一种高光谱溢油图像的有效分割方法与流程

本发明涉及一种遥感图像处理技术，具体涉及高光谱溢油图像的分割方法。
背景技术：
：遥感技术的发展经历了全色(黑白)、彩色摄影，多光谱扫描成像，以及到现在的高光谱遥感阶段。高光谱遥感技术简言之就是用窄而连续的光谱通道对地物进行持续成像的技术，其具有分辨率高、图谱合一、多波段以及携带信息量大等一系列其他遥感技术所没有的新特点。常用于高光谱图像的分割或分类算法有阈值分割、聚类法、区域生长法、支持向量机法以及主动轮廓法。而高光谱溢油图像具有以下特点：(1)由于油区的扩散，边界区域油膜厚度较薄，与海水相互作用，导致图像中的油区边界模糊，因此不适合使用基于边界的分割算法；(2)海面反光和雾气等因素的存在，使得溢油图像中油水对应的光谱曲线差异较小，从而使高光谱溢油图像分割难度增加。(3)由于设备自身缺陷以及光线等其他环境因素的影响，溢油图像往往还具有灰度不均匀性，从而使分割难度进一步增加。(4)受太阳光和海上风浪的影响，使得高光谱溢油图像普遍含有亮斑和阴影噪声，因此也不适合使用聚类和阈值等基于像素的分割方法，而应该选取主动轮廓以及区域生长等基于区域的分割算法。基于主动轮廓的分割算法无论图像质量如何总能获得光滑封闭的边界，在连续油区的划分问题上具有本质上的优势。随着水平集的引入，主动轮廓模型更是飞速发展，各种基于主动轮廓的改进算法层出不穷，使得主动轮廓这一模型很快被用于各类图像的分割。结合水平集的主动轮廓模型又可分为基于边界的和基于区域的。典型的基于边界的主动轮廓模型有几何主动轮廓模型和测地主动轮廓模型，这类模型依赖于梯度信息，对噪声比较敏感。基于区域的主动轮廓模型，其中最为典型的是Chan和Vese提出的无边界主动轮廓模型，即CV模型，它具有不依赖于梯度信息，能够分割边界比较模糊或含有噪声的图像，对初始曲线位置不敏感，易于实现等一系列优点，并且可以进行矢量拓展并且应用到高光谱图像分割上。但是尽管如此，CV模型甚至其他任何一种分割方法都不是对所有图像具有普适性的，特别是对具有边界模糊、灰度不均匀性、低对比度、含噪声等特点的遥感溢油图像难以实现较好的分割效果。Zhang等人基于高光谱图像的特点和CV模型，提出一种基于空间光谱限制的区域主动轮廓模型，简称为MCV-SSC模型(ModifiedCVmodelbasedonSpectralandSpaceConstrain)，并应用在真实高光谱图像上，获得较好的分割效果。本发明建立在CV模型之上，引入边缘停止函数和Fisher准则，建立了一种新的高光谱图像分割算法，在不影响分割算法效率的同时提高了分割精度。技术实现要素：为了实现对海上溢油区域的有效监测，本发明提供一种能够在不影响效率的前提下，提高高光谱溢油图像分割精度的高光谱溢油图像的有效分割方法。为了实现上述目的，本发明的技术方案如下：一、定义初始水平集函数及其他相关函数初始水平集函数一般定义为：φ(x,t＝0)＝±c(1)其中，t＝0表示初始轮廓C，x为自变量，φ为水平集函数，若点x在轮廓内函数取值为-c，反之则取值为+c。定义Heaviside函数H及其一阶导数δ：其中，H代表Heaviside函数，δ代表H函数的一阶导数，z为实数自变量。定义函数Hε,δε如下：其中，z为实数自变量，ε定义为一个很小的实数，H代表Heaviside函数，δ代表H函数的一阶导数在模型能量函数中，用函数Hε,δε分别近似表示H,δ。二、结合Fisher准则得到新的拟合项Fisher准则定义一个好的分类方法应该达到最大的类间间距和最小的类内差异，用公式可以表示为：其中，分别为两类样本的平均向量，分别为两类样本的统计方差，当Jfisher取最大值时达到最佳分类效果。原CV模型中的拟合项是类内方差和，目标函数为类内方差最小。