论文阅读笔记

摘要

为解决目前大多数海陆分离方法仅利用单一特征对图像进行处理，从而导致误分割或存在大量孤立区域，造成后续处理工作难度大或无法开展的问题，提出一种联合灰度、梯度和纹理等多特征的海陆分离方法。针对不同的陆地类型选用不同的特征进行分离，配合形态学处理，基本实现海陆分离；再采用像素标记与纹理聚类策略对结果进行优化，去除孤立区域，得到最终的海陆分离结果；最后利用直方图统计法将陆地屏蔽。此方法的陆地检测率与正确检测率都在99%以上，计算时间仅为其他方法的一半。实验结果表明，该方法与常用的海陆分离方法相比能够快速准确地实现海陆分离并将陆地屏蔽，有利于后续处理的进行。

引言

文献[10]利用最大类间方差法（OTSU）进行初始分割，这也是目前最常用的方法。以上方法对于海面平静、陆地与海洋特征差异明显并且陆地内部特征分布均匀的情况效果较好，但对于较为复杂的情况，分割后存在大量孤立区域，就需要进行孤立区域的消除。
像素标记法[11]，是最常用和最简单的方法，但此方法需要借助先验知识设定阈值，不能实现自动化；文献[10]利用区域距离来判定孤立区域的属性，进而实现分割；文献[8]在边缘检测的基础上，利用线密度和面密度判定及擦除孤立区域，但对平坦陆地不适用；文献[9]将共生矩阵与灰度游程信息相结合来提取纹理特征，利用聚类实现不同纹理的分类，但计算量大。综上所述，现有方法大多采用单一特征进行海陆分离，分割效果有限；孤立区域去除方面研究较少且存在一定的局限性，因而本文提出联合多特征的海陆分离方法，针对港口和岛屿分别进行处理，并对分离结果进行优化，消除孤立区域，最后将陆地屏蔽。

1 多特征融合的海陆分离

根据陆地区域特点的不同，将其分为港口和岛屿两类。分别针对两类陆地的特点进行海陆分离，包括多特征分割、孤立区域去除和陆地屏蔽三部分。

1.1 多特征分割

1.1.1 灰度特征

OTSU法选取出来的阈值非常理想，但当图像中目标与背景的大小之比很小时方法失效。虽然它不是最佳的分割，但分割质量具有一定保障，可以说是最稳定的分割，是目前最常用的方法，因此本文采用OTSU法提取灰度特征。OTSU法能将海洋与陆地区分，但陆地内部存在许多灰度值与海洋相近的区域，还需要进一步处理。

1.1.2 纹理特征

在海面背景亮度不均的情况下，直接利用灰度作为分割特征不能对陆地与海洋进行有效区分。图像中海面灰度近似呈高斯分布，灰度分布范围很窄，表现为较小的灰度方差；有岛屿存在的局部区域灰度存在跃变，产生较大的局部灰度方差，因而本文用局部统计方差作为纹理特征来描述这种灰度上的变化，将岛屿陆地与海洋区分开。图像上的每个区域用它的灰度局部统计方差来描述，整个灰度图像用一个标准差特征点组成的标准差特征表面来表征。设置适当的阈值，即可得到纹理提取结果。

1.1.3 梯度特征

1.1.4 图像合并与后续处理

1.2 孤立区域去除

面积筛选。
根据大多数图像中海洋或陆地区域较大，所占面积也较大这一特点，将面积阈值TareaT_{area}Tarea设为图像面积的1/41/41/4，将小于阈值的孤立区域筛选出来，标记为L1L_1L1，即
L1={0aisolate≥Tarea1aisolate<TareaL_1=\left \{ \begin{aligned} 0 & & a_{isolate \ge T_{area}} \\ 1 & & a_{isolate \lt T_{area}} \end{aligned} \right.L1={01aisolate≥Tareaaisolate<Tarea
式中，aisolatea_{isolate}aisolate为海洋或陆地孤立区域。
特征聚类
计算主体海洋或陆地以及相应L1L_1L1区域灰度均值mmm和三阶矩特征μ3\mu_3μ3（经过实验选取），分别以主体区域的参数值为中心进行聚类，将不属于该类的孤立区域筛选出来，标记为L2L_2L2，即
m=∑i=0L=1xip(xi)μ3=∑i=0L=1(xi−m)3p(xi)m=\sum \limits _{i=0} ^{L=1} x_i p(x_i) \\ \mu_3=\sum \limits _{i=0} ^{L=1} (x_i - m)^3 p(x_i)m=i=0∑L=1xip(xi)μ3=i=0∑L=1(xi−m)3p(xi)
式中：xix_ixi为属于第iii个孤立区域的像素的灰度值；p(xi)p(x_i)p(xi)为该区域的灰度直方图；LLL为灰度级数。分别对海洋和陆地的孤立区域进行计算，将满足这两个条件的孤立区域L2L_2L2标记为对立区域进行去除。

