CN116580321B - 一种遥感影像岸线自动识别方法 - Google Patents
一种遥感影像岸线自动识别方法 Download PDFInfo
- Publication number
- CN116580321B CN116580321B CN202310849825.XA CN202310849825A CN116580321B CN 116580321 B CN116580321 B CN 116580321B CN 202310849825 A CN202310849825 A CN 202310849825A CN 116580321 B CN116580321 B CN 116580321B
- Authority
- CN
- China
- Prior art keywords
- shoreline
- remote sensing
- identified
- distance value
- historical
- 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
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000007781 pre-processing Methods 0.000 claims abstract description 15
- 238000004364 calculation method Methods 0.000 claims abstract description 10
- 238000012544 monitoring process Methods 0.000 claims description 32
- 238000004590 computer program Methods 0.000 claims description 13
- 238000002372 labelling Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 6
- 238000012876 topography Methods 0.000 claims description 5
- 230000004927 fusion Effects 0.000 claims description 4
- 238000000605 extraction Methods 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000003628 erosive effect Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000000691 measurement method Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 239000002352 surface water Substances 0.000 description 1
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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/10—Image acquisition
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Image Processing (AREA)
- Processing Or Creating Images (AREA)
Abstract
本发明的实施例公开了一种遥感影像岸线自动识别方法,包括:获取历史遥感图像,对历史遥感图像进行预处理,得到不同时间段的岸线历史信息地图;按时间维度,建立岸线与选定地物之间距离的历史遥感距离值样本库;采集当前岸线的地表数据,得到当前岸线与所述选定地物之间距离的地表距离值序列;对所述历史遥感距离值样本库和地表距离值序列进行离散差值计算,得到遥感差值系数;采集待识别的岸线遥感图像,对待识别的岸线遥感图像进行预处理,得到待识别的岸线信息地图;在所述待识别的岸线信息地图中,建立岸线与选定地物之间距离的待识别距离值序列;将所述遥感差值系数代入所述待识别距离值序列,对岸线实际位置进行修正,形成岸线轮廓。
Description
技术领域
本发明涉及遥感影像数据处理技术领域,特别涉及一种遥感影像岸线自动识别方法。
背景技术
长期以来,测绘海岸线通常采用实地测量法,这也是最原始的常规海岸线测量方法,即采用光学测量仪器(经纬仪,全站仪等)在高潮潮位线附近每隔一定距离采集海岸线特征点,标划在数字地形图上并连接成线得到海岸线。通过GPS定位测量技术的发展,虽然能够全天候、动态、实时进行,但仍需人工搬运GPS移动站到现场定位。该方法虽然可以综合考量地形地貌、植被、环境等特征,具备一定的精确性,但局限于执行难度较大,受制于地形、天气等条件,完成一次测量工作周期非常之久,效率低下。所以为了满足海岸线监测需求,需要一种新的方法来实现对大范围岸线的监测。