若将Fisher准则的基本思想引入到CV模型，将原模型代替类内方差，在此基础上加入类间方差)中，则改进后的拟合项可以表示为：其中，Jfisher结合Fisher原则的拟合项函数，(x,y)为像素点坐标值，I表示高光谱图像，分别为轮廓曲线C内外的均值向量，λ1,λ2为内外拟合项的常量系数，Ω表示图像区域，Hε,δε分别近似表示H,δ，φ表示水平集函数。三、构造边缘停止函数得到新的长度项光谱角是指影像像元光谱矢量与样本参考光谱矢量之间的夹角，用来度量两向量之间的相似程度，与两矢量的大小无关。其计算公式如下：式中，SAM为光谱角，N为波段数。A＝(A1,A2,…,AN)和B＝(B1,B2,…,BN)分别代表样本空间中的两个影像像元的光谱值，当光谱角SAM越小，则表明两光谱矢量越接近。边缘停止函数只需满足是一个正的关于光谱角梯度递减的函数。所以将其定义为：式中，I表示高光谱图像，为光谱角梯度，(x，y)代表像素点的坐标值，gsam(α)是光谱角梯度函数，α表示图像任意一点的像元向量I(x,y)相邻点的像元向量I(x+Δx,y)以及I(x,y+Δy)之间的光谱角距离，当处于图像边界时，光谱角梯度的大小取值较大，取值较小。引入上述基于光谱角梯度信息的边缘函数gsam(α)，则改进后的长度项可以表示为：其中，L代表长度项，Ω表示图像区域，gsam(α)是光谱角梯度函数，(x，y)代表像素点的坐标值，δ表示Heaviside函数的一阶导数，φ为水平集函数，表示φ的增量，μ为长度项系数。四、结合端元提取算法的改进CV模型一般只能用于二类划分，即只能将图像分割为目标和背景两个区域。而现实情况是图像中往往含有多类地物，当图像中含有多类地物时，主动轮廓模型无法实现对感兴趣的特定地物的划分。因此，将CV模型与端元提取算法相结合，从而实现从含多种地物的图像中划分出特定地物。相比于传统的端元提取算法，ATGP算法能够在无需先验信息的情况下，从目标图像中提取出端元向量。ATGP算法是一种基于非监督正交子空间投影理论的端元提取算法。该算法首先按照凸面几何学理论，将正交子空间中亮度最大的像元作为候选端元，从而得到初始端元向量，以此构造子空间，求取相应的正交子空间，并将所有像元投影到该正交子空间，求取正交子空间中投影最大的像元作为下一个端元向量；以此类推，直到找到指定个数的端元。采用ATGP算法自动提取目标端元。首先用ATGP算法从图像中提取出特定类的端元向量，然后以该端元向量的位置为中心点设置初始轮廓，并且用该端元向量替换改进主动轮廓模型能量泛函中的轮廓曲线内部的均值向量。若设t为ATGP算法从高光谱图像中提取出的特定类端元向量，则此时改进模型的能量泛函为：其中，Et表示目标能量函数，α表示由(7)式决定的光谱角，表示表示水平集函数φ的增量，(x，y)代表像素点的坐标值，gsam(α)是光谱角梯度函数，μ,v,λ1,λ2均为常系数且满足μ≥0,v≥0,λ1,λ2＞0，I为矢量图像中(x,y)处的像元向量，φ为水平集函数，分别为轮廓曲线C内部区域和外部区域的灰度均值向量，Hε,δε分别表示近似Heaviside函数及其一阶导数,Ω表示图像空间。五、引入水平集正则项避免水平集函数重新初始化为了避免水平集函数重新初始化，节约算法时间复杂度，进而提高算法效率，引入如下水平集正则项：Ω表示图像空间,表示表示水平集函数φ的增量。六、能量泛函最小化得到欧拉-拉格朗日方程综上所述，新建模型的能量泛函为其中，Eτ表示目标能量函数，Ω表示图像空间，I为矢量图像。μ,v,λ1,λ2均为常系数且满足μ≥0,v≥0,λ1,λ2＞0，I(x,y)为矢量图像，φ为水平集函数，表示表示水平集函数φ的增量。分别为轮廓曲线C内部区域和外部区域的均值向量，t为对应特定类的端元向量，或t，gsam(α)是光谱角梯度函数，Hε,δε分别表示近似Heaviside函数及其一阶导数。