CN107563296B - 基岩海岸岸线的提取方法及系统 - Google Patents
基岩海岸岸线的提取方法及系统 Download PDFInfo
- Publication number
- CN107563296B CN107563296B CN201710665257.2A CN201710665257A CN107563296B CN 107563296 B CN107563296 B CN 107563296B CN 201710665257 A CN201710665257 A CN 201710665257A CN 107563296 B CN107563296 B CN 107563296B
- Authority
- CN
- China
- Prior art keywords
- ndwi
- coast
- bedrock
- shoreline
- module
- 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
Landscapes
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基岩海岸岸线的提取方法,包括:采用基于面向对象的方法,对欲提取基岩海岸岸线的遥感影像数据进行多尺度分割;根据上述多尺度分割后的遥感影像数据建立运算特征;根据建立的运算特征建立隶属度函数;利用模糊规则设置隶属度函数对海水进行判别的判别区间,并利用所述判别区间对隶属度函数赋值;对赋值后隶属度函数进行分类处理,提取海水对象,得到基岩海岸岸线。本发明还涉及一种基岩海岸岸线的提取系统。本发明具有较强的全局搜索能力和鲁棒性,能较好地分辨和提取以及放大对分类有用的特征,分类结果轮廓清晰,且分类结果的破碎化程度较低。
Description
技术领域
本发明涉及一种基岩海岸岸线的提取方法及系统。
背景技术
基岩海岸是自然海岸的重要组成部分,其通常由外部轮廓清晰且分明的硬质岩石构成,其通常还含有突出的海岬,海岬与海岬之间还存在深入陆地的海湾,与其它自然岸线相比较,基岩海岸的岸线往往特别曲折复杂。基岩海岸往往都比较陡峭,其坡度非常大,有些区域近乎垂直,故而即使海水潮位变化巨大,基岩海岸水平方向上水边界线的波动也并不显著,换句话说,海水潮位变化对基岩海岸岸线提取的影响很小。除此之外,基岩海岸近海一侧的岩石滩具有防止海水侵入和腐蚀的作用,因此大潮上冲流都无法越过基岩海岸的海蚀崖,所以基岩海岸的岸线提取往往都比较简单,仅需找到海蚀崖的浸水痕迹线。
基于遥感技术对基岩海岸的岸线进行识别和提取的方法有很多,这些方法总体上可以归纳为人工目视解译和计算机自动解译两大类。人工目视解译就是利用人机交互的办法描绘出基岩海岸的岸线,并将描绘结果转存为线性的矢量数据,这种方法对操作人员的技术和经验要求较高,作业量巨大且耗时耗力,并且由于人工操作存在大量人为误差而很难保证结果的客观性和一致性。鉴于人工目视解译的局限性,计算机自动解译技术便被不断提出,并已逐渐成为遥感海岸线提取的主要技术手段之一。
同时,在识别基岩海岸海蚀崖浸水痕迹线的过程中存在很多“亦此亦彼”的不确定特征,换句话说,浸水痕迹线两侧的目标地物的分类边界不是很明确,具有一定的模糊性。具体来讲,模糊性是指客观差异的中介过渡性所引起的划分上的一种不确定性,这种过渡性不可避免地形成分类上的不确定性,即模糊性。
传统的基岩海岸岸线提取方法大多依赖于实地数据测绘,即由测绘人员通过摄影测量技术和一定的仪器设备在海岸带沿线进行实时测量,这种人工解译基岩海岸岸线的方法费时费力,效率极低、而且受人为经验影响严重。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。通常来讲,利用遥感技术对基岩海岸岸线进行识别和提取往往需要较高的影像质量,因为只有较高的空间分辨率才有可能刻画出基岩海岸的细节信息。截止目前,大多数关于海岸线提取的技术方法都姑且将海岸瞬时水边界线默认为该海岸的岸线,这样做在一定大尺度下是可行的,但是对于精细海岸线提取来说,简单的将瞬时水边界线当作基岩海岸的海岸线并不可取,在遥感数据中寻找基岩海岸海蚀崖的浸水痕迹线,并使用其作为基岩海岸的海岸线则更为可靠。在遥感技术的基础上,模糊分类被逐渐用于精确刻画基岩海岸岸线的位置,利用模糊分类解决基岩海岸岸线提取过程中海蚀崖浸水痕迹线模糊性问题的关键则是利用隶属度函数对海蚀崖浸水痕迹线的相对位置进行判别。目前可以用于模糊分类的隶属度函数很多,但是在解决基岩海岸岸线提取这个问题上仍然没有确定的准则,对于不同隶属度函数的提取结果也没有相关的对比分析。对于模糊分类算法来说,利用常用的隶属度函数进行分类的结果常常会面临边缘模糊,局部收敛不足,斑块破碎化严重,散落分布较多等问题。
发明内容
有鉴于此,有必要提供一种基岩海岸岸线的提取方法及系统,其能够避免利用常规隶属度函数进行模糊分类的局限性问题,能较好地分辨和提取以及放大对分类有用的特征,分类结果轮廓清晰,且分类结果的破碎化程度较低。
