一种海陆分割方法、系统、电子设备及介质与流程

1.本发明涉及sar图像语义分割领域，特别是涉及一种基于模拟植物生长算法及简单线性迭代聚类算法的海陆分割方法、系统、电子设备及介质。


背景技术：

2.相对于光学成像，合成孔径雷达具有全天候成像的优势，因而使得sar(synthetic aperture radar，合成孔径雷达)图像在战略目标识别与探测、灾害控制、土地资源监测、海域使用管理、地图测绘和船舰目标识别等领域起到了重要的作用。近年来sar图像在海域管理领域逐渐引起关注，其主要问题之一就是海陆分割海岸线监测问题，由于长时间江河泥沙堆积，填海造地等原因使得海岸线不断发生变化，有效监测海岸线的变化，对海域使用动态监测具有一定的实际意义。
3.目前比较典型的方法有基于阈值的分割算法，该算法拥有简洁、高效、易实现的特点，在许多分割技术中脱颖而出，倍受学者们的青睐。阈值分割技术的主要思想是从灰度值中选择合适的阈值，通过对比阈值与其他灰度值将图像分割成若干不同类的像素点，此方法的关键在于阈值的选择，找到一个最优阈值或一组最优阈值组合，但这种方法只考虑像素本身的灰度值，一般不考虑空间特征，因此对于噪声很敏感，海陆分割的精度较低，在实际运用中难以单独使用，通常与其他方法结合使用。
4.为了更好的实现sar图像在检测海岸线变化中实际作用，如何精准快速的对sar图像实现海陆分割显得至关重要。


技术实现要素：

5.本发明的目的是提供一种海陆分割方法、系统、电子设备及介质，可提高对sar图像进行海陆分割的精度。
6.为实现上述目的，本发明提供了如下方案：
7.一种海陆分割方法，包括：
8.获取合成孔径雷达图像；所述合成孔径雷达图像中包括海洋部分和陆地部分；
9.基于模拟植物生长算法及简单线性迭代聚类算法，对所述合成孔径雷达图像中的像素点进行聚类，得到多个超像素；
10.采用dice系数加强多个超像素的连通性，以得到海陆分割结果。
11.可选地，基于模拟植物生长算法及简单线性迭代聚类算法，对所述合成孔径雷达图像中的像素点进行聚类，得到多个超像素，具体包括：
12.初始化超像素数量；
13.根据所述合成孔径雷达图像中的像素点总数及所述超像素数量，确定多个初始超像素中心点；
14.计算所述合成孔径雷达图像中各像素点的梯度值；
15.根据各像素点的梯度值及多个初始超像素中心点，采用模拟植物生长算法，确定
多个最优超像素中心点；
16.针对任一像素点，根据所述像素点在灰度空间内的颜色像素值及各最优超像素中心点在灰度空间内的颜色像素值，计算所述像素点与各最优超像素中心点的颜色域距离；
17.根据所述像素点在平面空间上的坐标点及各最优超像素中心点在平面空间上的坐标点，计算所述像素点与各最优超像素中心点的空间域距离；
18.根据所述像素点与各最优超像素中心点的颜色域距离及空间域距离，确定所述像素点与各最优超像素中心点的总距离；
19.根据各像素点与各最优超像素中心点的总距离，对各像素点进行聚类，以得到多个超像素。
20.可选地，根据所述合成孔径雷达图像中的像素点总数及所述超像素数量，确定多个初始超像素中心点，具体包括：
21.根据所述合成孔径雷达图像中的像素点总数及所述超像素数量，将所述合成孔径雷达图像分为多个区域；
22.针对任一区域，将所述区域内的中心像素点作为所述区域的初始超像素中心点，以得到多个初始超像素中心点。
23.可选地，根据各像素点的梯度值及多个初始超像素中心点，采用模拟植物生长算法，确定多个最优超像素中心点，具体包括：
24.针对任一初始超像素中心点，根据所述初始超像素中心点设定范围内各像素点的梯度值，计算所述初始超像素中心点设定范围内各像素点的形态素浓度值；
25.将各初始超像素中心点设定范围内形态素浓度值最大的像素点作为最优超像素中心点。
26.可选地，所述设定范围为3*3；采用以下公式计算坐标为(x,y)的像素点的形态素浓度值：
[0027][0028]
其中，t
xy
为坐标为(x,y)的像素点的形态素浓度值，grad
xy
为坐标为(x,y)的像素点的梯度值。
[0029]
