基于耦合图谱特征的海岸线深度学习遥感提取方法技术

本发明专利技术公开一种基于耦合图谱特征的海岸线深度学习遥感提取方法，遥感影像选择RGB与近红外波段四个波段，搭建深度学习网络模型并对模型结构进行改造。模型自动将训练集样本训练得到的海陆二值图与标注的海陆二值图进行比较、分析，再进行反向传播优化网络、自行学习，获取海陆二值图网络模型；然后将遥感影像输入海陆二值图网络模型中，海陆二值图网络模型对输入的遥感影像进行质量控制，将得出的海陆分割区域二值图进行矢量化和海岸线生成操作，最终得到海岸带区域遥感影像的海岸线。本发明专利技术利用图谱特征耦合的方式，一方面解决了海岸线提取精度低的问题，另一方面提高了海岸线提取的速度，为自动高效的提取高分辨率影像海岸线提供了支持。岸线提供了支持。岸线提供了支持。

【技术实现步骤摘要】
基于耦合图谱特征的海岸线深度学习遥感提取方法


[0001]本专利技术涉及遥感探测
，尤其涉及一种基于耦合图谱特征的海岸线深度学习遥感提取方法。

技术介绍

[0002]随着沿海区域经济的飞速发展，城市化速度随之加快，但同样引起一系列生态相关问题，如：自然岸线缩减、人工岸线增长，海岸线形状随之改变，更有甚者因节约成本导致天然海湾的消失；引起海岸带生态环境恶化、水质恶化，加剧了海水污染，海岸带地区的生态环境已经越来越脆弱。
[0003]遥感是20世纪50年代末期发展起来的一种太空观测地球和探索宇宙的新兴技术。遥感作为一种高新技术，具有大面积同步数据获取、实时动态监测的独特优势，已在海岸带资源开发、环境监测、管理、规划及评价、保护海洋环境及海上航行、生产安全等方面显示出其无可比拟的优势，为我国经济可持续发展提供了强有力的科技支撑和服务。利用遥感技术对海岸线围填海进行实时监测与变化情况分析，并及时针对具体情况施行防护措施，这种快速、高效的方式是其他监测技术无法比拟的优势。
[0004]随着近年来航空、航天技术发展迅速，各种飞行平台上搭载更高分辨率的传感器，实现了对同一区域的短期重复观测，积累了海量的遥感数据，遥感大数据已经具备了传感器种类多、传输速度快、分辨率高等特点。人工智能技术通过非线性数学模型对输入的原始数据特征进行抽象表达，和传统法的信息提取方法不同，它不需要依赖手工特征，而是自动学习对象的特征，保证了信息准确且高效的提取。目前，利用人工智能技术已经可以自动化智能处理海量地理信息基础数据，有着传统方法不可比拟的优势。基于遥感大数据和人工智能技术，对海岸线精确提取及海岸带灾害防治具有极大推进作用。
[0005]目前，国内外学者已经提出了许多的遥感图像海岸线提取方法和研究结果，海岸线自动提取方法主要分为四类：阈值分割法、边缘检测法、面向对象分类法和区域生长提取法。
[0006]阈值分割法是通过对遥感影像的像元值进行分析来选取一系列分割阈值，利用他们将图像分割成不同区域；边缘检测法是根据边界上像元灰度值变化差异较大的原理，标识数字图像中亮度变化明显的点，来判断该像元是否处于边界上；面向对象分类法是针对高分辨率遥感影像提出的，首先对遥感影像进行分割，把具有相同特征的像元组成一个同质对象，分析目标地类的相关特征属性，再建立相应的模糊判别规则，对分割得到的同质对象进行影像分类和信息提取；区域生长提取法是将具有相似性质的像元点合并到同一区域，对具有相似性质的点合并之后继续向外生长，直到没有满足条件的像元被包括进来为止。
[0007]上述对于海岸线提取的方法各有优势，但当遥感影像质量较差、岸线噪声干扰较大时，均会产生较大的误差，且大部分模型只是将遥感影像的红、绿、蓝三个波段数据进行研究，忽视了遥感大数据多波段的巨大优势，遥感数据中近红外、中红外等波段可以看到人
眼看不见的信息。因此如何快速、准确、全面的对海岸线进行监测和提取是当前需要解决的关键问题，对海岸线精确提取及海岸带灾害防治具有极大推进作用。

