[发明专利]基于SNE流形学习的河道主溜线检测方法

说明书

本发明公开了一种基于SNE流形学习的河道主溜线检测方法，用于解决现有河道主溜线检测方法检测精度差的技术问题。技术方案是以单像素点为中心构建3×3大小的窗口，利用该窗口中心点像素的光谱值、窗口灰度的统计值以及窗口梯度构建一个24维的特征向量来描述主溜特征。利用流形学习将24维特征空间降至2维空间，然后在2维空间中寻求与已知主溜像素点距离最近的点，将该点标记为下游的主溜位置，以此类推直至整个河段检测结束。该方法利用窗口构建主溜的高维特征向量，利用流形学习进行维数约简，能够在构建的高维特征空间中寻求与已知主溜点距离最近的点的低维实现。克服了主溜线检测中特征不确定性这一技术难题，提高了主溜的检测精度。

技术领域

本发明涉及一种河道主溜线检测方法，特别涉及一种基于SNE流形学习的河道主溜线检测方法。

背景技术

主溜线是河道横断面上垂线流速最大的点的连线，是对河道主溜的概化表示，被用来描述河势的变化情况。传统获取方法是通过人工坐船查河确定主溜位置，然后手工在地形图上勾绘、转绘而成，该方法往往需要较长时间、安全性差，且难以获取洪水期的主溜变化情况。当前，国外还没有基于遥感影像解译河道主溜线的应用研究成果报道，国内的研究也处于刚刚起步阶段.

文献“Main-stream of the Yellow River detection based on spectralfeature and the Dynamic Transmission Model，International Conference on EarthObservation Data Processing and Analysis(ICEODPA),WuHan,China.Proc.of SPIEVol.7285,72854U1-8”公开了一种基于光谱相似性描述的河道主溜线检测方法。该方法是将单个像素点每个波段的灰度值作为特征向量，利用光谱相似性度量和设置阈值的方法，通过在上游主溜区选择一个已知主溜像素点来寻求其下游的主溜点位置，并对算法的检测结果进行了主观评价。文献所述方法将图像处理技术和水流原理相结合，在一定程度上实现了主溜线检测，但是由于河道主溜自身的特征受河道来水来沙、边界条件以及河型等多因素影响，因此主溜自身的特征，包括主溜带深度、宽度、泥沙含量以及表面波浪的起伏度等都存在很大的不确定性，仅利用单像素点的光谱值很难准确描述不同情形下的河道主溜特征，且检测过程中往往还会受到噪声的影响，降低了主溜线的检测精度，在一些宽、浅、散、乱，河道主溜特征不十分明显的河段检测算法失效。另外，算法中设置了相似性度量的阈值，该阈值对整个检测过程有较大的影响，当阈值设置较大时，断点增多；当阈值设置较小时，检测出的主溜点可能会偏离主溜区，但要确定合理的阈值却十分困难，算法的稳健性较差。

发明内容

为了克服现有河道主溜线检测方法检测精度差的不足，本发明提供一种基于SNE流形学习的河道主溜线检测方法。该方法以单像素点为中心构建3×3大小的窗口，利用该窗口中心点像素的光谱值、窗口灰度的统计值以及窗口梯度构建一个24维的特征向量来描述主溜特征。利用流形学习将24维特征空间降至2维空间，然后在2维空间中寻求与已知主溜像素点距离最近的点，将该点标记为下游的主溜位置，以此类推直至整个河段结束。该方法利用窗口构建主溜的高维特征向量，囊括了主溜的光谱特征、纹理特征和几何特征；利用流形学习算法进行维数约简，能够在构建的高维特征空间中寻求与已知主溜点距离最近的点的低维实现。克服了主溜线检测中特征的不确定性这一技术难题，提高了主溜的检测精度和稳健性。

本发明解决其技术问题所采用的技术方案：一种基于SNE流形学习的河道主溜线检测方法，其特点是包括以下步骤：

步骤一、分割河流，生成河流分割影像。