本发明提供一种基岩海岸岸线的提取方法,该方法包括如下步骤:采用基于面向对象的方法,对欲提取基岩海岸岸线的遥感影像数据进行多尺度分割;根据上述多尺度分割后的遥感影像数据建立运算特征;根据建立的运算特征建立隶属度函数;利用模糊规则设置隶属度函数对海水进行判别的判别区间,并利用所述判别区间对隶属度函数赋值;对赋值后隶属度函数进行分类处理,提取海水对象,得到基岩海岸岸线。
优选地,所述对欲提取基岩海岸岸线的遥感影像数据进行多尺度分割,具体包括:设置每个波段的权重Qi值;设置多尺度分割的尺度参数;设置多尺度分割的形状参数;设置多尺度分割的紧致度参数;将多尺度分割后产生的对象赋类为“unclassified”。
优选地,所述根据上述多尺度分割后的遥感影像数据建立运算特征,具体包括:
(1)运算特征“NDWI”的计算公式如下:
其中,B2为遥感影像绿谱段的亮度值;B4为遥感影像近红外谱段的亮度值;
(2)将NDWI数据进行线性平移,将其数据范围由NDWI∈[-1,1] 平移为NDWI∈[0,2];
其中,n表示该对象所包含的像元数量。
优选地,所述根据建立的运算特征建立隶属度函数,具体包括:
(1)隶属度函数f(NDWI)的计算公式如下:
其中,A、B、k、n均为模型常量,需要用户根据实测数据进行估计和调整;
(2)根据实测数据对A、B、k、n进行参数估计。
优选地,所述利用模糊规则设置隶属度函数对海水进行判别的判别区间,并利用所述判别区间对隶属度函数赋值,具体包括:
其中,α和β为判别区间量。
本发明提供一种基岩海岸岸线的提取系统,该系统包括分割模块、运算特征建立模块、隶属度建立模块、判别模块、提取模块,其中:所述分割模块用于采用基于面向对象的方法,对欲提取基岩海岸岸线的遥感影像数据进行多尺度分割;所述运算特征建立模块用于根据上述多尺度分割后的遥感影像数据,建立运算特征;所述隶属度建立模块用于根据建立的运算特征,建立隶属度函数;所述判别模块用于利用模糊规则设置隶属度函数对海水进行判别的判别区间,并利用所述判别区间对隶属度函数赋值;所述提取模块用于利用模糊规则对赋值后隶属度函数进行分类处理,提取海水对象,得到基岩海岸岸线。
优选地,所述的分割模块具体用于:设置每个波段的权重Qi值;
设置多尺度分割的尺度参数;设置多尺度分割的形状参数;设置多尺度分割的紧致度参数;将多尺度分割后产生的对象赋类为“unclassified”。
优选地,所述的运算特征建立模块具体用于:
(1)“NDWI”的计算公式如下:
其中,B2为遥感影像绿谱段的亮度值;B4为遥感影像近红外谱段的亮度值;
(2)将NDWI数据进行线性平移,将其数据范围由NDWI∈[-1,1] 平移为NDWI∈[0,2];
其中,n表示该对象所包含的像元数量。
优选地,所述的隶属度建立模块具体用于:
(1)f(NDWI)的计算公式如下:
其中,A、B、k、n均为模型常量,需要用户根据实测数据进行估计和调整;
(2)根据实测数据对A、B、k、n进行参数估计。
优选地,所述的判别模块具体用于:
其中,α和β为判别区间量。
本发明以基岩海岸的岸线为研究对象,结合基岩海岸的分类特征,利用面向对象的信息处理技术,构建了对基岩海岸具有高度识别性的隶属度函数,并结合模糊分类的遥感图像处理方法设计了一套完整的基岩海岸岸线的自动提取方法。本发明不仅解决了现有基岩海岸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现象,还避免了利用常规隶属度函数进行模糊分类的局限性问题。本发明具有较强的全局搜索能力和鲁棒性,能较好地分辨和提取以及放大对分类有用的特征,分类结果轮廓清晰,而且分类结果的破碎化程度较低。除此之外,本发明所构建的隶属度函数也使得基岩海岸的岸线特征得到突出,该函数不仅实现方法简单,而且其分类精度和分类效果也都优于常用隶属度函数,使算法和结果得到了双重优化。
附图说明
图1为本发明实施例一提供的基岩海岸岸线的提取方法的流程图;
图2为本发明实施例二提供的基岩海岸岸线的提取方法的流程图;
图3为本发明实施例三提供的基岩海岸岸线的提取系统的硬件架构图;
图4为本发明实施例四提供的基岩海岸岸线的提取系统的硬件架构图。
具体实施方式
下面结合附图及具体实施例对本发明作进一步详细的说明。
参阅图1所示,是本发明实施例一提供的基岩海岸岸线的提取方法较佳实施例的作业流程图。
步骤S11,采用基于面向对象的方法,对欲提取基岩海岸岸线的遥感影像数据进行多尺度分割。
本发明采用面向 对象的分类方法。面向对象的分类方法所处理的最小单元是含有更多语义信息的多个像元组成的对象,而不再是面向像元的分类方法所处理的单个像元。对象相较于像元来说,不仅含有光谱信息,还含有了诸如几何信息、纹理信息、拓扑信息、相对位置信息等更为丰富的语义信息。面向对象的分类方法有两个重要的优势,1)基于对象的分类处理可以在不同的尺度层中分别进行,可以有效克服基于单个像元、单一层次的分类缺陷;2)基于对象的分类所利用的分类特征是多语义的,有对象特征、类相关特征、场景特征等等,可以有效克服只利用光谱分类带来的局限性问题。
