CN107358161B - 一种基于遥感影像分类的海岸线提取方法及*** - Google Patents
一种基于遥感影像分类的海岸线提取方法及*** Download PDFInfo
- Publication number
- CN107358161B CN107358161B CN201710431726.4A CN201710431726A CN107358161B CN 107358161 B CN107358161 B CN 107358161B CN 201710431726 A CN201710431726 A CN 201710431726A CN 107358161 B CN107358161 B CN 107358161B
- Authority
- CN
- China
- Prior art keywords
- data
- sensing image
- remote sensing
- sea
- land
- 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.)
- Active
Links
Images
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
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种基于遥感影像分类的海岸线提取方法及***。包括:对输入的遥感影像进行多尺度分割,提取遥感影像中的第一海陆交界线数据和第二海陆交界线数据,得到向陆一侧的外边界数据;在该外边界数据上进行采样,并在每个采样点上计算两个海陆交界线数据的第一水线差数据;计算两幅遥感影像的第一潮位和第二潮位,以及待提取区域的最高潮位,并计算第一潮位与第二潮位之间的第一潮差,以及第二潮位与最高潮位之间的第二潮差;根据第一潮差、第二潮差以及第一水线差数据计算最高潮位的第二水线差数据,根据第二水线差数据向陆一侧推移所有的采样点后进行样条插值,得到待提取区域的海岸线数据。本发明可以有效地提高海岸线提取效率和精度。
Description
技术领域
本发明涉及生态环境监测技术领域,特别涉及一种基于遥感影像分类的海岸线提取方法及***。
背景技术
海岸线是海洋与陆地的功能分界线。其中,一般粉砂淤泥质光滩海岸岸线又是我国海岸线的重要组成部分。一般粉砂淤泥质光滩海岸的滩面十分平缓,坡度仅有1/1000~1/3000。一般粉砂淤泥质光滩海岸的潮间带范围较广阔,在潮间带上可以看到明显的潮沟发育。对一般粉砂淤泥质光滩海岸岸线进行识别提取,不仅是开展海陆耦合作用、城市扩张、沿海区域开发等工作内容的前提条件,同时也是地理信息管理、海岸带调查等研究工作的重要课题。
传统的粉砂淤泥质光滩海岸岸线提取方法往往依赖于实地数据测绘,即由测绘人员于大潮或高潮时期在实地利用摄影测量技术和一定的仪器设备进行实时测量,这种方法费时费力,效率极低、而且受人为经验影响严重,最关键的问题是不能对全海岸线进行实时、动态地测量,很难反映海岸线的动态变化。为了改进实地测绘的效率问题,基于遥感技术的海岸线提取方法脱颖而出。现有基于遥感技术的粉砂淤泥质光滩海岸岸线提取一般利用遥感影像分类方法来提取海岸线,利用目标地物的光谱和结构特点,通过目视解译的方法直接从遥感影像上获取海岸线的空间位置信息。但是由于航空摄影或卫星过境时的时间很难与当地的高潮时间点对应起来,所以一般遥感监督、半监督或非监督分类所提取的水陆边界往往都不是真正意义上的海岸线(将影像数据中的水陆交界线作为了该海岸的海岸线)。就现有相关技术来看,大部分的海岸线自动提取算法都是研究如何利用数字图像处理技术来提取瞬时水陆界线,其本质上是一个数字图像分割聚类的过程,相关的技术方法很多,其基本技术方案如下:
A、输入单时间序列遥感影像数据;主要包括Landsat(美国陆地探测卫星***)、SPOT(地点)、SAR(合成孔径雷达)、QuickBird(快鸟卫星)、IKONOS(伊科诺斯卫星)等;
B、海岸线分类特征选取;主要包括色调、颜色、形状、大小、纹理、阴影、相关布局等;
C、水域与陆地区域解译方法研究:主要包括目视解译、监督分类、半监督分类、非监督分类等;
D、海岸线自动追踪算法:主要包括Roberts算法、Prewitt算法、Sobel算法、Laplace算法、Canny算法等。
综上所述,虽然遥感技术具有实时、动态、周期短、范围大等优势,但是现有基于遥感技术的海岸线提取方法却仅仅将影像数据中的水陆交界线作为了该海岸的海岸线,但实际情况是一般遥感影像的成像时间往往都不能准确对应当地的大潮或高潮水位线,所以必须利用一般潮位水线推演高潮水线,因此,识别或提取严格意义上的海岸线的技术还很不成熟。
发明内容
