论文阅读笔记

Title：A multi-threshold based morphological approach for extracting coastal line feature in remote sensed images

题目：基于多阈值的形态提取遥感图像中的沿海线特征的方法

摘要

在执行海监测、海上搜救、利用遥感图像进行海污监测等任务的同时，应首先确定沿海线特征。阈值方法是一种简单但有效的图像分割方法，同样，它们可用于检测远程感应图像中的沿海线特征。然而，虽然传统的阈值方法过去是这样做的，但它总是缺乏足够的鉴别能力，以物体的阴影，弱散射的植被，黑暗的人造建筑，海湾模糊的噪音沿海岸线。本文提出了一种基于多阈值的形态学方法，首先将隔离区域划分为大陆内部、海外和沿海隔离区域，然后利用两个定义和形态学操作者对沿海区域进行进一步处理，以提高检测精度，减少误检测，特别是提高上述星云阴影、植被和暗人工建筑的检测精度。实验执行，结果表现出比传统阈值方法具有更好的性能。

1. INTRODUCTION

利用遥感数据执行海上监测、沉船救助、海污监测等任务，包括大面积监测、快速响应时间、成本低等，具有许多优点，可显著提高执行任务的效率。因此，船上的光学和SAR数据被用于监测海洋和海洋。

在利用远程感知数据进行上述应用的同时，提高效率的一个重要步骤是首先通过计算机自动提取沿海线特征，然后对海上目标进行精确处理（http：//www.wins.uva.nl/Research/isis）。

对于SAR数据，由于水与固体材料之间的散射特性不同，可以有效采用强度阈值法提取沿海线特征，但提取沿海线的结果受分辨率和斑点的影响。

光学数据由于其高分辨率，甚至可用于监控偷渡、走私，此外还可用于上述应用。一般来说，强度阈值方法仍可用于有效提取沿海线特征。

阈值法（Sahoo，1988）是一种简单而有效的图像分析和图像分割方法（Kohler，1981年），用于处理多种类型的图像，包括光学图像、SAR图像、多光谱图像等。同时，它传播了许多详细的做法（Kapur，1985年;佩雷斯，1987年）。阈值方法还可用于提取远程感应图像中的沿海特征。但是，如果存在一些黑暗区域，如伪水域，如物体的阴影，弱散植被，沿沿海地区昏暗的建筑物，其中一些可能会被视为海洋的一部分，传统的阈值方法，这将导致一些错误的判断。不，噪音可能使一些属于海洋的水域隔离，并导致错误的判断。

一般来说，数学形态学运算符（Heijmans，1994年）包括侵蚀、稀释、开放、关闭等，它们被广泛用于分割图像、增强图像（Pesaresi，2001年）。本文提出了一种基于多阈值的形态学方法，用于提取光学远程感知图像中的沿海线特征。首先，我们采用传统的灰色阈值方法提取基本沿海线特征，这是一个由许多复杂隔离区域组成的二进制图像。然后，通过界定区域距离，将隔离区域分为大陆内隔离区AisoContA^{Cont}_{iso}AisoCont、外海隔离区AisoCoastA^{Coast}_{iso}AisoCoast和沿海隔离区AisoCoastA^{Coast}_{iso}AisoCoast。之后，沿海偏僻地区海岸AisoCoastA^{Coast}_{iso}AisoCoast被做了一个进一步的过程，即基于先前知识的区域阈值用于识别沿海AisoCoastA^{Coast}_{iso}AisoCoast的大陆或海域属性。通过形态学操作者 Erosion 到最小路径的进一步过程，将属于海域的沿海隔离区域与主要海域连接。通过它，可以提高划分海域和大陆面积的准确性，降低错误判断率。最后，形态学运算符"打开"和"关闭"用于填充相同的属性、大陆或海洋区域，并在远程感应图像中获取准确的成本线特征。

2. COASTAL LINE FEATURE EXTRACTING BY THRESHOLDING APPROACH

各种物体的光散射具有不同的特征，在光学远程感知图像中表现出不同的颜色或强度信息。强度阈值方法利用水的暗强度信息提取沿海线特征。

假设强度阈值为ThreshThreshThresh，对于光学遥感图像III，I(i,j)I(i, j)I(i,j)是任何一个像素，然后我们处理I(i,j)I(i, j)I(i,j):
I(i,j)={255ifI(i,j)≥Thresh0ifI(i,j)<ThreshI(i, j)=\left \{ \begin{aligned} 255 & & if & & I(i, j) \ge Thresh \\ 0 & & if & & I(i, j) \lt Thresh \end{aligned} \right.I(i,j)={2550ififI(i,j)≥ThreshI(i,j)<Thresh

