CN105740794A - 一种基于卫星影像的海岸线自动提取与分类方法 - Google Patents
一种基于卫星影像的海岸线自动提取与分类方法 Download PDFInfo
- Publication number
- CN105740794A CN105740794A CN201610053500.0A CN201610053500A CN105740794A CN 105740794 A CN105740794 A CN 105740794A CN 201610053500 A CN201610053500 A CN 201610053500A CN 105740794 A CN105740794 A CN 105740794A
- Authority
- CN
- China
- Prior art keywords
- coastline
- sea
- image
- atural object
- elementary cell
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Processing (AREA)
- Processing Or Creating Images (AREA)
Abstract
本发明涉及一种基于卫星影像的海岸线自动提取与分类方法,其技术特点在于包括以下步骤:步骤1、以海岸带区域精确理配准后的多光谱影像作为数据源,结合NDWI归一化水指数和水平集模型获得水边线精确轮廓;步骤2、对陆地部区域进行面向对象分割,并通过各基本单元的空间位置拓扑关系提取海岸线临海地物基本单元;步骤3、基于决策树对各个海岸线临海地物基本单元进行判定分类;步骤4、依据海岸线解译规则确定海岸线位置;步骤5、以步骤4的基于多光谱影像的海岸线位置结果以及性质信息为基础,输出基于高分辨率全色影像的海岸线矢量。本发明能够快速、准确、全面地对海岸线位置进行测绘并对其变化进行动态监测。
Description
技术领域
本发明属于海洋测绘与遥感技术领域,涉及多种图像处理与分析技术,尤其是一种基于卫星影像的海岸线自动提取与分类方法。
背景技术
作为海洋与陆地的分界线,海岸线是海陆图上最重要的地形要素之一,被国际地理信息委员会(IGDC)定为最重要的27种地表特征之一。海岸线测量是地图测绘、海道测量、海岸带调查、海岸演变研究、海岸和海域管理等的重要内容,也是重要的基础地理数据。本发明中所提及的海岸线均指代中华人民共和国国家标准[如《海洋学术语海洋地质学》(GB/T18190-2000)\《中国海图图式》(GB/T12319-1998)]所明确定义的自然海岸线,即“海岸线是指多年平均大潮高潮时水陆分界的痕迹线”。
我国海岸线漫长,包括大陆海岸线和岛屿海岸线,总长度超过32000Km。海岸类型多种多样,目前对其分类方式尚无统一的标准,可按组成的物质分类,按动态分类,按成因分类,也可按照生物对海岸的作用分类等等。参照我国近海海洋综合调查与评价专项(简称908专项)所设置的海岛海岸带卫星遥感调查任务中的相关技术规程,可将海岸线类型划分为基岩岸线、砂质岸线、粉砂淤泥质岸线、生物岸线(包含红树林和珊瑚礁海岸)和人工岸线五类。
传统的海岸线测绘方法基于常规测量手段,在野外实地通过测量拐点坐标,顺序连接后形成岸线。实测拐点的位置选择、疏密程度受测量人员和测区复杂程度影响较大,特别是对于一些淤泥质潮滩和地势起伏大的陡崖海岸,拐点实测困难甚至无法到达。另外,常规测量手段部件作业环境相对危险且花费人力物力多、效率低、工作周期长,难以快速反映海岸线的动态变化。
随着遥感技术的飞速发展,应用遥感影像探测海岸带地形信息成为海洋遥感技术发展的重点与方向。遥感技术受海况、天气、地理环境等条件限制小,有效克服地面探测中遇到的各种限制,可快速获取大范围不同尺度时空信息。特别是近年来国家开展的908和927专项,都结合遥感影像实施了海岸线解译及提取的相关任务,探索出了基于遥感影像实施人工解译判绘海岸线的作业流程,一定程度上弥补了传统测量方法的缺点,但在迅速精确提取海岸线轮廓以及清晰表达海岸线带地物细节等方面仍存在不足,因此如何快速、准确、全面地对海岸线位置进行测绘并动态监测其变化,是当前海洋测绘技术领域内迫切需要解决的问题,对实现海岸带的科学管理和持续利用意义重大。
发明内容
本发明的目的在于克服现有技术的不足,提供一种设计合理、能够快速、准确、全面地对海岸线位置进行测绘并对其变化进行动态监测的基于卫星影像的海岸线自动提取与分类方法。
本发明解决其技术问题是采取以下技术方案实现的:
一种基于卫星影像的海岸线自动提取与分类方法,包括以下步骤:
步骤1、以海岸带区域精确理配准后的多光谱影像作为数据源,结合NDWI归一化水指数和水平集模型获得水边线精确轮廓;
步骤2、对陆地部区域进行面向对象分割,通过分割后各陆地基本单元的空间位置拓扑关系提取海岸线临海地物的基本单元并对其进行几何结构、纹理特征、光谱特性的统计与分析;
步骤3、根据步骤2的统计与分析结果将海岸线临海地物的基本单元划分为人工建成区、基岩区、沙质区、粉砂淤泥质区四类,并基于决策树对各个海岸线临海地物基本单元进行判定分类;
步骤4、根据海岸线临海地物基本单元的类型判定分类结果将海岸线分为:人工海岸线、基岩海岸线、砂质海岸线和粉砂淤泥海岸线四类,并依据每类海岸线解译规则确定海岸线位置;
步骤5、以步骤4的基于多光谱影像的海岸线位置结果以及性质信息为基础,输出基于高分辨率全色影像的海岸线矢量。
而且,所述步骤1的具体步骤是:
(1)利用归一化水指数NDWI提取所述多光谱影像的初始水体轮廓;
(2)以上述水边线初始轮廓线为基础,通过水平集演化方式获得水边线精确轮廓。
而且,所述步骤3基于决策树对海岸线临海地物基本单元进行判定分类的具体方法包括如下步骤:
(1)利用归一化水指数NDWI将养殖区、人工水域和非水体区域进行区分;
(2)在非水体区域以归一化植被指数NDVI和土壤调节植被指数SAVI区分植被区和非植被区;
