一种基于聚类和边缘检测的遥感影像海岸线提取方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115841618A(43)申请公布日2023.03.24(21)申请号202211545340.3(22)申请日2022.12.05(71)申请人南京邮电大学地址210003江苏省南京市鼓楼区新模范马路66号(72)发明人张载龙樊强(74)专利代理机构南京纵横知识产权代理有限公司32224专利代理师刘艳艳(51)Int.Cl.G06V20/10(2022.01)G06V10/44(2022.01)G06V10/762(2022.01)G06N20/00(2019.01)权利要求书2页说明书10页附图4页(54)发明名称一种基于聚类和边缘检测的遥感影像海岸线提取方法(57)摘要本发明公开了一种基于聚类和边缘检测的遥感影像海岸线提取方法，包括：获取海岸地区遥感影像数据；利用预构建的改进K均值聚类算法对所述遥感影像数据进行海陆聚类分割处理得到海陆聚类结果；基于所述海陆聚类结果，利用预构建的Canny边缘检测算法提取海岸线。采用改进K均值聚类算法，代替传统影像降噪手段，降低了影像复杂度，达到影像降噪预处理的目的。增加45度或135度方向梯度计算，这种模板求得的像素点梯度更加精确。对梯度幅值进行非极大值抑制的目的是为了清晰化基于梯度提取的边缘，将自适应算法引入阈值设定中来，可大大提高算法自适应性。CN115841618ACN115841618A权利要求书1/2页1.一种基于聚类和边缘检测的遥感影像海岸线提取方法，其特征在于，包括：S1、获取海岸地区遥感影像数据；S2、利用预构建的改进K均值聚类算法对所述遥感影像数据进行海陆聚类分割处理得到海陆聚类结果；S3、基于所述海陆聚类结果，利用预构建的Canny边缘检测算法提取海岸线。2.根据权利要求1所述的基于聚类和边缘检测的遥感影像海岸线提取方法，其特征在于，步骤S2包括：对于遥感影像数据样本X，X＝{X1,X2…,Xn}；S21、第一次，随机抽取C1个较少的对象构成第一个训练子集T1(T1∈X)，其中(1≤C1<n)，利用K均值算法构建一个局部的包含k个簇的模型，得到k个初步的质心；S22、第二次，在第一次的基础上，从X中随机抽取C2个除了T1以外的对象构成第2个训练子集T2(T2∈X‑T1)，其中(1≤C2≤n‑C1)；利用K均值算法将T2中的对象加入到k个簇中，并更新每个簇的质心；以此类推，重复迭代步骤S21至步骤S22，直至达到预设迭代停止条件，得到最终的海陆聚类结果。3.根据权利要求2所述的基于聚类和边缘检测的遥感影像海岸线提取方法，其特征在于，簇数K值取值2或3。4.根据权利要求2所述的基于聚类和边缘检测的遥感影像海岸线提取方法，其特征在于，每个簇的质心为簇中所有对象在各个维度的均值。5.根据权利要求2所述的基于聚类和边缘检测的遥感影像海岸线提取方法，其特征在于，预设迭代停止条件为所有对象都被选取到或更新质心稳定。6.根据权利要求1所述的基于聚类和边缘检测的遥感影像海岸线提取方法，其特征在于，步骤S3包括：S31、采用中值滤波器对所述海陆聚类结果进行滤波降噪；S32、对滤波降噪后的海陆聚类结果进行多角度计算像素点梯度，其中所述多角度计算包括水平、竖直、45°和135°四个方向；S33、基于计算得到的像素点梯度，对梯度幅值进行非极大值抑制，得到边缘点；S34、通过Otsu自适应算法确定设置的高、低阈值，根据边缘点的梯度大小和高、低阈值，判断每个边缘点的强弱性，按照设定原则对强边缘像素和弱边缘像素连接提取得到海岸线。7.根据权利要求6所述的基于聚类和边缘检测的遥感影像海岸线提取方法，其特征在于，S31、采用中值滤波器对所述海陆聚类结果进行滤波降噪，包括：设置平滑窗口大小为3×3或5×5，对窗口内所有像素值进行排序，用窗口内所有像素值的中值替换窗口中心像素的像素值；按照平滑规则，依次将所有像素点的像素值替换为对应窗口的中值，完成滤波降噪，其中所述平滑规则为从左往右、从上往下依次进行。8.根据权利要求6所述的基于聚类和边缘检测的遥感影像海岸线提取方法，其特征在于，步骤S32，包括：设定像素点梯度计算窗口大小；基于设定的像素点梯度计算窗口大小，使用Sobel算子计算由水平和竖直方向上计算得来的像素点梯度大小及方向；2CN115841618A权利要求书2/2页基于设定的像素点梯度计算窗口大小，使用Rorberts算子计算由对角方向计算得来的像素点梯度大小及方向；将由水平和竖直方向上计算得来的和由对角方向计算得来的像素点梯度大小及方向进行求平均，作为该像素点的梯度大小及方向。9.根据权利要求1所述的基于聚类和边缘检测的遥感影像海岸线提取方法，其特征在于，步骤S33，包括：基于计算得到的像素点梯度，对于每个像素点，在正、负梯度方向上