CN108564062A - 一种基于遥感影像的海岛边界快速分割算法 - Google Patents

Abstract

本发明涉及一种基于遥感影像的海岛边界快速分割算法，所述的海岛边界快速分割算法包括以下步骤：步骤S1、面向遥感影像的海岛边界粗分割；步骤S2、基于海岛边界粗分割的海岛边界高精度优化。其优点表现在：在保证遥感影像信息量的前提下，减少波段数，提高计算效率，实现了海岛边界的初分割；将海岛边界的粗分割结果作为初始演化曲线，然后进行水平集计算，提高计算效率，解决因遥感影像覆盖面积大而造成的计算效率低、过分割等现象，实现海岛边界的细分割；兼顾了遥感影像的特征，克服了传统图像分割算法直接应用于遥感影像识别或分析时，存在的计算时间长和分割精度低等问题。

Description

一种基于遥感影像的海岛边界快速分割算法

技术领域

本发明涉及遥感影像技术领域，具体地说，是一种基于遥感影像的海岛边界快速分割算法。

背景技术

我国拥有近300万千米的管辖海域，海域面积辽阔且海岛众多，使得海岛 成为利用、开发海洋的主要载体。我国约有6961个海岛面积在500平方米以 上，其中常住居民岛共有450个。海岛四面环海，非常容易受到台风等极端环 境的影响。同时，随着近年来人工开发，使得海岛生态系统正在经历着剧烈的 变化。因此，针对海岛的研究具有重要的战略意义和应用价值。

遥感技术是一种远距离对地观测手段，利用遥感手段可以有效地观测大面积的地物信息，为研究海岛提供数据基础。遥感影像具有大面积观测、实时性、多波段等特点，通过对遥感影像的分析：一方面基于遥感影像的实时性，可以快速获得海岛位置、边界以及岛内地物类型等信息，为海岛普查及统计提供帮助；另一方面，基于遥感影像具有长时间序列特性，通过对比分析不同时间的遥感影像，可探究海岛资源变化等重要信息。海岛作为特殊的地理单元，对于海岛的研究可以加快我国建设海洋强国的脚步。遥感作为重要的数据获取手段，为海岛研究提供重要的数据基础。本发明针对遥感影像多波段、实时性、大面积覆盖等特点，通过改进传统的图像分割方法，提出了面向粗分割的海岛边界提取和面向细分割的海岛边界提取两部分研究，实现基于遥感影像的海岛边界信息的快速分割，以满足不同的应用需求。

图像分割是预处理和图像识别、分析理解之间的重要环节，图像分割能够为更高层的图像识别、分析和理解提供数据基础。近年来，国内外大量的研究者对图像分割方法进行了大量的研究，现分别对两类图像分割方法进行综述： 1)基于区域相关的图像分割方法；2)基于参数活动轮廓模型图像分割方法。

(1)基于区域相关的图像分割方法

基于区域相关的图像分割方法也称为相似分割法，是将具有同一灰度级或相同组织结构的像素聚集在一起，形成图像中的不同区域。针对这类方法，国内外研究者们进行了大量研究。徐杰等人提出了一种改进的最大相似度区域融合交互式图像分割算法，实现了对模糊目标的快速、准确的分割。邹旭华等人提出一种基于改进的相似度度量的谱聚类图像分割方法，可以有效地分割出用户指定的目标。刘宏等人提出一种图谱图像与目标图像的以分割对象为中心的加权相似性度量方法，通过对人体脑部磁共振图像中豆庄核壳组织的分割实验，证明算法具有较高的分割精度。覃磊等人针对复杂背景下的成熟草莓图像的分割问题，提出了一种基于RGB颜色相似度的成熟草莓图像分割算法，实验表明，改分割算法能够满足成熟草莓机械化采摘的要求。田小平等人提出了一种相对熵模糊C均值聚类分割算法，解决了传统模糊C均值聚类分割算法无法获得复杂图像的细节信息问题。曾接贤等人提出了一种利用颜色聚类分割和形状特征提取的图像检索算法，解决了单一图像特征难以准确表达图像之间的差异问题。刘晨等人为了解决k均值聚类算法的聚类结果易受初始中心随机选择和噪声的影响的问题，提出了一种改进的快速全局k均值聚类算法，有效提高了聚类分割算法的计算准确性。朱贺等人联合灰度阈值分割及轮廓形态识别方法，采用多级分割策略，实现了对SAR图像中河道区域的分割。拓小明等人提出一种基于最小均方误差计算高低阈值的方法，该方法对提取图像的边缘更加清晰有效。王志社等人针对图像灰度差异大的特征，提出了一种基于k- 均值聚类分割和形态学处理的轮廓特征配准方法，该方法能够有效提取图像轮廓与精准配准。Razali等人提出平均、中值和大津阈值自适应阈值分割算法，对牙齿图像进行分割来估计一个人的年纪。Wang等人提出了一种基于模糊逻辑的图像阈值分割方法来获得图像分割中的最佳阈值，解决了最优阈值的确定问题。