可选地，采用dice系数加强多个超像素的连通性，以得到海陆分割结果，具体包括：
[0030]
采用dice系数计算任意两个超像素之间的相似性；
[0031]
将相似性小于设定阈值的两个超像素合并为一个超像素，以得到海陆分割结果。
[0032]
为实现上述目的，本发明还提供了如下方案：
[0033]
一种海陆分割系统，包括：
[0034]
图像获取单元，用于获取合成孔径雷达图像；所述合成孔径雷达图像中包括海洋部分和陆地部分；
[0035]
聚类单元，与所述图像获取单元连接，用于基于模拟植物生长算法及简单线性迭代聚类算法，对所述合成孔径雷达图像中的像素点进行聚类，得到多个超像素；
[0036]
加强单元，与所述聚类单元连接，用于采用dice系数加强多个超像素的连通性，以
得到海陆分割结果。
[0037]
为实现上述目的，本发明还提供了如下方案：
[0038]
一种电子设备，包括存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行上述的海陆分割方法。
[0039]
为实现上述目的，本发明还提供了如下方案：
[0040]
一种计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行时实现上述的海陆分割方法。
[0041]
根据本发明提供的具体实施例，本发明公开了以下技术效果：
[0042]
本发明将模拟植物生长算法与简单线性迭代聚类算法相结合，对合成孔径雷达图像中的像素点进行聚类，得到多个超像素，在加强连通性时，利用dice系数将过小的超像素与其相邻的超像素进行合并，最终提高了对sar图像的海陆分割精度。
附图说明
[0043]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0044]
图1为本发明海陆分割方法的流程图；
[0045]
图2为基于模拟植物生长算法、简单线性迭代聚类算法及dice系数进行海陆分割的整体流程图；
[0046]
图3为本发明海陆分割系统的模块示意图。
[0047]
符号说明：
[0048]
图像获取单元-1，聚类单元-2，加强单元-3。
具体实施方式
[0049]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0050]
本发明的目的是提供一种海陆分割方法、系统、电子设备及介质，通过将模拟植物生长算法与slic(simple lineariterative clustering，简单线性迭代聚类)算法相结合，对像素点进行聚类，提高对sar图像进行海陆分割的精度。
[0051]
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
[0052]
实施例一
[0053]
如图1所示，本实施例提供一种海陆分割方法包括：
[0054]
s1：获取合成孔径雷达图像。在本实施例中，合成孔径雷达图像取自msar和ssdd两个数据集。合成孔径雷达图像中包括海洋部分和陆地部分。
[0055]
s2：基于模拟植物生长算法及简单线性迭代聚类算法，对所述合成孔径雷达图像
中的像素点进行聚类，得到多个超像素。
[0056]
s3：采用dice系数加强多个超像素的连通性，以得到海陆分割结果。
[0057]
进一步地，s2具体包括：
[0058]
s21：初始化超像素数量。
[0059]
s22：根据所述合成孔径雷达图像中的像素点总数及所述超像素数量，确定多个初始超像素中心点。
[0060]
具体地，根据所述合成孔径雷达图像中的像素点总数及所述超像素数量，将所述合成孔径雷达图像分为多个区域。针对任一区域，将所述区域内的中心像素点作为所述区域的初始超像素中心点，以得到多个初始超像素中心点。
[0061]
在本实施例中，首先初始化聚类中心(初始超像素中心点)，根据合成孔径雷达图像中的像素点总数预设超像素数量，假设合成孔径雷达图像有n个像素点，预分割超像素数量为k，则分割后的超像素大小为n/k。
[0062]