(3)在非植被区域中,根据海岸线临海地物基本单元的自相关分维数判断其纹理复杂程度和区域大小,从而区分人工建成区和沙滩区;
(4)将步骤1获取的水边线的精确轮廓与海岸线临海地物基本单元外轮廓进行对比,判定分类粉砂淤泥质区的海岸线临海地物基本单元。
而且,所述步骤4中四类海岸线解译规则分别为:
(1)人工岸线:将卫星遥感影像中该类地物靠海一侧***边缘作为人工海岸线;
(2)基岩岸线:将卫星遥感影像中该类地物的植被茂盛与稀疏程度明显差异处作为有植被覆盖的基岩岸线;
(3)沙质岸线:将卫星遥感影像中该类地物的砂质海滩和陆地上非砂质地物的分界线作为沙质海岸线;
(4)粉砂淤泥质岸线:当有植被覆盖时,将卫星遥感影像中该类地物的植被茂盛与稀疏程度明显差异处作为有植被覆盖的粉砂淤泥质岸线;无植被覆盖时,将卫星遥感影像中该类地物的淤泥质海滩和陆地上非淤泥质质地物的分界线作为粉砂淤泥质岸线。
而且,所述步骤5的具体方法是:将步骤4所得基于多光谱影像的海岸线结果作为初始参考数据投影到精确地理配置的高分辨率全色影像上,结合高分辨率全色影像的多尺度边缘特征,进一步精确海岸线位置后输出海岸线矢量。
而且,所述步骤1第(2)步的具体步骤包括:
①确定基于主动轮廓模型的初始水边线轮廓;
②选择水边线初始轮廓和初始化水平集函数后构造边界停止函数;
③演化水平集函数,若边界停止函数满足停止要求,则结束海陆图像分割,获得水边线精确轮廓;若边界停止函数未满足停止要求,则重构边界停止函数后继续演化水平集函数,直至边界停止函数满足停止要求。
本发明的优点和积极效果是:
1、本发明结合当前遥感影像海岸线解译标志与多年的海岸线测量经验,以海岸带区域精确地理配准后的多光谱和高分辨率全色遥感影像作为数据源,利用遥感知识和图像处理技术进行水边线、海岸线的自动提取与分类,解决传统人工作业效率低下的瓶颈问题,达到快速提取海岸线的目的。采用本发明的方法能够快速、准确、全面地对海岸线位置进行测绘并对其变化进行动态监测。
2、本发明通过结合NDWI归一化水指数和水平集模型获得水边线精确轮廓,无需人工确定初始边界,实现了水边线的全自动快速提取。
3、本发明将海岸线临海地物基本单元的几何结构、纹理特征、光谱特性进行统计分析,并根据其结果将海岸线划分为人工建成区、基岩区、砂质区、粉砂淤泥质区四类,并依据适应于海岸线解译规则,确定海岸线位置。所述适应于本发明的海岸线解译规则有利于获得准确的海岸线位置。
4、本发明利用多光谱和高分辨率遥感影像获取技术,可以清晰表达地物细节,拥有丰富的影像色彩、纹理、光谱和几何信息。将多光谱影像岸线的提取结果作为初始参考数据投影到精确地理配置的高分辨率全色影像上,结合高分辨率全色影像的多尺度边缘特征,实现进一步精确地提取海岸线位置的目的。
附图说明
图1是本发明的多光谱海陆影像处理流程图;
图2是本发明的海陆影像分割水边线提取流程图;
图3是本发明的原始多光谱影像切片图;
图4是本发明的基于NDWI提取初始水边轮廓线结果图;
图5是本发明的基于水平集演化提取精确水边轮廓线结果图;
图6是本发明的陆部区域面向对象分割结果图;
图7是本发明的海岸线临海地物基本单元覆盖区域示意图;
图8是本发明的基于决策树的临海基本单元分类判定结果图(人工建成区);
图9是本发明的基于决策树的临海基本单元分类判定结果图(基岩区);
图10是本发明的基于决策树的临海基本单元分类判定结果图(砂质区);
图11是本发明的海岸线提取结果图。
具体实施方式
以下结合附图对本发明实施例作进一步详述:
一种基于卫星影像的海岸线自动提取与分类方法,如图1和图2所示,包括以下步骤:
步骤1、以海岸带区域精确理配准后的如图3所示的多光谱影像作为数据源,结合NDWI归一化水指数和水平集模型获得水边线精确轮廓。
水边线是指某一时刻起伏不平的海面与陆地的瞬时交接线,其提取对后续海岸线的获得、潮间带分类和水深反演等研究都具有重要的意义,水边线提取的实质是海陆图像分割。
所述步骤1的具体步骤是:
(1)利用归一化水指数NDWI提取所述多光谱影像的初始水体轮廓,如图4所示;
(2)以上述水边线初始轮廓线为基础,通过水平集演化方式获得如图5所示的水边线精确轮廓,具体包括如下步骤:
①确定基于主动轮廓模型的初始水边线轮廓;
②选择水边线初始轮廓和初始化水平集函数后构造边界停止函数;
③演化水平集函数,若边界停止函数满足停止要求,则结束海陆图像分割,获得水边线精确轮廓;若边界停止函数未满足停止要求,则重构边界停止函数后继续演化水平集函数,直至边界停止函数满足停止要求。
图4中高亮白线为基于NDWI归一化水指数提取的初始水边线轮廓,由于沿岸地区水质普遍较差,所提取轮廓与实际水边线轮廓差距较大,且存在较多“躁点”;故以该轮廓作为初始轮廓,通过水平集演化方式获得精确结果,最终提取得如图5所示水边线精确轮廓。
步骤2、对陆地部区域进行面向对象分割,通过分割后各陆地基本单元的空间位置拓扑关系提取海岸线临海地物的基本单元并对其进行几何结构、纹理特征、光谱特性的统计与分析。
图像分割的根本任务是将图像划分成若干个互不重叠的小区域,并使这些小区域内的像素在某种意义下具有共同属性。本实施例中,陆部区域面向对象分割结果如6所示。而面向对象的遥感影像处理方法正是视上述同属性对象为处理的基本单元(简称基元),通过分割后各陆地基本单元的空间位置拓扑关系提取保留如图7所示的海岸线临海地物基本单元并对其进行几何结构、纹理特征、光谱特性的统计与分析,用于下一步进行地物分类。
步骤3、根据步骤2的统计与分析结果将海岸线临海地物的基本单元划分为人工建成区、基岩区、沙质区、粉砂淤泥质区四类,并基于决策树对各个海岸线临海地物基本单元进行判定分类。
所述步骤3基于决策树对海岸线临海地物基本单元进行判定分类的具体方法包括如下步骤:
(1)利用归一化水指数NDWI将养殖区、人工水域和非水体区域进行区分;
(2)在非水体区域以归一化植被指数NDVI和土壤调节植被指数SAVI区分植被区和非植被区;
(3)在非植被区域中,根据海岸线临海地物基本单元的自相关分维数判断其纹理复杂程度和区域大小,从而区分人工建成区和沙滩区;