本发明提供了一种基于遥感影像分类的海岸线提取方法及***,旨在至少在一定程度上解决现有技术中的上述技术问题之一。
为了解决上述问题,本发明提供了如下技术方案:
一种基于遥感影像分类的海岸线提取方法,包括以下步骤:
步骤a:对输入的遥感影像进行多尺度分割,其中,所述输入的遥感影像包括位于同一区域的第一遥感影像和第二遥感影像;
步骤b:提取所述第一遥感影像和第二遥感影像中的第一海陆交界线数据和第二海陆交界线数据,并合并所述第一海陆交界线数据和第二海陆交界线数据,根据合并数据得到向陆一侧的外边界数据;
步骤c:在所述向陆一侧的外边界数据上进行采样,并在每个采样点上计算所述第一海陆交界线数据和第二海陆交界线数据的第一水线差数据;
步骤d:通过验潮数据或者潮汐模型数据分别得到第一遥感影像和第二遥感影像的第一潮位和第二潮位,以及待提取区域的最高潮位,并计算所述第一潮位与第二潮位之间的第一潮差,以及所述第二潮位与最高潮位之间的第二潮差;
步骤e:根据所述第一潮差、第二潮差以及第一水线差数据计算所述最高潮位的第二水线差数据,并根据所述第二水线差数据向陆一侧推移所有的采样点后进行样条插值,得到所述待提取区域的海岸线数据。
本发明实施例采取的技术方案还包括:在所述步骤a中,所述对输入的遥感影像进行多尺度分割具体为:利用面向对象的图像分类方法对输入的遥感影像进行多尺度分割,所述多尺度分割的多光谱波段包括蓝绿谱段B1、绿谱段B2、红谱段B3和近红外谱段B4,每个多光谱波段的权重因子Qi为:
本发明实施例采取的技术方案还包括:在所述步骤a中,所述对输入的遥感影像进行多尺度分割具体包括:
步骤a1:分别设置分割尺度、形状因子和紧致度因子的数值;
步骤a2:根据权重因子、分割尺度、形状因子和紧致度因子分别对多光谱波段B1、B2、B3和B4进行多尺度分割。
本发明实施例采取的技术方案还包括:在所述步骤b中,所述提取第一遥感影像和第二遥感影像中的第一海陆交界线数据和第二海陆交界线数据具体为:根据多尺度分割后的对象建立运算特征“NDWI”,利用阈值分类法提取所述第一遥感影像和第二遥感影像中的海水区域,通过空间数据处理将所述第一遥感影像和第二遥感影像中的海水区域的面矢量数据转为线矢量数据,并根据线矢量数据得到所述第一遥感影像和第二遥感影像中的第一海陆交界线数据和第二海陆交界线数据;其中,所述“NDWI”的计算公式为:
本发明实施例采取的技术方案还包括:在所述步骤e中,所述第二水线差数据ΔSBC的计算公式为:
上述公式中,ΔTAB表示第一潮差、ΔTBC表示第二潮差、ΔSAB表示第一水线差数据,i表示采样点序号。
本发明实施例采取的另一技术方案为:一种基于遥感影像分类的海岸线提取***,包括:
影像分割模块:用于对输入的遥感影像进行多尺度分割,其中,所述输入的遥感影像包括位于同一区域的第一遥感影像和第二遥感影像;
海陆交界线提取模块:用于提取所述第一遥感影像和第二遥感影像中的第一海陆交界线数据和第二海陆交界线数据;
海陆交界线合并模块:用于合并所述第一海陆交界线数据和第二海陆交界线数据,根据合并数据得到向陆一侧的外边界数据;
第一水线差计算模块:用于在所述向陆一侧的外边界数据上进行采样,并在每个采样点上计算所述第一海陆交界线数据和第二海陆交界线数据的第一水线差数据;
潮差计算模块:用于通过验潮数据或者潮汐模型数据分别得到第一遥感影像和第二遥感影像的第一潮位和第二潮位,以及待提取区域的最高潮位,并计算所述第一潮位与第二潮位之间的第一潮差,以及所述第二潮位与最高潮位之间的第二潮差;
第二水线差计算模块:用于根据所述第一潮差、第二潮差以及第一水线差数据计算所述最高潮位的第二水线差数据;
岸线计算模块:用于根据所述第二水线差数据向陆一侧推移所有的采样点后进行样条插值,得到所述待提取区域的海岸线数据。
本发明实施例采取的技术方案还包括:所述影像分割模块对输入的遥感影像进行多尺度分割具体为:利用面向对象的图像分类方法对输入的遥感影像进行多尺度分割,所述多尺度分割的多光谱波段包括蓝绿谱段B1、绿谱段B2、红谱段B3和近红外谱段B4,每个多光谱波段的权重因子Qi为:
本发明实施例采取的技术方案还包括:所述影像分割模块对输入的遥感影像进行多尺度分割具体为:分别设置分割尺度、形状因子和紧致度因子的数值;根据权重因子、分割尺度、形状因子和紧致度因子分别对多光谱波段B1、B2、B3和B4进行多尺度分割。
本发明实施例采取的技术方案还包括海水区域提取模块,所述海水区域提取模块用于根据多尺度分割后的对象建立运算特征“NDWI”,利用阈值分类法提取所述第一遥感影像和第二遥感影像中的海水区域,所述海陆交界线提取模块通过空间数据处理将所述第一遥感影像和第二遥感影像中的海水区域的面矢量数据转为线矢量数据,并根据线矢量数据得到所述第一遥感影像和第二遥感影像中的第一海陆交界线数据和第二海陆交界线数据;其中,所述“NDWI”的计算公式为:
本发明实施例采取的技术方案还包括:所述第二水线差数据ΔSBC的计算公式为:
上述公式中,ΔTAB表示第一潮差、ΔTBC表示第二潮差、ΔSAB表示第一水线差数据,i表示采样点序号。
相对于现有技术,本发明实施例产生的有益效果在于:本发明实施例的基于遥感影像分类的海岸线提取方法及***通过将水线识别技术和岸线推演技术按照一般粉砂淤泥质光滩海岸的自然属性和格局特点有效地结合到了一起,解决了现有海岸线自动提取技术往往将瞬时水陆交界线默认为该海岸的海岸线所产生的岸线偏差问题。本发明方案简单,对数据的质量要求较低,运算参数很少,计算效率较高,鲁棒性强,得到的海岸线提取结果较为可靠,可以有效地提高海岸线提取效率和精度。
附图说明
图1是本发明实施例的基于遥感影像分类的海岸线提取方法的流程图;
图2是本发明实施例的基于遥感影像分类的海岸线提取***的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
请参阅图1,是本发明实施例的基于遥感影像分类的海岸线提取方法的流程图。本发明实施例的基于遥感影像分类的海岸线提取方法包括以下步骤:
步骤100:输入第一遥感影像;
在步骤100中,输入的第一遥感影像为GF-2(高分二号)遥感影像,在本发明其他实施例中,输入的遥感影像还可以为其他类型的遥感影像。
步骤200:将输入的第一遥感影像的4个多光谱波段依次命名为B1(蓝绿谱段)、B2(绿谱段)、B3(红谱段)和B4(近红外谱段);
步骤300:利用面向对象的图像分类方法对第一遥感影像进行多尺度分割(Multiresolution Segmentation);
在步骤300中,多尺度分割的步骤如下:
步骤301:参与多尺度分割的多光谱波段包括B1、B2、B3、B4,每个多光谱波段的权重因子Qi如下:
步骤302:设置分割尺度(Scale Parameter);
在本发明实施例中,分割尺度的数值设置为Scale Parameter≤40,具体可根据实际需求进行设定。
步骤303:设置形状因子(Shape);
在本发明实施例中,形状因子的数值设置为Shape≤0.1,具体可根据实际需求进行设定。
步骤304:设置紧致度因子(Compactness);
在本发明实施例中,紧致度因子的数值设置为Compactness≤0.3,具体可根据实际需求进行设定。
步骤305:根据权重因子、分割尺度、形状因子和紧致度因子分别对多光谱波段B1、B2、B3和B4进行多尺度分割,并将多尺度分割后产生的对象赋类为“unclassified”。
步骤400:根据多尺度分割后的对象建立运算特征“NDWI(Normalized DifferenceWater Index,归一化水指数,用遥感影像的特定波段进行归一化差值处理,以凸显影像中的水体信息)”,并利用阈值分类法提取第一遥感影像中的海水区域;
在步骤400中,“NDWI”的计算公式如下:
在公式(2)中,B2为第一遥感影像绿波段的亮度值,B4为第一遥感影像近红外波段的亮度值。
上述中,阈值分类法是将满足一定阈值条件的对象由“unclassified”赋值为海水“seawater”的过程,其计算公式如下:
在公式(3)中,α为提取阈值,可根据实际需求进行设定。
步骤500:通过空间数据处理将第一遥感影像中的海水区域的面矢量数据转为线矢量数据,并根据线矢量数据得到第一遥感影像中的一般粉砂淤泥质光滩海岸的第一海陆交界线数据SA;
步骤600:输入与第一遥感影像位于同一区域的第二遥感影像,并重新执行步骤200至步骤500,得到第二遥感影像中的一般粉砂淤泥质光滩海岸的第二海陆交界线数据SB;
步骤800:在外边界数据SA+B上每间隔一定距离d进行采样,并在每一个采样点上计算该位置的第一海陆交界线数据SA和第二海陆交界线数据SB在空间上的第一水线差数据ΔSAB,计算公式如下:
在公式(4)中,i表示采样点序号。本发明实施例通过采用将连续线矢量数据转化成离散点矢量数据的采样方法,解决了连续线矢量数据不便于空间计算的问题;其中,采样间隔距离d的数值由用户根据需求进行设定。
步骤900:通过验潮数据或者潮汐模型数据得到第一遥感影像和第一遥感影像在成像时的第一潮位TA与第二潮位TB,并计算第一潮位TA与第二潮位TB之间的第一潮差ΔTAB,计算公式如下:
ΔTAB=|TA-TB| (5)
步骤1000:通过验潮数据或者潮汐模型数据得到待提取区域的最高潮位TC,并计算第二潮位TB与最高潮位TC之间的第二潮差ΔTBC;
ΔTBC=|TB-TC| (6)
步骤1100:基于潮差ΔT与水线差ΔS之间的线性关系,根据第一潮差ΔTAB、第二潮差ΔTBC以及第一水线差数据ΔSAB推算出最高潮位TC所对应的第二水线差数据ΔSBC;