将能量泛函最小化得到欧拉-拉格朗日方程，将其动态化，得到相应的梯度下降流为其中，或t，表示表示水平集函数φ的增量，α表示由(7)式决定的光谱角，μ代表水平集正则项系数，μ,v,λ1,λ2均为常系数且满足μ≥0,v≥0,λ1,λ2＞0，I为矢量图像，φ为水平集函数，分别为轮廓曲线C内部区域和外部区域的均值向量，t为对应特定类的端元向量，或t，gsam(α)是光谱角梯度函数，δε表示近似Heaviside函数的一阶导数，div(x)表示散度。七、设置各个参数迭代时间步长Δt，函数Hε的参数ε，长度项系数μ，面积项系数v，拟合项系数λ1,λ2，水平集正则项系数η。八、选择显示波段以及初始轮廓从几个波段中选择出一个对比度相对较高的波段作为显示最终轮廓的波段。然后设置初始轮廓，一般选择以特定圆心的圆或均匀分布半径较小的多个圆。九、显示分割结果图将方程离散化，并按设定的次数进行迭代，显示轮廓最终在图像中的位置。十、计算各种分割精度评价指标先对所得的分割结果图像进行二值化，然后结合真实的二值化图像，计算出错分率、漏分率、错分漏分率之和、Kappa系数以及总体精度等指标。十一、对分割结果精度进行比较、评价而对于模拟高光谱图像和已知真实地貌的高光谱图像，我们可以通过计算并比较相应的评价指标来评价其分割效果；而对于未知真实地貌的高光谱图像，只能通过人眼直观评价。与现有技术相比，本发明具有以下有益效果：1、本发明命名为基于改进CV模型的高光谱图像分割方法MCV-FE模型(ModifiedCVmodelbasedonFisherCriterionandEdgeFunction)。MCV-FE模型是在CV模型的基础上，通过引入Fisher准则和光谱角边缘函数，并且结合端元提取算法，形成的一种新的高光谱图像分割方法。实验结果表明，该方法不仅能准确划分出模拟高光谱图像和真实高光谱中的目标区域，并且能够有效分割具有边界模糊、灰度不均匀性、低对比度、含噪声等特点的高光谱溢油图像。与CV模型相比，本发明能够在保证不十分影响效率的前提下，大大提高了高光谱图像的分割精度，为准确划分溢油区域提供了一种新方法。2、本发明中MCV-FE模型由于引入Fisher准则的基本思想，使改进后的模型不仅考虑类内误差最小，同时考虑类间距离最大，因此能够获得更加准确的分类效果。除此之外，改进后的模型能够半自动地调节长度项和拟合项的常量系数的比值，从而使其对参数的变化更加稳定。3、CV模型是基于区域的分割算法，没有利用任何的图像边缘信息，对于高光谱溢油图像，尽管油水边界十分模糊，但仍有一定的有效信息。因此，本文考虑利用光谱角距离这一光谱相似性度量构造一个边缘检测函数，以此来构建一个新的长度项，使轮廓曲线更加准确而稳定地停止在目标区域的边界。4、本发明能够与端元提取算法相结合，首先获得目标区域相应的种子点，然后据此设置初始轮廓，进而能够实现对含多类目标区域的图像进行特定类区域的划分。MCV-FE模型与传统的区域生长算法和阈值分割算法相比，不仅能够获得连续而封闭的边界轮廓，而且实验证明，具有更高的分割精度。附图说明本发明共有附图22张，其中：图1是模拟高光谱溢油图像第190波段图(加入噪声信噪比为1)。图2是模拟图像的初始轮廓示意图。图3是CV模型对于图1的分割结果图。图4是MCV-FE模型对于图1的分割结果图。图5是随加入模拟图像噪声信噪比变化时CV模型以及MCV-FE模型完全收敛到目标区域边界的迭代次数的变化示意图(μ＝1,λ1＝λ2＝1)。图6是随加入模拟图像噪声信噪比变化时CV模型以及MCV-FE模型完全收敛到目标区域边界的迭代次数的变化示意图(μ＝1,λ1＝λ2＝100)。图7是随拟合项系数lambda取值变化时CV模型以及MCV-FE模型对于图1完全收敛到目标区域边界的迭代次数的变化示意图。图8是高光谱图像第26波段图。图9是高光谱图像地物标识图。图10是MCV-FE模型对于第1类目标区域的分割结果图。图11是MCV-FE模型对于第2类目标区域的分割结果图。图12是MCV-FE模型对于第3类目标区域的分割结果图。图13是MCV-FE模型对于第4类目标区域的分割结果图。图14是高光谱溢油图像第190波段图。图15是实验用图像1。