CN109448016A - 一种基于面向对象及其隶属规则的遥感影像海岸线提取方法 - Google Patents
一种基于面向对象及其隶属规则的遥感影像海岸线提取方法 Download PDFInfo
- Publication number
- CN109448016A CN109448016A CN201811301060.1A CN201811301060A CN109448016A CN 109448016 A CN109448016 A CN 109448016A CN 201811301060 A CN201811301060 A CN 201811301060A CN 109448016 A CN109448016 A CN 109448016A
- Authority
- CN
- China
- Prior art keywords
- image
- water body
- scale
- degree
- ndwi
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/181—Segmentation; Edge detection involving edge growing; involving edge linking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种基于面向对象及其隶属规则的遥感影像海岸线提取方法,通过评价多尺度分割,获取最优的分割尺度后基于同质性原则分割图像;然后构建特征样本获取下垫面地类特征;其次基于隶属度规则对影像对象单元进行属性赋予;最后对地类信息划分为水体和非水体二值信息图像后,采用栅失转换后采用线约简算法获取海岸线信息。本发明的方法实现了海岸线的高精度提取,在大部分区域具有较好的拟合度,能够较好的应用于大范围的海岸线提取工作。
Description
技术领域
本发明涉及一种遥感影像海岸线提取方法,具体地,涉及一种基于面向对象及其隶属规则的遥感影像海岸线提取方法。
背景技术
海岸带处于海洋和陆地的交互作用地带,既受气候变化、海平面跃迁、海陆生境等全球性质的生态环境问题的影响,又受围填海、人工岛工程、近海围塘与近岸挖塘养殖、港口码头建设、采沙与建坝等人为因素的影响,如何快速、准确的提取海岸线是海岸带研究中的热点问题之一。
国内外研究学者提出了许多方法,如目视解译、阈值分割法、边缘检测法、神经网络分类法、模糊分类法、改进的最大似然分类法等,但这些方法依然是基于像元的分类方法,仍相当于图像理解过程的第一层次(陈云浩,2006)。影像分辨率的不断提升,使得遥感数据包含了更加丰富的空间信息、地物几何结构及纹理信息,改变了传统以像元分析的思路(李秦,2011)。面向对象方法是海岸线自动解译方法中的一种,结合目标地物本身光谱、纹理、色调、形状等特征先对图像进行分割,得到内部属性相对一致或均质程度较高的图像区域,通过分割斑块单元的特征进行分类。面向对象方法不仅考虑了地物的光谱信息,而且兼顾了集合信息和拓扑信息,在高分辨遥感影像分类中具有较大优势(赵芝玲,2017;吴小娟,2015)。
随着遥感影像分辨率的提高,利用其中包含的更高层次的语义信息获取海岸线信息的优势正日益凸显,其中尺度分割的方法及最优尺度的确定仍存在较大的研究空间(李秦,2011);另外一方面从时间序列、大尺度的角度加入先验知识,获取海岸线信息提取的规则的还未有详细的相关的研究与应用公开。吴小娟等(吴小娟等,2015)、贾明明等(贾明明等,2013)采用“分割效率最高”的原则记性分割后仅利用卫星影像的近红外波段选取合适的阈值分离水体和非水体;高燕等(高燕等,2014)采用“试错法”分割后只针对人工海岸线的特征分类和提取;赵芝玲等(赵芝玲等,2017)、鞠超等(鞠超等,2017)采用“试错法”分割后仅利用NDWI单一特征的绝对阈值识别水体信息,上述采用的方法中在确定分割尺度上多采用经验模型试错得到,缺少一个定量指标指导最优分割尺度的确定;同时在均采用单一的光谱波段或者单一的水体指数进行识别分类,然而在下垫面背景复杂的情况下往往存在着误差,特别在对于对位置精度需求很大的海岸线信息提取方面。
发明内容
本发明所要解决的技术问题是在构建以对象方差变化率为指导的基础上,通过样本特征和多种指数规则构建隶属度模糊分类的方法,实现海岸线的高精度提取。
为解决以上的技术问题,本发明提出的技术方案如下:
本发明的一种基于面向对象及其隶属规则的遥感影像海岸线提取方法包括以下步骤:
步骤1:采用半经验大气校正方法对遥感卫星影像进行预处理,得到大气下层地表反射率产品。
步骤2:采用最近邻法对卫星影像进行像元分辨率重采样,选取可见光和红外波段进行波段合成。
步骤3:设置遥感影像的形状特征权重和光谱信息权重后,通过异质性最大原则进行多尺度分割,利用分割对象的标准差均值和影像层之间的局部方差变化率评估最后分割尺度。
所述局部方差变化率表述为:
其中L代表当前影像层的对象标准差的均值,L-1代表较低尺度影像层的对象标准差均值。
步骤4:以步骤3获取的图像对象单元为基础,通过归一化植被指数(NormalizedDifference Vegetation Index,NDVI)、归一化水体指数(Normalized Difference WaterIndex,NDWI)、改进的归一化水体值数(Modified Normalized Difference Water Index,MNDWI)、归一化建筑指数(Normalized Difference Build-up Index,NDBI)获取植被、水体、建筑区的目标特征及其隶属度规则,执行未分配属性信息的对象单元分类。