(4)将步骤1获取的水边线的精确轮廓与海岸线临海地物基本单元外轮廓进行对比,判定分类粉砂淤泥质区的海岸线临海地物基本单元。
其中,图8至图10依次分别是本发明的基于决策树的临海基本单元分类(人工建成区、基岩区和砂质区)的判定结果图。
步骤4、根据海岸线临海地物基本单元的类型判定分类结果将海岸线分为:人工海岸线、基岩海岸线、砂质海岸线和粉砂淤泥海岸线四类,并依据每类海岸线解译规则确定海岸线位置。
完成基于决策树的海岸线临海基本单元分类后,可根据实际基本单元类型和相依岸线解译规则自动获取,如图11所示的海岸线位置和性质。
本发明的海岸线解译规则首先参照908专项《海岸带调查技术规程》和《海岛海岸带卫星遥感调查技术规程》中关于海陆分界线划分的原则,并结合本专利的算法特性和海岸带区域地物实际地理分布特点,总结得出适用于本发明方法的我国四种主要类型海岸线的解译规则:
人工岸线:《908专项海岸线修测技术规程》定义人工岸线为(由永久性人工建筑物组成的岸线,如防波堤、防潮堤、护坡、挡浪墙、码头、防潮闸、道路等挡水(潮)建筑物组成的岸线。常见的有养殖场、盐田、港口码头等,这些地物向海一侧***一般由水泥和石块构筑,作为永久性人工建筑,人工构筑物向陆一侧不存在平均大潮高潮时海水可达的水域,其向海一侧的水陆分界线即是海岸线。故可将卫星遥感影像中该类地物靠海一侧***边缘作为人工海岸线所在位置。
基岩岸线:基岩海岸由岩石组成,呈明显的起伏状态,岸线曲折。在卫星遥感影像中,基岩岸线的位置通常存在明显的水陆分界痕迹线。向海一侧通常分布有礁石、养殖区及破波带;向陆一侧则常覆盖有植被。大潮处于高水位时淹没处通常为裸岩或植被即为稀疏,故在卫星遥感影像上,可将植被茂盛与稀疏程度明显差异处作为有植被覆盖的基岩岸线所在位置。
沙质岸线:砂质海滩在图像上亮度较高,而海水在大潮时刻不能达到的地物相对亮度较低,由于砂粒是在海浪作用下冲积形成的,因此,可在卫星遥感影像上将砂质海滩和陆地上非砂质地物的分界线作为沙质海岸线所在位置。
粉砂淤泥质岸线:粉砂淤泥质主要受潮汐作用形成,因潮水冲刷滩面宽而平缓,有但滩面可达数千名甚至更宽。当有植被覆盖时,同基岩岸线解译规则类似,可通过植被茂盛与稀疏程度明显差异处即可作为有植被覆盖的粉砂淤泥质岸线的所在位置;无植被覆盖时,通常范围较小,此时与沙质岸线解译规则类似,将淤泥质海滩和陆地上非淤泥质质地物的分界线作为粉砂淤泥质岸线的所在位置。
综上所述,所述步骤4所述四类海岸线解译规则分别为:
(1)人工岸线:将卫星遥感影像中该类地物靠海一侧***边缘作为人工海岸线;
(2)基岩岸线:将卫星遥感影像中该类地物的植被茂盛与稀疏程度明显差异处作为有植被覆盖的基岩岸线;
(3)沙质岸线:将卫星遥感影像中该类地物的砂质海滩和陆地上非砂质地物的分界线作为沙质海岸线;
(4)粉砂淤泥质岸线:当有植被覆盖时,将卫星遥感影像中该类地物的植被茂盛与稀疏程度明显差异处作为有植被覆盖的粉砂淤泥质岸线;无植被覆盖时,将卫星遥感影像中该类地物的淤泥质海滩和陆地上非淤泥质质地物的分界线作为粉砂淤泥质岸线。
步骤5、以步骤4的基于多光谱影像的海岸线位置结果以及性质信息为基础,输出基于高分辨率全色影像的海岸线矢量。
所述步骤5的具体方法是:将步骤4所得基于多光谱影像的海岸线结果作为初始参考数据投影到精确地理配置的高分辨率全色影像上,结合高分辨率全色影像的多尺度边缘特征,进一步精确海岸线位置后输出海岸线矢量。
需要强调的是,本发明所述的实施例是说明性的,而不是限定性的,因此本发明包括并不限于具体实施方式中所述的实施例,凡是由本领域技术人员根据本发明的技术方案得出的其他实施方式,同样属于本发明保护的范围。
Claims (6)
1.一种基于卫星影像的海岸线自动提取与分类方法,其特征在于:包括以下步骤:
步骤1、以海岸带区域精确理配准后的多光谱影像作为数据源,结合NDWI归一化水指数和水平集模型获得水边线精确轮廓;
步骤2、对陆地部区域进行面向对象分割,通过分割后各陆地基本单元的空间位置拓扑关系提取海岸线临海地物的基本单元并对其进行几何结构、纹理特征、光谱特性的统计与分析;
步骤3、根据步骤2的统计与分析结果将海岸线临海地物的基本单元划分为人工建成区、基岩区、沙质区、粉砂淤泥质区四类,并基于决策树对各个海岸线临海地物基本单元进行判定分类;
步骤4、根据海岸线临海地物基本单元的类型判定分类结果将海岸线分为:人工海岸线、基岩海岸线、砂质海岸线和粉砂淤泥海岸线四类,并依据每类海岸线解译规则确定海岸线位置;
步骤5、以步骤4的基于多光谱影像的海岸线位置结果以及性质信息为基础,输出基于高分辨率全色影像的海岸线矢量。
2.根据权利要求1所述的一种基于卫星影像的海岸线自动提取与分类方法,其特征在于:所述步骤1的具体步骤是:
(1)利用归一化水指数NDWI提取所述多光谱影像的初始水体轮廓;
(2)以上述水边线初始轮廓线为基础,通过水平集演化方式获得水边线精确轮廓。
3.根据权利要求1所述的一种基于卫星影像的海岸线自动提取与分类方法,其特征在于:所述步骤3基于决策树对海岸线临海地物基本单元进行判定分类的具体方法包括如下步骤:
(1)利用归一化水指数NDWI将养殖区、人工水域和非水体区域进行区分;
(2)在非水体区域以归一化植被指数NDVI和土壤调节植被指数SAVI区分植被区和非植被区;
(3)在非植被区域中,根据海岸线临海地物基本单元的自相关分维数判断其纹理复杂程度和区域大小,从而区分人工建成区和沙滩区;
(4)将步骤1获取的水边线的精确轮廓与海岸线临海地物基本单元外轮廓进行对比,判定分类粉砂淤泥质区的海岸线临海地物基本单元。
4.根据权利要求1所述的一种基于卫星影像的海岸线自动提取与分类方法,其特征在于:所述步骤4中四类海岸线解译规则分别为:
(1)人工岸线:将卫星遥感影像中该类地物靠海一侧***边缘作为人工海岸线;
(2)基岩岸线:将卫星遥感影像中该类地物的植被茂盛与稀疏程度明显差异处作为有植被覆盖的基岩岸线;