步骤1200:将所有的采样点向陆一侧推移ΔSBCi后进行多次样条插值,将离散点矢量数据转化成平滑、连续的线矢量数据,最终得到待提取区域的一般粉砂淤泥质光滩海岸的岸线数据SC。
在步骤1200中,样条插值次数为三次,具体可根据时间需求进行设定。
请参阅图2,是本发明实施例的基于遥感影像分类的海岸线提取***的结构示意图。本发明实施例的基于遥感影像分类的海岸线提取***包括影像输入模块、影像命名模块、影像分割模块、海水区域提取模块、海陆交界线提取模块、海陆交界线合并模块、第一水线差计算模块、潮差计算模块、第二水线差计算模块和岸线计算模块。
影像输入模块:用于输入遥感影像;在本发明实施例中,输入的遥感影像包括位于同一区域的第一遥感影像和第二遥感影像,第一遥感影像和第二遥感影像分别为GF-2(高分二号)遥感影像。
影像命名模块:用于将第一遥感影像和第二遥感影像的4个多光谱波段依次命名为B1(蓝绿谱段)、B2(绿谱段)、B3(红谱段)和B4(近红外谱段);
影像分割模块:用于利用面向对象的图像分类方法分别对第一遥感影像和第二遥感影像进行多尺度分割;其中,多尺度分割具体包括:
1:参与多尺度分割的多光谱波段包括B1、B2、B3、B4,每个多光谱波段的权重因子Qi如下:
2:设置分割尺度(Scale Parameter);在本发明实施例中,分割尺度的数值设置为Scale Parameter≤40,具体可根据实际需求进行设定。
3:设置形状因子(Shape);在本发明实施例中,形状因子的数值设置为Shape≤0.1,具体可根据实际需求进行设定。
4:设置紧致度因子(Compactness);在本发明实施例中,紧致度因子的数值设置为Compactness≤0.3,具体可根据实际需求进行设定。
5:根据权重因子、分割尺度、形状因子和紧致度因子分别对多光谱波段B1、B2、B3和B4进行多尺度分割,并将多尺度分割后产生的对象赋类为“unclassified”。
海水区域提取模块:用于根据多尺度分割后的对象建立运算特征“NDWI((Normalized Difference Water Index,归一化水指数))”,并利用阈值分类法分别提取第一遥感影像和第二遥感影像中的海水区域;其中,“NDWI”的计算公式如下:
在公式(2)中,B2为第一遥感影像和第二遥感影像绿波段的亮度值,B4为第一遥感影像和第二遥感影像近红外波段的亮度值。
上述中,阈值分类法是将满足一定阈值条件的对象由“unclassified”赋值为海水“seawater”的过程,其计算公式如下:
在公式(3)中,α为提取阈值,可根据实际需求进行设定。
海陆交界线提取模块:用于通过空间数据处理分别将第一遥感影像和第二遥感影像中的海水区域的面矢量数据转为线矢量数据,并根据线矢量数据得到第一遥感影像和第二遥感影像中的一般粉砂淤泥质光滩海岸的第一海陆交界线数据SA和第二海陆交界线数据SB;
第一水线差计算模块:用于在外边界数据SA+B上每间隔一定距离d进行采样,并在每一个采样点上计算该位置的第一海陆交界线数据SA和第二海陆交界线数据SB在空间上的第一水线差数据ΔSAB,计算公式如下:
在公式(4)中,i表示采样点序号。本发明实施例通过采用将连续线矢量数据转化成离散点矢量数据的采样方法,解决了连续线矢量数据不便于空间计算的问题;其中,采样间隔距离d的数值由用户根据需求进行设定。
潮差计算模块包括:
第一潮差计算单元:用于通过验潮数据或者潮汐模型数据得到第一遥感影像和第一遥感影像在成像时的第一潮位TA与第二潮位TB,并计算第一潮位TA与第二潮位TB之间的第一潮差ΔTAB,计算公式如下:
ΔTAB=|TA-TB| (5)
第二潮差计算单元:用于通过验潮数据或者潮汐模型数据得到待提取区域的最高潮位TC,并计算第二潮位TB与最高潮位TC之间的第二潮差ΔTBC;
ΔTBC=|TB-TC| (6)
第二水线差计算模块:用于基于潮差ΔT与水线差ΔS之间的线性关系,根据第一潮差ΔTAB、第二潮差ΔTBC以及第一水线差数据ΔSAB推算出最高潮位TC所对应的第二水线差数据ΔSBC;
岸线计算模块:用于将所有的采样点向陆一侧推移ΔSBCi后进行多次样条插值,将离散点矢量数据转化成平滑、连续的线矢量数据,最终得到待提取区域的一般粉砂淤泥质光滩海岸的岸线数据SC;其中,样条插值次数为三次,具体可根据时间需求进行设定。
本发明实施例的基于遥感影像分类的海岸线提取方法及***通过将水线识别技术和岸线推演技术按照一般粉砂淤泥质光滩海岸的自然属性和格局特点有效地结合到了一起,解决了现有海岸线自动提取技术往往将瞬时水陆交界线默认为该海岸的海岸线所产生的岸线偏差问题。本发明方案简单,对数据的质量要求较低,运算参数很少,计算效率较高,鲁棒性强,得到的海岸线提取结果较为可靠,可以有效地提高海岸线提取效率和精度。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (8)