其计算公式分别为:
其中:ρGREEN、ρRED、ρNIR、ρSWIR分别对应于Sentinel 2A的Band3、Band4、Band8、Band11四个波段的反射率产品。
隶属度的模糊分类规则为:
MAX(ρA-NDVI,ρA-NDWI,ρA-MNDWI,ρA-NDBI):MAX(ρA-NDVI,ρA-NDWI,ρA-MNDWI,ρA-NDBI)>70%;
未分类:MAX(ρA-NDVI,ρA-NDWI,ρA-MNDWI,ρA-NDBI)≤70%;
如果A属于未分类:则分配类别;
其中A代表目标对象,ρA-NDVI,ρA-NDWI,ρA-MNDWI,ρA-NDBI分别代表目标对象A归属于特征指数所指向地类的概率。
步骤5:执行步骤4后得到植被、水体、建筑区三大类地物类型,通过类别合并和未分类别属性赋予后得到水体和非水体的二值图像。
公式表述为:
‘Land’=Area(植被)+Area(建筑区)+Area(未分类中被属性赋予为陆地的部分)
‘Water’=Area(水体)+Area(未分类中被属性赋予为水体的部分)
其中Area(植被)为被解译为植被的对象单元部分,Area(建筑区)为被解译为建筑区的部分,Area(水体)为被解译为水体的部分,Area(未分类中被属性赋予为陆地的部分)为未分类对象中被属性赋予为陆地的部分,Area(未分类中被属性赋予为水体的部分)为未分类对象中被属性赋予为水体的部分。
步骤6:进一步对步骤5中得到的所述二值图像进行栅失转换和线简化,得到所需的海岸线数据产品。
本发明的有益技术效果:本发明的方法在提取海岸线的精度上达到和参考目视解译岸线的一致性,在两个像元的误差范围内,约84.81%的岸线实现了海岸线的高精度提取,在大部分区域具有较好的拟合度,能够较好的应用于大范围的海岸线提取工作。
说明书附图
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍。
图1是本发明的遥感影像海岸线提取方法的算法流程图。
图2是根据本发明的一个实施例的待提取海岸线遥感影像图。
图3是本发明的遥感影像海岸线提取方法中基于隶属度函数分类的技术流程图。
图4是根据本发明的一个实施例的基于最优尺度和隶属度规则获取的分类结果图。
图5是根据本发明的一个实施例的后处理得到的水体-非水体的二值图像。
图6是根据本发明的一个实施例的海岸线提取结果图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例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。
港口码头等人工岸线构筑区是海岸线长度和类型变化均较为显著的地方,也是海岸线时序空间分析的重点区域之一。新加坡港口及其周边区域是世界上最繁忙的十大港口区域之一,扼守着太平洋和印度洋之间的航运要道,在海岸线的时序变迁方面显著。本文选取新加坡港口偏东北部区域且包含多种岸线类型的区域作为研究区(见图1),覆盖范围为25km x26km。为增强研究区域中的水体特征信息,采用8、11、4波段分别赋予红、绿、蓝三个通道构成假彩色影像,该组合方式下地物的类型和种类显示清楚,水体特征信息明显易于分辨,特别是在河流的分支部分;其中水体部分成黑色,建筑区成灰色(或银色),植被区域成褐黄色,海面上的船舶成白色,能够较好的与深色调的海域相区分,同时为通过目视解译方法建立验证海岸线数据提供了有力支持。
本发明从影像预处理、最优尺度分割、基于地类样本建立地物特征、分类后处理、精度评定与验证的方法进行系列研究,算法流程图如图2所示。基于隶属度模糊函数的面向对象分类的海岸线提取方法,首先在光谱特性、以及形状、纹理、颜色等几何特征和结构信息的基础上聚类后,然后将影像分割为同质性较大的斑块,通过在对象层次上提取特定地物类型的典型区分特征,建立隶属度规则支持下的归属区间后划分对象层次为指定类别,最后经过未分类属性类别赋予、类别合并、二值化及海岸线约简等后处理后,得到精确的海岸线位置特征信息。
本发明的实施例采用的影像从ESA哨兵数据分发网站(https://scihub.copernicus.eu/)获取,成像时间为2017年5月份的Sentinel 2A MSI多光谱数据,包含13个光谱波段,具有10m(Band2\3\4\8)、20m(Band5\6\7\8a\11\12)、60m(Band1\9\10)三个等级的分辨率。Sentinel 2A影像具有高空间分辨率、多光谱成像能力强、刈幅宽(290KM)以及重访周期短等特点,在海岸线提取和分析上具有独特的优势。
Sentinel-2卫星采用的数据产品为level-L1C数据层次级别,该数据是经过辐射校正、基于地面控制点构建物理几何精校正处理后的数据产品,经过图像重采样、正射影像校正等计算处理操作,附带有云、陆地、水体掩膜信息和辐射定标参数等信息。
根据本发明的遥感影像海岸线提取方法的一个实施例,包括以下步骤:
步骤1:基于影像的半经验大气校正方法进行大气下垫面校正。
采用snap软件的sen2cor模块进行,采用基于影像的半经验大气校正方法进行大气下垫面校正,得到L2A级别的BOA(大气下层地表反射率)产品,以表征地表地物的真实反射率信息。
公式为:
辐射方程为:
其中L为位置(x,y,z)的幅亮度,β为体积消光系数;J为源函数,定义为:
其中ω为单次散射反照率,p(Ω,Ω')为从方向Ω'到Ω的相位函数,B(T)为普朗克函数,当波长小于400nm时,通常忽略普朗克常数。
步骤2:采用最近邻法对卫星影像进行像元分辨率重采样。
