的上述和/或其他方面的优点将会变得更加清楚。

图1是本发明方法的流程示意图；

图2是本发明的待分割遥感图像；

图3是本发明的待分割遥感图像增强结果；

图4是本发明的遥感图像海陆粗分割结果；

图5是本发明的遥感图像海岸线粗略轮廓；

图6是本发明的遥感图像海陆精细分割结果；

图7是本发明的遥感图像海陆分割最终结果；

图8是本发明的遥感图像海陆分割结果与原始图像叠加效果。

具体实施方式

本发明提供了一种基于改进FLICM和加权CV的遥感图像海陆自动分割方法。该方法首先对遥感图像进行线性拉伸提高图像可读性，突出感兴趣的信息；然后引入广义径向高斯核函数改进FLICM聚类方法对遥感图像进行海陆粗分割；再分别将粗分割得到的陆地区域和海岸线粗略轮廓作为加权CV模型的初始迭代条件，实现海陆精细分割；最后，综合考虑陆地与海洋的不同特性，利用形态学手段及连通域准则消除散杂点，得到最终的海陆分割结果。

下面结合附图和具体实施方式，进一步阐明本发明。

实现本发明的流程示意图如图1所示，方法具体实施步骤如下：

步骤1：待分割遥感图像预处理。鉴于原始图像灰度级往往集中在某一段灰度区间内，图像对比度较差，不利于后续分割。为了解决这个问题，利用如下线性变换公式对待分割图像(如图2所示)进行拉伸处理，重新调整图像灰度级范围，提高图像的视觉效果，增强后图像如图3所示。

式中，g_e为增强后图像灰度级，g为原始图像灰度级，g_max、g_min分别为原始图像灰度级的最大值与最小值。

步骤2包括：

步骤2-1，初始化核模糊局部信息C均值聚类参数。设定待聚类图像像素的个数n、聚类数目c、隶属度指数m、最大迭代次数T_M、停止迭代条件ε＞0，初始化迭代次数t＝0、原始隶属度u_ik和聚类中心{v₁,v₂,...,v_c}。

步骤2-2，原始隶属度值计算。引入广义径向高斯核函数，利用下式计算每个样本x_k的原始隶属度u_ik。

其中，K_ugrb为广义径向高斯核函数：

式中，b＞0,b∈z，r≥1，P为核参数，D为数据的维数。

本案例中设置b＝2，r＝2，d＝3，P＝1，D＝1。

步骤2-3，新隶属度值计算与更新。考虑到像素的空间局部特性，利用下式计算并更新每个样本x_k的新的模糊隶属度

一定程度上提高聚类的准确性，抑制干扰：

式中，

u_it为像素x_t属于第i类局部区域的隶属度，N_k为以x_k为中心的局部区域。p、q决定了h_ik与u_ik的关联。当p值不变，q值一定程度增大，越多考虑了像素的空间局部特性，聚类效果越好。本案例中设置p＝2，q＝6。

步骤2-4，聚类中心计算与更新。利用下式计算并更新聚类中心

步骤2-5，若

或t＝T_M，本案例中设置ε＝0.1，T_m＝150，则停止迭代更新，否则t＝t+1，返回步骤2-2。

步骤2-6，依据最大模糊隶属度判定准则，如果u_ji＞u_jk则将x_j划分为第i类区域，对增强后遥感图像进行聚类分割，得到海陆粗分割结果，k＝1,2,...,c；i≠k(如图4所示)。

步骤2-7，依据步骤2-6粗分割后得到的陆地区域，采用Canny算法提取海岸线粗略轮廓，如图5所示。

步骤3包括：

步骤3-1，根据步骤2-7所得的海岸线粗略轮廓初始化零水平集函数

如下式所示：

步骤3-2，鉴于传统CV模型采用算术平均计算拟合中心，未考虑到任意像素点对拟合中心贡献值的差异性，导致分割结果不准确，采用加权CV模型，引入自适应权值δ₁和δ₂计算拟合中心，以改善分割效果。将步骤2-6所得改进核模糊局部信息聚类结果g(x,y)作为加权CV模型的输入，并根据下式改进偏微分方程进行计算，使能量函数最小，通过水平集更新及边界演化得到最佳轮廓，由此实现海陆精细分割，如图6所示。

式中，μ、v、λ₁、λ₂为常数，本案例中设置λ₁＝λ₂＝1、μ＝1、v＝0，C₁、C₂分别为引入自适应权值δ₁和δ₂的目标拟合中心和背景拟合中心，定义如下：

其中

通过迭代实现自适应调节。

步骤4包括：考虑到海洋的成片性、连通性及连续性，采用连通域判定准则，取海陆精细分割结果中最大连通域为海洋，从而避免陆地复杂场景的干扰。另外通过形态学开运算方法消除海洋内部可能存在的杂散点及噪声，再通过形态学闭运算方法去除目标内部孔洞，保持目标完整性，最终完成海陆自动分割(如图7所示)，图8给出了海陆分割结果与原始图像叠加效果。