相似分割法是一种非监督分类方法，在这类研究中K-均值聚类算法、模糊C聚类算法阈值分割算法为常用算法。上述研究者们为了能够获得图像中更多有效的信息，从提高算法精度方面对算法进行改进，传统相似分割算法与不同算法的结合有效地提高了分割的精度。

(2)基于参数活动轮廓模型的图像分割方法

由于传统图像分割方法会在提取图像边界的同时增强图像的噪声，同时阈值选择的准确性已影响着图像分割的精度。而活动轮廓模型的提出，将目标边界提取问题转化成为能量泛函的优化问题，在图像分割过程中可以自动处理轮廓线的变化，提高了对图像处理的速度和精度，加快了分割技术的发展。

郭笑妍等人针对双源CT图像特点以及传统单一基于区域或边界的活动轮廓模型的不足，提出了一种基于血管形状约束的活动轮廓模型分割方法。张泽凡等人基于GVF-Snake模型设计了基于交叉熵和GVF-Snake的子宫肌瘤高强度聚焦超声图像自动分割算法，改进的算法能够有效的对高强度聚焦超声图像进行分割。潘改等人为了解决噪声对弱边界分割的影响，基于Harris矩阵提出了一种新的、具有一定抗燥性的参数活动轮廓模型。张萍等人提出了一种改进的基于区域信息的几何活动轮廓模型及其图像分割算法，改进了图像分割结果强烈以来与初始轮廓曲线位置的缺点。胡学刚等人为了解决基于参数活动轮廓模型方法的缺点，基于Snake模型提出了一种新的基于参数活动轮廓模型的图像分割新方法。吴春俐等人通过结合小波变换方法，提出了一种改进的结合小波的动态方向梯度向量流模型，改进算法能够高效地分割医学图像。 Rajendran等人通过结合模糊C聚类和梯度矢量流模型，对肿瘤图像进行分割，获取肿瘤的确切边界。Jaouen等人将梯度矢量流场推广到向量值流场，并对具有活动表面的四维图像进行鲁棒变分分割。Toth等人提出了一种改进的流行的主动外观模型算法，对前列腺区进行分割提取。Ivanovska等人提出了一种扩展的基于掩膜版的水平集方法，算法可以对强度不均匀的磁共振图像进行有效分割。Ray等人提出一种基于动态规划的Snake算法，有效地抑制了粒子物体边界的杂波对Snake模型影响。

在基于参数活动轮廓模型的研究中，其基本思想是利用连续的曲线来表达目标边缘。主动轮廓线本质为一条带有能量泛函的曲线，因此，求解目标边界过程实际为求解能量泛函的最小值的过程。在最小值过程中，往往会出现计算量较大，分割计算效果差等问题。在上述学者的研究中，通过与其他算法结合进行改进，从而提高算法的计算效率。

(3)问题分析

通过对上述图像分割方法的分析，针对遥感影像的特点，现有的图像分割方法在基于遥感影像的海岛边界快速分割研究中存在如下问题：

(1)遥感影像有别于传统的数字图像，其是空间数据的一种，具有多尺度特征，即在不同的分割精度下，对图像信息的提取精度不同。如在粗分割要求下，可基于遥感影像提取海岛地物精度较低的边界信息；而在细分割要求下，可基于遥感影像提取较精细化的海岛边界信息。现有的图像分割算法有效的提高了图像分割的精度，但其更多面向信息量固定的传统图像，面对遥感影像的快速边界分割需求，现有分割方法往往存在计算效率低、分割精度差等问题。