本发明选取了band2\3\4\8\11(对应蓝、绿、红、近红外、短波红外波段)进行海岸线提取研究,其中Band11采用最近邻法重采样为20m分辨率。Sentinel2A数据与广泛应用于海岸线提取的Landsat数据相比,在波段的光谱范围、分辨率等方面具有差异,因此具有更加丰富的影像信息和多样的图像表达,构建适合于Sentinel 2A的海岸线提取方法是本发明的重点。
采用最近邻法对卫星影像进行像元分辨率重采样,选取可见光和红外波段进行波段合成。最近邻法的公式为:
其中Integer为取整(而不四舍五入)。其中点(x,y)的最近邻点的坐标为(k,l),则点(x,y)的亮度值即为其周围相邻4个点中的最近邻点(k,l)的亮度值f(k,l),即f(x,y)=f(k,l)。
步骤3:通过异质性最大原则进行多尺度分割,利用分割对象的标准差均值和影像层之间的局部方差率评估最后分割尺度。
面向对象尺度进行语义分割,关键参数包括光谱权重和形状权重,其中形状权重由紧致度和光滑度决定,在利用高分辨率遥感影像对海岸带的地物分类时,主要是通过影像表征的地物种类及其表现的光谱特征进行区分,光谱信息是我们利用的主要信息,因此在选择光谱和形状权重的时,赋予光谱信息更大的比例权重。语义分割时光谱特征和形状特征关系为{ρshape∩ρspectral=0,ρshape∪ρspectral=1},,即若形状特征为ρshape,则光谱特征权重为1-ρshape。形状特征由光滑度和紧致度参数刻画,若紧致度参数权重为ρcompatness,则光滑度参数权重为1-ρcompatness。紧致度是空间结构特征的变量之一,它表征一个影像对象的精密度,影像对象的紧致度越高,形状与正方形越相似,如研究区中的港口码头等。影像对象的光滑度因子越大,生成的对象边界越平滑,如研究区中红树林广泛分布的河口等位置。
最佳紧致度和光滑度的确定是根据经验模型通过“试错法”得到的,即在某一固定分割尺度下,控制住形状因子权重去找最优的紧致度因子,然后控制住紧致度因子再找最优的形状因子,同时考虑研究区的地物类型,诸如港口码头区域是较为规则的矩形条状,需要较高的紧致度参数,而沿海的其他地区则需要较高的光滑度比重去拟合其外侧边缘特征。下垫面表征的地物特征是由影像光谱波段的特征决定的,而影像光谱波段特征对各类地物的表现强度有所不同,因此本文从研究区影像采用的5个波段之间的利用权重关系入手,选取了研究区内的典型地物,包括植被、水体、建筑区三大类地物类型,对感兴趣区域(Region of interest,ROI)的各类地物的光谱特征进行统计,利用均值法(mean datavalue)计算其表现特征,采用Jeffries-Matusita距离(简称J-M特征值)和转换分离度(Transformed)评价这些地类的可分离性(Seperability),J-M特征值越大,表示地物之间的特征越明显,转换分离度也越大。
本发明采用改进的局部方差法进行最优尺度选择,其原理是自下而上采用迭代的方式产生不同尺度的影像层,以影像层中的所有对象标准差的均值(LV)和影像层之间的局部方差变化率(ROC-LV)进行描述,当ROC-LV出现峰值时,表示影像中的某种地物可能达到了最优分割尺度。
根据本发明的一个实施例,设置遥感影像的形状特征权重和光谱信息权重后(设置光谱权重为0.9,紧致度权重为0.5,取Blue:Green:Red:NIR:SWIR的权重比为1:1:1:2:1),通过异质性最大原则进行多尺度分割,利用分割对象的标准差均值和影像层之间的局部方差率评估最后分割尺度;
其中异质性最大表述为:
f=wcolorhcolor+(1-wcolor)hshape (4)
wcolor为光谱权重,hcolor表示对象S光谱异质性,hshape表示对象S形状异质性,1-wcolor表示形状权重,f为区域异质性指标。
wc表示第c波段光谱的权重,σc表示第c波段光谱值的标准差。
hshape=wcompacthcompact+(1-wcompact)hsmooth (6)
wcompact表示紧致度的权重,hcompact表示紧致度,hsmooth表示光滑度。
l表示对象S的边界所包含的像素个数,用来表示对象S轮廓边界的长度;n表示对象S内部包含的像素个数,用来表示对象S的面积。b表示对象S最小外包矩形的边界长度。
若将区域S1以及区域S2合并后得到的S’,计算S’的区域异质性。S’的区域异质性为新合并区域的光谱异质性以及形状异质性的加权和。
f'=wcolorh'color+(1-wcolor)h'shape (7)
wcolor为光谱权重,h'color、h'shape分别为合并区域后的对象S’的光谱异质性和形状异质性。
合并区域S’的光谱异质性h'color和形状异质性h'shape计算如下:
h'shape=wcompacth'compact+(1-wcompact)h'smooth (9)
wc表示第c波段光谱的权重,σ′c、分别表示第c波段区域S’、S1、S2的光谱值的标准差。n'、n1、n2分别表示区域S’、S1、S2内部所包含的像素个数。wcompact表示紧致度权重,h'compact、h'smooth分别表示合并区域S’的紧致度和光滑度。
h'smooth=n'l'/b'-(n1l1/b1+n2l2/b2) (11)
l',l1,l2分别表示对象S’,S1,S2的边界包含像素个数,b'、b1、b2分别表示对象S’、S1、S2的最小外包矩形的边界所包含像素个数。n'、n1、n2分别表示区域S’、S1、S2内部所包含的像素个数。
局部方差变化率表述为:
其中L代表当前影像层的对象标准差的均值,L-1代表较低尺度影像层的对象标准差均值。
