CN108537116A - 一种基于多尺度特征的海岸线二级类型提取方法及系统 - Google Patents
一种基于多尺度特征的海岸线二级类型提取方法及系统 Download PDFInfo
- Publication number
- CN108537116A CN108537116A CN201810180642.2A CN201810180642A CN108537116A CN 108537116 A CN108537116 A CN 108537116A CN 201810180642 A CN201810180642 A CN 201810180642A CN 108537116 A CN108537116 A CN 108537116A
- Authority
- CN
- China
- Prior art keywords
- coastline
- angle point
- cor
- land
- scale
- 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.)
- Granted
Links
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于多尺度特征的海岸线二级类型提取方法及系统。所采用的方法包含获取海岸线影像图,通过顾及不确定性的海岸线位置定位方法确定海岸线位置,得到海岸线位置结果图像和水陆分割结果图像,通过基于多尺度特征的海岸线提取算法,实现在二级类型尺度上的海岸线分类和提取;算法考虑了海岸线尺度不变的几何和空间结构特性,本发明能够很好地顾及不确定性因素,获取更加准确的海岸线位置,通过提取海岸线尺度不变的几何特征和空间结构特征,实现海岸线二级类型的提取,效率更高并且准确性更高。
Description
技术领域
本发明属于海岸线提取领域,涉及到一种基于多尺度特征的海岸线二级类型提取方法及系统。
背景技术
城市区域岸线作为城市发展和人类活动的直接反映,对于沿海城市发展驱动、海岸带开发程度以及海岸带生态环境具有重大的意义与价值。由于复杂频繁的人类活动和城市发展需求,复杂的人工岸线成为了沿海城市主要的岸线类型。海岸线的提取分类、时空变化分析是目前研究关注的焦点。目前海岸线提取方法主要包括阈值分割法、边缘检测法、基于目标的区域增长法、监督分类法等,进行水陆分离,提取海岸线的位置;海岸线分类方法只要有基于目视解译进行海岸线二级类型分类。国内外海岸线的时空变化分析主要有:在国外,研究者主要关注海岸线变化的多种线性速率的优劣性、适宜性及海岸线变化速率及加速度方面的适宜性;在国内,研究者主要关注海岸线分形维数及其变化、海岸线空间位置与开发利用程度的时空动态特征。目前存在的问题主要有,首先,海岸线提取没有考虑不确定性的问题,由于陆地场景过于复杂、海岸带环境过于动态且复杂(如:潮水起落、滩涂、泥沙垃圾等)、水陆交界处混合像元以及影像噪声的存在;海岸线提取过程中存在不确定性。其次,海岸线的分类多为人工干预,自动化程序不足,具体为海岸线的二级分类多为人工目视解译,效率不足,面对海量数据时,效率劣势很大。
发明内容
针对海岸线提取过程中没有考虑不确定性及二级分类效率不更高及准确率不更高的缺点,本发明提供了一种基于多尺度特征的海岸线二级类型提取方法方法及系统,所述方法包含如下步骤:
S1、获取海岸线影像图,通过顾及不确定性的海岸线位置定位方法确定海岸线位置,得到水陆分割结果图像,通过形态学处理和边界追踪得到海岸线位置结果图像;
S2、对于步骤S1所述的水陆分割结果图像和海岸线位置结果图像建立第0至n层的影像金字塔,使得海岸线的几何与空间结构特征在不同尺度下进行呈现;
S3、提取影像金字塔整体海岸线的角点特征对海岸线的几何形状进行描述,记为Cor。评估不同尺度下几何特征的保持程度,即计算第i层与第i+1层间角点特征数量的变化率Cor_ci,i=0,1…n-1,当Cor_c值最大时,选择影像金字塔第iopt层作为最优计算尺度;
