本发明涉及图像处理技术领域，具体为一种利用多光谱分析监测港口特定地物的方法。
背景技术：
随着海上运输的逐步发展，而港口作为海上运输的主要组成部分已经越来越受到人们的重视，成为海上运输规划的重要考虑因素。而在港口的建设中，首先就需要获取港口的地物特征以及位置关系。
由于港口的特殊性，进行实地的拍摄时不现实的，而通过航拍，又由于技术的限制，也不能准确的将港口所有的地物特征全部放在同一个比例的环境中。随着遥感技术的发展，遥感技术基于图像分析处理技术，已经具备了高分辨率的识别功能。具体的，遥感技术使用计算机语言将不同地物在遥感影像中的光谱特征、形状特征、相对关系特征、上下文特征等信息以规则集的方式表达出来，从而实现区分、识别不同地物的功能。
而在实际的港口遥感识别中，由于港口特定地物形态多变，而且背景复杂，在传统的识别技术基础上，识别难度比较大，在常规的识别技术上，主要采用的是轮廓外形来识别的，而这种识别方法严格意义上来说，并算不上识别，只能说是检测。而且最主要的是，在港口复杂的环境中，具有相近外形的地物是有很多的，而这不能作为识别的基本特征，因此为了提高港口特定地物的识别，需要采用其它的方式方法来进行识别。
在现有的技术方案中，如申请号为201610846464.3公布的一种利用遥感影像提取港口特定地物的方法，包括：(1)对遥感影像的一个波段使用leesigma边缘提取算法，该算法使用一个特定的边缘滤波器，从原始影像中创建两个独立的边缘影像；(2)把两个边缘影像导入多尺度分割算法中，与遥感影像一起参与多尺度分割，生成影像对象；(3)判断是否满足分类要求，是则执行步骤(4)，否则执行步骤(2)；(4)利用光谱特征、边缘影像强度值、泊位矢量，分类出水域、陆域和泊位的地物；(5)利用光谱特征、形状特征、上下文关系特征、范围特征，提取泊位类别中的装卸设备类别，陆域类别中的油品及液体化工品堆场、煤炭堆场、矿石堆场、集装箱堆场、堆场后方物流仓库、围填海这些类别。此技术方案是基于边缘提取算法和多尺度分割算法的结合，并分析了遥感影像中的典型特征后，利用这些特征组合提取规则集，从而将目标地物快速、准确的识别并提取出来。虽然相对于单纯的外观轮廓来识别，其精度和识别速率已经得到了较大的提高，但是基于遥感图像的特征，这个识别方法精度并不能达到理想的要求。
综合上述技术方案和现实存在的问题，以及结合目前被广泛应用的技术方案，还存在的主要缺陷主要体现在以下几个方面：
(1)由于原始遥感图像模糊，分辨率低，直接进行处理识别，这样的准确率将有待于进一步的提高，而且需要处理的数据量比较大，直接在原始的遥感图像上，就必须要对港口海岸线进行提取，由于距离海岸线较远的海上不会存在特定的地物，及早的将其剔除出去，有利于减少不必要的计算量，从而提高后续处理的效率；
(2)对于需要识别的地物来说，其具体的特征不明确，不能够根据实时遥感图像来实时调整特征参数，而在不同的环境中，其特征参数是具有差异，如果直接套用将会导致触发修正算法，而且差异性越大识别修正的计算量就会变得很庞大。
技术实现要素：
为了克服现有技术方案的不足,本发明提供一种利用多光谱分析监测港口特定地物的方法，能有效的解决背景技术提出的问题。
本发明解决其技术问题所采用的技术方案是：一种利用多光谱分析监测港口特定地物的方法，包括如下步骤：
s100、原始图像抽样和优化，在获取的原始图像上提取模糊边界，之后优化模糊边界得到模糊地物，并获取模糊地物轮廓和位置；
s200、模糊地物的投影和获取典型相关特征点集，通过模糊地物轮廓和位置提取典型相关点集作为特征点集；
s300、特征谱提取，筛选具有相同特征的光谱组合起来形成特征谱提取基库，在特征谱提取基库选取特征点，获取特征谱；
s400、特定地物的识别，向识别器中存储上述特征光谱，并经过对比待识别地物。
作为本发明一种优选的技术方案，在步骤s100中，通过对原始图像进行抽样降低分辨率后利用dwt纹理特征和fcm聚类算法提取模糊边界，之后利用高分辨率同等位图采用改进型的主动轮廓模型优化模糊边界获取模糊地物。
作为本发明一种优选的技术方案，在步骤s100中的fcm聚类算法具体操作为：
s101、选取有序像素点集c＝{pi，i＝1,2,3,…，n}，并提取特征点集合f＝{fi，i＝1,2,3,…，m}，其中p1和pn分别表示模糊地物的起点和终端，对于标准地物来说，p1和pn是重合的，n为像素点数目，是i个特征点，m是特征点数目；
s102、设定f1＝p1；