1.一种基于遥感影像分类的海岸线提取方法,其特征在于,包括以下步骤:
步骤a:对输入的遥感影像进行多尺度分割,其中,所述输入的遥感影像包括位于同一区域的第一遥感影像和第二遥感影像;
步骤b:提取所述第一遥感影像和第二遥感影像中的第一海陆交界线数据和第二海陆交界线数据,并合并所述第一海陆交界线数据和第二海陆交界线数据,根据合并数据得到向陆一侧的外边界数据;
步骤c:在所述向陆一侧的外边界数据上进行采样,并在每个采样点上计算所述第一海陆交界线数据和第二海陆交界线数据的第一水线差数据;
步骤d:通过验潮数据或者潮汐模型数据分别得到第一遥感影像和第二遥感影像的第一潮位和第二潮位,以及待提取区域的最高潮位,并计算所述第一潮位与第二潮位之间的第一潮差,以及所述第二潮位与最高潮位之间的第二潮差;
步骤e:根据所述第一潮差、第二潮差以及第一水线差数据计算所述最高潮位的第二水线差数据,并根据所述第二水线差数据向陆一侧推移所有的采样点后进行样条插值,得到所述待提取区域的海岸线数据;
在所述步骤e中,所述第二水线差数据ΔSBC的计算公式为:
上述公式中,ΔTAB表示第一潮差、ΔTBC表示第二潮差、ΔSAB表示第一水线差数据,i表示采样点序号。
3.根据权利要求2所述的基于遥感影像分类的海岸线提取方法,其特征在于,在所述步骤a中,所述对输入的遥感影像进行多尺度分割具体包括:
步骤a1:分别设置分割尺度、形状因子和紧致度因子的数值;
步骤a2:根据权重因子、分割尺度、形状因子和紧致度因子分别对多光谱波段B1、B2、B3和B4进行多尺度分割。
5.一种基于遥感影像分类的海岸线提取***,其特征在于,包括:
影像分割模块:用于对输入的遥感影像进行多尺度分割,其中,所述输入的遥感影像包括位于同一区域的第一遥感影像和第二遥感影像;
海陆交界线提取模块:用于提取所述第一遥感影像和第二遥感影像中的第一海陆交界线数据和第二海陆交界线数据;
海陆交界线合并模块:用于合并所述第一海陆交界线数据和第二海陆交界线数据,根据合并数据得到向陆一侧的外边界数据;
第一水线差计算模块:用于在所述向陆一侧的外边界数据上进行采样,并在每个采样点上计算所述第一海陆交界线数据和第二海陆交界线数据的第一水线差数据;
潮差计算模块:用于通过验潮数据或者潮汐模型数据分别得到第一遥感影像和第二遥感影像的第一潮位和第二潮位,以及待提取区域的最高潮位,并计算所述第一潮位与第二潮位之间的第一潮差,以及所述第二潮位与最高潮位之间的第二潮差;
第二水线差计算模块:用于根据所述第一潮差、第二潮差以及第一水线差数据计算所述最高潮位的第二水线差数据;
岸线计算模块:用于根据所述第二水线差数据向陆一侧推移所有的采样点后进行样条插值,得到所述待提取区域的海岸线数据;
所述第二水线差数据ΔSBC的计算公式为:
上述公式中,ΔTAB表示第一潮差、ΔTBC表示第二潮差、ΔSAB表示第一水线差数据,i表示采样点序号。
7.根据权利要求6所述的基于遥感影像分类的海岸线提取***,其特征在于,所述影像分割模块对输入的遥感影像进行多尺度分割具体为:分别设置分割尺度、形状因子和紧致度因子的数值;根据权重因子、分割尺度、形状因子和紧致度因子分别对多光谱波段B1、B2、B3和B4进行多尺度分割。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710431726.4A CN107358161B (zh) | 2017-06-08 | 2017-06-08 | 一种基于遥感影像分类的海岸线提取方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710431726.4A CN107358161B (zh) | 2017-06-08 | 2017-06-08 | 一种基于遥感影像分类的海岸线提取方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107358161A CN107358161A (zh) | 2017-11-17 |
CN107358161B true CN107358161B (zh) | 2020-01-10 |
Family
ID=60272705