遥感(RS)是以航空摄影技术为基础的空间探测技术,凭借其非接触性、获取影像周期短、遥感影像信息丰富、获取信息受条件限制少等特点,可以有效解决海岸线提取中遇到的难点,满足研究区内动态监测的要求。卫星遥感影像因其具有宏观性、实时性的特点,成为提取地表水域岸线的重要数据来源。然而,基于卫星雷达的地表水域岸线的自动提取只适用于地形起伏与空间差异可以忽略的,较小空间区域的岸线提取,其实用性较低。常用的岸线提取方法是由工作人员对卫星传感器获取的卫星遥感影像进行解译,根据各类岸线的地学特征、光学特征等信息,从卫星遥感影像中勾绘地表水域岸线,其处理过程完全依赖人工,精准度比较差。
发明内容
有鉴于此,本发明实施例的目的在于提供一种遥感影像岸线自动识别方法,能够实现对岸线轮廓的精准监测,有效降低岸线监测的难度,提高了监测效率。
第一方面,本发明实施例提供了一种遥感影像岸线自动识别方法,其中,包括:
获取历史遥感图像,对历史遥感图像进行预处理,得到不同时间段的岸线历史信息地图。
按时间维度,建立岸线与选定地物之间距离的历史遥感距离值样本库。
采集当前岸线的地表数据,得到当前岸线与所述选定地物之间距离的地表距离值序列。
对所述历史遥感距离值样本库和地表距离值序列进行离散差值计算,得到遥感差值系数。
采集待识别的岸线遥感图像,对待识别的岸线遥感图像进行预处理,得到待识别的岸线信息地图。
在所述待识别的岸线信息地图中,建立岸线与选定地物之间距离的待识别距离值序列。
将所述遥感差值系数代入所述待识别距离值序列,以选定地物为基准,对岸线实际位置进行修正,形成岸线轮廓。
结合第一方面,本发明实施例提供了第一方面的第一种可能的实施方式,其中,所述获取历史遥感图像,对历史遥感图像进行预处理,得到岸线历史信息地图包括:
选取指定时间范围为第一时间段,获取第一时间段内的岸线长时序遥感监测图像和湖泊轮廓线样本库的历史图像。
在第一时间段内,将不同种类的历史图像进行匹配处理,调整至同一个精准度下,得到指定精准度图像。
对第一时间段内的所述指定精准度图像标注岸线水文数据、周边地物位置、周边地形及海拔高度,得到岸线历史信息地图。
对n个不同时间段内的历史图像分别进行处理,得到不同时间段内的岸线历史信息地图,其中n为大于1的自然数。
结合第一方面,本发明实施例提供了第一方面的第二种可能的实施方式,其中,所述按时间维度,建立岸线与选定地物之间距离的历史遥感距离值样本库包括:
在第一时间段内的岸线历史信息地图中选取若干岸线点,分别标记为a1至am,其中m为大于1的自然数。
在第一时间段内的岸线历史信息地图中,对应若干所述岸线点分别选取离所选岸线点最近的选定地物,分别标记为b1至bm。计算若干所述岸线点和对应的若干所述选定地物之间的距离值,分别得到d1=|a1-b1|,d2=|a2-b2|,d3=|a3-b3|……,dm=|am-bm|。
在n个不同时间段内的岸线历史信息地图中,分别找到第一时间段内的岸线历史信息地图中的所述选定地物,对应若干所述选定地物,分别在每张所述岸线历史信息地图中选取距离最近的岸线点计算距离值,得到:
d21=|a21-b21|,d22=|a22-b22|,d23=|a23-b23|……,d2m=|a2m-b2m|;
……
dn1=|an1-bn1|,dn2=|an2-bn2|,dn3=|an3-bn3|……,dnm=|anm-bnm|;
组成历史遥感距离值样本库:
D=。
结合第一方面,本发明实施例提供了第一方面的第三种可能的实施方式,其中,所述采集当前岸线的地表数据,得到当前岸线与所述选定地物之间距离的地表距离值序列,包括:
分别找到在所述历史信息地图内选定的若干所述选定地物b1至bm。
对应若干所述选定地物,分别在当前岸线的实际地表上选取距离最近的岸线点,分别标记为a1’至am’。
计算若干所述选定地物和对应的若干当前所述岸线点之间的距离值,得到地表距离值序列:
D’=(d1’=|a1’-b1|,d2’=|a2’-b2|,d3’=|a3’-b3|……,dm’=|am’-bm|)。
结合第一方面,本发明实施例提供了第一方面的第四种可能的实施方式,其中,所述对所述历史遥感距离值样本库和地表距离值序列进行离散差值计算,得到遥感差值系数,包括:
分别对每一组岸线与选定地物的历史遥感距离值与地表距离值进行离散差值计算,得到差值系数序列:
Sm=(,/>,/>……,/>)。
计算所述差值系数序列的平均值,得到遥感差值系数S=。
结合第一方面,本发明实施例提供了第一方面的第五种可能的实施方式,其中,所述采集待识别的岸线遥感图像,对待识别的岸线遥感图像进行预处理,得到待识别的岸线信息地图,包括:
采集待识别的岸线遥感监测图像。
将待识别的岸线遥感监测图像与所述岸线历史信息地图调节至同一个精准度下,得到指定精准度遥感监测图像。