(2)遥感影像有别于传统的数字图像，其是对地观测数据的一种，具有大范围覆盖的特点。在传统的图像分割算法中，为了解决分割时出现的过分割、难以分割凹陷区域等问题，研究者们往往采用通过与图像灰度信息的结合进行分割计算。而面向地物类型复杂，覆盖范围广的遥感影像数据，上述方法在初始演化曲线远离目标边界，会出现计算时间长，过分割现象。

中国专利文献：CN201310024820.X，申请日2013.01.23，专利名称为：一种海岛、礁岸线快速提取方法。公开了一种海岛、礁岸线快速提取方法，首先对原始影像构建低分辨率影像，然后进行Mean Shift处理，得到处理后的低分辨率影像，接着进行标记，最后利用区域增长法进行提取。

上述专利文献的一种海岛、礁岸线快速提取方法，为有效使用彩色影像的色彩信息进行海岛(礁)海岸线的提取，并降低影像中海浪等噪声信息的影像，将Mean Shift算法引入进来，同时利用海域的连通性较好的特点，通过像素标记的方式，提高了海岸线提取速度和效果。Mean Shift算法的特性，使其能够充分利用色彩信息，适合遥感影像海岸线的提取。但是关于一种计算效率高，兼顾遥感影像特征提取效果，实现海岛边界高精度优化的技术方案则无相应的公开。

综上所述，亟需一种计算效率高，兼顾遥感影像特征提取效果，实现海岛边界高精度优化的一种基于遥感影像的海岛边界快速分割方法，而关于这种海岛边界快速分割方法目前则没有相关的的报道。

发明内容

本发明的目的是针对现有技术中的不足，提供一种计算效率高，兼顾遥感影像特征提取效果，实现海岛边界高精度优化的一种基于遥感影像的海岛边界快速分割方法，而关于这种海岛边界快速分割方法。

本发明的再一的目的是，提供一种基于遥感影像的海岛边界快速分割方法的方法流程。

为实现上述目的，本发明采取的技术方案是：

一种基于遥感影像的海岛边界快速分割算法，其特征在于，所述的海岛边界快速分割算法包括以下步骤：

步骤S1、面向遥感影像的海岛边界粗分割。

步骤S2、基于海岛边界粗分割的海岛边界高精度优化。

作为一种优选的技术方案，步骤S1中的粗分割为了降低遥感影像的信息冗余，采用PCA算法构造一幅待分割的新影像，定义为Bnew,影像像素总数为 M×N，将新遥感影像的灰度级别定义为L,则L＝{1,2,...,i,...,l}，记第i灰度级的像素个数为n_i，则各灰度级别出现的概率

基于最大类间方差算法(Otsu算法)，提出了非线性优化Otsu分割算法，具体算法如下：

目标函数：minε

约束条件：

其中，是不同地物类别的类间方差，类间方差越大，不同类别地物越容易分割；是不同类别的总方差，是类间方差与类内方差的总和。

作为一种优选的技术方案，步骤S2中针对遥感影像的大面积覆盖特性，提出了水平集方法，通过结合海岛边界粗分割结果，引入K-means分割结果，改进了水平集方法的初始演化曲线，具体算法如下：

设置初始演化曲线为C＝c_otsuΙc_kmeans，C满足下列方程：

其中，Φ(x)为水平集函数，通过结合GAC模型和C-V模型的优点，模型的水平集方程可写为：

其中，spf为符号压力函数(signed pressure force，SPF)，spf表示如下：

spf函数的值域为[-1,1]。在spf式中，C₁和C₂表示轮廓内外图像亮度的平均值。

作为一种优选的技术方案，所述的水平集算法是将一个移动的平面嵌入到更高一维的函数中，通过平面的运动最终得到平面上的曲线，这条曲线为图像目标边缘。

作为一种优选的技术方案，目标区域的灰度值为C₁，背景区域的灰度值为 C₂有min(I(x))＜C₁，C₂＜max(I(x))，因此在目标区域内即spf ＞0。在背景区域内即spf＜0。