(3)沙质岸线:将卫星遥感影像中该类地物的砂质海滩和陆地上非砂质地物的分界线作为沙质海岸线;
(4)粉砂淤泥质岸线:当有植被覆盖时,将卫星遥感影像中该类地物的植被茂盛与稀疏程度明显差异处作为有植被覆盖的粉砂淤泥质岸线;无植被覆盖时,将卫星遥感影像中该类地物的淤泥质海滩和陆地上非淤泥质质地物的分界线作为粉砂淤泥质岸线。
5.根据权利要求1所述的一种基于卫星影像的海岸线自动提取与分类方法,其特征在于:所述步骤5的具体方法是:将步骤4所得基于多光谱影像的海岸线结果作为初始参考数据投影到精确地理配置的高分辨率全色影像上,结合高分辨率全色影像的多尺度边缘特征,进一步精确海岸线位置后输出海岸线矢量。
6.根据权利要求2所述的一种基于卫星影像的海岸线自动提取与分类方法,其特征在于:所述步骤1第(2)步的具体步骤包括:
①确定基于主动轮廓模型的初始水边线轮廓;
②选择水边线初始轮廓和初始化水平集函数后构造边界停止函数;
③演化水平集函数,若边界停止函数满足停止要求,则结束海陆图像分割,获得水边线精确轮廓;若边界停止函数未满足停止要求,则重构边界停止函数后继续演化水平集函数,直至边界停止函数满足停止要求。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610053500.0A CN105740794B (zh) | 2016-01-27 | 2016-01-27 | 一种基于卫星影像的海岸线自动提取与分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610053500.0A CN105740794B (zh) | 2016-01-27 | 2016-01-27 | 一种基于卫星影像的海岸线自动提取与分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105740794A true CN105740794A (zh) | 2016-07-06 |
CN105740794B CN105740794B (zh) | 2019-07-05 |
Family
ID=56246596
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610053500.0A Active CN105740794B (zh) | 2016-01-27 | 2016-01-27 | 一种基于卫星影像的海岸线自动提取与分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105740794B (zh) |
Cited By (30)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106156758A (zh) * | 2016-07-29 | 2016-11-23 | 辽宁工程技术大学 | 一种sar海岸图像中海岸线提取方法 |
CN106600589A (zh) * | 2016-12-09 | 2017-04-26 | 中国科学院合肥物质科学研究院 | 一种基于海岸线区域遥感图的星载光谱仪指向配准方法 |
CN107059768A (zh) * | 2017-06-02 | 2017-08-18 | 深圳先进技术研究院 | 一种基于土地覆被利用原则的海岸线划分方法和*** |
CN107229919A (zh) * | 2017-06-05 | 2017-10-03 | 深圳先进技术研究院 | 一种用于复杂生态海岸带的生态要素处理方法及*** |
CN107247927A (zh) * | 2017-05-23 | 2017-10-13 | 浙江海洋大学 | 一种基于缨帽变换的遥感图像海岸线信息提取方法及*** |
CN107358161A (zh) * | 2017-06-08 | 2017-11-17 | 深圳先进技术研究院 | 一种基于遥感影像分类的海岸线提取方法及*** |
CN107563296A (zh) * | 2017-08-07 | 2018-01-09 | 深圳先进技术研究院 | 基岩海岸岸线的提取方法及*** |
CN107833226A (zh) * | 2017-10-26 | 2018-03-23 | 中国测绘科学研究院 | 一种基于指数型多尺度影像序列的c‑v模型对sar影像海岸线快速自动分割方法 |
CN108256534A (zh) * | 2018-01-29 | 2018-07-06 | 中国科学院地理科学与资源研究所 | 一种基于高分遥感影像的筏式海水养殖区域提取方法 |
CN108256419A (zh) * | 2017-12-05 | 2018-07-06 | 交通运输部规划研究院 | 一种利用多光谱解译提取港口码头图像的方法 |
CN108875659A (zh) * | 2018-06-26 | 2018-11-23 | 上海海事大学 | 一种基于多光谱遥感影像的海图养殖区识别方法 |
CN109146889A (zh) * | 2018-07-13 | 2019-01-04 | 洛阳中科龙网创新科技有限公司 | 一种基于高分辨率遥感图像的农田边界提取方法 |
CN109190538A (zh) * | 2018-08-24 | 2019-01-11 | 华北水利水电大学 | 一种基于遥感技术的多泥沙河流三角洲海岸带演化分析方法 |
CN109308451A (zh) * | 2018-08-09 | 2019-02-05 | 哈尔滨哈船导航技术有限公司 | 一种高分数据信息提取***及方法 |
CN110705455A (zh) * | 2019-09-29 | 2020-01-17 | 东华理工大学 | 一种基于多光谱卫星遥感影像的三七种植面积计算方法 |
CN110991393A (zh) * | 2019-12-17 | 2020-04-10 | 北京航天泰坦科技股份有限公司 | 一种海岸线变迁遥感监测与分析的方法及装置 |