将所述指定精准度遥感监测图像结合地物类别高光谱和sar波段融合信息库进行标注,得到标记有岸线水文数据、周边地物位置、周边地形及海拔高度的待识别的岸线信息地图。
结合第一方面,本发明实施例提供了第一方面的第六种可能的实施方式,其中,所述在所述待识别的岸线信息地图中,建立岸线与选定地物之间距离的待识别距离值序列,包括:
在所述待识别的岸线信息地图中选取若干岸线点,分别标记为e1至ep,其中p为大于1的自然数。
在所述待识别的岸线信息地图中,对应若干所述岸线点分别选取离所选岸线点最近的选定地物,分别标记为f1至fp。
计算若干所述岸线点和对应的若干所述选定地物之间的距离值,分别得到待识别距离值序列:
G=(g1=|e1-f1|,g2=|e2-f2|,g3=|e3-f3|……,gp=|ep-fp|)。
结合第一方面,本发明实施例提供了第一方面的第七种可能的实施方式,其中,所述将所述遥感差值系数代入所述待识别距离值序列,以选定地物为基准,对岸线实际位置进行修正,形成岸线轮廓,包括:
将所述遥感差值系数S代入所述待识别距离值序列G,对每个距离值进行修正,得到修正距离值序列:
G’=(g1’=g1*(1±S),g2’=g2*(1±S),g3’=g3*(1±S)……,gp’=gp*(1±S))。
以所述待识别的岸线信息地图中的选定地物为基准,对岸线实际位置进行修正,形成岸线轮廓。
第二方面,本发明实施例还提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如前所述的遥感影像岸线自动识别方法。
第三方面,本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如前所述的遥感影像岸线自动识别方法。
本发明实施例的有益效果是:
本发明的遥感影像岸线自动识别方法,基于不同时间段的岸线历史信息地图,建立历史遥感距离值样本库,由于选定地物的位置是固定的,作为参照物,计算选定地物到岸线的距离,再根据岸线与选定地物的距离计算遥感差值系数,对岸线实际位置进行修正,形成完整的岸线轮廓。本发明实现了对岸线轮廓的精准监测,有效降低了岸线监测的难度,提高了监测效率,同时,为后续对湖泊生态气象变化的全过程监测提供了技术支撑。本发明结合不同岸线与选定地物的特征,对岸线进行校正,获取严格意义上的岸线,提高岸线确定的准确性。在此基础上可以建立岸线变化模型,精准分析海岸线变迁情况。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本发明遥感影像岸线自动识别方法的流程图。
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,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件能够以各种不同的配置来布置和设计。
请参照图1,本发明的第一个实施例提供一种遥感影像岸线自动识别方法,其中,包括:
获取历史遥感图像,对历史遥感图像进行预处理,得到不同时间段的湖泊岸线历史信息地图。
按时间维度,建立岸线与选定地物之间距离的历史遥感距离值样本库。
采集当前湖泊岸线的地表数据,得到当前岸线与所述选定地物之间距离的地表距离值序列。
对所述历史遥感距离值样本库和地表距离值序列进行离散差值计算,得到遥感差值系数。
采集待识别的湖泊岸线遥感图像,对待识别的湖泊岸线遥感图像进行预处理,得到待识别的湖泊岸线信息地图。
在所述待识别的湖泊岸线信息地图中,建立岸线与选定地物之间距离的待识别距离值序列。
将所述遥感差值系数代入所述待识别距离值序列,以选定地物为基准,对岸线实际位置进行修正,形成岸线轮廓。
具体的,所述获取历史遥感图像,对历史遥感图像进行预处理,得到湖泊岸线历史信息地图包括:
选取指定时间范围为第一时间段,获取第一时间段内的湖泊岸线长时序遥感监测图像和湖泊轮廓线样本库的历史图像。
在第一时间段内,将不同种类的历史图像进行匹配处理,调整至同一个精准度下,得到指定精准度图像。
所述精准度指不同种类的历史图像在空间参考上的一致性和对齐程度。由于不同种类的图像可能存在拍摄角度、地面变形、图像畸变等问题,需要进行图像匹配和调整,使它们在同一个精准度水平上对应同一地理位置。
具体的,所述将不同种类的历史图像进行匹配处理,调整至同一个精准度下,得到指定精准度图像,包括:
加载不同种类的历史图像,进行基本的预处理,裁剪图像边缘、调整图像大小和旋转,确保图像对齐和一致性。
使用插值算法,将预处理后的图像的分辨率调整至预设的中间值,得到指定精准度图像。
将指定精准度的图像输出为指定格式并保存。
对第一时间段内的所述指定精准度图像标注岸线水文数据、周边地物位置、周边地形及海拔高度,得到湖泊岸线历史信息地图。
具体的,在湖泊岸线历史信息地图中,使用地物类别高光谱数据和SAR波段融合信息库,标注湖泊岸线水域的边界线;结合高光谱数据,识别并标注湖泊、河流、湿地等不同类型的水体。