为实现上述第二个目的，本发明采取的技术方案是：

一种根据至少一项上述实施例所述的基于遥感影像的海岛边界快速分割算法，其特征在于，所述的快速分割方法的操作流程包括以下步骤：

步骤S1、实验数据及工具；

步骤S11、将基于目视解译的台州海岛岸线分布图与地物类型面积统计表视为“真值”，用于对本发明所提分割方法在分割精度和时间效率方面进行比较；

步骤S2、面向粗分割的海岛边界分割过；

步骤S21、首先基于PCA实现多波段遥感影像的降维，生成一副新影像用于面向粗分割的海岛边界分割。基于降维后新影像的粗分割海岛边界空间分布，将本发明所提非线性优化Otsu分割方法与传统的Otsu，2D-Otsu，K-means， FCM分割方法进行比较；

步骤S22、非线性优化Otsu分割方法和Otsu，2D-Otsu，K-means，FCM 分割方法五种不同的分割算法下，对遥感影像降维前后不同分割算法的计算时间进行对比；

步骤S3、面向细分割的海岛边界高精度优化；

利用本发明提出的改进的二值化高斯滤波水平集模型(I-SBGFRLS)对遥感影像进行实验，选取了C-V模型、SBGFRLS模型和I-SBGFRLS模型进行了比较分析，从算法效率和精度两方面进行对比实验；

步骤S31、计算效率的比较；

步骤S32、计算精度的比较；

步骤S4、结果分析。

作为一种优选的技术方案，步骤S31、计算效率的比较中，C-V模型的参数设置为：λ₁＝1，λ₂＝1，Δt＝0.1，μ＝1，υ＝0；SBGFRLS模型的参数设置为：α＝50，Δt＝1，σ＝1；I-SBGFRLS模型的参数设置为：α＝50，Δt＝1，σ＝1。

作为一种优选的技术方案，步骤32、计算精度比较中，利用人工目视解译结果为真值，从形状、长度和面积三个方面对比C-V模型、SBGFRLS模型和 I-SBGFRLS模型的分割精度。

作为一种优选的技术方案，在改进的二值化高斯滤波水平集模型中，不同的α值对分割次数影响不同，选择α在100～300间来满足实时性分割要求。

本发明优点在于：

1、本发明的一种基于遥感影像的海岛边界快速分割方法，兼顾遥感影像的大面积观测、准实时和多波段等特性，为解决当传统图像分割算法直接应用于遥感影像识别或分析时，存在的计算时间长和分割精度低等问题，提出了一种基于遥感影像的海岛边界快速分割方法。该方法首先利用非线性优化的Otsu 算法，实现了基于遥感影像的海岛边界粗分割，利用海岛和海水地物类别的类内方差替代传统的Otsu的类间方差，即充分利用遥感影像的光谱特性优化算法的终止条件，提高了遥感影像的分割效率，实现了海岛边界的初分割(即粗分割)；接着，以将海岛边界的粗分割结果作为初始演化曲线，优化了二值化高斯滤波水平集模型，在保证分割精度的前提下，使初始演化曲线接近目标边界，有效地解决了因遥感影像覆盖面积大而造成的计算效率低、过分割等现象，实现了海岛边界的高精度优化，具有较高的实用价值。

2、针对遥感影像的多波段性，提出了海岛边界的粗分割算法。遥感影像的粗分割算法的主要思想是：在保证遥感影像信息量的前提下，首先利用PCA 算法对多波段的遥感影像进行降维，减少遥感影像波段数，从而提高计算效率。

3、利用类内方差替代类间方差进行阈值计算，提高了遥感影像的分割效率，实现了海岛边界的粗分割。

4、针对遥感影像的大面积覆盖特性，提出了海岛边界的细分割方法。遥感影像的细分割方法的主要思想是：将海岛边界的粗分割结果作为初始演化曲线，然后进行水平集计算。由于初始演化曲线接近目标边界，提高计算效率，解决因遥感影像覆盖面积大而造成的计算效率低、过分割等现象，实现海岛边界的细分割。

5、本发明的一种基于遥感影像的海岛边界快速分割方法，兼顾了遥感影像的特征(大面积覆盖和多波段性)，克服了传统图像分割算法直接应用于遥感影像识别或分析时，存在的计算时间长和分割精度低等问题。