实现面向对象分类的方法很多,常见的软件或集成好的模块都有很多,比如ENVI、Arcgis、eCognition等,具有很大的选择性和灵活性。本发明仅给出解决问题的核心思路和方法,对于用什么计算机语言进行编程则没有限制,这要看使用者使用什么平台、软件等。
具体包括:
(1)参与多尺度分割的波段包括B1、B2、B3、B4,其中:B1代表蓝绿谱段、B2代表绿谱段、B3代表红谱段、B4代表近红外谱段。每个波段的权重Qi值如下:
(2)设置分割尺度(Scale Parameter),在本实施例中,分割尺度的数值不超过30:
Scale Parameter≤30;
(3)设置形状因子(Shape),在本实施例中,形状因子的数值不超过0.1;
Shape≤0.1;
(4)设置紧致度因子(Compactness),在本实施例中,紧致度因子的数值不超过0.3;
Compactness≤0.3;
(5)将多尺度分割后产生的对象赋类为“unclassified”。
本发明的后续所有步骤都是在利用面向对象进行多尺度分割的基础上进行的,利用面向对象进行多尺度分割是后续所有步骤的必要条件。
步骤S12,根据上述多尺度分割后的遥感影像数据,建立运算特征“NDWI”。所述建立运算特征“NDWI”,就是存储NDWI的变量,所述变量包含了地物特征信息。
具体包括:
(1)“NDWI”的计算公式如下:
其中,B2为遥感影像绿谱段的亮度值;B4为遥感影像近红外谱段的亮度值。
(2)将NDWI数据进行线性平移,将其数据范围由NDWI∈[-1,1] 平移为NDWI∈[0,2],线性平移公式为:
NDWI′i=2(χi-χmin)/(χmax-χmin),i=1、2、3、…、n
其中,NDWI′表示线性平移后的NDWI值;χi表示每个像元的NDWI 值;χmin表示所有像元中的NDWI的最小值;χmax表示所有像元中的NDWI的最大值;n表示该NDWI数据的像元数量。
其中,n表示该对象所包含的像元数量。
步骤S13,根据建立的运算特征“NDWI”,建立隶属度函数f(NDWI)。具体包括:
(1)f(NDWI)的计算公式如下:
其中,A、B、k、n均为模型常量,需要用户根据实测数据进行估计和调整。
(2)根据实测数据对A、B、k、n进行参数估计。
步骤S14,利用模糊规则设置隶属度函数f(NDWI)对海水进行判别的判别区间,并利用所述判别区间对隶属度函数f(NDWI)赋值。具体包括:
在本实施例中,认为基岩海岸海蚀崖浸水痕迹线向海一侧的区域都是海水,
其中,α和β为判别区间量,由用户根据需求设定。当NDWI>α时,表示NDWI大于α的对象对于海水这一类别的隶属度为1,即认为NDWI 大于α的对象都是海水;当NDWI<β时,表示NDWI小于β的对象对于海水这一类别的隶属度为0,即认为NDWI小于β的对象都不是海水;当β≤NDWI≤α时,表示NDWI值落在该区间的对象对于海水这一类别的隶属度介于0和1之间,NDWI值越接近α则其隶属度值越接近于1,NDWI值越接近β则其隶属度值越接近于0。
步骤S15,对赋值后隶属度函数f(NDWI)进行分类处理,提取海水对象,得到基岩海岸岸线。具体而言:
需要说明的是,本发明仅给出解决问题的核心思路和方法,对于用什么计算机语言进行编程则没有限制,这要看使用者使用什么平台、软件等。
参阅图2所示,是本发明实施例二提供的基岩海岸岸线的提取方法较佳实施例的作业流程图。
步骤S21,输入遥感影像数据。其中:
所述遥感影像数据包括4个谱段,并将所述4个谱段依次命名为: B1(蓝绿谱段)、B2(绿谱段)、B3(红谱段)、B4(近红外谱段)。
在本实施例中,所述遥感影像数据为高分二号(GF-2)卫星采集的遥感影像数据(简称“GF-2遥感影像数据”)。在另外的实施例中,也可以采用空间分辨率等同或优于GF-2遥感影像数据的其他遥感影像数据。
步骤S22,采用基于面向对象的方法,对上述遥感影像数据进行多尺度分割。
本发明采用面向对象的分类方法。面向对象的分类方法所处理的最小单元是含有更多语义信息的多个像元组成的对象,而不再是面向像元的分类方法所处理的单个像元。对象相较于像元来说,不仅含有光谱信息,还含有了诸如几何信息、纹理信息、拓扑信息、相对位置信息等更为丰富的语义信息。面向对象的分类方法有两个重要的优势,1)基于对象的分类处理可以在不同的尺度层中分别进行,可以有效克服基于单个像元、单一层次的分类缺陷;2)基于对象的分类所利用的分类特征是多语义的,有对象特征、类相关特征、场景特征等等,可以有效克服只利用光谱分类带来的局限性问题。
实现面向对象分类的方法很多,常见的软件或集成好的模块都有很多,比如ENVI、Arcgis、eCognition等,具有很大的选择性和灵活性。本发明仅给出解决问题的核心思路和方法,对于用什么计算机语言进行编程则没有限制,这要看使用者使用什么平台、软件等。
具体包括:
(1)参与多尺度分割的波段包括B1、B2、B3、B4,每个波段的权重Qi值如下:
(2)设置分割尺度(Scale Parameter),在本实施例中,分割尺度的数值不超过30:
Scale Parameter≤30;
(3)设置形状因子(Shape),在本实施例中,形状因子的数值不超过0.1;
Shape≤0.1;
(4)设置紧致度因子(Compactness),在本实施例中,紧致度因子的数值不超过0.3;
Compactness≤0.3;
(5)将多尺度分割后产生的对象赋类为“unclassified”。
本发明的后续所有步骤都是在利用面向对象进行多尺度分割的基础上进行的,利用面向对象进行多尺度分割是后续所有步骤的必要条件。
步骤S23,根据上述多尺度分割后的遥感影像数据,建立运算特征“NDWI”。所述建立运算特征“NDWI”,就是存储NDWI的变量,所述变量包含了地物特征信息。
具体包括:
(1)“NDWI”的计算公式如下:
其中,B2为遥感影像绿谱段的亮度值;B4为遥感影像近红外谱段的亮度值。
(2)将NDWI数据进行线性平移,将其数据范围由NDWI∈[-1,1] 平移为NDWI∈[0,2],线性平移公式为:
NDWIi ′=2(χi-χmin)/ (χmax-χmin),i=1、2、3、…、n
其中,NDWI′表示线性平移后的NDWI值;χi表示每个像元的NDWI 值;χmin表示所有像元中的NDWI的最小值;χmax表示所有像元中的 NDWI的最大值;n表示该NDWI数据的像元数量。
其中,n表示该对象所包含的像元数量。
步骤S24,根据建立的运算特征“NDWI”,建立隶属度函数f(NDWI)。具体包括:
(1)f(NDWI)的计算公式如下:
其中,A、B、k、n均为模型常量,需要用户根据实测数据进行估计和调整。
(2)根据实测数据对A、B、k、n进行参数估计。
本实施例以大亚湾地区为例,其参数估计的结果如下:
步骤S25,利用模糊规则设置隶属度函数f(NDWI)对海水进行判别的判别区间,并利用所述判别区间对隶属度函数f(NDWI)赋值。具体包括:
在本实施例中,认为基岩海岸海蚀崖浸水痕迹线向海一侧的区域都是海水,
其中,α和β为判别区间量,由用户根据需求设定。当NDWI>α时,表示NDWI大于α的对象对于海水这一类别的隶属度为1,即认为NDWI 大于α的对象都是海水;当NDWI<β时,表示NDWI小于β的对象对于海水这一类别的隶属度为0,即认为NDWI小于β的对象都不是海水;当β≤NDWI≤α时,表示NDWI值落在该区间的对象对于海水这一类别的隶属度介于0和1之间,NDWI值越接近α则其隶属度值越接近于1, NDWI值越接近β则其隶属度值越接近于0。
步骤S26,对赋值后隶属度函数f(NDWI)进行分类处理,提取海水对象,得到基岩海岸岸线。具体而言:
步骤S27,对上述提取的海水对象进行空间数据处理,从而得到美观化处理后的基岩海岸岸线提取结果。具体而言:
本实施例通过空间数据处理将上述提取的海水对象的面矢量数据转为线矢量数据,在此基础上得到的合并数据向陆一侧的外边界数据就是基岩海岸的岸线提取结果。
需要说明的是,本步骤对步骤S26的结果进行美观化处理,将面数据转为线数据。本实施例中,使用现有软件Arcgis里的命令即可完成。
以下以Arcgis为例进行说明:
1.通过Dissolve命令将多海水对象seawater聚合为单海水对象;
2.通过Feature To Line命令将面海水对象转化为线海水对象;
3.通过Cut命令截取海岸线段的线海水对象。
需要说明的是,本发明仅给出解决问题的核心思路和方法,对于用什么计算机语言进行编程则没有限制,这要看使用者使用什么平台、软件等。
参阅图3所示,是本发明实施例三提供的基岩海岸岸线的提取系统的硬件架构图。该系统包括:分割模块31、运算特征建立模块32、隶属度建立模块33、判别模块34、提取模块35。
所述分割模块31用于采用基于面向对象的方法,对欲提取基岩海岸岸线的遥感影像数据进行多尺度分割。
本发明采用面向对象的分类方法。面向对象的分类方法所处理的最小单元是含有更多语义信息的多个像元组成的对象,而不再是面向像元的分类方法所处理的单个像元。对象相较于像元来说,不仅含有光谱信息,还含有了诸如几何信息、纹理信息、拓扑信息、相对位置信息等更为丰富的语义信息。面向对象的分类方法有两个重要的优势,1)基于对象的分类处理可以在不同的尺度层中分别进行,可以有效克服基于单个像元、单一层次的分类缺陷;2)基于对象的分类所利用的分类特征是多语义的,有对象特征、类相关特征、场景特征等等,可以有效克服只利用光谱分类带来的局限性问题。
实现面向对象分类的方法很多,常见的软件或集成好的模块都有很多,比如ENVI、Arcgis、eCognition等,具有很大的选择性和灵活性。本发明仅给出解决问题的核心思路和方法,对于用什么计算机语言进行编程则没有限制,这要看使用者使用什么平台、软件等。
具体包括:
(1)参与多尺度分割的波段包括B1、B2、B3、B4,其中:B1代表蓝绿谱段、B2代表绿谱段、B3代表红谱段、B4代表近红外谱段。每个波段的权重Qi值如下:
(2)设置分割尺度(Scale Parameter),在本实施例中,分割尺度的数值不超过30:
Scale Parameter≤30;
(3)设置形状因子(Shape),在本实施例中,形状因子的数值不超过0.1;