分割的过程中,以异质性最小、同质性最大为原则基于像元单位划分语义对象,迭代运算后基于异质性最小区域合并算法(FNEA算法)合并低层次语义对象,直至达到最优的分割尺度条件。第一次分割只能选择基于像素合并,后面的分割可以基于像素层或是基于对象层进行自底向上合并。获取最佳尺度的原则是在满足对象内部同质性最大,对象之间的异质性最大的基础上,并保证能把地物划分出来的情况下,尽可能设置较大的分割尺度。
研究区内具有复杂的地物类型,诸如不同水质、水深的近海水体、广泛分布的不透水面、各异的人工构筑物、丰富的植被类型等,因此对于海岸线提取的特定目的,应当在给出的几种不同最优尺度的基础上,采用逐个筛选的方式进行判断,在分割尺度为57、78、93、108、116时达到了下垫面不同地类地物的最优分割尺度。本文从沿海各类地物的外边界和目视效果得出的最佳海岸线边界的拟合角度进行评判,得出最佳海岸线提取分割尺度为108。
步骤4:基于特征规则和最大隶属度函数的模糊分类。
以最佳的分割尺度为参数进行分割后,建立合适的规则和分类方法是重要的一环。海岸线在海岸带的目标特征上较为单一,在尺度、范围上具有宏观性,海岸线提取的本质是将水体和海岸带其他地物的特征进行区分。相比于海岸带的陆地上复杂的地物类型(如人工构筑物、红树林植被、养殖鱼塘、复杂河口等),水体信息具有较强的背景特征,当目标类别和背景类别在某一特征上差别很大时,可以通过指定类算法来创建分类规则。
将海岸线的提取划分为水体和非水体信息的提取,进而转换为提取水体和非水体交界线的过程,其中水体作为背景类别特征,而非水体通常由多种下垫面地物构成,诸如大面积分布的植被、反射特性较强的建筑等、反射特性较弱且与水体较为接近的养殖塘等。基于遥感影像的波谱关系形成了诸多的波段指数,在较大范围内识别地物特征划分地物界线时具有较多的应用,如用来识别植被的归一化植被指数(NDVI)、比值植被指数(RVI)等,用以识别水体的归一化水体指数(NDWI)、改进的归一化水体值数(MNDWI)等,用以识别建筑用地的建筑用地指数(IBI)、归一化建筑指数等(NDBI),可用于这些对象要素的指数特征用于大面积的分类。通常仅采用一种指数用于提取某类要素往往存在较大误差,特别是在地物种类较为复杂的地区,因此采用集中或多种指数关系组合判断的方法显得尤为重要。本发明根据上述几种指数应用于本发明研究区范围内,通过特征优选采用了归一化植被指数NDVI,归一化水体指数NDWI,归一化建筑指数NDBI,改进的归一化水体指数MNDWI用于本文的特征筛选,其计算公式分别为:
其中:ρGREEN、ρRED、ρNIR、ρSWIR分别对应于经过步骤2处理后得到的L2A级别的Sentinel 2A数据的Band3(Green)、Band4(Red)、Band8(NIR)、Band11(SWIR)四个波段的特征值(为实际反射率*10000)。
对于基于特征指数的信息提取,确定合理的分割阈值是分类结果好坏的决定性因素之一。最常采用的方式是采用阈值不断逼近,通过观察分割效果以确定合理的阈值,通常合理的阈值位于图像灰度直方图波峰之间的波谷地带,此外也有其他方法如最大类间方差法等也有广泛的应用。本发明人经过多次试验发现,通过一种指数(如水体指数、植被指数)得到灰度图像,进而通过合理分割阈值进行分割图像提取海岸线的方法,在下垫面环境复杂、地物种类丰富、生态状况不一的条件下具有较大的误差。如在本研究区域的港口、河口附近,难以确定一个合理的分割值以正确区分水体和陆地的边界线;此外分割阈值通常确定为一个固定的常数,限制了对覆盖地物类型的多样性的考虑。因此本发明构建了基于样本特征构建隶属度函数的模糊分类方法,其基本原理是通过构建各种地物类型的特定样本,基于样本的特征值获取样本的隶属度函数后,以最小归属度指标进行筛选,其技术流程图请见图3。
为精确提取水体和陆地的边界线,本发明选择0.7为分界点,即一个对象归属于一个类需达到一个指定类型条件的70%才能被划分,且被划分为隶属度最大的类型;若小于等于0.7,则被划分为未分类类型,后处理中采用人工干预的方式进行指定类别的划分。
隶属度的模糊分类规则为:
MAX(ρA-NDVI,ρA-NDWI,ρA-MNDWI,ρA-NDBI):MAX(ρA-NDVI,ρA-NDWI,ρA-MNDWI,ρA-NDBI)>70%;
未分类:MAX(ρA-NDVI,ρA-NDWI,ρA-MNDWI,ρA-NDBI)≤70%;
如果A属于未分类:则分配类别;
其中A代表目标对象,ρA-NDVI,ρA-NDWI,ρA-MNDWI,ρA-NDBI分别代表目标对象A归属于特征指数所指向地类的概率。
其中植被类型的划分通过NDVI植被指数进行,水体的划分通过NDWI和MNDWI取交集进行确定,建筑区的划分通过NDBI进行划分。本发明采用的专家规则及阈值指标具有区域适应性,是针对本区域影像地物特征所设定,应用于其他区域的影像分析时,需要作出相应的调整。图4为基于最优尺度和隶属度规则获取的分类结果图。
步骤5:执行步骤4后得到植被、水体、建筑区三大类地物类型,通过类别合并和未分类别属性赋予后得到水体和非水体的二值图像(见图5);
公式表述为:
‘Land’=Area(植被)+Area(建筑区)+Area(未分类中被属性赋予为陆地的部分)
‘Water’=Area(水体)+Area(未分类中被属性赋予为水体的部分)
其中Area(植被)为被解译为植被的对象单元部分,Area(建筑区)为被解译为建筑区的部分,Area(水体)为被解译为水体的部分,Area(未分类中被属性赋予为陆地的部分)为未分类对象中被属性赋予为陆地的部分,Area(未分类中被属性赋予为水体的部分)为未分类对象中被属性赋予为水体的部分