s23：计算所述合成孔径雷达图像中各像素点的梯度值。
[0063]
s24：根据各像素点的梯度值及多个初始超像素中心点，采用模拟植物生长算法，确定多个最优超像素中心点。
[0064]
具体地，在初始超像素中心点的c*c范围内重置超像素中心点。考虑到若其计算范围过大，则会导致计算量的增大，从而影响分割效率，因此将c取值为3。针对任一初始超像素中心点，根据所述初始超像素中心点设定范围(3*3)内各像素点的梯度值，计算所述初始超像素中心点设定范围内各像素点的形态素浓度值。
[0065]
在本实施例中，采用模拟植物生长算法对初始超像素中心点进行优化，将每一个像素点作为一个细胞，将每个像素点的梯度值的绝对值作为该细胞的形态素，则3*3区域内坐标为(x,y)的像素点的形态素浓度值为：
[0066][0067]
其中，t
xy
为坐标为(x,y)的像素点的形态素浓度值，grad
xy
为坐标为(x,y)的像素点的梯度值。
[0068]
将各初始超像素中心点设定范围内形态素浓度值最大的像素点作为最优超像素中心点。
[0069]
显然t
11
+t
12
+t
13
+t
21
+...+t
33
＝1，生成一个概率空间，在确立形态素浓度值后即可建立植物的向旋光性机制，形态素浓度值的高低就代表着该细胞在该概率空间中获得优先生长机会的大小，即形态素浓度值较高的细胞将具有较高的优先生长机会，因此将拥有最高形态素浓度的像素点将作为新的超像素中心点。
[0070]
超像素中心点重置后为固定大小邻域，即2s*2s大小的区域内为所有像素点分配类标签(即将每个像素点归类到超像素)。然后，分别计算区域内每个像素点到超像素中心点的距离。s为超像素的平均面积。
[0071]
s25：针对任一像素点，根据所述像素点在灰度空间内的颜色像素值及各最优超像素中心点在灰度空间内的颜色像素值，计算所述像素点与各最优超像素中心点的颜色域距离。
[0072]
具体地，采用以下公式计算像素点j与最优超像素中心点i的颜色域距离：
[0073]dc,ij
＝(l
j-li)2+(a
j-ai)2+(b
j-bi)2；
[0074]
其中，d
c,ij
为像素点j与最优超像素中心点i的颜色域距离，lj为像素点j在灰度空间内的亮度，aj为像素点j在灰度空间内红色到绿色之间的色域，bj为像素点j在灰度空间内黄色到蓝色之间的色域，li为最优超像素中心点i在灰度空间内的亮度，ai为最优超像素中心点i在灰度空间内红色到绿色之间的色域，bi为最优超像素中心点i在灰度空间内黄色到蓝色之间的色域。
[0075]
s26：根据所述像素点在平面空间上的坐标点及各最优超像素中心点在平面空间上的坐标点，计算所述像素点与各最优超像素中心点的空间域距离。
[0076]
具体地，采用以下公式计算像素点j与最优超像素中心点i的空间域距离：
[0077]ds,ij
＝(x
j-xi)2+(y
j-yi)2；
[0078]
其中，d
s,ij
为像素点j与最优超像素中心点i的空间域距离，xj为像素点j在平面空间上的横坐标，yj为像素点j在平面空间上的纵坐标，xi为最优超像素中心点i在平面空间上的横坐标，yi为最优超像素中心点i在平面空间上的纵坐标。
[0079]
s27：根据所述像素点与各最优超像素中心点的颜色域距离及空间域距离，确定所述像素点与各最优超像素中心点的总距离。
[0080]
具体地，采用以下公式计算像素点j与最优超像素中心点i的总距离：
[0081][0082]
其中，d
ij
为像素点j与最优超像素中心点i的总距离，nc为，ns为超像素中的最大空间域距离，nc为最大颜色域距离，每个超像素聚类都遵循相同的标准，最大的颜色域距离既随图像变化而变化，也会因聚类改变而改变，所以取一个固定常数m＝10代替nc。最终的总距离如下：
[0083][0084]
为了简化计算复杂度，将上述公式优化为：
[0085]dij
＝(s2*d
c,ij
)+(m2*d
s,ij
)。
[0086]
由于每个像素点都会被多个最优超像素中心点搜索到，所以每个像素点可得到与周围所有最优超像素中心点的总距离，在总距离为最小时确定该像素点属于以该最优超像素中心点为中心的超像素。
[0087]
s28：根据各像素点与各最优超像素中心点的总距离，对各像素点进行聚类，以得到多个超像素。
[0088]
如图2所示，对个像素点进行迭代聚类的过程中，若任一像素点的类标签(所属的超像素)改变，则重新确定超像素的数量。
[0089]
迭代优化后可能会出现超像素过小等问题，本发明将小于设定阈值的超像素设为x
min
，与其相邻的超像素为xi(i＝1,2,...,n)，n为与超像素x
min
相邻的超像素数量，将颜色
域距离小于一定阈值的两个像素点归类于同一超像素。
[0090]
在本实施例中，利用dice系数将初步聚类完成的超像素进行连通性加强，将过小的超像素与相邻超像素进行合并，最终实现sar图像的海陆分割。
[0091]
进一步地，s3具体包括：
[0092]
s31：采用dice系数计算任意两个超像素之间的相似性。
[0093]
具体地，采用以下公式计算超像素x
min
和超像素xi之间的相似性d(x
min
,xi)：
[0094][0095]
需要说明的是，上述的x
min
和xi表示对应超像素的像素点集合。
[0096]
s32：将相似性小于设定阈值的两个超像素合并为一个超像素，以得到海陆分割结果。即分割后的sar图像。
[0097]
为了验证本发明的分割效果，分别采用边界追踪算法和基于阈值的分割算法对sar图像进行分割，并将分割结果与本发明的分割结果进行对比，可得边界追踪算法不能准确的识别出清晰的海岸线，而基于阈值的分割算法对没有完整轮廓的海岸线识别较困难。而本发明使用的分割方法能较好的保存图像的质量，并且将图像整体进行分割，能较好地识别海岸线。
[0098]
本发明采用模拟植物生长算法，利用植物的向光性生长机制对slic算法的聚类部分进行优化，根据生长素的分布对聚类中心的选取进行优化，从而获得更好的超像素中心点，根据设定好的距离函数对像素点进行迭代聚类，在加强连通性时，利用dice系数将过小的超像素与其相邻的超像素进行合并，最终实现了对sar图像的快速精准海陆分割。
[0099]
实施例二
[0100]
为了执行上述实施例一对应的方法，以实现相应的功能和技术效果，下面提供一种海陆分割系统。
[0101]
如图3所示，本实施例提供的海陆分割系统包括：图像获取单元1、聚类单元2及加强单元3。
[0102]
其中，图像获取单元1用于获取合成孔径雷达图像。
[0103]
聚类单元2与所述图像获取单元1连接，聚类单元2用于基于模拟植物生长算法及简单线性迭代聚类算法，对所述合成孔径雷达图像中的像素点进行聚类，得到多个超像素。
[0104]
加强单元3与所述聚类单元2连接，加强单元3用于采用dice系数加强多个超像素的连通性，以得到海陆分割结果。
[0105]
相对于现有技术，本实施例提供的海陆分割系统与实施例一提供的海陆分割方法的有益效果相同，在此不再赘述。
[0106]
实施例三
[0107]
本实施例提供一种电子设备，包括存储器及处理器，存储器用于存储计算机程序，处理器运行计算机程序以使电子设备执行实施例一的海陆分割方法。
[0108]
可选地，上述电子设备可以是服务器。
[0109]
另外，本发明实施例还提供一种计算机可读存储介质，其存储有计算机程序，该计算机程序被处理器执行时实现实施例一的海陆分割方法。
[0110]
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他
实施例的不同之处，各个实施例之间相同相似部分互相参见即可。
[0111]
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

技术特征：
1.一种海陆分割方法，其特征在于，所述海陆分割方法包括：获取合成孔径雷达图像；所述合成孔径雷达图像中包括海洋部分和陆地部分；基于模拟植物生长算法及简单线性迭代聚类算法，对所述合成孔径雷达图像中的像素点进行聚类，得到多个超像素；采用dice系数加强多个超像素的连通性，以得到海陆分割结果。2.根据权利要求1所述的海陆分割方法，其特征在于，基于模拟植物生长算法及简单线性迭代聚类算法，对所述合成孔径雷达图像中的像素点进行聚类，得到多个超像素，具体包括：初始化超像素数量；根据所述合成孔径雷达图像中的像素点总数及所述超像素数量，确定多个初始超像素中心点；计算所述合成孔径雷达图像中各像素点的梯度值；根据各像素点的梯度值及多个初始超像素中心点，采用模拟植物生长算法，确定多个最优超像素中心点；针对任一像素点，根据所述像素点在灰度空间内的颜色像素值及各最优超像素中心点在灰度空间内的颜色像素值，计算所述像素点与各最优超像素中心点的颜色域距离；根据所述像素点在平面空间上的坐标点及各最优超像素中心点在平面空间上的坐标点，计算所述像素点与各最优超像素中心点的空间域距离；根据所述像素点与各最优超像素中心点的颜色域距离及空间域距离，确定所述像素点与各最优超像素中心点的总距离；根据各像素点与各最优超像素中心点的总距离，对各像素点进行聚类，以得到多个超像素。3.根据权利要求2所述的海陆分割方法，其特征在于，根据所述合成孔径雷达图像中的像素点总数及所述超像素数量，确定多个初始超像素中心点，具体包括：根据所述合成孔径雷达图像中的像素点总数及所述超像素数量，将所述合成孔径雷达图像分为多个区域；针对任一区域，将所述区域内的中心像素点作为所述区域的初始超像素中心点，以得到多个初始超像素中心点。4.根据权利要求2所述的海陆分割方法，其特征在于，根据各像素点的梯度值及多个初始超像素中心点，采用模拟植物生长算法，确定多个最优超像素中心点，具体包括：针对任一初始超像素中心点，根据所述初始超像素中心点设定范围内各像素点的梯度值，计算所述初始超像素中心点设定范围内各像素点的形态素浓度值；将各初始超像素中心点设定范围内形态素浓度值最大的像素点作为最优超像素中心点。5.根据权利要求4所述的海陆分割方法，其特征在于，所述设定范围为3*3；采用以下公式计算坐标为(x,y)的像素点的形态素浓度值：
其中，t
xy
为坐标为(x,y)的像素点的形态素浓度值，grad
xy
为坐标为(x,y)的像素点的梯度值。6.根据权利要求1所述的海陆分割方法，其特征在于，采用dice系数加强多个超像素的连通性，以得到海陆分割结果，具体包括：采用dice系数计算任意两个超像素之间的相似性；将相似性小于设定阈值的两个超像素合并为一个超像素，以得到海陆分割结果。7.一种海陆分割系统，其特征在于，所述海陆分割系统包括：图像获取单元，用于获取合成孔径雷达图像；所述合成孔径雷达图像中包括海洋部分和陆地部分；聚类单元，与所述图像获取单元连接，用于基于模拟植物生长算法及简单线性迭代聚类算法，对所述合成孔径雷达图像中的像素点进行聚类，得到多个超像素；加强单元，与所述聚类单元连接，用于采用dice系数加强多个超像素的连通性，以得到海陆分割结果。8.一种电子设备，其特征在于，包括存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行权利要求1至6中任一项所述的海陆分割方法。9.一种计算机可读存储介质，其特征在于，其存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至6中任一项所述的海陆分割方法。

技术总结
本发明提供一种海陆分割方法、系统、电子设备及介质，属于SAR图像语义分割领域，海陆分割方法包括：获取合成孔径雷达图像；基于模拟植物生长算法及简单线性迭代聚类算法，对合成孔径雷达图像中的像素点进行聚类，得到多个超像素；采用Dice系数加强多个超像素的连通性，以得到海陆分割结果。本发明将模拟植物生长算法与简单线性迭代聚类算法相结合，并采用Dice系数加强超像素的连通性，提高了对SAR图像进行海陆分割的精度。行海陆分割的精度。行海陆分割的精度。


技术研发人员：马俊锋 孙威 叶建设 李晨阳 张倍铭 宋兴学 苑方磊
受保护的技术使用者：中国人民解放军63921部队
技术研发日：2023.04.03
技术公布日：2023/8/22