一种基于深度学习的海岸带围填海变化遥感监测方法技术

本发明专利技术提供了一种基于深度学习的海岸带围填海变化遥感监测方法，包括以下步骤：S1、多源时间序列遥感影像数据选择与预处理，对数据进行筛选、处理，获取高质量的遥感数据应用于围填海监测；S2、水边线提取与掩膜构建，通过水边线构建缓冲区对围填海变化图斑潜在区域进行界定；S3、变化图斑分布预测图构建，提高样本构建效率；S4、围填海变化图斑样本制作，依据变化图斑分布预测图，利用处理软件进行数据集标记，获得围填海变化样本数据集。本发明专利技术有益效果：通过水边线提取算法，获得瞬时水边线，构建掩膜，对围填海变化图斑空间区域进行约束，制作变化图斑分布预测图，提高变化图斑定位准确度和识别精度。度和识别精度。度和识别精度。

【技术实现步骤摘要】
一种基于深度学习的海岸带围填海变化遥感监测方法


[0001]本专利技术属于海洋信息监测领域，尤其是涉及一种基于深度学习的海岸带围填海变化遥感监测方法。

技术介绍

[0002][0003]传统的海岸带地区变化监测手段是实地勘察，该方法费时费力，时效性、准确性差。卫星影像覆盖面积广，频率高，能够提供周期性、大面积、定量化的地物覆盖数据，基于遥感影像的围填海监测以较低成本，快速、准确、大范围的对地观测能力成为海域监测的有力手段。目前，常用的监测方法主要包括人工交互的目视解译、自动/半自动解译两种方法。人工交互的目视解译是通过人工判读的方法对遥感影像数据进行叠加分析，发现海域使用动态变化，进而识别围填海信息，该方法提取精度高，但是工作量大、耗时长、效率低。自动/半自动解译方法主要分为分类后比较和比较后分析两种。分类后比较估计每个输入图像的类别概率图，然后对比这两个类别概率图得到像素级的变化区域图。这种方法的缺点是分类的误差会影响到后面的变化检测。比较后分析可以直接对比输入图像特征信息，首先计算两张输入图像的相似特征图或差图，然后对其进行分析以提取变化区域。
[0004]目前基于深度学习开展的围填海变化图斑提取研究非常少，主要原因如下：
[0005](1)不同时相影像的光照、对比度、噪声等造成的色彩差异，不同卫星图像的俯视角度不同会使得对同一物体的观测有部分角度偏差问题，配准误差通常难以达到要求，不同时相的影像存在错位现象，导致变化检测不准确；
[0006](2)围填海变化图斑样本集需要长时间序列的影像，且样本标记需要大量的人工作业，目前缺少大数据量的、有效的、可供训练的样本数据集；
[0007](3)海岸带区域地物复杂，海岸带变化图斑形状不规则，边界有时比较模糊，且存在大量明显的伪变化，如海浪、海面云影等，应用传统算法变化检测精度不高。