步骤6:最后借助arcpy工具包中的RasterToPolyon_conversion工具进行栅失转换和线约简运算,去除误差残留后得到海岸线矢量图(见图6)。
本发明采用基于面积法的距离准则线段匹配方法和断面线距离分析方法从定量的角度对海岸线的精度进行评价。结果表明本发明的方法在提取海岸线的精度上达到和参考目视解译岸线的一致性,在两个像元的误差范围内,约84.81%的岸线实现了海岸线的高精度提取。
以上所述实施例,仅为本发明的具体实施方式,用以说明本发明的技术方案,而非对其限制,本发明的保护范围并不局限于此,尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (5)
1.一种基于面向对象及其隶属规则的遥感影像海岸线提取方法,包括以下步骤:
步骤1:采用半经验大气校正方法对遥感卫星影像进行预处理,得到大气下层地表反射率产品;
步骤2:采用最近邻法对卫星影像进行像元分辨率重采样,选取可见光和红外波段进行波段合成;
步骤3:设置遥感影像的形状特征权重和光谱信息权重后,通过异质性最大原则进行多尺度分割,利用分割对象的的标准差均值和影像层之间的局部方差变化率评估最后分割尺度;
所述局部方差变化率表述为:
其中L代表当前影像层的对象标准差的均值,L-1代表较低尺度影像层的对象标准差均值;
步骤4:以步骤3获取的图像对象单元为基础,通过归一化植被指数NDVI、归一化水体指数NDWI、改进的归一化水体值数MNDWI、归一化建筑指数NDBI获取植被、水体、建筑区的目标特征及其隶属度规则,执行未分配属性信息的对象单元分类;
步骤5:执行步骤4后得到植被、水体、建筑区三大类地物类型,通过类别合并和未分类别属性赋予后得到水体和非水体的二值图像;
步骤6:进一步对步骤5中得到的所述二值图像进行栅失转换和线简化,得到所需的海岸线数据产品。
2.根据权利要求1所述的方法,其特征在于:步骤3中所述NDVI,NDWI,MNDWI,NDBI的计算公式分别为:
其中:ρGREEN、ρRED、ρNIR、ρSWIR分别对应于Sentinel 2A的Band3、Band4、Band8、Band11四个波段的反射率产品。
3.根据权利要求1所述的方法,其特征在于:步骤3中所述隶属度的模糊分类规则为:
MAX(ρA-NDVI,ρA-NDWI,ρA-MNDWI,ρA-NDBI):MAX(ρA-NDVI,ρA-NDWI,ρA-MNDWI,ρA-NDBI)>70%;
未分类:MAX(ρA-NDVI,ρA-NDWI,ρA-MNDWI,ρA-NDBI)≤70%;
如果A属于未分类:则分配类别;
其中A代表目标对象,ρA-NDVI,ρA-NDWI,ρA-MNDWI,ρA-NDBI分别代表目标对象A归属于特征指数所指向地类的概率。
4.根据权利要求1所述的方法,其特征在于:步骤3中设置遥感影像的光谱信息权重为0.9,形状特征权重中的紧致度参数为0.5。
5.根据权利要求1所述的方法,其特征在于:通过步骤3获取的研究区的最佳海岸线提取分割尺度为108。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811301060.1A CN109448016A (zh) | 2018-11-02 | 2018-11-02 | 一种基于面向对象及其隶属规则的遥感影像海岸线提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811301060.1A CN109448016A (zh) | 2018-11-02 | 2018-11-02 | 一种基于面向对象及其隶属规则的遥感影像海岸线提取方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109448016A true CN109448016A (zh) | 2019-03-08 |
Family
ID=65549578
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811301060.1A Pending CN109448016A (zh) | 2018-11-02 | 2018-11-02 | 一种基于面向对象及其隶属规则的遥感影像海岸线提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109448016A (zh) |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110009213A (zh) * | 2019-03-28 | 2019-07-12 | 交通运输部水运科学研究所 | 一种基于长时间序列卫星遥感数据的航道工程生态影响跟踪监测评价方法 |
CN110059760A (zh) * | 2019-04-25 | 2019-07-26 | 北京工业大学 | 基于拓扑结构和cnn的几何图形识别方法 |
CN110060292A (zh) * | 2019-04-03 | 2019-07-26 | 广州地理研究所 | 一种基于多尺度融合的土地利用面积计算方法 |
CN110097101A (zh) * | 2019-04-19 | 2019-08-06 | 大连海事大学 | 一种基于改进可靠性因子的遥感图像融合与海岸带分类方法 |
CN110472697A (zh) * | 2019-08-22 | 2019-11-19 | 广州大学 | 一种基于迭代分类的水体识别方法及装置 |
CN110532974A (zh) * | 2019-09-03 | 2019-12-03 | 成都理工大学 | 基于深度学习的高分辨率遥感地质灾害信息自动提取方法 |
CN110533052A (zh) * | 2019-09-16 | 2019-12-03 | 贵州省草业研究所 | 一种协同遥感影像的航拍相片植被信息提取方法 |
CN110648347A (zh) * | 2019-09-24 | 2020-01-03 | 北京航天宏图信息技术股份有限公司 | 一种基于遥感影像的海岸线提取方法及装置 |
CN110738134A (zh) * | 2019-09-24 | 2020-01-31 | 云南师范大学 | 面向无人机可见光影像的土壤信息提取方法及装置 |
CN110738187A (zh) * | 2019-10-24 | 2020-01-31 | 中国科学院城市环境研究所 | 一种基于Google Earth Engine的湖泊面积动态变化快速遥感估算方法 |
CN111027446A (zh) * | 2019-12-04 | 2020-04-17 | 中国地质环境监测院 | 一种高分辨率影像的海岸线自动提取方法 |
CN111063003A (zh) * | 2019-11-08 | 2020-04-24 | 中国自然资源航空物探遥感中心 | 矿山分布图的制作方法和*** |
CN111652092A (zh) * | 2020-05-19 | 2020-09-11 | 中南林业科技大学 | 基于Sentinel-2A数据监测森林覆盖变化的方法 |
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 |
CN112926418A (zh) * | 2021-02-08 | 2021-06-08 | 河海大学 | 一种利用高精度地形信息消除云层干扰的水体优化提取方法 |
CN113378677A (zh) * | 2021-06-01 | 2021-09-10 | 大连海事大学 | 基于空间相似性与修正盐田指数的海岸养殖池提取方法 |
CN114241327A (zh) * | 2021-10-29 | 2022-03-25 | 广东省国土资源测绘院 | 一种海岸线变化高频监测方法 |
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 |
CN116052017A (zh) * | 2023-01-17 | 2023-05-02 | 二十一世纪空间技术应用股份有限公司 | 基于双重指数法和自适应策略绿网苫盖信息遥感监测方法 |
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 |
CN118038191A (zh) * | 2024-04-11 | 2024-05-14 | 山东农业大学 | 融合阴影动态变化的城市下垫面识别方法、***、装置 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107609526A (zh) * | 2017-09-21 | 2018-01-19 | 吉林大学 | 基于规则的精细尺度城市不透水面快速提取方法 |
-
2018
- 2018-11-02 CN CN201811301060.1A patent/CN109448016A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107609526A (zh) * | 2017-09-21 | 2018-01-19 | 吉林大学 | 基于规则的精细尺度城市不透水面快速提取方法 |
Non-Patent Citations (7)
Title |
---|
XIUCHENG YANG等: "Evaluation of automated urban surface water extraction from Sentinel-2A imagery using different water indices", 《JOURNAL OF APPLIED REMOTE SENSING》 * |
常迪: "基于遥感面向对象分类的区域农作物净灌溉需水量时空变化研究", 《万方数据库》 * |
王文泉: "基于多尺度的热带林面向对象分类研究", 《中国优秀硕士论文全文数据库农业科技辑》 * |
苏伟等: "Sentinel-2卫星影像的大气校正方法", 《光学学报》 * |
莫志明等: "《土地资源配置预警新模型理论与实践》", 31 May 2014 * |
谢帅等: "基于面向对象分类技术的雅砻江流域地表信息提取与分析", 《地质学刊》 * |
鞠超等: "基于GF-1遥感影像面向对象的海岸线自动提取——以秦皇岛为例", 《测绘与空间地理信息》 * |
Cited By (32)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110009213B (zh) * | 2019-03-28 | 2021-10-22 | 交通运输部水运科学研究所 | 一种基于长时间序列卫星遥感数据的航道工程生态影响跟踪监测评价方法 |
CN110009213A (zh) * | 2019-03-28 | 2019-07-12 | 交通运输部水运科学研究所 | 一种基于长时间序列卫星遥感数据的航道工程生态影响跟踪监测评价方法 |
CN110060292A (zh) * | 2019-04-03 | 2019-07-26 | 广州地理研究所 | 一种基于多尺度融合的土地利用面积计算方法 |
CN110097101A (zh) * | 2019-04-19 | 2019-08-06 | 大连海事大学 | 一种基于改进可靠性因子的遥感图像融合与海岸带分类方法 |
CN110097101B (zh) * | 2019-04-19 | 2022-09-13 | 大连海事大学 | 一种基于改进可靠性因子的遥感图像融合与海岸带分类方法 |
CN110059760B (zh) * | 2019-04-25 | 2021-04-30 | 北京工业大学 | 基于拓扑结构和cnn的几何图形识别方法 |
CN110059760A (zh) * | 2019-04-25 | 2019-07-26 | 北京工业大学 | 基于拓扑结构和cnn的几何图形识别方法 |
CN110472697A (zh) * | 2019-08-22 | 2019-11-19 | 广州大学 | 一种基于迭代分类的水体识别方法及装置 |
CN110532974A (zh) * | 2019-09-03 | 2019-12-03 | 成都理工大学 | 基于深度学习的高分辨率遥感地质灾害信息自动提取方法 |
CN110532974B (zh) * | 2019-09-03 | 2021-10-22 | 成都理工大学 | 基于深度学习的高分辨率遥感地质灾害信息自动提取方法 |
CN110533052B (zh) * | 2019-09-16 | 2020-09-18 | 贵州省草业研究所 | 一种协同遥感影像的航拍相片植被信息提取方法 |
CN110533052A (zh) * | 2019-09-16 | 2019-12-03 | 贵州省草业研究所 | 一种协同遥感影像的航拍相片植被信息提取方法 |
CN110738134A (zh) * | 2019-09-24 | 2020-01-31 | 云南师范大学 | 面向无人机可见光影像的土壤信息提取方法及装置 |
CN110648347A (zh) * | 2019-09-24 | 2020-01-03 | 北京航天宏图信息技术股份有限公司 | 一种基于遥感影像的海岸线提取方法及装置 |
CN110738187A (zh) * | 2019-10-24 | 2020-01-31 | 中国科学院城市环境研究所 | 一种基于Google Earth Engine的湖泊面积动态变化快速遥感估算方法 |
CN111063003A (zh) * | 2019-11-08 | 2020-04-24 | 中国自然资源航空物探遥感中心 | 矿山分布图的制作方法和*** |
CN111063003B (zh) * | 2019-11-08 | 2023-06-09 | 中国自然资源航空物探遥感中心 | 矿山分布图的制作方法和*** |
CN111027446A (zh) * | 2019-12-04 | 2020-04-17 | 中国地质环境监测院 | 一种高分辨率影像的海岸线自动提取方法 |
CN111027446B (zh) * | 2019-12-04 | 2020-09-01 | 中国地质环境监测院 | 一种高分辨率影像的海岸线自动提取方法 |
CN111652092A (zh) * | 2020-05-19 | 2020-09-11 | 中南林业科技大学 | 基于Sentinel-2A数据监测森林覆盖变化的方法 |
CN112926418A (zh) * | 2021-02-08 | 2021-06-08 | 河海大学 | 一种利用高精度地形信息消除云层干扰的水体优化提取方法 |
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 |
CN113378677A (zh) * | 2021-06-01 | 2021-09-10 | 大连海事大学 | 基于空间相似性与修正盐田指数的海岸养殖池提取方法 |
CN113378677B (zh) * | 2021-06-01 | 2024-03-12 | 大连海事大学 | 基于空间相似性与修正盐田指数的海岸养殖池提取方法 |
CN114241327A (zh) * | 2021-10-29 | 2022-03-25 | 广东省国土资源测绘院 | 一种海岸线变化高频监测方法 |
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 |
CN114821355B (zh) * | 2022-04-27 | 2022-09-27 | 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 |
CN116052017A (zh) * | 2023-01-17 | 2023-05-02 | 二十一世纪空间技术应用股份有限公司 | 基于双重指数法和自适应策略绿网苫盖信息遥感监测方法 |
CN116052017B (zh) * | 2023-01-17 | 2023-11-10 | 二十一世纪空间技术应用股份有限公司 | 基于双重指数法和自适应策略绿网苫盖信息遥感监测方法 |
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 |
CN118038191A (zh) * | 2024-04-11 | 2024-05-14 | 山东农业大学 | 融合阴影动态变化的城市下垫面识别方法、***、装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109448016A (zh) | 一种基于面向对象及其隶属规则的遥感影像海岸线提取方法 | |