图16是实验用图像2。图17是CV模型对应于图15的分割结果图。图18是MCV-SSC模型对应于图15的分割结果图。图19是MCV-FE模型对应于图15的分割结果图。图20是CV模型对应于图16的分割结果图。图21是MCV-SSC模型对应于图16的分割结果图。图22是MCV-FE模型对应于图16的分割结果图。具体实施方式下面结合附图对本发明进行进一步说明。下面分别根据模拟高光谱图像和真实高光谱图像数据对本发明的具体实施方式进行描述。一、模拟高光谱图像实验为了验证模型的可行性和有效性，首先在模拟高光谱图像上进行实验，具体步骤如下：A、合成高光谱模拟溢油图像首先从真实高光谱溢油图像中提取油端元和水端元，然后合成大小为200×200，波段数为258的模拟高光谱图像，其中图像正中间100×100的部分由油端元构成，其他部分由水端元构成，最后加入一定信噪比(SNR，SignalNoiseRatio)的噪声即可得到实验所用的模拟图像。图1为加入噪声信噪比为2时的模拟图像第190波段图像。B、相关参数设置迭代时间步长Δt＝1，函数Hε的参数ε＝1，长度项系数μ＝1，面积项系数v＝0，拟合项系数λ1,λ2＝1或λ1,λ2＝1，水平集正则项系数η＝0.2。C、选择显示波段以及初始轮廓选择第190波段图作为显示图像，将初始轮廓设置为均匀分布整个图像且直径为5个像素点的多个小圆，如图2所示。D、显示分割结果图当实验所用模拟图像加入的噪声的SNR为2时，CV模型(迭代次数为100)以及MCV-FE模型(迭代次数为30)的分割结果图如图3、图4所示：图3是CV模型对于图1的分割结果图。图4是MCV-FE模型对于图1的分割结果图。E、计算各种分割精度评价指标首先，当参数设置为μ＝1,λ1＝λ2＝1，且加入模拟图像噪声信噪比从0.5到10变化时，记录CV模型以及MCV-FE模型完全收敛时的迭代次数，如表1所示，图5是随加入模拟图像噪声信噪比变化时CV模型以及MCV-FE模型完全收敛到目标区域边界的迭代次数的变化示意图。信噪比SNR0.512345678910CV模型FF373129272423232222MCV-FE模型3230191716161616151515表1然后，当参数设置为μ＝1,λ1＝λ2＝100，且加入模拟图像噪声信噪比从0.5到10变化时，记录CV模型以及MCV-FE模型完全收敛时的迭代次数，如表2所示，图6是随加入模拟图像噪声信噪比变化时CV模型以及MCV-FE模型完全收敛到目标区域边界的迭代次数的变化示意图。信噪比SNR0.512345678910CV模型3628201817171716161616MCV-FE模型3230181716161515151515表2最后，将拟合项系数λ1＝λ2＝1逐渐变化到λ1＝λ2＝100，记录CV模型以及MCV-FE对于模拟图像(SNR＝2)完全收敛到目标区域边界时的迭代次数，绘制相应的变化示意图如图7所示。Lambda1102030405060708090100CV模型3722212121212120202020MCV-FE模型1918181818181818181818表3F、对分割结果精度进行比较、评价从图5中，可以看出CV模型当参数为μ＝1,λ1＝λ2＝1，图像信噪比小于2时，CV模型无法收敛到目标区域边界。从图6中，可以看出当参数为μ＝1,λ1＝λ2＝100时，CV模型能够收敛到目标区域边界，但除SNR＝2时，迭代次数仍然要比MCV-FE模型要多，因此可知CV模型对于参数的变化十分敏感。综合图5和图6可知，MCV-FE模型在不同的参数下性能比较稳定；除个别特殊情况外，MCV-FE模型总能以较少的迭代次数收敛到目标区域边界。从图7中，可知看出CV模型随着拟合项系数的变化，性能十分不稳定；MCV-FE模型对于参数的变化相对稳定，完全收敛时的迭代次数变化范围小，且当拟合项系数λ1＝λ2＝1变化到λ1＝λ2＝100时，收敛速度不变。