使用地物类别高光谱数据标注湖泊岸线周边的地物位置,根据高光谱数据中不同波段的反射率和光谱特征,对地物进行分类,标注城市、村庄、森林、农田等不同地物类型。
结合SAR波段的数据和地形信息库,标注周边地形的起伏和变化。通过SAR波段的回波信号提供地形高度信息,包括地形的坡度、山脉或丘陵等地形特征。
利用地形信息库和地物类别高光谱数据,标注地图中的海拔高度。通过地形信息库中的数字高程模型(DEM)数据,提供地形高度信息;结合高光谱数据,将海拔高度与特定地物类型关联,标注山脉或丘陵的海拔高度。
对n个不同时间段内的历史图像分别进行处理,得到不同时间段内的湖泊岸线历史信息地图。
具体的,所述按时间维度,建立岸线与选定地物之间距离的历史遥感距离值样本库包括:
在第一时间段内的湖泊岸线历史信息地图中选取若干岸线点,分别标记为a1至am,其中m为大于1的自然数。
在第一时间段内的湖泊岸线历史信息地图中,对应若干所述岸线点分别选取离所选岸线点最近的选定地物,分别标记为b1至bm。
其中,通过比较不同时间段的岸线历史信息地图,选择在岸线历史信息地图中保持相对稳定的岸线点,选取的若干所述岸线点代表岸线侵蚀或侵蚀速率较慢的区域。
计算若干所述岸线点和对应的若干所述选定地物之间的距离值,分别得到d1=|a1-b1|,d2=|a2-b2|,d3=|a3-b3|……,dm=|am-bm|。
在n个不同时间段内的湖泊岸线历史信息地图中,分别找到第一时间段内的岸线历史信息地图中的所述选定地物,对应若干所述选定地物,分别在每张所述岸线历史信息地图中选取距离最近的岸线点计算距离值,得到:
d21=|a21-b21|,d22=|a22-b22|,d23=|a23-b23|……,d2m=|a2m-b2m|;
……
dn1=|an1-bn1|,dn2=|an2-bn2|,dn3=|an3-bn3|……,dnm=|anm-bnm|;
组成历史遥感距离值样本库:
D=。
具体的,所述采集当前湖泊岸线的地表数据,得到当前岸线与所述选定地物之间距离的地表距离值序列,包括:
分别找到在所述历史信息地图内选定的若干所述选定地物b1至bm。
对应若干所述选定地物,分别在当前湖泊岸线的实际地表上选取距离最近的岸线点,分别标记为a1’至am’。
计算若干所述选定地物和对应的若干当前所述岸线点之间的距离值,得到地表距离值序列:
D’=(d1’,d2’,d3’……,dm’)。
具体的,所述对所述历史遥感距离值样本库和地表距离值序列进行离散差值计算,得到遥感差值系数,包括:
分别对每一组岸线与选定地物的历史遥感距离值与地表距离值进行离散差值计算,得到差值系数序列:
Sm=(,/>,/>……,/>)。
计算所述差值系数序列的平均值,得到遥感差值系数S=。
具体的,所述采集待识别的湖泊岸线遥感图像,对待识别的湖泊岸线遥感图像进行预处理,得到待识别的湖泊岸线信息地图,包括:
采集待识别的湖泊岸线遥感监测图像。
将待识别的湖泊岸线遥感监测图像与所述湖泊岸线历史信息地图调节至同一个精准度下,得到指定精准度遥感监测图像。
将所述指定精准度遥感监测图像结合地物类别高光谱和sar波段融合信息库进行标注,得到标记有湖泊岸线水文数据、周边地物位置、周边地形及海拔高度的待识别的湖泊岸线信息地图。
具体的,所述在所述待识别的湖泊岸线信息地图中,建立岸线与选定地物之间距离的待识别距离值序列,包括:
在所述待识别的湖泊岸线信息地图中选取若干岸线点,分别标记为e1至ep,其中p为大于1的自然数。
在所述待识别的湖泊岸线信息地图中,对应若干所述岸线点分别选取离所选岸线点最近的选定地物,分别标记为f1至fp。
计算若干所述岸线点和对应的若干所述选定地物之间的距离值,分别得到待识别距离值序列:
G=(g1=|e1-f1|,g2=|e2-f2|,g3=|e3-f3|……,gp=|ep-fp|)。
具体的,所述将所述遥感差值系数代入所述待识别距离值序列,以选定地物为基准,对岸线实际位置进行修正,形成岸线轮廓,包括:
将所述遥感差值系数S代入所述待识别距离值序列G,对每个距离值进行修正,得到修正距离值序列:
G’=(g1’=g1*(1±S),g2’=g2*(1±S),g3’=g3*(1±S)……,gp’=gp*(1±S))。
以所述待识别的湖泊岸线信息地图中的选定地物为基准,对岸线实际位置进行修正,形成岸线轮廓。
其中,将所述遥感差值系数S代入所述待识别距离值序列G,包括:
将所述待识别距离值序列G中的每个距离值分别与1和所述遥感差值系数S求和或作差后相乘,得到修正距离值序列G’。求和或作差根据每一组岸线与选定地物的历史遥感距离值与地表距离值的差值为正数还是负数确定。
本发明的第二个实施例提供一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如前所述的遥感影像岸线自动识别方法。
本发明的第三个实施例提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如前所述的遥感影像岸线自动识别方法。
本发明实施例旨在保护一种遥感影像岸线自动识别方法,具备如下效果:
1.实现了对岸线轮廓的精准监测,有效降低了岸线监测的难度,提高了监测效率,同时,为后续对湖泊生态气象变化的全过程监测提供了技术支撑。
2.结合不同岸线与选定地物的特征,对岸线进行校正,获取严格意义上的岸线,提高岸线确定的准确性。在此基础上可以建立岸线变化模型,精准分析海岸线变迁情况。
本发明实施例所提供的遥感影像岸线自动识别方法及装置的计算机程序产品,包括存储了程序代码的计算机可读存储介质,程序代码包括的指令可用于执行前面方法实施例中的方法,具体实现可参见方法实施例,在此不再赘述。
具体地,该存储介质能够为通用的存储介质,如移动磁盘、硬盘等,该存储介质上的计算机程序被运行时,能够执行上述遥感影像岸线自动识别方法,从而能够实现对岸线轮廓的精准监测,有效降低岸线监测的难度,提高了监测效率。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-OmlyMemory,ROM)、随机存取存储器(Ramdom Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是: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以所述权利要求的保护范围为准。
Claims (10)
1.一种遥感影像岸线自动识别方法,其特征在于,包括:
获取历史遥感图像,对历史遥感图像进行预处理,得到不同时间段的岸线历史信息地图;
按时间维度,建立岸线与选定地物之间距离的历史遥感距离值样本库;
采集当前岸线的地表数据,得到当前岸线与所述选定地物之间距离的地表距离值序列;
对所述历史遥感距离值样本库中的数据和地表距离值序列进行离散差值计算,得到遥感差值系数;
采集待识别的岸线遥感图像,对待识别的岸线遥感图像进行预处理,得到待识别的岸线信息地图;
在所述待识别的岸线信息地图中,建立岸线与选定地物之间距离的待识别距离值序列;
将所述遥感差值系数代入所述待识别距离值序列,以选定地物为基准,对岸线实际位置进行修正,形成岸线轮廓。
2.根据权利要求1所述的遥感影像岸线自动识别方法,其特征在于,所述获取历史遥感图像,对历史遥感图像进行预处理,得到岸线历史信息地图包括:
选取指定时间范围为第一时间段,获取第一时间段内的岸线长时序遥感监测图像和湖泊轮廓线样本库的历史图像;
在第一时间段内,将不同种类的历史图像进行匹配处理,调整至同一个精准度下,得到指定精准度图像;
对第一时间段内的所述指定精准度图像标注岸线水文数据、周边地物位置、周边地形及海拔高度,得到岸线历史信息地图;
对n个不同时间段内的历史图像分别进行处理,得到不同时间段内的岸线历史信息地图,其中n为大于1的自然数。
3.根据权利要求2所述的遥感影像岸线自动识别方法,其特征在于,所述按时间维度,建立岸线与选定地物之间距离的历史遥感距离值样本库包括:
在第一时间段内的岸线历史信息地图中选取若干岸线点,分别标记为a1至am,其中m为大于1的自然数;
在第一时间段内的岸线历史信息地图中,对应若干所述岸线点分别选取离所选岸线点最近的选定地物,分别标记为b1至bm;
计算若干所述岸线点和对应的若干所述选定地物之间的距离值,分别得到;
在n个不同时间段内的岸线历史信息地图中,分别找到第一时间段内的岸线历史信息地图中的所述选定地物,对应若干所述选定地物,分别在每张所述岸线历史信息地图中选取距离最近的岸线点计算距离值,得到:
;
……
;
组成历史遥感距离值样本库:
D=。
4.根据权利要求3所述的遥感影像岸线自动识别方法,其特征在于,所述采集当前岸线的地表数据,得到当前岸线与所述选定地物之间距离的地表距离值序列,包括:
分别找到在所述历史信息地图内选定的若干所述选定地物b1至bm;
对应若干所述选定地物,分别在当前岸线的实际地表上选取距离最近的岸线点,分别标记为a1’至am’;
计算若干所述选定地物和对应的若干当前所述岸线点之间的距离值,得到地表距离值序列:
D’=(d1’=|a1’-b1|,d2’=|a2’-b2|,d3’=|a3’-b|3……,dm’=|am’-bm|)。
5.根据权利要求4所述的遥感影像岸线自动识别方法,其特征在于,所述对所述历史遥感距离值样本库和地表距离值序列进行离散差值计算,得到遥感差值系数,包括:
分别对每一组岸线与选定地物的历史遥感距离值与地表距离值进行离散差值计算,得到差值系数序列:
Sm=(,/>,/>……,/>);
计算所述差值系数序列的平均值,得到遥感差值系数S=。
6.根据权利要求1所述的遥感影像岸线自动识别方法,其特征在于,所述采集待识别的岸线遥感图像,对待识别的岸线遥感图像进行预处理,得到待识别的岸线信息地图,包括:
采集待识别的岸线遥感监测图像;
将待识别的岸线遥感监测图像与所述岸线历史信息地图调节至同一个精准度下,得到指定精准度遥感监测图像;
将所述指定精准度遥感监测图像结合地物类别高光谱和sar波段融合信息库进行标注,得到标记有岸线水文数据、周边地物位置、周边地形及海拔高度的待识别的岸线信息地图。