本发明提供了一种遥感图像海陆自动分割方法，具体实现该技术方案的方法和途径很多，以上所述仅是本发明的优选实施方式，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的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。本实施例中未明确的各组成部分均可用现有技术加以实现。

Claims (2)

1.一种遥感图像海陆自动分割方法，其特征在于，包括如下步骤：

步骤1，对待分割遥感图像进行线性变换增强处理；

步骤2，引入广义径向高斯核函数对FLICM聚类方法进行改进，实现遥感图像海陆粗分割，结合Canny算法提取海岸线粗略轮廓；

步骤3，计算得到遥感图像海陆精细分割结果；

步骤4，利用形态学手段及连通域准则对海陆精细分割结果进一步修正，最终完成海陆分割；

步骤1包括：利用如下线性变换公式对待分割遥感图像进行拉伸处理：

式中，g_e为增强后图像灰度级，g为待分割遥感图像的原始图像灰度级，g_max、g_min分别为原始图像灰度级的最大值与最小值；

步骤2包括：

步骤2-1，初始化核模糊局部信息C均值聚类参数：设定待聚类图像像素的个数n、聚类数目c、隶属度指数m、最大迭代次数T_M、停止迭代条件ε>0，初始化迭代次数t＝0、原始隶属度

和聚类中心{v₁,v₂,...,v_c}，v_c表示第c个聚类中心；

步骤2-2，引入广义径向高斯核函数，利用下式计算t时刻每个样本x_k的原始隶属度

其中，i、j的取值范围为1～c；K_ugrb为广义径向高斯核函数：

式中，b、r、ρ为可调参数，b>0,b∈z，z为整数集合；r≥1，P为核参数，D为数据的维数；x、y分别表示图像上像素点的横坐标和纵坐标；

步骤2-3，利用下式计算并更新t时刻每个样本x_k的新的模糊隶属度

式中，t时刻x_k隶属于第i类区域的隶属度为

t时刻x_k隶属于第j类区域的隶属度为

p、q为决定原有隶属度函数和空间函数相关性的指数参数；

空间函数

表示t时刻由局部空间像素决定的x_k属于第i类区域的可能性；

空间函数

表示t时刻由局部空间像素决定的x_k属于第j类区域的可能性；

为t时刻像素x_t属于第i类局部区域的隶属度，变量t属于N_k，N_k为以x_k为中心的局部区域；

步骤2-4，聚类中心计算与更新：

利用下式计算并更新t时刻的聚类中心v′_i ^(t)：

步骤2-5，如果||v′_i ^(t+1)-v′_i ^(t)||<ε或t＝T_M，T_M是设定的阈值，则停止迭代更新，否则t＝t+1，返回步骤2-2；

步骤2-6，依据最大模糊隶属度判定准则，如果

则将x_j划分为第i类区域，对增强后遥感图像进行聚类分割，得到遥感图像海陆粗分割结果，

表示隶属于第i类区域的隶属度，k＝1,2,...,c；i≠k；

步骤2-7，依据步骤2-6粗分割后得到的遥感图像海陆粗分割结果，采用Canny算法提取海岸线粗略轮廓；

步骤3包括：

步骤3-1，根据步骤2-7所得的海岸线粗略轮廓，初始化零水平集函数

如下式所示：

步骤3-2，步骤2-6所得的海陆粗分割结果表示为改进核模糊局部信息聚类结果g(x,y)，将g(x,y)作为加权CV模型的输入，并根据下式改进偏微分方程进行计算，使能量函数最小：

表示理想阶跃函数，当进行数值运算时，用下式参与运算：

式中，ε表示趋于0的小正数；

μ、v、λ₁、λ₂为常数，C₁、C₂分别为引入自适应权值δ₁和δ₂的目标拟合中心和背景拟合中心，定义如下：

其中参数

参数

通过迭代实现自适应调节，海岸线粗略轮廓经过CV模型迭代分割后得到最佳轮廓；

步骤3-3，对于得到的最佳轮廓，通过水平集函数更新及边界演化，实现海陆精细分割；

步骤3-3中，选择符号距离函数作为水平集函数，则水平集函数变为：

其中，所述轮廓为步骤3-2得到的最佳轮廓，d为符号距离函数，表示高维空间内点(x，y)到零水平集的距离。

2.根据权利要求1所述的方法，其特征在于，步骤4包括：采用连通域判定准则，取海陆精细分割结果中最大连通域为海洋，通过形态学开运算方法消除海洋内部可能存在的杂散点及噪声，再通过形态学闭运算方法去除目标内部孔洞，最终完成海陆自动分割。

Images