CN111666918A (zh) * | 2020-06-22 | 2020-09-15 | 大连海洋大学 | 一种基于多因素的海岸线变化识别方法 |
CN111680641A (zh) * | 2020-06-11 | 2020-09-18 | 自然资源部第一海洋研究所 | 围填海影响下近岸海域可运动水体边界线辨识和划分方法 |
CN111861834A (zh) * | 2020-07-14 | 2020-10-30 | 自然资源部第一海洋研究所 | 一种基于水资源依赖程度的海岸带陆域空间用途监测调查方法 |
CN111932567A (zh) * | 2020-07-30 | 2020-11-13 | 中国科学院空天信息创新研究院 | 基于卫星影像的冰湖轮廓自动提取方法 |
CN112270236A (zh) * | 2020-10-21 | 2021-01-26 | 长春工程学院 | 基于渐变尺度间隔变化规律算子的遥感影像植被分类方法 |
CN112418506A (zh) * | 2020-11-18 | 2021-02-26 | 厦门大学 | 基于机器学习的海岸带湿地生态安全格局优化方法、装置 |
CN112711622A (zh) * | 2021-03-26 | 2021-04-27 | 中国测绘科学研究院 | 一种海岸线位置变化信息的处理方法及装置 |
CN112861719A (zh) * | 2021-02-08 | 2021-05-28 | 武汉大学 | 一种基于多时相高分辨率遥感影像的海岸线提取方法 |
CN112926465A (zh) * | 2021-03-02 | 2021-06-08 | 中国人民解放军战略支援部队信息工程大学 | 基于点云类型的海岸线性质识别方法及装置 |
CN113191989A (zh) * | 2021-05-25 | 2021-07-30 | 宁波大学 | 一种针对近岸复杂环境下淤泥质海岸的水边线遥感提取方法 |
CN113628227A (zh) * | 2021-08-02 | 2021-11-09 | 哈尔滨工业大学 | 一种基于深度学习的海岸线变化分析方法 |
CN114111724A (zh) * | 2021-12-14 | 2022-03-01 | 江苏省地质勘查技术院 | 基于航空高光谱遥感的江岸稳定性评价方法、***及设备 |
CN114821355A (zh) * | 2022-04-27 | 2022-07-29 | 生态环境部卫星环境应用中心 | 海岸线自动化识别方法和装置 |
CN116797798A (zh) * | 2023-07-03 | 2023-09-22 | 生态环境部卫星环境应用中心 | 基于尺度变换的海岸线快速提取方法和装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102013015A (zh) * | 2010-12-02 | 2011-04-13 | 南京大学 | 一种面向对象的遥感影像海岸线提取方法 |
CN103123723A (zh) * | 2013-01-23 | 2013-05-29 | 中国人民解放军信息工程大学 | 一种基于Canny边缘检测与主动轮廓模型的水边线提取方法 |
CN104732215A (zh) * | 2015-03-25 | 2015-06-24 | 广西大学 | 一种基于信息向量机的遥感影像海岸线提取方法 |
CN105138992A (zh) * | 2015-08-28 | 2015-12-09 | 大连海事大学 | 一种基于区域主动轮廓模型的海岸线检测方法 |
-
2016
- 2016-01-27 CN CN201610053500.0A patent/CN105740794B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102013015A (zh) * | 2010-12-02 | 2011-04-13 | 南京大学 | 一种面向对象的遥感影像海岸线提取方法 |
CN103123723A (zh) * | 2013-01-23 | 2013-05-29 | 中国人民解放军信息工程大学 | 一种基于Canny边缘检测与主动轮廓模型的水边线提取方法 |
CN104732215A (zh) * | 2015-03-25 | 2015-06-24 | 广西大学 | 一种基于信息向量机的遥感影像海岸线提取方法 |
CN105138992A (zh) * | 2015-08-28 | 2015-12-09 | 大连海事大学 | 一种基于区域主动轮廓模型的海岸线检测方法 |
Non-Patent Citations (2)
Title |
---|
孙伟富等: "不同类型海岸线遥感解译标志建立和提取方法研究", 《测绘通报》 * |
马小峰: "海岸线卫星遥感提取方法研究", 《海洋环境科学》 * |
Cited By (52)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106156758A (zh) * | 2016-07-29 | 2016-11-23 | 辽宁工程技术大学 | 一种sar海岸图像中海岸线提取方法 |
CN106156758B (zh) * | 2016-07-29 | 2019-08-13 | 辽宁工程技术大学 | 一种sar海岸图像中海岸线提取方法 |
CN106600589A (zh) * | 2016-12-09 | 2017-04-26 | 中国科学院合肥物质科学研究院 | 一种基于海岸线区域遥感图的星载光谱仪指向配准方法 |
CN106600589B (zh) * | 2016-12-09 | 2019-08-30 | 中国科学院合肥物质科学研究院 | 一种基于海岸线区域遥感图的星载光谱仪指向配准方法 |