从经验上，Thresh 选择图像的均值强度或其相邻值，也就是说：
Thresh=mean(I)+ΔThresh=mean(I)+\DeltaThresh=mean(I)+Δ
上式中的Δ\DeltaΔ是ThreshThreshThresh的优化，Thresh 也可以由 Otsu （Otsu， 1979 年）提议的方法计算。

通过这个程序，很容易划分暗强度的主要海域，mainASeamain A^{Sea}mainASea和强散射主陆，mainAContmain A^{Cont}mainACont。当然，在陆地面积中，也有一些暗强区域，如湖泊、弱散射植被、物体阴影等，在门槛处理后会导致一些孤立的假海区。同时，沿海线沿线的一些海湾可能由于噪音而被隔离为水域，而岛上的岛屿或船只将形成陆地，成为孤立的点或区域。同样，图像的噪声也会导致一些孤立的点或区域。因此，通过阈值处理的结果将是包含主要沿海线特征的二进制值图像。

为了准确提取沿海线，必须别有用心地使用形态学操作器处理这些隔离点或区域。为了便于描述，我们将在下面将所有孤立的点和地区视为孤立的区域。

3. 利用形态学操作器对沿海线特征进行分析

形态学操作器

将结构元素作为SESESE。对于图像III中的任何一个像素ppp，它的值为value(p)value(p)value(p)。假设NSE(p)N_{SE}(p)NSE(p)是由在像素ppp上操作的SESESE形成的相邻区域，然后对ppp进行的ErosionErosionErosion操作SESESE定义为：
ErosionSE(p)={∧value(p′)∣p′∈{p}∪NSE(p)}Erosion_{SE}(p)=\{ \wedge value(p^{'})|p^{'} \in \{p\} \cup N_{SE}(p)\}ErosionSE(p)={∧value(p′)∣p′∈{p}∪NSE(p)}

同时，对ppp进行的DilationDilationDilation操作SESESE定义为：
DilationSE(p)={∨value(p′)∣p′∈{p}∪NSE(p)}Dilation_{SE}(p)=\{ \vee value(p^{'})|p^{'} \in \{p\} \cup N_{SE}(p)\}DilationSE(p)={∨value(p′)∣p′∈{p}∪NSE(p)}

然后，对ppp进行的OpenOpenOpen和CloseCloseClose操作SESESE定义为：
OpenSE(p)=DilationSEErosionSE(p)CloseSE(p)=ErosionSEDilationSE(p)Open_{SE}(p)=Dilation_{SE}Erosion_{SE}(p) \\ Close_{SE}(p)=Erosion_{SE}Dilation_{SE}(p)OpenSE(p)=DilationSEErosionSE(p)CloseSE(p)=ErosionSEDilationSE(p)

3.1 孤立区域判断

定义1 区域距离：
假设两个区域A1A_1A1和A2A_2A2，未在 4 相邻模式下连接，P1,P2P_1, P_2P1,P2分别是A1,A2A_1, A_2A1,A2中的一个像素点，ConnConnConn是像素之间的相邻连接模式，则A1A_1A1和A2A_2A2之间的区域距离为：
D(A1,A2)=min⁡P1∈A1,P2∈A2(dist(P1,P2),Conn)D(A_1, A_2)=\min \limits _{P_1 \in A_1, P_2 \in A_2} (dist(P_1, P_2), Conn)D(A1,A2)=P1∈A1,P2∈A2min(dist(P1,P2),Conn)
点P1D,P2DP_1^D, P_2^DP1D,P2D在A1,A2A_1, A_2A1,A2，对应于区域距离的像素为"距离像素"。

通常，ConnConnConn一般选择8或4相邻连接，如果A1,A2A_1, A_2A1,A2相连接，则区域距离为0.显然，在A1,A2A_1, A_2A1,A2中与区域距离对应的距离像素P1D,P2DP_1^D, P_2^DP1D,P2D并不唯一。