S4、在影像金字塔第iopt层利用步骤S3所述最优计算尺度对提取的整体海岸线角点特征Cor进行筛选,实现对海岸线更高几何复杂度处的角点特征提取,记为Cor_hc;
S5、在影像金字塔第iopt层利用步骤S3所述最优计算尺度,对于每一个海岸线位置,选取N*M的窗口,计算邻域内水体指数的平均值,记为WI_v,实现对海岸线每一局部的空间结构特征的提取;
S6、根据所述提取的特征Cor_hc和WI_v,对海岸线二级类型进行分类提取;若具有特征Cor_hc分布且WI_v的值小于预设的阈值P,则此海岸线为港口岸线;若WI_v的值大于预设的阈值P且无特征Cor_hc分布,则此海岸线为盐田岸线;若WI_v的值小于预设的阈值P且无特征Cor_hc分布,此海岸线为建设岸线。
本发明一种基于多尺度特征的海岸线二级类型类型提取方法中,步骤S1顾及不确定性的海岸线位置定位方法,包含以下步骤:
S21、对所述海岸线影像图的影像进行水体指数计算,得到水体指数计算结果;
S22、对所述步骤S21中的水体指数计算结果进行归一化,进行直方图统计,得到纯净陆地像元、不确定性像元以及纯净水体像元的直方图分布;
S23、基于所述步骤S22中的直方图分布,计算每一可能分割阈值下的类间方差;
S24、根据所述步骤S23中的类间方差进行离散一阶导数计算,获取不确定性像元分布与纯净水体像元分布之间的拐点位置;
S25、提取步骤S24中所述不确定性像元分布与纯净水体像元分布之间的拐点作为水陆分割阈值,得到水陆分割结果图像;
S26、根据步骤S25所述的水陆阈值分割对水体与陆地进行形态学处理,通过边界追踪获取最终的海岸线位置,得到海岸线位置结果图像。
本发明一种基于多尺度特征的海岸线二级类型类型提取方法中,步骤S4海岸线更高几何复杂度处的角点特征提取,包含以下步骤:
S41、对每一个海岸线角点,计算其与前后相邻两个角点连线的斜率差,如果斜率差小于预设的阈值A,则删除此角点,否则保留此角点;
S42、计算剩余海岸线角点与相邻角点间的欧式距离,如欧式距离小于预设的阈值B,则将其聚类为一组;
S43、计算每一组海岸线角点角点中相距最远的两个角点间海岸线长度与欧式距离的比值,如比值大于预设的阈值C,则保留此角点,否则删除此角点。
本发明还提供了一种基于多尺度特征的海岸线二级类型提取系统,包括如下模块:
海岸线位置确定模块,用于获取海岸线影像图,通过顾及不确定性的海岸线位置定位方法确定海岸线位置,得到水陆分割结果图像,通过形态学处理和边界追踪得到海岸线位置结果图像;
构建影像金字塔模块,用于对所述的海岸线位置结果图像和水陆分割结果图像建立第0至n层的影像金字塔,使得海岸线的几何与空间结构特征在不同尺度下进行呈现;
最优计算尺度获取模块,用于提取影像金字塔整体海岸线的角点特征对海岸线的几何形状进行描述,记为Cor。评估不同尺度下几何特征的保持程度,即计算第i层与第i+1层间角点特征数量的变化率Cor_ci,i=0,1…n-1,当Cor_c值最大时,选择影像金字塔第iopt层作为最优计算尺度;
海岸线角点特征提取模块,用于在影像金字塔第iopt层利用所述最优计算尺度对提取的整体海岸线角点特征Cor进行筛选,实现对海岸线更高几何复杂度处的角点特征提取,记为Cor_hc;
海岸线空间结构特征提取模块,用于在影像金字塔第iopt层利用所述最优计算尺度,对于每一个海岸线位置,选取N*M的窗口,计算邻域内水体指数的平均值,记为WI_v,实现对海岸线每一局部的空间结构特征的提取;
海岸线二次类型分类提取模块,用于根据所述提取的特征Cor_hc和WI_v,对海岸线二级类型进行分类提取;若具有特征Cor_hc分布且WI_v的值小于预设的阈值P,则此海岸线为港口岸线;若WI_v的值大于预设的阈值P且无特征Cor_hc分布,则此海岸线为盐田岸线;若WI_v的值小于预设的阈值P且无特征Cor_hc分布,此海岸线为建设岸线。
本发明一种基于多尺度特征的海岸线二级类型提取系统中,海岸线位置确定模块中顾及不确定性的海岸线位置定位方法包括如下模块:
水体指数计算模块,用于对所述海岸线影像图的影像进行水体指数计算,得到水体指数计算结果;
直方图分布获取模块,用于对所述的水体指数计算结果进行归一化,进行直方图统计,得到纯净陆地像元、不确定性像元以及纯净水体像元的直方图分布;
类间方差计算模块,用于利用所述直方图分布,计算每一可能分割阈值下的类间方差;
拐点获取模块,用于根据所述类间方差进行离散一阶导数计算,获取不确定性像元分布与纯净水体像元分布之间的拐点位置;
水陆分割结果图像获取模块,用于提取所述不确定性像元分布与纯净水体像元分布之间的拐点作为水陆分割阈值,得到水陆分割结果图像;
海岸线位置结果图像获取模块,用于根据所述的水陆阈值分割对水体与陆地进行形态学处理,通过边界追踪获取最终的海岸线位置,得到海岸线位置结果图像。
本发明的一种基于多尺度特征的海岸线二级类型提取系统中,海岸线角点特征提取模块,包含以下模块:
角点斜率差筛选模块,用于对每一个海岸线角点,计算其与前后相邻两个角点连线的斜率差,如果斜率差小于预设的阈值A,则删除此角点,否则保留此角点;
角点欧式距离筛选模块,用于计算剩余海岸线角点与相邻角点间的欧式距离,如欧式距离小于预设的阈值B,则将其聚类为一组;
海岸线长度与欧式距离比值模块,用于计算每一组海岸线角点角点中相距最远的两个角点间海岸线长度与欧式距离比值,如比值大于预设的阈值C,则保留此角点,否则删除此角点。
本发明方法能够很好地顾及不确定性因素,获取更加准确的海岸线位置。在此基础上,通过提取海岸线尺度不变的几何特征和空间结构特征,实现海岸线二级类型的提取。
附图说明
下面将结合附图及实施例对本发明作进一步说明,附图中:
图1为本发明方法实施流程图;
图2为本发明实施例水体指数计算结果;
图3为本发明实施例水体指数计算结果图及混合型像元提取结果;
图4为本发明实施例水陆类间方差计算结果及水陆类间方差离散一阶导数图;
图5为本发明与其他方法对1986-2016海岸线位置提取结果对比图;
图6为本发明实施例构建海岸线空间结构特征金字塔图;
图7为本发明实施例构建海岸线几何特征金字塔进行最优尺度选择图;
图8为本发明实施例水陆分割、海岸线位置以及角点特征筛选结果图;
图9为本发明实施例二次类型提取结果图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实例,对本发明进行进一步详细说明。
本实施例所采用方法总体流程图见图1。首先获取要确定海岸线的初始海岸线影像图,提出了顾及不确定性的岸线位置定位方法(uncertainty-considering coastlinedetection,UCCD),具体为先计算水体指数(AWEI),增强遥感影像中水体与陆地的光谱差异,本实施例中水体指数计算结果见图2,对影像图水体指数计算结果进行归一化,进行直方图统计,得到纯净陆地像元、不确定性像元以及纯净水体像元的直方图分布,归一化水体指数的统计直方图结果见图3(a),混合型像元提取结果(白色部分)见图3(b);基于直方图分布,计算每一可能分割阈值下的类间方差;迭代计算每一可能的水陆分离阈值下的类间方差统计曲线形态分布,水陆类间方差计算结果见图4(a),通过一阶导数,得到曲线的拐点极值,水陆类间方差离散一阶导数见图4(b);获取不确定性像元分布与纯净水体像元分布之间的拐点位置;提取不确定性像元分布与纯净水体像元分布之间的拐点作为水陆分割阈值,得到水陆分割结果图像;根据水陆阈值分割对水体与陆地进行形态学处理,通过边界追踪获取最终的海岸线位置,得到海岸线位置结果图像,本实施例选取了人工提取和Otsu方法与本发明方法进行对比,提取了1986-2016每隔五年海岸线的位置,提取结果对比图见图5,水陆分割结果见图6。
对海岸线位置结果图像和水陆分割结果图像建立第0至n层的影像金字塔,使得海岸线的几何与空间结构特征在不同尺度下进行,示意图见图6,图7,提取整体海岸线的角点特征对海岸线的几何形状进行描述,记为Cor。评估不同尺度下几何特征的保持程度,即计算相邻金字塔层间角点特征数量的变化率Cor_ci,i=0,1…n-1,当Cor_c值最大时,选择对应的金字塔层作为最优计算尺度,最优尺度选择示意图见图7。
在影像金字塔利用最优计算尺度对提取的整体海岸线角点特征Cor进行筛选,实现对海岸线更高几何复杂度处的角点特征提取,记为Cor_hc;具体为对每一个海岸线角点,计算其与前后相邻两个角点连线的斜率差,如果斜率差小于预设的阈值A,则删除此角点,否则保留此角点;计算剩余海岸线角点与相邻角点间的欧式距离,如欧式距离小于预设的阈值B,则将其聚类为一组;计算每一组海岸线角点角点中相距最远的两个角点间海岸线长度与欧式距离的比值,如比值大于预设的阈值C,则保留此角点,否则删除此角点。角点特征筛选结果见图8。
在最优计算尺度下,对于每一个海岸线位置,选取3*3的窗口,计算邻域内水体指数的平均值,记为WI_v,实现对海岸线每一局部的空间结构特征的提取;
根据所述提取的特征Cor_hc和WI_v,对海岸线二级类型进行分类提取;若具有特征Cor_hc分布且WI_v的值小于预设的阈值P,则此海岸线为港口岸线;若WI_v的值大于预设的阈值P且无特征Cor_hc分布,则此海岸线为盐田岸线;若WI_v的值小于预设的阈值P且无特征Cor_hc分布,此海岸线为建设岸线。二次类型提取分类结果见图9。
本发明方法实施例可根据评价指标误分误差ME和线匹配度LM来表征,其中其中Wi和Li分别代表非参考方法进行水陆分离结果中水体和陆地的面积(也可为像元数),W和L分别代表作为参考的人工解译的水陆分离结果中水体和陆地的面积(也可为像元数),ME无量纲。
其中ΔS代表非参考方法提取的海岸线与作为参考的人工解译获取的海岸线相交的面积,Lreal代表作为参考的人工解译获取的海岸线的长度,LM的单位是米。
本发明实施例提取海岸线的误分误差和线匹配度的结果见表1。其中平均误分误差为0.0012,平均线匹配度为24.54m。
表1本发明方法提取海岸线指标对比
指标 | 1986 | 1991 | 1996 | 2001 | 2006 | 2011 | 2016 |
误分误差 | 0.0015 | 0.0015 | 0.0002 | 0.0013 | 0.0016 | 0.0018 | 0.0007 |
线匹配度 | 33.78 | 33.5 | 3.81 | 35.39 | 33.08 | 21.01 | 6.19 |
盐田岸线、建设岸线、港口岸线的岸线长度对比结果见表2。
表2岸线长度对比
从表2中可以看出,在过去的三十年间,天津市的海岸线总长度呈现一个巨大的上升趋势。其中港口岸线的长度增加巨大,与海岸线总长度变化趋势相近;建设岸线变化幅度较小,但总体呈增加趋势;盐田岸线的长度呈现逐步较少之势。在2006年到2011年之间,港口岸线的长度变现出巨大的增长,长度增长量达到132.10km。且在接下来的5年里,港口岸线的长度增加依然持续,达到了35.93km的增长,远远高于其他时期。以此同时,天津市海岸线的总长度在2006年到2011年间的长度增长量高达169.44km。
上面结合附图对本发明的实施例进行了描述,但是本发明并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本发明的启示下,在不脱离本发明宗旨和权利要求所保护的范围情况下,还可做出若干改进和变形,这些均属于本发明的保护之内。
Claims (6)
1.一种基于多尺度特征的海岸线二级类型类型提取方法,其特征在于,包括如下步骤:
S1、获取海岸线影像图,通过顾及不确定性的海岸线位置定位方法确定海岸线位置,得到水陆分割结果图像,通过形态学处理和边界追踪得到海岸线位置结果图像;
S2、对于步骤S1所述的水陆分割结果图像和海岸线位置结果图像建立第0至n层的影像金字塔,使得海岸线的几何与空间结构特征在不同尺度下进行呈现;
S3、提取影像金字塔整体海岸线的角点特征对海岸线的几何形状进行描述,记为Cor。评估不同尺度下几何特征的保持程度,即计算第i层与第i+1层间角点特征数量的变化率Cor_ci,i=0,1…n-1,当Cor_c值最大时,选择影像金字塔第iopt层作为最优计算尺度;