s103、设定fn＝b*fn-1+c*f，其中b为迭代提取系数，f为提取修正系数，c为修正常数，n＝1,2，…，n，当且fm＝pn，即可认为fm是符合要求的特征点。
作为本发明一种优选的技术方案，在步骤s200中，将模糊地物和参考图像进行重投影处理，并且计算地理重叠区域以及将各波段像素点对应，记录相应的像素点集，使用典型相关分析从像素点集中提取典型相关点集。
作为本发明一种优选的技术方案，对于不同的遥感图像，用dt＝
作为本发明一种优选的技术方案，在步骤s300中，在经过提取后的光谱中，对光谱进行小波分解，剔除高频部分，并通过交互方式将相同频段的小波系数作为特征，依次筛选符合相同小波系数的光谱作为特征谱提取基库，之后经过矩阵算法和插值算法获取特征谱。
作为本发明一种优选的技术方案，特征谱提取算法的具体操作为：
s301、设i和j是任意两个特征点，并记矩阵m＝[mij]mxm，其中mij是m中的最大元素；
s302、根据i和j的序号i和j，获得j-i+1维的向量y＝[y1…yj-i+1]t，其中元素y＝xh，i+j-1，i＝1,2，…，j-i+1；
s303、y具有不同维数j-i+1，将y插值得到j-i+1维的向量h＝[h1…hn]t，其中h即为特征谱。
作为本发明一种优选的技术方案，在步骤s400中，向识别器中存储k个不同地物的特征谱h(1)，…，h(k)，设待识别地物的特征谱为h，通过将待识别地物的特征谱h逐一与不同地物特征谱h(k)进行对比，获取最相近的特征谱，且相似度在要求范围内，即可认为待识别地物即为识别器中对比的地物。
作为本发明一种优选的技术方案，相似度的具体算法：
s401、设它与第k个特征谱的匹配相似度为d(i)；
s402、
s403、当k＝argmini＝1,2，…，k{d(i)}时，即可认为待识别地物即为模板中的第k个地物，否则返回s402中重复计划，直至k＝k。
作为本发明一种优选的技术方案，当具有多个k符合计算要求时，将k值对应识别器中的地物重新使用s100中的主动轮廓模型进行轮廓优化，选取轮廓最符合的一个。
与现有技术相比，本发明的有益效果是：
(1)本发明首先通过对原始遥感图像抽样处理，并且进一步的使用dwt纹理特征和fcm聚类算法提取模糊边界，通过主动轮廓模型优化，避免了对模糊遥感图像的直接处理，减少了需要处理的像素数据，而且能够及早的通过轮廓提取，去除了不需要的噪音数据，减少了不必要的数据计算量，从而提高了实际的数据处理效率；
(2)避免了直接使用轮廓等特征部分来识别，避免了触发修正算法的可能，而且通过优化的方式直接选取待识别地物的特征谱，由于特征谱的专一性和容错性，能够尽可能的减少不必要的数据运算，而且还能够在运算结果中剔除绝大多数的结果，只保留了特征谱相近的结构，而这种结构通过循环算法再次进行轮廓对比，选取最相似的一个。
附图说明
图1为本发明的流程示意图；
图2为本发明dwt纹理特征结构示意图；
图3为本发明小波分解流程对比示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例：
如图1所示，本发明提供了一种利用多光谱分析监测港口特定地物的方法，包括如下步骤：
步骤100、原始图像抽样和优化，在将获取的原始图像进行抽样降低分辨率后利用dwt纹理特征和fcm聚类算法提取模糊边界，再获取模糊边界之后利用高分辨率同等位图采用改进型的主动轮廓模型优化模糊边界得到模糊地物，并获取模糊地物轮廓和位置。
在本步骤中，所述将原始图像进行抽样降低分辨率的作用在于使得所有的图像均处于同一个分辨率的级别上，也就是说在不能提高图像分辨率的时候，或者为了降低具体计算量的时候，有必要将遥感图像的分辨率降低，使得所有的图像分辨率均处于相同的水平上。而在遥感图像的抽样模糊化上，通常采用的方法有以下几种，最近邻点法、双线性内插法、三次卷积法、邻
点权重法、辛克插值法和stolt插值法。
综合以上几种方法，它们的具体对比如上表所示。
综合上述，在一般的计算方式以及算法中，往往采用的是辛克插值法，而在本发明中，由于需要保留原数据进行优化模型的处理，而且为了提高运算数据的速度，往往是采用计算量少的最近邻点法。而上述几类方法均是常用的遥感图像处理方法，其具体算法在此就不再赘述。
对于dwt纹理特征，需要说明的是，纹理特征描述的是在图像中反复出现的局部模式和它们的排列规则，反映了图像在宏观意义上灰度变化的一些规律，而dwt纹理特征是进行图像纹理描述、分类和分割的关键环节。在这一步骤中，常用的方法为：统计分析方法、结构分析法、模型分析方法和信号处理法。而由于港口地物一般是人为的，因此相对于自然纹理，具备一定的规则性，在进行dwt纹理特征处理时，在本发明中选取的是结构分析法，这一方法在纹理分析中受到了广泛的应用，具体算法在这里也不再介绍。