Ottinger et al. | Monitoring land cover dynamics in the Yellow River Delta from 1995 to 2010 based on Landsat 5 TM | |
CN105740794B (zh) | 一种基于卫星影像的海岸线自动提取与分类方法 | |
Wu | GIS and remote sensing applications in wetland mapping and monitoring | |
Shanmugam et al. | A comparison of the classification of wetland characteristics by linear spectral mixture modelling and traditional hard classifiers on multispectral remotely sensed imagery in southern India | |
Witharana et al. | Understanding the synergies of deep learning and data fusion of multispectral and panchromatic high resolution commercial satellite imagery for automated ice-wedge polygon detection | |
CN109190538A (zh) | 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 | |
CN105447274B (zh) | 一种利用面向对象分类技术对中等分辨率遥感图像进行滨海湿地制图的方法 | |
CN107247927B (zh) | 一种基于缨帽变换的遥感图像海岸线信息提取方法及*** | |
CN107330875A (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 | |
JP2006252529A (ja) | 地物環境状況提供方法及びそのプログラム | |
CN110414509A (zh) | 基于海陆分割和特征金字塔网络的港口停靠舰船检测方法 | |
CN107504923A (zh) | 一种综合遥感影像和延绳信息的海带养殖面积监测方法 | |
CN116467565B (zh) | 一种浒苔绿潮斑块最优搜寻区域预报方法 | |
Zhang et al. | Mapping freshwater marsh species in the wetlands of Lake Okeechobee using very high-resolution aerial photography and lidar data | |
Zeng et al. | A phenology-based vegetation index classification (PVC) algorithm for coastal salt marshes using Landsat 8 images | |
Liu et al. | Mapping China’s offshore mariculture based on dense time-series optical and radar data | |
Sun et al. | Mapping China’s coastal aquaculture ponds expansion with sentinel-2 images during 2017–2021 | |
Ma et al. | Urban landscape classification using Chinese advanced high-resolution satellite imagery and an object-oriented multi-variable model | |
CN112966657A (zh) | 一种大尺度水体覆盖的遥感自动分类方法 | |
Xu et al. | Classification of coral reef benthos around Ganquan Island using WorldView-2 satellite imagery | |
CN115984689A (zh) | 一种多尺度地表复杂性特征提取及其土地利用分割方法 | |
Chen et al. | Tracking dynamics characteristics of tidal flats using landsat time series and Google Earth Engine cloud platform | |
Lasquites et al. | Mapping of Sargassum distribution in the eastern coast of southern leyte using sentinel 2 satellite imagery | |
He et al. | Development of a tidal flat recognition index based on multispectral images for mapping tidal flats |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190308 |
|
RJ01 | Rejection of invention patent application after publication |