[发明专利]基于聚类分析的遥感图像连续目标场的信息提取方法

说明书

技术领域

本发明属于信息提取技术领域，具体涉及一种基于聚类分析的遥感图像连续目标场的信息提取方法，以获取特征场边界、范围、分布等信息。

背景技术

遥感图像常见的信息提取方法是分类，其按照有无训练区可以分为：监督分类以及非监督分类；而常见的分类器有基于最大似然法、最小距离法、向量机分类、决策树分类、面向对象分类以及神经网络的分类工具。但这些分类方案一方面由于人工参与比较多，很难实现完全自动信息目标提取；另一方面由于分类算法是针对所有地面目标进行分类，而没有考虑连续目标场(如：红外图像上的火场、可见光图像上的水域、雷达图像上的溢油区等成片的特征场)的独特性，因此在识别这些连续目标场的时候，难以获得令人满意的准确性。

发明内容

(一)要解决的技术问题

本发明要解决的技术问题是：如何提高现有连续目标长信息提取过程的自动化，并改善在识别连续目标场时的信息提取准确性。

(二)技术方案

为了解决上述技术问题，本发明提供一种基于聚类分析的遥感图像连续目标场的信息提取方法，包括如下步骤：

步骤S1：对原始图像数据进行特征分析，找出待提取目标场的区域特征数据的参考最大值或者参考最小值；

步骤S2：根据所述区域特征数据的参考最大值或参考最小值对图像数据进行阈值分割处理；

步骤S3：对经过阀值分割的图像数据进行聚类分析；

步骤S4：对经聚类分析获得的目标连续场进行假目标场剔除；

步骤S5：将剔除假目标场后的图像与原始图像进行掩模处理，得到连续目标场信息提取后的结果图像。

所述步骤S1中的区域特征数据的参考最大值以及参考最小值均为预判值，所述参考最大值按比实际最大值大10％进行预判，所述区域特征数据的参考最小值按实际最小值小10％进行预判。

所述区域特征数据包括：图像灰度值，图像清晰度、图像梯度、纹理能量、纹理惯性以及纹理熵。

所述步骤S2中，阈值分割处理过程具体包括如下情形：

若需提取的对象目标场为亮连续目标场，则以所述参考最小值来进行阀值分割处理，即提取遥感图像中区域特征数据大于所述参考最小值的像素点；

若需提取的对象目标场为暗连续目标场，则以所述参考最大值来进行阀值分割处理，即提取遥感图像中区域特征数据小于所述参考最大值的像素点。

所述步骤S3中，将经过阀值分割后的图像上连续成片的像素聚类成若干个单独的连续目标场，并对每个连续目标场进行编号。

所述步骤S4中，具体包括如下步骤：

步骤S401：基于预设定的区域特征数据的临界参数来判断经聚类分析获得的目标连续场是真连续目标场或是假连续目标场；

步骤S402：剔除假连续目标场。

所述步骤S401中，所述区域特征数据的临界参数包括：聚类目标场最大临界值、聚类目标场最小临界值、聚类目标场面积临界值以及聚类目标场均值临界值。

基于所述各类临界参数，真假连续目标场的判断操作具体包括：

针对亮连续目标场且目标场区域内含区域特征数据最大值的情况，以聚类目标场最大临界值作为临界参数进行判别，将区域特征数据最大值大于聚类目标场最大临界值的连续目标场定义为真连续目标场；

针对暗连续目标场且目标场区域内含区域特征数据最小值的情况，以聚类目标场最小临界值作为临界参数进行判别，将区域特征数据最小值小于聚类目标场最小临界值的连续目标场定义为真连续目标场；

针对连续目标场的色调纹理较为一致的情况，以聚类目标场均值临界值作为临界参数进行判别；

针对连续目标场有面积范围规定的情况，以聚类目标场面积临界值作为临界参数进行判别。

(三)有益效果

本发明与现有技术相比较，其有益效果在于：

(1)本发明技术方案对比现有的根据分类或人工解译的方式来进行连续目标场的信息提取方法，能够更自动化的进行连续目标场的识别和提取；

(2)本发明技术方案利用聚类的方式，在目标对象的层级上，充分考虑在不同图像上连续目标场所具有的图像特征，识别和提取真正需要识别的目标，因此对比现有技术，具备更高的准确性。

附图说明

图1为本发明所涉及的基于聚类分析的遥感图像连续目标场的信息提取方法的流程图；

图2为本发明具体实施方式所涉及的红外相机第三波段火场信息的提取流程图。

具体实施方式

为使本发明的目的、内容、和优点更加清楚，下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。