Shape≤0.1;
(4)设置紧致度因子(Compactness),在本实施例中,紧致度因子的数值不超过0.3;
Compactness≤0.3;
(5)将多尺度分割后产生的对象赋类为“unclassified”。
所述运算特征建立模块32用于根据上述多尺度分割后的遥感影像数据,建立运算特征“NDWI”。所述建立运算特征“NDWI”,就是存储 NDWI的变量,所述变量包含了地物特征信息。具体包括:
(1)“NDWI”的计算公式如下:
其中,B2为遥感影像绿谱段的亮度值;B4为遥感影像近红外谱段的亮度值。
(2)将NDWI数据进行线性平移,将其数据范围由NDWI∈[-1,1] 平移为NDWI∈[0,2],线性平移公式为:
NDWIi ′=2(χi-χmin)/(χmax-χmin),i=1、2、3、…、n
其中,NDWI′表示线性平移后的NDWI值;χi表示每个像元的NDWI 值;χmin表示所有像元中的NDWI的最小值;χmax表示所有像元中的 NDWI的最大值;n表示该NDWI数据的像元数量。
其中,n表示该对象所包含的像元数量。
所述隶属度建立模块33用于根据建立的运算特征“NDWI”,建立隶属度函数f(NDWI)。具体包括:
(1)f(NDWI)的计算公式如下:
其中,A、B、k、n均为模型常量,需要用户根据实测数据进行估计和调整。
(2)根据实测数据对A、B、k、n进行参数估计。
所述判别模块34用于利用模糊规则设置隶属度函数f(NDWI)对海水进行判别的判别区间,并利用所述判别区间对隶属度函数f(NDWI)赋值。具体包括:
在本实施例中,认为基岩海岸海蚀崖浸水痕迹线向海一侧的区域都是海水,
其中,α和β为判别区间量,由用户根据需求设定。当NDWI>α时,表示NDWI大于α的对象对于海水这一类别的隶属度为1,即认为NDWI 大于α的对象都是海水;当NDWI<β时,表示NDWI小于β的对象对于海水这一类别的隶属度为0,即认为NDWI小于β的对象都不是海水;当β≤NDWI≤α时,表示NDWI值落在该区间的对象对于海水这一类别的隶属度介于0和1之间,NDWI值越接近α则其隶属度值越接近于1, NDWI值越接近β则其隶属度值越接近于0。
所述提取模块35用于对赋值后隶属度函数f(NDWI)进行分类处理,提取海水对象,得到基岩海岸岸线。具体而言:
参阅图4所示,是本发明实施例四提供的基岩海岸岸线的提取系统的硬件架构图。该系统包括:输入模块41、分割模块42、运算特征建立模块43、隶属度建立模块44、判别模块45、提取模块46、美观化模块47。
所述输入模块41用于输入遥感影像数据。其中:
所述遥感影像数据包括4个谱段,并将所述4个谱段依次命名为: B1(蓝绿谱段)、B2(绿谱段)、B3(红谱段)、B4(近红外谱段)。
在本实施例中,所述遥感影像数据为高分二号(GF-2)卫星采集的遥感影像数据(简称“GF-2遥感影像数据”)。在另外的实施例中,也可以采用空间分辨率等同或优于GF-2遥感影像数据的其他遥感影像数据。
所述分割模块42用于采用基于面向对象的方法,对上述GF-2遥感影像数据进行多尺度分割。
本发明采用面向对象的分类方法。面向对象的分类方法所处理的最小单元是含有更多语义信息的多个像元组成的对象,而不再是面向像元的分类方法所处理的单个像元。对象相较于像元来说,不仅含有光谱信息,还含有了诸如几何信息、纹理信息、拓扑信息、相对位置信息等更为丰富的语义信息。面向对象的分类方法有两个重要的优势,1)基于对象的分类处理可以在不同的尺度层中分别进行,可以有效克服基于单个像元、单一层次的分类缺陷;2)基于对象的分类所利用的分类特征是多语义的,有对象特征、类相关特征、场景特征等等,可以有效克服只利用光谱分类带来的局限性问题。
实现面向对象分类的方法很多,常见的软件或集成好的模块都有很多,比如ENVI、Arcgis、eCognition等,具有很大的选择性和灵活性。本发明仅给出解决问题的核心思路和方法,对于用什么计算机语言进行编程则没有限制,这要看使用者使用什么平台、软件等。
具体包括:
(1)参与多尺度分割的波段包括B1、B2、B3、B4,每个波段的权重Qi值如下:
(2)设置分割尺度(Scale Parameter),在本实施例中,分割尺度的数值不超过30:
Scale Parameter≤30;
(3)设置形状因子(Shape),在本实施例中,形状因子的数值不超过0.1;
Shape≤0.1;
(4)设置紧致度因子(Compactness),在本实施例中,紧致度因子的数值不超过0.3;
Compactness≤0.3;
(5)将多尺度分割后产生的对象赋类为“unclassified”。
所述运算特征建立模块43用于根据上述多尺度分割后的遥感影像数据,建立运算特征“NDWI”。所述建立运算特征“NDWI”,就是存储NDWI的变量,所述变量包含了地物特征信息。具体包括:
(1)“NDWI”的计算公式如下:
其中,B2为遥感影像绿谱段的亮度值;B4为遥感影像近红外谱段的亮度值。
(2)将NDWI数据进行线性平移,将其数据范围由NDWI∈[-1,1] 平移为NDWI∈[0,2],线性平移公式为:
NDWIi ′=2(χi-χmin)/(χmax-χmin),i=1、2、3、…、n
其中,NDWI′表示线性平移后的NDWI值;χi表示每个像元的NDWI 值;χmin表示所有像元中的NDWI的最小值;χmax表示所有像元中的 NDWI的最大值;n表示该NDWI数据的像元数量。
其中,n表示该对象所包含的像元数量。
所述隶属度建立模块44用于根据建立的运算特征“NDWI”,建立隶属度函数f(NDWI)。具体包括:
(1)f(NDWI)的计算公式如下:
其中,A、B、k、n均为模型常量,需要用户根据实测数据进行估计和调整。
(2)根据实测数据对A、B、k、n进行参数估计。
本实施例以大亚湾地区为例,其参数估计的结果如下:
所述判别模块45用于利用模糊规则设置隶属度函数f(NDWI)对海水进行判别的判别区间,并利用所述判别区间对隶属度函数f(NDWI)赋值。具体包括:
在本实施例中,认为基岩海岸海蚀崖浸水痕迹线向海一侧的区域都是海水,
其中,α和β为判别区间量,由用户根据需求设定。当NDWI>α时,表示NDWI大于α的对象对于海水这一类别的隶属度为1,即认为NDWI 大于α的对象都是海水;当NDWI<β时,表示NDWI小于β的对象对于海水这一类别的隶属度为0,即认为NDWI小于β的对象都不是海水;当β≤NDWI≤α时,表示NDWI值落在该区间的对象对于海水这一类别的隶属度介于0和1之间,NDWI值越接近α则其隶属度值越接近于1, NDWI值越接近β则其隶属度值越接近于0。
所述提取模块46用于对赋值后隶属度函数f(NDWI)进行分类处理,提取海水对象,得到基岩海岸岸线。具体而言:
所述美观化模块47用于对上述提取的海水对象进行空间数据处理,从而得到美观化处理后的基岩海岸岸线提取结果。具体而言:
本实施例通过空间数据处理将上述提取的海水对象的面矢量数据转为线矢量数据,在此基础上得到的合并数据向陆一侧的外边界数据就是基岩海岸的岸线提取结果。
需要说明的是,美观化模块47对提取模块46的处理结果进行美观化处理,将面数据转为线数据。本实施例中,使用现有软件Arcgis里的命令即可完成。
以下以Arcgis为例进行说明:
1.通过Dissolve命令将多海水对象seawater聚合为单海水对象;
2.通过Feature To Line命令将面海水对象转化为线海水对象;
3.通过Cut命令截取海岸线段的线海水对象。
虽然本发明参照当前的较佳实施方式进行了描述,但本领域的技术人员应能理解,上述较佳实施方式仅用来说明本发明,并非用来限定本发明的保护范围,任何在本发明的精神和原则范围之内,所做的任何修饰、等效替换、改进等,均应包含在本发明的权利保护范围之内。
Claims (10)
1.一种基岩海岸岸线的提取方法,其特征在于,该方法包括如下步骤:
采用基于面向对象的方法,对欲提取基岩海岸岸线的遥感影像数据进行多尺度分割;
根据上述多尺度分割后的遥感影像数据建立运算特征;
根据建立的运算特征建立隶属度函数;
利用模糊规则设置隶属度函数对海水进行判别的判别区间,并利用所述判别区间对隶属度函数赋值;
对赋值后隶属度函数进行分类处理,提取海水对象,得到基岩海岸岸线;
所述根据建立的运算特征建立隶属度函数,具体包括步骤:
(1)采用下述公式计算得到隶属度函数f(NDWI):
其中,NDWI表示运算特征,A、B、k、n均为模型常量,需要用户根据实测数据进行估计和调整;
(2)根据实测数据对A、B、k、n进行参数估计。
2.如权利要求1所述的基岩海岸岸线的提取方法,其特征在于,所述对欲提取基岩海岸岸线的遥感影像数据进行多尺度分割,具体包括:
设置每个波段的权重Qi值;
设置多尺度分割的尺度参数;
设置多尺度分割的形状参数;
设置多尺度分割的紧致度参数;
将多尺度分割后产生的对象赋类为“unclassified”。
5.如权利要求1所述的基岩海岸岸线的提取方法,其特征在于,该方法还包括:
对提取的海水对象进行空间数据处理,得到美观化的基岩海岸岸线提取结果。
6.一种基岩海岸岸线的提取系统,其特征在于,该系统包括分割模块、运算特征建立模块、隶属度建立模块、判别模块、提取模块,其中:
所述分割模块用于采用基于面向对象的方法,对欲提取基岩海岸岸线的遥感影像数据进行多尺度分割;
所述运算特征建立模块用于根据上述多尺度分割后的遥感影像数据,建立运算特征;
所述隶属度建立模块用于根据建立的运算特征,建立隶属度函数;
所述判别模块用于利用模糊规则设置隶属度函数对海水进行判别的判别区间,并利用所述判别区间对隶属度函数赋值;
所述提取模块用于利用模糊规则对赋值后隶属度函数进行分类处理,提取海水对象,得到基岩海岸岸线;
所述的隶属度建立模块具体用于:
(1)采用下述公式计算得到隶属度函数f(NDWI):
其中,NDWI表示运算特征,A、B、k、n均为模型常量,需要用户根据实测数据进行估计和调整;
(2)根据实测数据对A、B、k、n进行参数估计。
7.如权利要求6所述的基岩海岸岸线的提取系统,其特征在于,所述的分割模块具体用于:
设置每个波段的权重Qi值;
设置多尺度分割的尺度参数;
设置多尺度分割的形状参数;
设置多尺度分割的紧致度参数;
将多尺度分割后产生的对象赋类为“unclassified”。
10.如权利要求9所述的基岩海岸岸线的提取系统,其特征在于,该系统还包括:
美观化模块,用于对提取的海水对象进行空间数据处理,得到美观化的基岩海岸岸线提取结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710665257.2A CN107563296B (zh) | 2017-08-07 | 2017-08-07 | 基岩海岸岸线的提取方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710665257.2A CN107563296B (zh) | 2017-08-07 | 2017-08-07 | 基岩海岸岸线的提取方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107563296A CN107563296A (zh) | 2018-01-09 |
CN107563296B true CN107563296B (zh) | 2021-01-19 |
Family
ID=60975250
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710665257.2A Active CN107563296B (zh) | 2017-08-07 | 2017-08-07 | 基岩海岸岸线的提取方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107563296B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109146889B (zh) * | 2018-07-13 | 2021-11-19 | 洛阳中科龙网创新科技有限公司 | 一种基于高分辨率遥感图像的农田边界提取方法 |
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 |
CN111160192A (zh) * | 2019-12-20 | 2020-05-15 | 彭耿 | 基于海岸线状特征的遥感图像定位方法 |
CN112990169B (zh) * | 2021-05-20 | 2021-08-24 | 天津美腾科技股份有限公司 | 煤岩界面的识别方法、割煤轨迹的确定方法及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102054274A (zh) * | 2010-12-01 | 2011-05-11 | 南京大学 | 一种海岸带水体遥感信息全自动提取方法 |
CN104732215A (zh) * | 2015-03-25 | 2015-06-24 | 广西大学 | 一种基于信息向量机的遥感影像海岸线提取方法 |
EP3035237A1 (en) * | 2014-12-16 | 2016-06-22 | Vricon Systems Aktiebolag | Method and system for classifying a terrain type in an area |
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 |
CN105956360A (zh) * | 2016-04-15 | 2016-09-21 | 山东省水利勘测设计院 | 一种海水入侵模糊数学评价方法 |
CN106778629A (zh) * | 2016-12-21 | 2017-05-31 | 中国科学院深圳先进技术研究院 | 大棚识别方法及装置 |
-
2017
- 2017-08-07 CN CN201710665257.2A patent/CN107563296B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102054274A (zh) * | 2010-12-01 | 2011-05-11 | 南京大学 | 一种海岸带水体遥感信息全自动提取方法 |
EP3035237A1 (en) * | 2014-12-16 | 2016-06-22 | Vricon Systems Aktiebolag | Method and system for classifying a terrain type in an area |
CN104732215A (zh) * | 2015-03-25 | 2015-06-24 | 广西大学 | 一种基于信息向量机的遥感影像海岸线提取方法 |
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 |