CN107247927A (zh) * | 2017-05-23 | 2017-10-13 | 浙江海洋大学 | 一种基于缨帽变换的遥感图像海岸线信息提取方法及*** |
CN107247927B (zh) * | 2017-05-23 | 2022-11-18 | 浙江海洋大学 | 一种基于缨帽变换的遥感图像海岸线信息提取方法及*** |
CN107059768A (zh) * | 2017-06-02 | 2017-08-18 | 深圳先进技术研究院 | 一种基于土地覆被利用原则的海岸线划分方法和*** |
CN107059768B (zh) * | 2017-06-02 | 2019-11-05 | 深圳先进技术研究院 | 一种基于土地覆被利用原则的海岸线划分方法和*** |
CN107229919A (zh) * | 2017-06-05 | 2017-10-03 | 深圳先进技术研究院 | 一种用于复杂生态海岸带的生态要素处理方法及*** |
CN107358161B (zh) * | 2017-06-08 | 2020-01-10 | 深圳先进技术研究院 | 一种基于遥感影像分类的海岸线提取方法及*** |
CN107358161A (zh) * | 2017-06-08 | 2017-11-17 | 深圳先进技术研究院 | 一种基于遥感影像分类的海岸线提取方法及*** |
CN107563296B (zh) * | 2017-08-07 | 2021-01-19 | 深圳先进技术研究院 | 基岩海岸岸线的提取方法及*** |
CN107563296A (zh) * | 2017-08-07 | 2018-01-09 | 深圳先进技术研究院 | 基岩海岸岸线的提取方法及*** |
CN107833226A (zh) * | 2017-10-26 | 2018-03-23 | 中国测绘科学研究院 | 一种基于指数型多尺度影像序列的c‑v模型对sar影像海岸线快速自动分割方法 |
CN107833226B (zh) * | 2017-10-26 | 2021-05-11 | 中国测绘科学研究院 | 一种基于指数型多尺度影像序列的c-v模型对sar影像海岸线快速自动分割方法 |
CN108256419B (zh) * | 2017-12-05 | 2018-11-23 | 交通运输部规划研究院 | 一种利用多光谱解译提取港口码头图像的方法 |
US10325151B1 (en) | 2017-12-05 | 2019-06-18 | Transport Planning and Research Institute Ministry of Transport | Method of extracting image of port wharf through multispectral interpretation |
CN108256419A (zh) * | 2017-12-05 | 2018-07-06 | 交通运输部规划研究院 | 一种利用多光谱解译提取港口码头图像的方法 |
CN108256534A (zh) * | 2018-01-29 | 2018-07-06 | 中国科学院地理科学与资源研究所 | 一种基于高分遥感影像的筏式海水养殖区域提取方法 |
CN108875659A (zh) * | 2018-06-26 | 2018-11-23 | 上海海事大学 | 一种基于多光谱遥感影像的海图养殖区识别方法 |
CN108875659B (zh) * | 2018-06-26 | 2022-04-22 | 上海海事大学 | 一种基于多光谱遥感影像的海图养殖区识别方法 |
CN109146889B (zh) * | 2018-07-13 | 2021-11-19 | 洛阳中科龙网创新科技有限公司 | 一种基于高分辨率遥感图像的农田边界提取方法 |
CN109146889A (zh) * | 2018-07-13 | 2019-01-04 | 洛阳中科龙网创新科技有限公司 | 一种基于高分辨率遥感图像的农田边界提取方法 |
CN109308451A (zh) * | 2018-08-09 | 2019-02-05 | 哈尔滨哈船导航技术有限公司 | 一种高分数据信息提取***及方法 |
CN109190538B (zh) * | 2018-08-24 | 2021-06-08 | 华北水利水电大学 | 一种基于遥感技术的多泥沙河流三角洲海岸带演化分析方法 |
CN109190538A (zh) * | 2018-08-24 | 2019-01-11 | 华北水利水电大学 | 一种基于遥感技术的多泥沙河流三角洲海岸带演化分析方法 |
CN110705455B (zh) * | 2019-09-29 | 2023-04-07 | 东华理工大学 | 一种基于多光谱卫星遥感影像的三七种植面积计算方法 |
CN110705455A (zh) * | 2019-09-29 | 2020-01-17 | 东华理工大学 | 一种基于多光谱卫星遥感影像的三七种植面积计算方法 |
CN110991393A (zh) * | 2019-12-17 | 2020-04-10 | 北京航天泰坦科技股份有限公司 | 一种海岸线变迁遥感监测与分析的方法及装置 |
CN111680641A (zh) * | 2020-06-11 | 2020-09-18 | 自然资源部第一海洋研究所 | 围填海影响下近岸海域可运动水体边界线辨识和划分方法 |
CN111680641B (zh) * | 2020-06-11 | 2024-02-27 | 自然资源部第一海洋研究所 | 围填海影响下近岸海域可运动水体边界线辨识和划分方法 |
WO2021258758A1 (zh) * | 2020-06-22 | 2021-12-30 | 大连海洋大学 | 一种基于多因素的海岸线变化识别方法 |
CN111666918A (zh) * | 2020-06-22 | 2020-09-15 | 大连海洋大学 | 一种基于多因素的海岸线变化识别方法 |
CN111666918B (zh) * | 2020-06-22 | 2023-08-15 | 大连海洋大学 | 一种基于多因素的海岸线变化识别方法 |
CN111861834A (zh) * | 2020-07-14 | 2020-10-30 | 自然资源部第一海洋研究所 | 一种基于水资源依赖程度的海岸带陆域空间用途监测调查方法 |
CN111932567B (zh) * | 2020-07-30 | 2022-09-06 | 中国科学院空天信息创新研究院 | 基于卫星影像的冰湖轮廓自动提取方法 |
CN111932567A (zh) * | 2020-07-30 | 2020-11-13 | 中国科学院空天信息创新研究院 | 基于卫星影像的冰湖轮廓自动提取方法 |
CN112270236B (zh) * | 2020-10-21 | 2022-07-19 | 长春工程学院 | 基于渐变尺度间隔变化规律算子的遥感影像植被分类方法 |
CN112270236A (zh) * | 2020-10-21 | 2021-01-26 | 长春工程学院 | 基于渐变尺度间隔变化规律算子的遥感影像植被分类方法 |
CN112418506B (zh) * | 2020-11-18 | 2022-07-26 | 厦门大学 | 基于机器学习的海岸带湿地生态安全格局优化方法、装置 |
CN112418506A (zh) * | 2020-11-18 | 2021-02-26 | 厦门大学 | 基于机器学习的海岸带湿地生态安全格局优化方法、装置 |
CN112861719A (zh) * | 2021-02-08 | 2021-05-28 | 武汉大学 | 一种基于多时相高分辨率遥感影像的海岸线提取方法 |
CN112926465A (zh) * | 2021-03-02 | 2021-06-08 | 中国人民解放军战略支援部队信息工程大学 | 基于点云类型的海岸线性质识别方法及装置 |
CN112711622A (zh) * | 2021-03-26 | 2021-04-27 | 中国测绘科学研究院 | 一种海岸线位置变化信息的处理方法及装置 |
CN113191989A (zh) * | 2021-05-25 | 2021-07-30 | 宁波大学 | 一种针对近岸复杂环境下淤泥质海岸的水边线遥感提取方法 |
CN113191989B (zh) * | 2021-05-25 | 2021-11-19 | 宁波大学 | 一种针对近岸复杂环境下淤泥质海岸的水边线遥感提取方法 |
CN113628227A (zh) * | 2021-08-02 | 2021-11-09 | 哈尔滨工业大学 | 一种基于深度学习的海岸线变化分析方法 |
CN113628227B (zh) * | 2021-08-02 | 2022-05-17 | 哈尔滨工业大学 | 一种基于深度学习的海岸线变化分析方法 |
CN114111724A (zh) * | 2021-12-14 | 2022-03-01 | 江苏省地质勘查技术院 | 基于航空高光谱遥感的江岸稳定性评价方法、***及设备 |
CN114821355A (zh) * | 2022-04-27 | 2022-07-29 | 生态环境部卫星环境应用中心 | 海岸线自动化识别方法和装置 |
CN116797798A (zh) * | 2023-07-03 | 2023-09-22 | 生态环境部卫星环境应用中心 | 基于尺度变换的海岸线快速提取方法和装置 |
CN116797798B (zh) * | 2023-07-03 | 2024-01-09 | 生态环境部卫星环境应用中心 | 基于尺度变换的海岸线快速提取方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN105740794B (zh) | 2019-07-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105740794A (zh) | 一种基于卫星影像的海岸线自动提取与分类方法 | |
Qiao et al. | 55-year (1960–2015) spatiotemporal shoreline change analysis using historical DISP and Landsat time series data in Shanghai | |
Kaliraj et al. | Mapping of coastal landforms and volumetric change analysis in the south west coast of Kanyakumari, South India using remote sensing and GIS techniques | |
Misra et al. | A study on the shoreline changes and Land-use/land-cover along the South Gujarat coastline | |
Thampanya et al. | Coastal erosion and mangrove progradation of Southern Thailand | |
Choi et al. | Quantitative estimation of intertidal sediment characteristics using remote sensing and GIS | |
Eamer et al. | Quantifying sand storage capacity of large woody debris on beaches using LiDAR | |
Kassouk et al. | Object-oriented classification of a high-spatial resolution SPOT5 image for mapping geology and landforms of active volcanoes: Semeru case study, Indonesia | |
Fan et al. | Monitoring tidal flat dynamics affected by human activities along an eroded coast in the Yellow River Delta, China | |
Hu et al. | Monitoring coastline variations in the Pearl River Estuary from 1978 to 2018 by integrating Canny edge detection and Otsu methods using long time series Landsat dataset | |
Amer et al. | Propensity for erosion and deposition in a deltaic wetland complex: Implications for river management and coastal restoration | |
Huiping et al. | Landscape and water quality change detection in urban wetland: A post-classification comparison method with IKONOS data | |
CN114821355B (zh) | 海岸线自动化识别方法和装置 | |
Mao et al. | Efficient measurement of large-scale decadal shoreline change with increased accuracy in tide-dominated coastal environments with Google Earth Engine | |
Nag et al. | Integration of GIS and remote sensing in groundwater investigations: a case study in Gangajalghati Block, Bankura District, West Bengal, India | |
Embabi et al. | A semi-automated approach for mapping geomorphology of El Bardawil Lake, Northern Sinai, Egypt, using integrated remote sensing and GIS techniques | |
El-Asmar et al. | Morphodynamic changes as an impact of human intervention at the Ras El-Bar-Damietta Harbor coast, NW Damietta promontory, Nile Delta, Egypt | |
Tsai | Monitoring 23-year of shoreline changes of the Zengwun Estuary in Southern Taiwan using time-series Landsat data and edge detection techniques | |
Sushanth et al. | Temporal land-use change analysis of Patiala-Ki-Rao watershed in Shivalik Foot-Hills using Remote Sensing and GIS | |
Aarninkhof et al. | Video-based, quantitative assessment of intertidal beach variability | |
Xu et al. | Extraction and spatiotemporal evolution analysis of tidal flats in the Bohai Rim during 1984–2019 based on remote sensing | |
Brook et al. | Rock surface modeling as a tool to assess the morphology of inland notches, Mount Carmel, Israel | |
Khorshiddoust et al. | A comparative study of the surface level changes of Urmia Lake and Aral Lake during the period of 1988 to 2018 using satellite images | |
Chandrasekar et al. | Geospatial analysis of coastal geomorphological vulnerability along southern Tamil Nadu Coast | |
KAUFMAN | Tampa Bay Environmental Restoration Fund Final Report: Hard Bottom Mapping and Characterization for Restoration Planning in Tampa Bay |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |