[发明专利]一种基于GLCM与K-means聚类算法的船载雷达图像溢油识别方法

权利要求书

1.一种基于GLCM与K-means聚类算法的船载雷达图像溢油识别方法，其特征在于，包括如下步骤：

S1、对船载雷达原始图像进行降噪处理，以获得降噪图像；

S2、采用切片算法对S1中的降噪图像进行图像切片处理，局部窗口尺寸为64×64；

S3、基于灰度共生矩阵提取S2中各切片的熵纹理特征值；

S4、根据S3中提取的熵纹理特征值对各切片中的图像进行K-means聚类算法提取有效的溢油区域；

S5、运用Sauvola算法对S4中提取的有效的溢油区域进行油膜分割，以提取油膜，并将提取的油膜显示在船载雷达原始图像上，完成油膜提取。

2.根据权利要求1所述的基于GLCM与K-means聚类算法的船载雷达图像溢油识别方法，其特征在于，S1中获得降噪图像的步骤包括：

S11、对船载雷达原始图像进行垂向噪声检测；

S12、采用Otsu算法对S11中处理后的图像进行分割，提取同频干扰噪声及高亮像元；

S13、再通过线性内插对S12中提取到的同频干扰噪声及高亮像元进行抑制，得到降噪图像。

3.根据权利要求2所述的基于GLCM与K-means聚类算法的船载雷达图像溢油识别方法，其特征在于，在步骤S11中，垂向噪声检测的步骤包括：

S111、将船载雷达原始图像从极坐标系统，经过坐标系统转换，转换至笛卡尔坐标系统；

S112、对笛卡尔坐标系统下的船载雷达原始图像进行拉普拉斯算子卷积。

4.根据权利要求3所述的基于GLCM与K-means聚类算法的船载雷达图像溢油识别方法，其特征在于，所述拉普拉斯算子为：[0 -1 0 -1 4 -1 0 -1 0]。

5.根据权利要求1所述的基于GLCM与K-means聚类算法的船载雷达图像溢油识别方法，其特征在于，S3中，熵纹理特征值提取算法的参数选择：

灰度级为16,64,128,256；

步长d＝1，即将中心像元与其相邻像元进行计算；

方向取0°、45°、90°、135°四个方向，并计算四个方向的熵值，并取这四个方向的平均值，作为最终的纹理特征值；

其中，熵值的计算公式为：

6.根据权利要求5所述的基于GLCM与K-means聚类算法的船载雷达图像溢油识别方法，其特征在于，S3中灰度级为16。

7.根据权利要求1所述的基于GLCM与K-means聚类算法的船载雷达图像溢油识别方法，其特征在于，S4中，K-means聚类算法步骤包括：

S41、给提取了熵纹理特征值的切片选择K个初始化聚类中心，类别设置为3；

S42、计算每个切片与K个初始化聚类中心的欧氏距离，将数据对象分配到距离聚类中心最近的一类簇中；

S43、计算每个簇的数据对象的均值，将均值作为新的聚类中心；

S44、计算每个数据对象到新的K个初始化聚类中心的距离，并进行重新划分；

S45、进入下一次迭代，直到数据对象类别不再变化迭代停止，聚类结束。

8.根据权利要求1所述的基于GLCM与K-means聚类算法的船载雷达图像溢油识别方法，其特征在于，S5中，Sauvola算法对有效的溢油区域油膜分割的局部窗口大小为32×32，随后与S4中有效的溢油区域进行求并运算，求得有效海浪监测区域的油膜。

9.根据权利要求8所述的基于GLCM与K-means聚类算法的船载雷达图像溢油识别方法，其特征在于，Sauvola算法表达式为

式中，R为标准差的动态范围；k为标准差影响因子，反映了标准差对阈值T(i,j)的影响的强度，在(0,1)之间取值；m(i,j)、s(i,j)分别为以点(i,j)为中心、r×r邻域内的灰度均值与标准差。

10.根据权利要求1-9任一项所述的基于GLCM与K-means聚类算法的船载雷达图像溢油识别方法，其特征在于，在S5后再利用像元面积阈值法，噪声剔除像元面积阈值为“50”的孤立白色目标区域与孤立黑色目标区域。