附图说明

图1是SPF函数意义图。

图2是基于遥感影像的海岛边界快速分割流程图。

图3是研究区域与实验数据示意图。

图4是基于目视解译的台州海岛岸线分布图。

图5是基于降维后影像的粗分割海岛边界空间分布图。(a)Otus；(b) 2D-Otus；(c)K-means；(d)FCM；(e)非线性优化Otsu。

图6是基于遥感影像降维前后不同分割方法的时间效率对比示意图。

图7是不同算法实验对比图。

图8是α对迭代次数的影响示意图。

具体实施方式

下面结合附图对本发明提供的具体实施方式作详细说明。

一种基于遥感影像的海岛边界快速分割算法。该算法主要研究内容如下： (1)针对遥感影像的多波段性，提出了海岛边界的粗分割方法。该部分提出了一种利用非线性优化的Otsu算法，主要思想是：利用PCA算法对多波段的遥感影像进行降维，在保证遥感影像信息量的前提下，减少波段数，提高计算效率；利用地物类别的类内方差替代传统Otsu的类间方差，即充分利用遥感影像的光谱特性优化算法的终止条件，提高遥感影像的分割效率，实现了海岛边界的初分割(即粗分割)。(2)针对遥感影像的大面积覆盖特性，提出了海岛边界的细分割方法。该部分以海岛边界的粗分割结果为输入，提出了一种改进的二值化高斯滤波水平集模型，主要思想是：将海岛边界的粗分割结果作为初始演化曲线，在保证分割精度的前提下，使初始演化曲线接近目标边界，解决因遥感影像覆盖面积大而造成的计算效率低、过分割等现象，实现了海岛边界的高精度优化(即细分割)。

所述的快速分割算法包括以下步骤：

步骤1：面向遥感影像的海岛边界粗分割

为了降低遥感影像的信息冗余，采用PCA算法构造一幅待分割的新影像，定义为Bnew,影像像素总数为M×N，将新遥感影像的灰度级别定义为L,则 L＝{1,2,...,i,...,l}，记第i灰度级的像素个数为n_i，则各灰度级别出现的概率

通过改进的传统Otsu算法，量化分割阈值与信息需求之间的数学关系，将其设计为非线性优化Otsu分割算法，具体算法如下：

目标函数：minε

约束条件：

其中，是不同地物类别的类间方差，类间方差越大，不同类别地物越容易分割；是不同类别的总方差，是类间方差与类内方差的总和。

步骤2：基于海岛边界粗分割的海岛边界高精度优化

水平集方法是将一个移动的平面嵌入到更高一维的函数中，通过平面的运动最终得到平面上的曲线，这条曲线为图像目标边缘，通过结合海岛边界粗分割结果，引入K-means分割结果，改进了水平集方法的初始演化曲线，具体算法如下：

设置初始演化曲线为C＝c_otsuΙc_kmeans，C满足下列方程：

其中，Φ(x)为水平集函数，通过结合GAC模型和C-V模型的优点，模型的水平集方程可写为：

其中，spf为符号压力函数(signed pressure force，SPF)，spf表示如下：

spf函数的值域为[-1,1]。在spf式中，C₁和C₂表示轮廓内外图像亮度的平均值。

如图1所示，目标区域的灰度值为C₁，背景区域的灰度值为C₂有min(I(x)) ＜C₁，C₂＜max(I(x))，因此在目标区域内即spf＞0。在背景区域内即spf＜0。

一、结合流程图2，对本发明作做一步说明：

基于遥感影像的海岛边界快速分割，分别两个步骤进行，首先是面向粗分割的海岛边界分割；接着是面向细分割的海岛边界高精度优化。

步骤1：基于改进Otsu的海岛边界粗分割

针对遥感影像多波段的特性和遥感信息不同分割精度需求的特点，设计了面向粗分割的海岛边界分割算法。基于最大类间方差算法(Otsu算法)，提出了非线性优化Otsu分割算法：

1)引入PCA算法对遥感影像的多波段数据进行降维，降低了遥感影像的信息冗余度；

2)基于最小值判断，添加分割算法的终止条件，提高了粗分割遥感影像分割的计算效率。

步骤2：基于改进的二值化高斯滤波水平集模型的海岛边界细分割

针对遥感影像的大面积覆盖特性，提出了面向细分割的海岛边界高精度优化的算法：

通过K-means分割结果对面向粗分割的海岛边界分割结果进行优化，将其作为初始演化边界输入；

利用SPF函数替代边缘停止函数；

利用C-V模型图像全局信息，解决二值化高斯滤波水平集模型对噪声敏感和边界泄露现象。

二.以基于遥感影像的海岛边界快速分割方法应用实例，阐述本发明快速分割方法的操作流程；

(1)实验数据及工具

实验数据为浙江省台州市海域遥感影像，如图3所示。该遥感影像为 Landsat-8影像(7个波段)，拍摄时间为拍摄时间为2013年8月6日的；图3 所示为遥感影像中波段4、3、2合成图像，范围为从121°6′到121°52′， 27°59′到28°39′，大小为5000*5000个像素。

实验环境为：Windows 10专业版,Intel(R)Core(TM)i5-6500CPU @3.20GHz,RAM4.00GB，MATLAB R2013a。

图4所示为基于目视解译的台州海岛岸线分布图，地物类别为海和岛屿。表1为基于目视解译的台州海域地物类别面积统计信息。表1中分别统计了浙江台州海域中海水、岛屿的面积和像素个数。

表1基于目视解译的台州海域地物类别面积统计

将基于目视解译的台州海岛岸线分布图与地物类型面积统计表视为“真值”，用于对本发明所提分割方法在分割精度和时间效率方面进行比较。

(2)面向粗分割的海岛边界分割过程

首先基于PCA实现多波段遥感影像的降维，生成一副新影像用于面向粗分割的海岛边界分割。图5为基于降维后新影像的粗分割海岛边界空间分布，将本发明所提非线性优化Otsu分割方法与传统的Otsu，2D-Otsu，K-means， FCM分割方法进行比较。图6为遥感影像降维前后不同分割方法的时间效率对比图。表2为基于降维后新影像的粗分割海岛边界提取的面积对比。

表2基于降维后新影像的海岛边界粗分割面积对比(单位：像素)

由图5、图6和表2可以看出：1)在5种不同的分割算法下，对降维后新影像的分割均能够得到相似的分割结果，对海水、岛屿可以进行有效分割；2) 对基于降维后新影像的粗分割面积对比中，Otsu、2D-Otsu、FCM和K-means 方法中，对不同地物的分割面积结果一致。与目视解译结果对比，面积分割结果错分面积较小，而非线性优化Otsu分割算法错分面积较大；3)在对遥感影像降维后不同分割算法的计算时间对比中，FCM算法计算时间最短，非线性优化Otsu分割算法次之，K-means算法计算时间最长；4)在对遥感影像降维前后不同分割算法的计算时间对比中，本发明提出的非线性优化Otsu算法的时间效率提高了84.8％。

(3)面向细分割的海岛边界高精度优化

以粗分割的海岛边界为输入，在面向细分割的海岛边界提取实验中，利用本发明提出的改进的二值化高斯滤波水平集模型(I-SBGFRLS)对遥感影像进行实验，提取影像中海岛边界。为了验证改进的二值化高斯滤波水平集模型的有效性，选取了C-V模型、SBGFRLS模型和I-SBGFRLS模型进行了比较分析，从算法效率和精度两方面进行对比实验。

1)计算效率的比较

图7分别显示了实验数据在三种模型下的分割结果。在图7中，第一行为初始轮廓，第二行为计算结果；从左至右分别为三类模型，分别为C-V模型、 SBGFRLS模型和I-SBGFRLS模型。其中，C-V模型的参数设置为：λ₁＝1，λ₂＝1，Δt＝0.1，μ＝1，υ＝0；SBGFRLS模型的参数设置为：α＝50，Δt＝1，σ＝1；I-SBGFRLS模型的参数设置为：α＝50，Δt＝1，σ＝1。由分割结果图7可以看出：1)C-V模型在对实验数据分割时，均出现了过分割现象，将岛屿内部分区域进行了分割；2)SBGFRLS模型初始轮廓与目标边界距离较远，和I-SBGFRLS模型分割结果相似；3)I-SBGFRLS模型的初始轮廓与目标边界接近，分割结果与目标边界较接近。