在擦除孤立区域 AisoA_{iso}Aiso 之前，必须确认它属于谁。我们划分这些孤立的区域作为大陆内孤立的区域 AisoContA_{iso}^{Cont}AisoCont，外海孤立区域AisoSeaA_{iso}^{Sea}AisoSea，以及沿海孤立地区AisoCoastA_{iso}^{Coast}AisoCoast。

将区域距离的阈值设为Thresh1D,Thresh2DThresh^D_1, Thresh^D_2Thresh1D,Thresh2D，那么孤立区域通过下面的公式划分：
Aiso∈{AisoContifD(Aiso,mainASea)>Thresh1D,AisoSeaifD(Aiso,mainASea)>Thresh1D,AisoCoastotherwise.A_{iso}\in\left\{ \begin{aligned} A^{Cont}_{iso} & & if & & D(A_{iso}, main & & A^{Sea}) \gt Thresh^D_1, \\ A^{Sea}_{iso} & & if & & D(A_{iso}, main & & A^{Sea}) \gt Thresh^D_1, \\ A^{Coast}_{iso} & & otherwise. \end{aligned} \right.Aiso∈⎩⎪⎨⎪⎧AisoContAisoSeaAisoCoastififotherwise.D(Aiso,mainD(Aiso,mainASea)>Thresh1D,ASea)>Thresh1D,

事实上，对于大陆内孤立区域和外海孤立区域，其大陆或海域属性可以根据大陆内部或外部海洋属性进行确认。然而，对于沿海孤立地区，它需要通过进一步的判断来确认其大陆或海域属性。这些判断可以由其区域特征决定。如果该海域面积遵循特定范围，我们将该海域视为海域。

3.2 连接孤立的海洋区域

在确认沿海隔离区域的大陆内或外海属性后，如果某一区域属于海域，仍有工作将其与mainASeamain \ A^{Sea}main ASea 连接，使其成为海域的一部分。

定义2 最小路径：
假设区域A1,A2A_1, A_2A1,A2中的距离像素P1D,P2DP_1^D, P_2^DP1D,P2D，ConnConnConn是相邻模式，那么最小路径定义为：
Pathmin={Pixels∣min(dis(P1D,P2D,Conn))}Path_{min}=\{ Pixels|min(dis(P_1^D, P_2^D, Conn)) \}Pathmin={Pixels∣min(dis(P1D,P2D,Conn))}

图1 沿海线特征提取的实验结果。（a）源远程感应图像，（b）用灰色阈值方法处理后处理的二进制图像，（c）用传统阈值方法提取的沿海线特征，（d）用拟议方法提取的沿海线特征。

然后，通过将属于海域的沿海隔离区域与mainASeamain \ A^{Sea}main ASea连接，可以通过"水化"AisoCoastA^{Coast}_{iso}AisoCoast地区与ASeaA^{Sea}ASea地区之间的最小路径实现。

3.3 消除其他孤立区域

上述加工后，属于海域的孤立区与主海域相连，成为整个海域。其余的处理是消除其他孤立区域。我们可以使用区域擦除运算符来消除它们，并使他们成为大陆或海洋的一部分。假设 Area(⋅)Area(\cdot)Area(⋅)是同一强度的区域运算符，并在二进制值图像中将区域连接到孤立区域AisoA_{iso}Aiso，假设其像素值为 1 ，然后
I={Open(Aiso)ifvalue(Aiso)=1andArea(Aiso)<ThreshOClose(Aiso)ifvalue(Aiso)=0andArea(Aiso)<ThreshCI=\left\{ \begin{aligned} Open(A_{iso}) & & if & & value(A_{iso})=1 & & and & & Area(A_{iso}) \lt Thresh^O \\ Close(A_{iso}) & & if & & value(A_{iso})=0 & & and & & Area(A_{iso}) \lt Thresh^C \end{aligned} \right.I={Open(Aiso)Close(Aiso)ififvalue(Aiso)=1value(Aiso)=0andandArea(Aiso)<ThreshOArea(Aiso)<ThreshC

ThreshO,ThreshCThresh^O, Thresh^CThreshO,ThreshC分别表示Open,CloseOpen, CloseOpen,Close操作区域的阈值。

经过前几步处理后，将准确提取光学远程感应图像中的沿海线特征。

图2 在图 1-（b）、1-（c）和 1-（d）中标记的 1 和 2 区域的放大结果。（a）扩大区域为1-b，（b）扩大区域为1-c，（c）扩大区域为1-d，（d）扩大区域为2-b，（e）扩大区域为2-c，（f）扩大区域为2-d。

4. 实验和结果分析

为了验证建议的方法，对遥感图像进行了实验。在这里，我们设置 AisoSeaA_{iso}^{Sea}AisoSea 和 AisoContA_{iso}^{Cont}AisoCont区域距离 Thresh1DThresh^D_1Thresh1D，Thresh2DThresh^D_2Thresh2D 到 2 像素，区域距离的连接模式 ConnConnConn 和最小路径到 4 连接。OpenOpenOpen 操作的区域阈值为 16 像素，CloseCloseClose操作的区域阈值为 50000 像素。

5. 结论和未来工作

本文提出了一种基于多阈值的形态学方法，从光学远程感知图像中提取沿海线特征。传统的阈值方法对于图像分割简单而有效。但是，它将导致物体的阴影、弱散射植被和黑暗建筑物的任何错误划分。由几个形态学操作符同时提出两个定义，区域距离和最小路径，建议的方法被证明比传统的阈值方法具有更准确的结果，通过实验验证。

在建议的方法中使用多个阈值时，如何自适应地确定阈值是需要解决的另一个重要方面。适当的阈值选择将提供优化的结果（中川，1979年;王，1984年）。

由于雷达远程感知图像中水区与陆地之间的明显比较，光学图像和SAR图像的数据融合方法可用于提取沿海线特征，从而综合了各种数据的优势，可显著提高结果。

基于多阈值的形态提取遥感图像中的沿海线的特征方法（Qu Jishuang）相关推荐

遥感图像中的小样本目标检测：Few-shot Object Detection on Remote SensingImages
论文下载:https://arxiv.org/pdf/2006.07826v2.pdf Abstract 在本文中,我们处理遥感图像上的目标检测问题.以前的方法已经发展了许多基于深度卷积的遥感图像目标 ...
Python+opencv 机器视觉 - 基于霍夫圈变换算法检测图像中的圆形实例演示
Python+opencv 机器视觉 - 基于霍夫圈变换算法检测图像中的圆形实例演示第一章:霍夫变换检测圆 ① 实例演示1 ② 实例演示2 ③ 霍夫变换函数解析第二章:Python + openc ...
ITK:提取二进制图像中斑点的内部和外部边界
ITK:提取二进制图像中斑点的内部和外部边界内容提要输出结果 C++实现代码内容提要提取二进制图像中斑点的内部和外部边界输出结果 C++实现代码 #include "itkImag ...
matlab提取遥感图像的点DN值,一种高分辨率遥感图像去雾霾方法
4 实验验证与分析实验对象为两颗国产亚米级高分辨率遥感卫星图像, 即GF-2和Superview-1图像.两颗卫星参数如表1所示.其中, GSD为地面采样距离, 即空间分辨率; PAN表示全色谱段; ...
Qt工作笔记-QGraphics框架中，给图像中的点连线【获取场景中的数据】【有坑】
程序运行截图如下: 这里面有一个坑,就是获取场景中的元素并不是根据图像中,从左往右,从上往下这样的获取. 而是根据加入常见的先后,进行的, 如下图: Line是在Ellipse前加载的,所以是这样的结 ...
基于 GoogleMap 离线 API 源码在内网中加载卫星地图的方法
1. 概述我们之前为大家分享过在三维地球开源平台离线加载卫星影像的方法,主要包括基于桌面端的OsgEarth开源三维地球和基于Web端的Cesium开源三维地球等平台的局域网离线加载. 另外,也为大 ...
读取遥感图像中遇到的问题集锦
1.The type javax.vecmath.GMatrix cannot be resolved. It is indirectly referenced from required .clas ...
【转载】关于如何提取Exe文件中PPT源文件的几种方法
PPT课件,利用PowerPoint Slide Show Converter封装为exe文件后,今天想修改一下其中的内容,只能在转化为ppt文档了,但该死的是PowerPoint Slide Sho ...
单波段遥感图像薄云去除与云检测
单波段遥感图像薄云去除与云检测一.背景二.两种薄云去除方法 1.同态滤波法参考代码实验结果 2.小波变换法参考代码实验结果 3.评价方法主观评价法信息熵评价法三.两种云检测方法 1. ...

基于多阈值的形态提取遥感图像中的沿海线的特征方法（Qu Jishuang）