7.根据权利要求5所述的遥感影像岸线自动识别方法,其特征在于,所述在所述待识别的岸线信息地图中,建立岸线与选定地物之间距离的待识别距离值序列,包括:
在所述待识别的岸线信息地图中选取若干岸线点,分别标记为e1至ep,其中p为大于1的自然数;
在所述待识别的岸线信息地图中,对应若干所述岸线点分别选取离所选岸线点最近的选定地物,分别标记为f1至fp;
计算若干所述岸线点和对应的若干所述选定地物之间的距离值,分别得到待识别距离值序列:
G=(g1=|e1-f1|,g2=|e2-f2|,g3=|e3-f3|……,gp=|ep-fp|)。
8.根据权利要求7所述的遥感影像岸线自动识别方法,其特征在于,所述将所述遥感差值系数代入所述待识别距离值序列,以选定地物为基准,对岸线实际位置进行修正,形成岸线轮廓,包括:
将所述遥感差值系数S代入所述待识别距离值序列G,对每个距离值进行修正,得到修正距离值序列:
G’=(g1’=g1*(1±S),g2’=g2*(1±S),g3’=g3*(1±S)……,gp’=gp*(1±S));
以所述待识别的岸线信息地图中的选定地物为基准,对岸线实际位置进行修正,形成岸线轮廓。
9.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至8中任一项所述的遥感影像岸线自动识别方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至8中任一项所述的遥感影像岸线自动识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310849825.XA CN116580321B (zh) | 2023-07-12 | 2023-07-12 | 一种遥感影像岸线自动识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310849825.XA CN116580321B (zh) | 2023-07-12 | 2023-07-12 | 一种遥感影像岸线自动识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116580321A CN116580321A (zh) | 2023-08-11 |
CN116580321B true CN116580321B (zh) | 2023-09-08 |
Family
ID=87543488
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310849825.XA Active CN116580321B (zh) | 2023-07-12 | 2023-07-12 | 一种遥感影像岸线自动识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116580321B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105389826A (zh) * | 2015-12-23 | 2016-03-09 | 国家***第一海洋研究所 | 珊瑚岛礁岸线高分sar遥感提取方法 |
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*** |
CN109034083A (zh) * | 2018-08-03 | 2018-12-18 | 青岛大学 | 一种基于多景遥感影像的自然岸线提取方法和装置 |
CN115331102A (zh) * | 2022-07-29 | 2022-11-11 | 长江空间信息技术工程有限公司(武汉) | 一种基于深度学习的遥感影像河湖岸线智能监测方法 |
-
2023
- 2023-07-12 CN CN202310849825.XA patent/CN116580321B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105389826A (zh) * | 2015-12-23 | 2016-03-09 | 国家***第一海洋研究所 | 珊瑚岛礁岸线高分sar遥感提取方法 |
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*** |
CN109034083A (zh) * | 2018-08-03 | 2018-12-18 | 青岛大学 | 一种基于多景遥感影像的自然岸线提取方法和装置 |
CN115331102A (zh) * | 2022-07-29 | 2022-11-11 | 长江空间信息技术工程有限公司(武汉) | 一种基于深度学习的遥感影像河湖岸线智能监测方法 |
Non-Patent Citations (1)
Title |
---|