技术实现思路

[0008]有鉴于此，本专利技术旨在提出一种基于深度学习的海岸带围填海变化遥感监测方法，以至少解决
技术介绍
中的至少一个问题。
[0009]为达到上述目的，本专利技术的技术方案是这样实现的：
[0010]一种基于深度学习的海岸带围填海变化遥感监测方法，包括以下步骤：
[0011]S1、多源时间序列遥感影像数据选择与预处理，对数据进行筛选、处理，获取高质量的遥感数据应用于围填海监测；
[0012]S2、水边线提取与掩膜构建，通过水边线构建缓冲区对围填海变化图斑潜在区域进行界定；
[0013]S3、变化图斑分布预测图构建，提高样本构建效率；
[0014]S4、围填海变化图斑样本制作，依据变化图斑分布预测图，利用处理软件进行数据
集标记，获得围填海变化样本数据集；
[0015]S5、模型训练与推理，将前后景影像和标记数据输入BIT模型中，获得最佳的围填海变化检测模型；
[0016]S6、进行伪变化过滤与边界优化。
[0017]进一步的，在步骤S1中，具体方法如下：
[0018]A1、数据选取：选取连续时相的多源高空间分辨率遥感影像、亚米级航飞影像作为围填海变化图斑检测数据源，数据源应至少包含红、绿、蓝、近红外四个波段；
[0019]A2、数据预处理：对多源原始遥感影像进行大气校正、几何配准，降低辐射、地形、传感器、大气散射、吸收、反射等引起的误差，同时去除阴影与云影，减少伪变化干扰，并进行色彩调整，以降低不同时相影像的色彩差异，剔除存在严重色彩畸变、质量差的影像；
[0020]A3、时序影像分组与重采样：对时序影像进行分组，重叠度超过30％的影像为一组，对组内影像进行重采样，将低分辨率影像重采样至高分辨率，保持分辨率一致，各波段统一处理为8bit数据。
[0021]进一步的，在步骤S2中，具体方法如下：
[0022]B1、水边线提取：计算影像的NDWI和MNDWI，将NDWI、MNDWI和近红外波段组合输入采用waterdetect工具批量处理，提取水体区域，通过canny边缘检测算子获得瞬时水边线；
[0023]B2、掩膜构建：以瞬时水边线为中心线，对瞬时水边线陆地一侧和向海一侧设置缓冲区，作为围填海变化图斑潜在区域，对潜在区域外的影像各波段灰度值统一设置为0，潜在区域内灰度值不变，减少远离海域的陆地及海面变化地物的干扰。
[0024]进一步的，其特征在于，在步骤S3中，具体方法如下：
[0025]C1、前后景影像配对：对经过掩膜处理后的各组内影像按照成像时间顺序排序两两配对，确定前后景影像，并通过地理坐标确定前后景影像的重叠区域，对前后景影像非重叠区域各波段灰度值统一设置为0；
[0026]C2、计算光谱信息变化图；
[0027]C3、计算纹理信息变化图；
[0028]C4、变化预测图构建：采集水体和陆地在光谱信息变化图和纹理信息变化图上的样本，统计样本值，确定阈值，对L和V进行二值化，将二值化后的L和V进行叠加取交集，获取变化图斑分布预测图。
[0029]进一步的，在步骤C2中，具体方法如下：
[0030]第一步、计算后景影像NDWI的每个像元x2(j，k)与前景影像NDWI对应位置的所有邻近像元x1(j
±
w，k
±
w)的差值，得到差异最小值获取差异影像x
diffa
，以减少配准误差的影响，对前景影像用同样的方法处理获取x
diffb
，具体公式为：
[0031][0032][0033]其中，x1、x2分别为前景影像NDWI与后景影像NDWI的灰度值，w为窗口尺寸，j，k，p，q为像元所在行列号；
[0034]第二步、得到光谱信息变化图L，具体公式为：
[0035][0036]进一步的，在步骤C3中，具体方法如下：
[0037]第一步、计算前后景影像NDWI的GLCM方差，具体公式为：
[0038][0039]其中，p(i，j，d，θ)表示NDWI值为i的像元与距离为d、NDWI值为j的像元出现的数量，θ为角度，μ为p(i，j，d，θ)的均值，M、N为共生矩阵的灰度阶数；
[0040]第二步、得到纹理信息变化图V，具体公式为：
[0041]V＝GLCM
varb
‑
GLCM
varb
[0042]其中，GLCM
varb
表示后景影像NDWI的GLCM方差，GLCM
vara
表示前景影像NDWI的GLCM方差。
[0043]进一步的，在步骤S5中，具体方法如下：
[0044]D1、样本集划分：增加不存在变化的前后景影像作为负样本，占样本总数1
‑
10％，变化按照7∶1∶2的比例将样本划分为训练集、测试集、验证集，训练样本可逆，水体
‑
陆地和陆地
‑
水体视为同一类变化；