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710431726.4A Active CN107358161B (zh) | 2017-06-08 | 2017-06-08 | 一种基于遥感影像分类的海岸线提取方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107358161B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN108985274B (zh) * | 2018-08-20 | 2023-07-14 | 上海磐导智能科技有限公司 | 水面异物识别方法 |
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 |
CN111651707B (zh) * | 2020-05-28 | 2023-04-25 | 广西大学 | 一种基于光学浅水区卫星遥感影像的潮位反演方法 |
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 |
CN116580321B (zh) * | 2023-07-12 | 2023-09-08 | 江苏省地质调查研究院 | 一种遥感影像岸线自动识别方法 |
Citations (7)
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 |
US8224768B1 (en) * | 2008-04-18 | 2012-07-17 | Wsi, Corporation | Tropical cyclone prediction system and method |
CN103530635A (zh) * | 2013-09-23 | 2014-01-22 | 上海海洋大学 | 一种基于卫星微波遥感图像的海岸线提取方法 |
CN103793907A (zh) * | 2013-12-12 | 2014-05-14 | 中国科学院深圳先进技术研究院 | 一种水体信息的提取方法及装置 |
CN105374041A (zh) * | 2015-11-18 | 2016-03-02 | 国家***第一海洋研究所 | 利用多期遥感影像提取砂质岸线的方法 |
CN105740794A (zh) * | 2016-01-27 | 2016-07-06 | 中国人民解放军92859部队 | 一种基于卫星影像的海岸线自动提取与分类方法 |
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 |
-
2017
- 2017-06-08 CN CN201710431726.4A patent/CN107358161B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8224768B1 (en) * | 2008-04-18 | 2012-07-17 | Wsi, Corporation | Tropical cyclone prediction system and method |
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 |
CN103530635A (zh) * | 2013-09-23 | 2014-01-22 | 上海海洋大学 | 一种基于卫星微波遥感图像的海岸线提取方法 |
CN103793907A (zh) * | 2013-12-12 | 2014-05-14 | 中国科学院深圳先进技术研究院 | 一种水体信息的提取方法及装置 |
CN105374041A (zh) * | 2015-11-18 | 2016-03-02 | 国家***第一海洋研究所 | 利用多期遥感影像提取砂质岸线的方法 |
CN105740794A (zh) * | 2016-01-27 | 2016-07-06 | 中国人民解放军92859部队 | 一种基于卫星影像的海岸线自动提取与分类方法 |
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 |
Non-Patent Citations (3)
Title |
---|
Researching the Method of Coastline Extracted by Remote Sensing Image;Jianzhong Yin等;《IEEE》;20111231;全文 * |
海滨城市海岸带区域生态环境时空变化特征研究;易琳等;《海洋环境科学》;20170430;第36卷(第2期);全文 * |
近42年黄河口海岸线遥感监测与变迁分析;王集宁等;《国土资源遥感》;20160930;第28卷(第3期);第188-193页 * |
Also Published As
Publication number | Publication date |
---|---|
CN107358161A (zh) | 2017-11-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107358161B (zh) | 一种基于遥感影像分类的海岸线提取方法及*** | |
Cheng et al. | FusionNet: Edge aware deep convolutional networks for semantic segmentation of remote sensing harbor images | |
Liu et al. | A novel region-merging approach for coastline extraction from Sentinel-1A IW mode SAR imagery | |
Kavzoglu et al. | A comparative study of segmentation quality for multi-resolution segmentation and watershed transform | |
CN107330875B (zh) | 基于遥感图像正反向异质性的水体周边环境变化检测方法 | |
Wang | A multi-scale approach for delineating individual tree crowns with very high resolution imagery | |
CN111027446B (zh) | 一种高分辨率影像的海岸线自动提取方法 | |
Bramhe et al. | Extraction of built-up area by combining textural features and spectral indices from landsat-8 multispectral image | |
CN103218811B (zh) | 一种基于统计分布的卫星多光谱图像波段配准方法 | |
CN105894513B (zh) | 顾及影像对象时空变化的遥感影像变化检测方法及*** | |
CN111597930A (zh) | 一种基于遥感云平台的海岸线提取方法 | |
CN105488787A (zh) | 基于几何活动轮廓模型的遥感图像海岸线检测方法 | |
CN105184804A (zh) | 基于机载红外相机航拍图像的海面小目标检测方法 | |
CN111080696A (zh) | 一种基于计算机视觉的水下海参识别及定位方法 | |
CN103679740B (zh) | 一种无人机对地目标roi提取方法 | |
CN109886170A (zh) | 一种钉螺智能检测识别与统计*** | |
Li et al. | Integrating multiple textural features for remote sensing image change detection | |
CN104866852B (zh) | 提取遥感影像中土地覆被信息的方法及装置 | |
Elkhateeb et al. | A novel coarse-to-Fine Sea-land segmentation technique based on Superpixel fuzzy C-means clustering and modified Chan-Vese model | |
Aung et al. | Ayeyarwady river regions detection and extraction system from Google Earth imagery | |
Singh et al. | A hybrid approach for information extraction from high resolution satellite imagery | |
Duan et al. | An index-based shadow extraction approach on high-resolution images | |
CN113177473B (zh) | 遥感影像水体自动化提取方法和装置 | |
Ding et al. | Study on building extraction from high-resolution images using Mbi | |
Wu et al. | Research on crack detection algorithm of asphalt pavement |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |