[发明专利]基于SNE流形学习的河道主溜线检测方法

权利要求书

1.一种基于SNE流形学习的河道主溜线检测方法，其特征在于包括以下步骤：

步骤一、分割河流，生成河流分割影像；

在一景TM遥感影像上，选择对水体最敏感的band5进行河流粗分割；利用区域生长法，通过选择种子点像素和定义相似性度量值对河流进行增长，生成与TM遥感影像相同大小的二值图像，在该二值图像中河流区域的值为1，非河流区域的值为0；然后利用生成的二值图像对TM遥感影像进行掩膜处理，得到分割后的遥感影像，该遥感影像中河流部分的像素值为TM遥感影像的光谱值，非河流部分全部为0；

步骤二、提取河道中心线；

在步骤一生成的二值图像基础上，利用形态学骨架化方法提取河流骨架，去除河流骨架多余毛刺，得到一个完整的只有一个方向的河道骨架，即河道中心线；

步骤三、选取初始主溜样本点；

以分割后的遥感影像为基础，在河道上游的主溜区内人工选择一个像素点作为初始主溜样本点，并将该初始主溜样本点标识为主溜点；

步骤四、根据主溜样本点特征向量计算方法，计算主溜样本点的特征向量X_1×24；其中，S_t，t＝1,2,…6,表示窗口中心点在t波段的灰度值；μ_t,t＝1,2,…6表示窗口在t波段的灰度均值；σ_t²，t＝1,2,…6表示窗口在t波段的灰度方差；g_t，t＝1,2,…6表示在t波段上的窗口梯度；生成的主溜样本特征向量X共24维；各参数的计算方法如下：

窗口的灰度均值μ：

窗口的灰度方差σ²：

窗口梯度g：

式中，m·n表示窗口的大小，设定为3×3；u(x,y)表示窗口中心点在(x,y)的m·n窗口的灰度均值；

步骤五、计算主溜样本点的水流方向，利用动态演进模型，选择主溜样本点下游的主溜候选点，并利用主溜样本特征计算方法，计算各候选点的特征向量Y_k×24，其中k表示主溜候选点的个数，24表示特征向量的维数；

a.计算主溜样本点的水流方向；

将河道中心线上与主溜点具有相同横坐标的点的切线方向作为该主溜点的水流方向；其方法是在河道中心线上，利用分别距离该主溜点3个像素的下游点和上游点进行计算，用公式表示为：

d＝tan((y₂-y₁)/(x₂-x₁))

式中，d表示水流方向，y₂、y₁分别表示中心线上下游点、上游点的纵坐标，x₂、x₁表示中心线上下游点、上游点的横坐标；

b.确定下游的主溜样本候选点；

建立河道水流演进模型，该演进模型将水流方向简化为个方向；当上述计算的d值落在两个方向区间时，选择距离近的方向作为水流方向，当时，令d＝0；当时，令确定了主溜样本点的水流方向后，根据水流演进模型确定主溜样本候选点；

c.计算主溜样本候选点特征向量Y_k；

主溜样本候选点特征向量Y_k的计算方法与步骤四主溜样本点特征向量的计算方法相同，计算时是以主溜候选点为中心像素点进行的计算；

步骤六、利用SNE流形学习算法，对主溜样本点和主溜样本候选点同时进行降维处理，得到主溜样本点和各候选点的2维特征向量，分别表示为x和y_K，K表示第K个主溜候选点；

将主溜样本点和主溜样本候选点的特征向量合并成一个向量I,I＝[X,Y_K]_(K+1)×24，然后将向量I_(K+1)×24输入至SNE流形学习算法中；SNE流形学习算法确定的参数包括混乱度Perp、迭代次数T、学习速率η、初始动量系数α(t)、最终动量系数γ(t)和输出维数；

步骤七、在主溜候选点中确定下游的主溜样本点；

在降维后的2维特征空间中，计算主溜样本点X与各候选点Y_k之间的距离，将距离最小的候选点标识为主溜点，并将其作为新的主溜样本点；

式中X表示主溜样本点，Y_k表示主溜样本候选点，x表示降维后主溜样本点的二维特征向量，y_K表示降维后主溜样本候选点的二维特征向量，n是候选点的个数，n等于5；

步骤八、重复步骤四至步骤七，直至整个河道检测结束，并将所有标记为主溜的点显示出来，完成整个河段的主溜线检测。