因此综上可知，CV模型对于参数较为敏感，即分割结果和收敛速度容易受到参数的影响，而MCV-FE模型对于参数的变化比较稳定。二、真实高光谱图像实验为进一步地验证本发明的有效性，将给出一组真实高光谱图像实验。A、图像来源实验所用图像的大小为145×145，波段数为220个。图8是实验高光谱图像的第26波段图，图9是对应于图8的标识图。图像中除背景区域外，含有16类目标区域，从中选择四类目标进行实验。本实验能量函数中轮廓内部的像素值均值向量将被替换为各类目标区域的端元向量。具体验证步骤如下：B、相关参数设置迭代时间步长Δt＝1，函数Hε的参数ε＝1，面积项系数v＝0，水平集正则项系数η＝0.2。其他参数，在实验中根据分割的类的变化会有所不同。C、选择显示波段以及初始轮廓选择第26波段图作为显示图像。先从实验图像中提取端元，然后将初始轮廓设置为以各类内端元的位置为圆心直径为20个像素的圆。D、显示分割结果图图10、图11、图12和图13分别是各类的MCV-FE模型分割结果图。其中：图10是第1类目标的分割结果图。图11是第2类目标的分割结果图。图12是第3类目标的分割结果图。图13是第4类目标的分割结果图。E、计算各种分割精度评价指标首先，计算阈值分割法、区域生长法、MCV-SSC模型以及MCV-FE模型相应的RMC(误分率)、RWC(错分率)、RWM(误分错分之和)以及KC(Kappa系数)等，如表4所示。错分率RWC(Rateofwrongclassification)是指分割后图像目标区域中的错分像素点个数占实际目标区域像素点个数的百分比。误分率RMC(Rateofmissclassification)是指分割后图像目标区域中的漏分像素点个数占实际目标区域像素点个数的百分比。可用错分率和漏分率之和RWM(Rateofwrongclassificationandmissclassification)的大小来衡量图像分割的效果，RWM的值越小，说明相应算法的分割精度越高。Kappa系数KC是一种计算分类精度的方法，它是通过检验真实样本与实验样本的一致性来实现的，其计算公式表示为KC＝(Po-Pc)/(1-Pc)Po＝s/nPc＝(a1*b1＋a0*b0)/(n*n)其中图像总像元数为n，实际目标区域像元数为a1，背景区域像元数为a0；分类后的图像中目标区域像元数为b1，背景区域像元数为b0，两幅图像对应像元值相等的像元数为s，KC为Kappa系数，Po为实际一致率，Pc为理论一致率。Kappa系数KC的计算结果一般分布在-1到1这一范围内，但通常会落在0和1之间，按照取值大小可以分为以下五种情况来表示不同级别的一致性：0.0-0.20之间，极低的一致性；0.21-0.40之间，一般的一致性；0.41-0.60之间，中等的一致性；0.61-0.80之间，高度的一致性；0.81-1之间，几乎完全一致。也即Kappa系数KC的值越大，相应算法的分类精度也就越高。总体精度OA(OverallAccuracy)是指被正确分类的像元总数占目标区域总数的百分比。然后，在此基础上再计算总体精度OA，如表5所示。F、对分割结果精度进行比较、评价从表4中可以看出，阈值分割法的分割精度相对于其他分割算法要低很多，MCV-SSC模型次之，而MCV-FE模型和区域生长算法分割精度较高。MCV-FE模型对于第1类、第3类以及第4类地物的划分精度最高，区域生长算法次之；而对于第2类地物的划分，区域生长算法精度最高，MCV-FE模型与区域生长算法相比，Kappa系数略低。综上可知，除在第2类地物时，Kappa系数略低于区域生长算法外，本文改进模型的分割精度最高。最后，计算各算法的总体分割精度OA如表5所示,从表中再次可以看出，MCV-FE模型总体分割精度最高，区域生长算法次之，MCV-SSC模型再次之，阈值分割算法总体分割精度最低。表4四种算法的分割精度对比表5四种方法的总体精度比较三、高光谱溢油图像实验A、图像来源本实验所采用的真实高光谱溢油图像即来源于渤海蓬莱19-3C油田溢油事故所获取的高光谱数据，其大小为512×3904，有258个波段。图14所示即为该高光谱数据第190波段图像的部分截图，图中包含溢油、海水、船只和钻井平台等类别，深色部分是溢油区域，对其进行对数残差预处理后,从中截取实验所用的图像。图15是从图14截取的部分仅含有溢油和海水的图像。图16是从图14中截取的含溢油、海水、船只和钻井平台等类别的图像。本实验中，对图16进行处理时，能量泛函中轮廓内部的均值向量将被替换为溢油区域的端元向量。具体验证步骤如下：具体验证步骤如下：B、相关参数设置迭代时间步长Δt＝1，函数Hδ的参数ε＝1，面积项系数v＝0，水平集正则项系数η＝0.2。其他参数，在实验中根据试验图像的变化会有所不同。C、选择显示波段以及初始轮廓选择第190波段图作为显示图像，将初始轮廓设置为均匀分布整个图像且直径为5个像素点的多个小圆。D、显示分割结果图对应于图15的3种模型的实验结果图如图17-19所示，其中：图17是CV模型对应于图15的分割结果图。图18是MCV-SSC模型对应于图15的分割结果图。图19是MCV-FE模型对应于图15的分割结果图。对应于图16的3种模型的实验结果图如图20-22所示，其中：图20是CV模型对应于图16的分割结果图。图21是HISM模型对应于图16的分割结果图。图22是MCV-FE模型对应于图16的分割结果图。E、计算各种分割精度评价指标因为高光谱溢油图像的实时动态特性，很难给出标示图，所以关于此类图像无法计算其相应的分割精度评价指标，只能通过上述图像内容分析。F、对分割结果进行比较、评价由图17-19，可以看出CV模型分割出的是海浪等图像中较亮的区域，无法有效的划分溢油区域；MCV-SSC模型分割效果较好，但是只能找到图像左侧的部分溢油边界，无法完整地划分出溢油区域；本发明中的MCV-FE模型能够准确地分割出溢油区域。由图20-22，可以看出CV模型划分出钻进平台和清污船等图像中较亮的部分，无法正确划分出溢油区域；MCV-SSC模型能够较为准确地找到溢油区域左侧的边界，而无法找到溢油区域右侧的边界，并且还存在许多错误的轮廓线；MCV-FE模型能够比较准确地划分出溢油区域，且区域内部完整性较好。综上可知，MCV-FE模型能够从实际高光谱溢油图像中比较准确地划分出溢油区域边界，结合端元提取算法的MCV-FE模型也能够从含多类地物的实际高光谱溢油图像中划分出感兴趣的溢油区域。以上是分别根据模拟、真实高光谱图像数据对本发明的具体步骤进行的描述。本发明是在CV模型的基础上，引入Fisher准则形成新的拟合项，其次加入基于光谱角的边缘停止函数构成新的长度项，然后结合端元提取算法进行改进，最终得到一种新的高光谱图像的分割算法——MCV-FE模型。首先，为了证明本发明的可行性和有效性，进行一组模拟高光谱图像实验。从模拟图像实验结果中可知，MCV-FE模型的分割精度更高，且对于参数的变化更加稳定。其次，为了进一步验证MCV-FE模型的有效性，本发明进行了一组真实高光谱图像实验。从图10-13，可以看出MCV-FE模型能够准确地划分出感兴趣的目标区域。从表1，表2可知，除在第2类地物时，Kappa系数略低于区域生长算法外，本文改进模型的分割精度最高。从而再次证明了本发明的有效性。最后，本发明应用在蓬莱19-3C平台实际高光谱溢油图像上。完成对其的预处理之后，截取部分图像作为实验图像。从实验结果图中可以看出，与CV模型和HISM模型相比，本发明中的MCV-FE模型能够更加准确地划分出溢油区域。模拟和实际高光谱图像实验均表明，本发明提出的MCV-FE模型能够在不十分影响分割效率的前提下，能够更加准确而稳定地划分出目标区域。模拟和实际高光谱图像实验均表明，本发明提出的MCV-FE模型能够在不影响分割速度的前提下，能够更加准确而稳定地划分出目标区域。当前第1页1 2 3