下面，着重解释fcm聚类算法的具体操作：
步骤101、选取有序像素点集c＝{pi，i＝1,2,3,…，n}，并提取特征点集合f＝{fi，i＝1,2,3,…，m}，其中p1和pn分别表示模糊地物的起点和终端，对于标准地物来说，p1和pn是重合的，n为像素点数目，是i个特征点，m是特征点数目；
步骤102、设定f1＝p1；
步骤103、设定fn＝b*fn-1+c*f，其中b为迭代提取系数，f为提取修正系数，c为修正常数，n＝1,2，…，n，当且fm＝pn，即可认为fm是符合要求的特征点。
在特征点的提取中，一般采用多边形近似法，这种方法提取特征点时能够在建立近似描述的同时，既能够保持地物基本的、主要的结构特征，又能够明显的降低待处理的数据量。
在本发明中，还需要注意的是，为了提高特征点提取的综合性效果，也就是说提高实际数据处理的速率，降低工作量，在提取了模糊轮廓之后，通常会进行封闭性测度检测。封闭性测度的检测一般针对的是大面积的地物进行，如整个港口，因此，对于特定的地物来说，除了精度要求以外，一般是不会进行封闭性测度检测的。而封闭性测度是在遥感应用中常见的技术手段，在此，由于地物检测不需要使用该算法，也就不在进行赘述。
步骤200、模糊地物的投影和获取典型相关特征点集，将模糊地物和参考图像进行重投影处理，并且计算地理重叠区域以及将各波段像素点对应，对于不同的遥感图像，用
在上述步骤s200中，插值需要处理的是不同传感器获取的遥感图像分辨率差异过大时，在进行各波段的重投影不能够对应时才会进行的，而像素对应的计算采用公式：
步骤300、特征谱提取，对光谱进行小波分解，剔除高频部分，并通过交互方式将相同频段的小波系数作为特征，依次筛选符合相同小波系数的光谱，并将其组合起来形成特征谱提取基库，在特征谱提取基库选取特征点，经过矩阵算法和插值算法获取特征谱；
特征谱提取算法的具体操作为：
步骤301、设i和j是任意两个特征点，并记矩阵m＝[mij]mxm，其中mij是m中的最大元素；
步骤302、根据i和j的序号i和j，获得j-i+1维的向量y＝[y1…yj-i+1]t，其中元素y＝xh，i+j-1，i＝1,2，…，j-i+1；
步骤303、y具有不同维数j-i+1，将y插值得到j-i+1维的向量h＝[h1…hn]t，其中h即为特征谱。
在这里提取的特征谱，需要满足一定的要求才可以被作为不同地物的特征谱或者待识别的特征谱：首先，特征光谱需要是连续的，而且在光谱的谱线中暗线和明线之间的位置重合率在41％-53％之间，及时在特征光谱中，谱线均是不连续的，那么可以选择具有一处或者几处间断，应当选择尽可能少的间断，而且在这些间断上都要以暗线或者暗带的形式出现。
步骤400、特定地物的识别，向识别器中存储k个不同地物的特征谱h(1)，…，h(k)，设待识别地物的特征谱为h，通过将待识别地物的特征谱h逐一与不同地物特征谱h(k)进行对比，获取最相近的特征谱，且相似度在要求范围内，即可认为待识别地物即为识别器中对比的地物；
相似度的具体算法：
步骤401、设它与第k个特征谱的匹配相似度为d(i)；
步骤402、
步骤403、当k＝argmini＝1,2，…，k{d(i)}时，即可认为待识别地物即为模板中的第k个地物，否则返回s402中重复计划，直至k＝k。
当具有多个k符合计算要求时，将所有的k值对应识别器中的地物重新使用s100中的主动轮廓模型进行轮廓优化，选取轮廓最符合的一个。
另外的，在本发明中，还需要进一步说明的是：
本发明首先通过对原始遥感图像抽样的模糊化处理，并且进一步的使用dwt纹理特征和fcm聚类算法提取模糊边界，通过主动轮廓模型优化，获得待识别地物的模糊轮廓，一方面避免了对模糊遥感图像的直接处理，减少了需要处理的像素数据，另一方面，及早的通过轮廓提取，去除了不需要的噪音数据，减少了不必要的数据计算量，从而提高了实际的数据处理效率。
再通过特征谱来识别，避免了直接使用轮廓等特征部分来识别，能够规避触发修正算法的可能，而且通过优化的方式直接选取待识别地物的特征谱，由于特征谱的专一性和容错性，能够尽可能的减少不必要的数据运算，而且还能够在运算结果中剔除绝大多数的结果，只保留了特征谱相近的结构，而这种结构通过循环算法再次进行轮廓对比，选取最相似的一个。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。