模拟涨潮的复杂海岸类型岸线自动提取方法;田德政;《海洋环境科学》;第第39卷卷(第第1期期);第153-161页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116580321A (zh) | 2023-08-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101672646B (zh) | 一种卫星图像自动几何精校正方法 | |
KR100678395B1 (ko) | 위성영상과 항공영상을 이용한 지리정보 데이터의 실시간위치보정 시스템 및 그 방법 | |
EP3794386B1 (en) | Determination of location-specific weather information for agronomic decision support | |
Yan et al. | Shoreline change detection and forecast along the Yancheng coast using a digital shoreline analysis system | |
CN111951392A (zh) | 一种基于时间序列遥感影像和水位监测数据的洲滩枯水位以上地形重建方法 | |
CN106197383A (zh) | 一种海冰体积的遥感估算方法 | |
CN113486975A (zh) | 遥感图像的地物分类方法、装置、设备及存储介质 | |
Vos et al. | Benchmarking satellite-derived shoreline mapping algorithms | |
Gao et al. | Analysis of flood inundation in ungauged basins based on multi-source remote sensing data | |
CN114943161B (zh) | 一种基于多源遥感数据的内陆湖泊地形反演方法 | |
CN112200050A (zh) | 基于多源卫星数据的湖泊水量时空变化分析方法及装置 | |
CN113960625B (zh) | 一种基于星载单光子激光主被动遥感融合的水深反演方法 | |
US11164330B2 (en) | Landmark configuration matcher | |
CN116580321B (zh) | 一种遥感影像岸线自动识别方法 | |
CN116994012A (zh) | 一种基于生态修复的图斑匹配***及匹配方法 | |
Dang et al. | Instantaneous shorelines as an intermediate for island shoreline mapping based on aerial/satellite stereo images | |
Al-Nasrawi et al. | Geoinformatic analysis of vegetation and climate change on intertidal sedimentary landforms in southeastern Australian estuaries from 1975-2015 | |
CN114152302B (zh) | 湖泊蓄水变化量估算方法、***、电子设备和介质 | |
Hua et al. | The research of artificial shoreline extraction based on airborne LIDAR data | |
CN113124834A (zh) | 一种结合多源数据的区域网平差方法、***及存储介质 | |
Bayer et al. | Cartometric analysis of old maps on the example of Vogt’s map | |
Kyzivat et al. | Contemporary and historical detection of small lakes using super resolution Landsat imagery: promise and peril | |
Doumit | Digital Terrain Analysis of Lebanon: A Study of Geomorphometry | |
Łysko et al. | CCMORPH—Coastal cliffs morphology analysis toolbox | |
Zhang et al. | Detection of Low Elevation Outliers in TanDEM-X DEMs With Histogram and Adaptive TIN |
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 |