表3三种分割模型效率对比

表3中分别从计算时间和迭代次数两方面进行对比。从表3中可以看出： 1)在计算时间方面，当处理大小相同的实验数据时，C-V模型的计算时间最长，SBGFRLS模型次之，本发明提出的I-SBGFRLS模型计算时间最短；2) 在迭代次数方面，当处理大小相同的实验数据时，C-V模型的迭代次数最多， SBGFRLS模型次之，本发明提出的I-SBGFRLS模型迭代次数最少；3)由于本发明提出的I-SBGFRLS模型初始轮廓与目标边界接近，因此I-SBGFRLS模型的计算时间与迭代次数均为最低，计算效率最高。

2)计算精度的比较

为了对比三种模型的分割精度，利用图2人工目视解译结果为真值，从形状、长度和面积三个方面对比C-V模型、SBGFRLS模型和I-SBGFRLS模型的实验结果。

表4自动提取结果与人工解译结果(单位：像素)

表5自动提取结果与人工解译结果相似度验证表(精度：0.00)

从表4为自动提取结果与人工解译结果对比表，表5为自动提取结果与人工解译结果相似度验证表。从表4、5中可以看出：1)根据相似度验证表结果，三类不同的模型对实验数据进行分割，均能得到较为准确的分割结果；2)其中，C-V模型分割精度略低于其他两类分割算法；3)SBGFRLS模型和 I-SBGFRLS模型分割结果一致，两类模型的分割计算精度相比C-V模型略优。

(4)结果分析

在改进的二值化高斯滤波水平集模型中，不同的α值对分割次数影响不同。图8展示了不同α与迭代次数的关系曲线图。图中测试了α在50～500间对迭代次数的影响。

图8为不同的α对迭代次数的影响曲线图，从图中可以看出：1)α越大，迭代次数呈接替张逐渐减少；2)随着α的增大，对迭代次数减少的影响逐渐减弱；3)当α大于300时，增大α的值对迭代次数的影像几乎为零。在实验中，为了提高算法的效率，可以选取α在100～300间来满足实时性分割要求。

本发明的一种基于遥感影像的海岛边界快速分割方法，兼顾遥感影像的大面积观测、准实时和多波段等特性，为解决当传统图像分割算法直接应用于遥感影像识别或分析时，存在的计算时间长和分割精度低等问题，提出了一种基于遥感影像的海岛边界快速分割方法。该方法首先利用非线性优化的Otsu算法，实现了基于遥感影像的海岛边界粗分割，利用海岛和海水地物类别的类内方差替代传统的Otsu的类间方差，即充分利用遥感影像的光谱特性优化算法的终止条件，提高了遥感影像的分割效率，实现了海岛边界的初分割(即粗分割)；接着，以将海岛边界的粗分割结果作为初始演化曲线，优化了二值化高斯滤波水平集模型，在保证分割精度的前提下，使初始演化曲线接近目标边界，有效地解决了因遥感影像覆盖面积大而造成的计算效率低、过分割等现象，实现了海岛边界的高精度优化，具有较高的实用价值。本发明的一种基于遥感影像的海岛边界快速分割方法，首先，针对遥感影像的多波段性，提出了海岛边界的粗分割算法；其次利用类内方差替代类间方差进行阈值计算，提高了遥感影像的分割效率，实现了海岛边界的粗分割；接着，针对遥感影像的大面积覆盖特性，提出了海岛边界的细分割方法。遥感影像的粗分割算法的主要思想是：在保证遥感影像信息量的前提下，首先利用PCA算法对多波段的遥感影像进行降维，减少遥感影像波段数，从而提高计算效率。遥感影像的细分割方法的主要思想是：将海岛边界的粗分割结果作为初始演化曲线，然后进行水平集计算。由于初始演化曲线接近目标边界，提高计算效率，解决因遥感影像覆盖面积大而造成的计算效率低、过分割等现象，实现海岛边界的细分割。

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，在不脱离本发明方法的前提下，还可以做出若干改进和补充，这些改进和补充也应视为本发明的保护范围。

Claims (9)

1.一种基于遥感影像的海岛边界快速分割算法，其特征在于，所述的海岛边界快速分割算法包括以下步骤：

步骤S1、面向遥感影像的海岛边界粗分割；

步骤S2、基于海岛边界粗分割的海岛边界高精度优化。

2.根据权利要求1所述的海岛边界快速分割算法，其特征在于，步骤S1中的粗分割为了降低遥感影像的信息冗余，采用PCA算法构造一幅待分割的新影像，定义为Bnew,影像像素总数为M×N，将新遥感影像的灰度级别定义为L,则L＝{1,2,...,i,...,l}，记第i灰度级的像素个数为n_i，则各灰度级别出现的概率

基于最大类间方差算法(Otsu算法)，提出了非线性优化Otsu分割算法，具体算法如下：

目标函数：minε

约束条件：

其中，是不同地物类别的类间方差，类间方差越大，不同类别地物越容易分割；是不同类别的总方差，是类间方差与类内方差的总和。

3.根据权利要求1所述的海岛边界快速分割算法，其特征在于，步骤S2中针对遥感影像的大面积覆盖特性，提出了水平集方法，通过结合海岛边界粗分割结果，引入K-means分割结果，改进了水平集方法的初始演化曲线，具体算法如下：

设置初始演化曲线为C＝c_otsuΙc_kmeans，C满足下列方程：

其中，Φ(x)为水平集函数，通过结合GAC模型和C-V模型的优点，模型的水平集方程可写为：

其中，spf为符号压力函数(signed pressure force，SPF)，spf表示如下：

spf函数的值域为[-1,1]。在spf式中，C₁和C₂表示轮廓内外图像亮度的平均值。

4.根据权利要求3所述的海岛边界快速分割算法，其特征在于，所述的水平集算法是将一个移动的平面嵌入到更高一维的函数中，通过平面的运动最终得到平面上的曲线，这条曲线为图像目标边缘。

5.根据权利要求3所述的海岛边界快速分割算法，其特征在于，目标区域的灰度值为C₁，背景区域的灰度值为C₂有min(I(x))＜C₁，C₂＜max(I(x))，因此在目标区域内即spf＞0。在背景区域内即spf＜0。

6.一种根据权利要求1-5任一所述的基于遥感影像的海岛边界快速分割算法，其特征在于，所述的快速分割方法的操作流程包括以下步骤：

步骤S1、实验数据及工具；

步骤S11、将基于目视解译的台州海岛岸线分布图与地物类型面积统计表视为“真值”，用于对本发明所提分割方法在分割精度和时间效率方面进行比较；

步骤S2、面向粗分割的海岛边界分割过程；

步骤S21、首先基于PCA实现多波段遥感影像的降维，生成一副新影像用于面向粗分割的海岛边界分割。基于降维后新影像的粗分割海岛边界空间分布，将本发明所提非线性优化Otsu分割方法与传统的Otsu，2D-Otsu，K-means，FCM分割方法进行比较；

步骤S22、非线性优化Otsu分割方法和Otsu，2D-Otsu，K-means，FCM分割方法五种不同的分割算法下，对遥感影像降维前后不同分割算法的计算时间进行对比；

步骤S3、面向细分割的海岛边界高精度优化；

利用本发明提出的改进的二值化高斯滤波水平集模型(I-SBGFRLS)对遥感影像进行实验，选取了C-V模型、SBGFRLS模型和I-SBGFRLS模型进行了比较分析，从算法效率和精度两方面进行对比实验；

步骤S31、计算效率的比较；

步骤S32、计算精度的比较；

步骤S4、结果分析。

7.根据权利要求6所述的基于遥感影像的海岛边界快速分割算法，其特征在于，步骤、S31计算效率的比较中，C-V模型的参数设置为：λ₁＝1，λ₂＝1，Δt＝0.1，μ＝1，υ＝0；SBGFRLS模型的参数设置为：α＝50，Δt＝1，σ＝1；I-SBGFRLS模型的参数设置为：α＝50，Δt＝1，σ＝1。

8.根据权利要求6所述的基于遥感影像的海岛边界快速分割算法，其特征在于，步骤32、计算精度比较中，利用人工目视解译结果为真值，从形状、长度和面积三个方面对比C-V模型、SBGFRLS模型和I-SBGFRLS模型的分割精度。

9.根据权利要求6所述的基于遥感影像的海岛边界快速分割算法，其特征在于，在改进的二值化高斯滤波水平集模型中，不同的α值对分割次数影响不同，选择α在100～300间来满足实时性分割要求。