本文方法原理简单，在面积筛选的基础上进行纹理聚类，既减少了计算量，又避免了错分，提高了效率。

1.3 陆地屏蔽

现有的大多数海陆分离方法只区分了海洋和陆地，将陆地区域标记为0（灰度图像显示为黑色），并没有考虑后续针对海面上目标检测与识别工作如何开展。大多数检测的算法需要对整幅图像进行处理，将陆地标记为0势必会影响算法效果。因此，本文提出对分离后的海洋区域进行直方图统计，选取统计量最大的灰度值作为陆地区域的屏蔽值，这样既屏蔽了陆地，又不会对后续工作造成影响。但由于岛屿图像灰度不均，无法找到合适的屏蔽值，因此该方法只适用于港口图像。

多特征融合的高分辨率遥感图像海陆分离——刘思彤相关推荐

RSE2020/云检测：基于弱监督深度学习的高分辨率遥感图像精确云检测
RSE2020/云检测:Accurate cloud detection in high-resolution remote sensing imagery by weakly supervised ...
云检测2020：用于高分辨率遥感图像中云检测的自注意力生成对抗网络Self-Attentive Generative Adversarial Network for Cloud Detection
用于高分辨率遥感图像中云检测的自注意力生成对抗网络Self-Attentive Generative Adversarial Network for Cloud Detection in High R ...
基于深度学习的高分辨率遥感图像目标检测技术目前的研究现状
参考基于深度学习的高分辨率遥感图像目标检测技术目前的研究现状 - 云+社区 - 腾讯云目录一.概述二.通用目标检测方法 1.类不平衡问题 2.复杂背景 3.目标的尺度变化 4.特殊视角 5 ...
学习笔记-基于全局和局部对比自监督学习的高分辨率遥感图像语义分割-day1
基于全局和局部对比自监督学习的高分辨率遥感图像语义分割-day1 摘要一. 引言摘要最近,监督深度学习在遥感图像(RSI)语义分割中取得了巨大成功. 然而,监督学习进行语义分割需要大量的标记样本 ...
论文笔记（二）：基于卷积神经网络的高分辨率遥感图像上的水体识别技术
基于卷积神经网络的高分辨率遥感图像上的水体识别技术作者:徐文健作者单位:浙江大学日期:2017.01 (硕士学位论文) https://kns.cnki.net/KCMS/detail/deta ...
【论文阅读】SCAttNet:具有空间和通道注意机制的高分辨率遥感图像语义分割网络
[论文阅读]SCAttNet:具有空间和通道注意机制的高分辨率遥感图像语义分割网络文章目录 [论文阅读]SCAttNet:具有空间和通道注意机制的高分辨率遥感图像语义分割网络一.总体介绍二.概述 ...
学习笔记-基于全局和局部对比自监督学习的高分辨率遥感图像语义分割-day2
高分辨率遥感图像语义分割-day2 摘要一.引言二.方法 2.1 对比学习 2.2 全局风格与局部匹配对比学习网络(GLCNet) 2.2.1 全局风格对比学习模块: 2.2.2局部匹配对比学习: ...
tensorflow遥感图像分类_在线讲座 | 高分辨率遥感图像目标检测和场景分类研究进展...
近年来,深度学习技术驱动的高分辨率遥感图像目标检测和场景分类取得了重大研究进展.由于深度学习的快速发展,导致相关研究进展很难被跟进,特别是对于刚踏入该领域的研究者而言.● 该领域的研究还面临哪些挑战和 ...
[论文阅读]面向全局:用于高分辨率遥感图像语义分割的宽上下transforms
[论文阅读]面向全局:用于高分辨率遥感图像语义分割的宽上下transforms 文章目录 [论文阅读]面向全局:用于高分辨率遥感图像语义分割的宽上下transforms 一.总体介绍二.具体作用 3 ...

多特征融合的高分辨率遥感图像海陆分离——刘思彤