[0045]D2、模型训练：在训练集中挑选质量优的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的海岸带围填海变化遥感监测方法，其特征在于，包括以下步骤：S1、多源时间序列遥感影像数据选择与预处理，对数据进行筛选、处理，获取高质量的遥感数据应用于围填海监测；S2、水边线提取与掩膜构建，通过水边线构建缓冲区对围填海变化图斑潜在区域进行界定；S3、变化图斑分布预测图构建，提高样本构建效率；S4、围填海变化图斑样本制作，依据变化图斑分布预测图，利用处理软件进行数据集标记，获得围填海变化样本数据集；S5、模型训练与推理，将前后景影像和标记数据输入BIT模型中，获得最佳的围填海变化检测模型；S6、进行伪变化过滤与边界优化。2.根据权利要求1所述的一种基于深度学习的海岸带围填海变化遥感监测方法，其特征在于，在步骤S1中，具体方法如下：A1、数据选取：选取连续时相的多源高空间分辨率遥感影像、亚米级航飞影像作为围填海变化图斑检测数据源，数据源应至少包含红、绿、蓝、近红外四个波段；A2、数据预处理：对多源原始遥感影像进行大气校正、几何配准，降低辐射、地形、传感器、大气散射、吸收、反射引起的误差，同时去除阴影与云影，减少伪变化干扰，并进行色彩调整，以降低不同时相影像的色彩差异，剔除存在严重色彩畸变、质量差的影像；A3、时序影像分组与重采样：对时序影像进行分组，重叠度超过30％的影像为一组，对组内影像进行重采样，将低分辨率影像重采样至高分辨率，保持分辨率一致，各波段统一处理为8bit数据。3.根据权利要求1或2所述的一种基于深度学习的海岸带围填海变化遥感监测方法，其特征在于，在步骤S2中，具体方法如下：B1、水边线提取：计算影像的NDWI和MNDWI，将NDWI、MNDWI和近红外波段组合输入采用waterdetect工具批量处理，提取水体区域，通过canny边缘检测算子获得瞬时水边线；B2、掩膜构建：以瞬时水边线为中心线，对瞬时水边线陆地一侧和向海一侧设置缓冲区，作为围填海变化图斑潜在区域，对潜在区域外的影像各波段灰度值统一设置为0，潜在区域内灰度值不变，减少远离海域的陆地及海面变化地物的干扰。4.根据权利要求1或2或3所述的一种基于深度学习的海岸带围填海变化遥感监测方法，其特征在于，在步骤S3中，具体方法如下：C1、前后景影像配对：对经过掩膜处理后的各组内影像按照成像时间顺序排序两两配对，确定前后景影像，并通过地理坐标确定前后景影像的重叠区域，对前后景影像非重叠区域各波段灰度值统一设置为0；C2、计算光谱信息变化图；C3、计算纹理信息变化图；C4、变化预测图构建：采集水体和陆地在光谱信息变化图和纹理信息变化图上的样本，统计样本值，确定阈值，对L和V进行二值化，将二值化后的L和V进行叠加取交集，获取变化图斑分布预测图。5.根据权利要求4所述的一种基于深度学习的海岸带围填海变化遥感监测方法，其特
征在于，在步骤C2中，具体方法如下：第一步、计算后景影像NDWI的每个像元x2(j,k)与前景影像NDWI对应位置的所有邻近像元x1(j
±
w,k
±
w)的差值，得到差异最小值获取差异影像x
diffa
，以减少配准误差的影响，对前景影像用同样的方法处理获取x
diffb
，具体公式为：，具体公式为：其中，x1、x2分别为前景影像NDWI与后景影像NDWI的灰度值，w为窗口尺寸，j，k，p，q为像元所在行列号；第二步、得到光谱信息变化图L，具体公式为：6.根据权利要求4所述的一种基于深度学习的海岸带围填海变化遥感监测方法，其特征在于，在步骤C3中，具体方法如下：第一步、计算前后景影像NDWI的GLCM方差，具体公式为：其中，p(i,j,d,θ)表示NDWI值为i的像元与距离为d、NDWI值为j的像元出现的数量，θ为角度，μ为p(i,j,d,θ)的均值，M、N为共生矩阵的灰度阶数；第二步、得到纹理信息变化图V，具体公式为：V＝GLCM
varb
‑
GLCM
varb
其中，GLCM
varb
表示后景影像NDWI的GLCM方差，GLCM
vara
表示前景影像NDWI的GLCM方差。7.根据权利要求1所述的一种基于深度学习的海岸带围填海变化遥感监测方法，其特征在于，在步骤S5中，具体方法如下：D1、样本集划分：增加不存在变化的前后景影像作为负样本，占样本总数1
‑
10％，变化按照7:1:2的比例将样本划分为训练集、测试集、验证集，训练样本可逆，水体
‑
陆地和陆地<...

【专利技术属性】
技术研发人员：赵彬如，张健，任晓明，郭振栋，谷祥辉，焦红波，牛思文，
申请(专利权)人：国家海洋信息中心，
类型：发明
国别省市：