技术实现思路

[0008]本专利技术为解决现有遥感图像海岸线提取方法存在的误差大、精度低等缺陷，提出一种基于耦合图谱特征的海岸线深度学习遥感提取方法，以实现快速、准确、全面的对海岸线进行监测和提取。
[0009]本专利技术是采用以下的技术方案实现的：一种基于耦合图谱特征的海岸线深度学习遥感提取方法，包括以下步骤：
[0010]步骤S1、遥感图像预处理与信息提取：
[0011]步骤S11、对原始遥感卫星影像预处理结果进行标注，获取遥感卫星影像的水体部分和陆地部分，得到标注的海陆二值图；
[0012]步骤S12、对S11得到的标注的海陆二值图进行裁剪，获取训练集和测试集，数据集中遥感影像包括RGB与近红外波段四个波段，实现图像与多波段光谱的耦合；
[0013]步骤S2、构建深度学习网络模型并进行训练：
[0014]步骤S21、搭建深度学习多波段岸线提取模型，并将步骤S1训练集样本输入深度学习多波段岸线提取模型进行训练，深度学习多波段岸线提取模型自动将训练集样本训练得到的海陆二值图与标注的海陆二值图进行比较、分析，再进行反向传播优化网络、自行学习，获取海陆二值图网络模型；
[0015]步骤S22、将步骤S1得到的测试集输入S21获得的海陆二值图网络模型中进行准确度检测；将遥感卫星影像输入到海陆二值图网络模型中，海陆二值图网络模型对输入的遥感卫星影像进行质量控制；
[0016]步骤S23、当海陆二值图网络模型不满足质控条件时，重复S22的操作直到海陆二值图网络模型满足质控条件；当海陆二值图网络模型满足条件时，执行步骤S3；
[0017]步骤S3、海岸线提取与矢量化：将S2模型提取的海陆分割区域二值图进行矢量化和海岸线生成操作，获取海岸带区域遥感影像的海岸线。
[0018]进一步的，所述步骤S2中，深度学习网络模型的图像读入尺寸与卷积层中卷积核的尺寸增加为RGB与近红外四个波段；步骤S21中，基于语义分割网络进行模型训练，针对水体识别，将输入图像的水体和非水体区域分别分配不同的语义类别，从而将水体和非水体区域识别出来；其中深度学习网络模型包括卷积层、池化层、激活函数、反卷积层和反池化层五部分。
[0019]进一步的，所述步骤S22中，在进行准确度检测时，采用平均交并比评价，通过计算真实分类的像元与模型预测的像元之间的交并比，即：
[0020][0021]式中，k为计算的总种类，即水体与陆地两类，i、j分别为真实值和预测值，P
ij
表示将i预测j。
[0022]进一步的，所述步骤S22中进行质量控制时，具体采用以下方式：
[0023](1)条带修补：当影像存在受损条带时，将图像中无值的像元点根据周围的值进行计算，采用三次卷积插值算法实现修补，即：
[0024][0025]式中，row、col分别代表原影像中三次卷积插值计算窗口涉及多个像元点的行列数与待计算点的偏差，i、j的范围分别是[i
‑
1,i+2]，[j
‑
1,j+2]，f表示原始已有的值，F代表插值后的值，S(x)是采样公式；
[0026](2)去云去雪校正：对于多云天气和积雪时节影响对遥感影像干扰的校正，结合归一化植被指数NDVI与归一化积雪指数NDSI，在原图中剔除云层与积雪的影响，其中，NDVI与NDSI的计算公式如公式(4)和公式(5)所示：
[0027]NDVI＝(NIR
‑
R)/(NIR+R)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
[0028]NDSI＝(G
‑
SWIR)/(G+SWIR)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)
[0029]当Landsat影像头文件中提示云覆盖量小于一定百分比时，进行如上操作，反之，此影像数据质量不符合要求，无法提取岸线。<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于耦合图谱特征的海岸线深度学习遥感提取方法，其特征在于，包括以下步骤：步骤S1、遥感图像预处理与信息提取：步骤S11、对原始遥感卫星影像预处理结果进行标注，获取遥感卫星影像的水体部分和陆地部分，得到标注的海陆二值图；步骤S12、对S11得到的标注的海陆二值图进行裁剪，获取训练集和测试集，数据集中遥感影像包括RGB与近红外波段四个波段；步骤S2、构建深度学习网络模型并进行训练：步骤S21、搭建深度学习多波段图谱耦合岸线提取模型，并将步骤S1训练集样本输入深度学习多波段岸线提取模型进行训练，深度学习多波段岸线提取模型自动将训练集样本训练得到的海陆二值图与标注的海陆二值图进行比较、分析，再进行反向传播优化网络、自行学习，获取海陆二值图网络模型；步骤S22、将步骤S1得到的测试集输入S21获得的海陆二值图网络模型中进行准确度检测；将遥感卫星影像输入到海陆二值图网络模型中，海陆二值图网络模型对输入的遥感卫星影像进行质量控制；步骤S23、当海陆二值图网络模型不满足质控条件时，重复S22的操作直到海陆二值图网络模型满足质控条件；当海陆二值图网络模型满足条件时，执行步骤S3；步骤S3、海岸线提取与矢量化：将S2提取得到的海陆分割区域二值图进行矢量化和海岸线生成操作，获取海岸带区域遥感影像的海岸线。2.根据权利要求1所述的基于耦合图谱特征的海岸线深度学习遥感提取方法，其特征在于：所述步骤S2中，深度学习网络模型的图像读入尺寸与卷积层中卷积核的尺寸增加为RGB与近红外四个波段，将图像与光谱多波段的特征进行结合；步骤S21中，基于语义分割网络进行模型训练，针对水体识别，将输入图像的水体和非水体区域分别分配不同的语义类别，从而将水体和非水体区域识别出来；其中深度学习网络模型包括卷积层、池化层、激活函数、反卷积层和反池化层五部分。3.根据权利要求1所述的基于耦合图谱特征的海岸线深度学习遥感提取方法，其特征在于：所述步骤S22中，在进行准确度检测时，采用平均交并比评价，通过计算真实分类的像元与模型预测的像元之间的交并比，即：式中，k为计算的总种类，即水体与陆地两类，i、j分别为真实值和预测值，P
ij
表示将i预测j。4.根据权利要求1所述的基于耦合图谱特征的海岸线深度学习遥感提取方法，其特征在于：所述步骤S...

【专利技术属性】
技术研发人员：田森，叶秋果，陈军，蔺楠，孙记红，
申请(专利权)人：西安交通大学中国人民解放军九二八五九部队青岛海洋地质研究所，
类型：发明
国别省市：