[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

说明书

本发明涉及海洋环境监测应用技术领域，具体公开了一种基于GLCM与K‑means聚类算法的船载雷达图像溢油识别方法，基于GLCM与K‑means聚类算法的结合，同时结合切片算法，且局部窗口尺寸为64×64，可以快速提取有效的溢油区域，整体提高了运行速度，随后又通过Sauvola局部自适应阈值算法在有效的溢油区域中进行油膜分割并提取油膜，再将提取的油膜显示在船载雷达原始图像上，即完成油膜提取。通过基于GLCM与K‑means聚类算法的结合，再结合切片算法及Sauvola算法，可以整体提升运行效率，快速提取图像中的油膜。

技术领域

本发明涉及海洋环境监测应用技术领域，更具体地，涉及一种基于GLCM(灰度共生矩阵)与K-means聚类算法的船载雷达图像溢油识别方法。

背景技术

海上运输量增加和海洋油气资源开发能力提升带来的溢油事故频发是破坏海洋生态环境的重要威胁之一，快速且有效地提取油膜所在位置及其漂移扩散范围，成为了溢油事故处理的重要前提。基于LandSat、NOAA、Modis、星载SAR等卫星遥感海上溢油检测技术的研究，因传感器受时空分辨率的限制，难以对溢油进行连续监测和精确图像特征识别；而以光学传感器为主的机载溢油监测技术，虽然具有灵活性高，且获取的数据具有时效性强，并可以在一定时间内持续监测油膜变化的优势，但其监测范围有限，且容易受到光照和气象条件变化的影响。

为解决上述技术问题，专利公开了一种基于纹理特征与K-means聚类算法的船载雷达原始图像油膜识别方法，其中先将船载雷达原始图片进行预处理，随后再通过LBP纹理特征与K-means聚类算法的结合对经过预处理的图片提取油膜所在区域，紧接着通过Phansalkar局部自适应阈值分割海上油膜，为海上溢油事故的监测提供技术支持；然而，该专利采用的是局部二值模式LBP纹理特征对图像进行处理，采用滑动窗口，且局部窗口尺寸为255×255，需对图像进行大量计算，运算效率低，不利于快速提取油膜所在区域。

发明内容

鉴于上述背景技术中存在的运行效率低的问题，本发明的目的是提供一种基于GLCM与K-means聚类算法的船载雷达图像溢油识别方法，能够提高运行效率，快速提取图像中的油膜。

本发明所述的一种基于GLCM与K-means聚类算法的船载雷达图像溢油识别方法，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。

本发明所述的一种基于GLCM与K-means聚类算法的船载雷达图像溢油识别方法，基于GLCM与K-means聚类算法的结合，同时结合切片算法，且局部窗口尺寸为64×64，可以快速提取有效的溢油区域，整体提高了运行速度，随后又通过Sauvola局部自适应阈值算法在有效的溢油区域中进行油膜分割并提取油膜，再将提取的油膜显示在船载雷达原始图像上，即完成油膜提取。通过基于GLCM与K-means聚类算法的结合，再结合切片算法及Sauvola算法，可以整体提升运行效率，快速提取图像中的油膜。

进一步地，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。