CN105956360A (zh) * | 2016-04-15 | 2016-09-21 | 山东省水利勘测设计院 | 一种海水入侵模糊数学评价方法 |
CN106778629A (zh) * | 2016-12-21 | 2017-05-31 | 中国科学院深圳先进技术研究院 | 大棚识别方法及装置 |
Non-Patent Citations (2)
Title |
---|
基于LiDAR点云与影像的海岸线提取和地物分类研究;赖祖龙;《中国博士学位论文全文数据库基础科学辑》;20170115(第01期);第56-57页、第67页、第80页、第83页 * |
海岛海岸带地物提取及动态变化分析研究;翟珊珊;《中国优秀硕士学位论文全文数据库基础科学辑》;20160715(第07期);第21页、第33-34页、第44-48页 * |
Also Published As
Publication number | Publication date |
---|---|
CN107563296A (zh) | 2018-01-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107563296B (zh) | 基岩海岸岸线的提取方法及系统 | |
Aedla et al. | Automatic shoreline detection and change detection analysis of netravati-gurpurrivermouth using histogram equalization and adaptive thresholding techniques | |
CN110309781B (zh) | 基于多尺度光谱纹理自适应融合的房屋损毁遥感识别方法 | |
WO2017071160A1 (zh) | 一种大幅面遥感图像海陆分割的方法及系统 | |
CN103268358B (zh) | 多源控制点影像数据库构建及更新方法 | |
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 | |
CN105608473B (zh) | 一种基于高分辨率卫星影像的高精度土地覆盖分类方法 | |
CN111027446B (zh) | 一种高分辨率影像的海岸线自动提取方法 | |
CN106557740B (zh) | 一种遥感图像中油库目标的识别方法 | |
CN111008664B (zh) | 一种基于空谱联合特征的高光谱海冰检测方法 | |
CN109063754A (zh) | 一种基于OpenStreetMap的遥感影像多特征联合分类方法 | |
CN111091095A (zh) | 一种遥感图像中船只目标的检测方法 | |
CN103839267A (zh) | 一种基于形态学建筑物指数的建筑物提取方法 | |
WO2018000252A1 (zh) | 高分辨遥感海洋图像的海背景建模与抑制的方法及系统 | |
Marochov et al. | Image classification of marine-terminating outlet glaciers in Greenland using deep learning methods | |
CN115965812B (zh) | 无人机影像对湿地植被物种和地物分类的评估方法 | |
Bengoufa et al. | Rocky shoreline extraction using a deep learning model and object-based image analysis | |
CN115359366A (zh) | 基于参数优化的遥感图像目标检测方法 | |
CN104866852B (zh) | 提取遥感影像中土地覆被信息的方法及装置 | |
He et al. | Object-based distinction between building shadow and water in high-resolution imagery using fuzzy-rule classification and artificial bee colony optimization | |
CN103810487A (zh) | 一种海洋航拍图像的目标检测与识别方法及系统 | |
Xiao et al. | Multiresolution-Based Rough Fuzzy Possibilistic C-Means Clustering Method for Land Cover Change Detection | |
CN112329677A (zh) | 基于特征融合的遥感图像河道目标检测方法和装置 | |
CN109785318B (zh) | 基于面线基元关联约束的遥感图像变化检测方法 | |
JP4285644B2 (ja) | オブジェクト識別方法および装置ならびにプログラム |
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 |