S4、在影像金字塔第iopt层利用步骤S3所述最优计算尺度对提取的整体海岸线角点特征Cor进行筛选,实现对海岸线更高几何复杂度处的角点特征提取,记为Cor_hc;
S5、在影像金字塔第iopt层利用步骤S3所述最优计算尺度,对于每一个海岸线位置,选取N*M的窗口,计算邻域内水体指数的平均值,记为WI_v,实现对海岸线每一局部的空间结构特征的提取;
S6、根据所述提取的特征Cor_hc和WI_v,对海岸线二级类型进行分类提取;若具有特征Cor_hc分布且WI_v的值小于预设的阈值P,则此海岸线为港口岸线;若WI_v的值大于预设的阈值P且无特征Cor_hc分布,则此海岸线为盐田岸线;若WI_v的值小于预设的阈值P且无特征Cor_hc分布,此海岸线为建设岸线。
2.根据权利要求1所述基于多尺度特征的海岸线二级类型类型提取方法,其特征在于,步骤S1顾及不确定性的海岸线位置定位方法,包含以下步骤:
S21、对所述海岸线影像图的影像进行水体指数计算,得到水体指数计算结果;
S22、对所述步骤S21中的水体指数计算结果进行归一化,进行直方图统计,得到纯净陆地像元、不确定性像元以及纯净水体像元的直方图分布;
S23、基于所述步骤S22中的直方图分布,计算每一可能分割阈值下的类间方差;
S24、根据所述步骤S23中的类间方差进行离散一阶导数计算,获取不确定性像元分布与纯净水体像元分布之间的拐点位置;
S25、提取步骤S24中所述不确定性像元分布与纯净水体像元分布之间的拐点作为水陆分割阈值,得到水陆分割结果图像;
S26、根据步骤S25所述的水陆阈值分割对水体与陆地进行形态学处理,通过边界追踪获取最终的海岸线位置,得到海岸线位置结果图像。
3.根据权利要求1所述基于多尺度特征的海岸线二级类型类型提取方法,其特征在于,步骤S4海岸线更高几何复杂度处的角点特征提取,包含以下步骤:
S41、对每一个海岸线角点,计算其与前后相邻两个角点连线的斜率差,如果斜率差小于预设的阈值A,则删除此角点,否则保留此角点;
S42、计算剩余海岸线角点与相邻角点间的欧式距离,如欧式距离小于预设的阈值B,则将其聚类为一组;
S43、计算每一组海岸线角点角点中相距最远的两个角点间海岸线长度与欧式距离的比值,如比值大于预设的阈值C,则保留此角点,否则删除此角点。
4.一种基于多尺度特征的海岸线二级类型提取系统,其特征在于,包括如下模块:
海岸线位置确定模块,用于获取海岸线影像图,通过顾及不确定性的海岸线位置定位方法确定海岸线位置,得到水陆分割结果图像,通过形态学处理和边界追踪得到海岸线位置结果图像;
构建影像金字塔模块,用于对所述的海岸线位置结果图像和水陆分割结果图像建立第0至n层的影像金字塔,使得海岸线的几何与空间结构特征在不同尺度下进行呈现;
最优计算尺度获取模块,用于提取影像金字塔整体海岸线的角点特征对海岸线的几何形状进行描述,记为Cor。评估不同尺度下几何特征的保持程度,即计算第i层与第i+1层间角点特征数量的变化率Cor_ci,i=0,1…n-1,当Cor_c值最大时,选择影像金字塔第iopt层作为最优计算尺度;
海岸线角点特征提取模块,用于在影像金字塔第iopt层利用所述最优计算尺度对提取的整体海岸线角点特征Cor进行筛选,实现对海岸线更高几何复杂度处的角点特征提取,记为Cor_hc;
海岸线空间结构特征提取模块,用于在影像金字塔第iopt层利用所述最优计算尺度,对于每一个海岸线位置,选取N*M的窗口,计算邻域内水体指数的平均值,记为WI_v,实现对海岸线每一局部的空间结构特征的提取;
海岸线二次类型分类提取模块,用于根据所述提取的特征Cor_hc和WI_v,对海岸线二级类型进行分类提取;若具有特征Cor_hc分布且WI_v的值小于预设的阈值P,则此海岸线为港口岸线;若WI_v的值大于预设的阈值P且无特征Cor_hc分布,则此海岸线为盐田岸线;若WI_v的值小于预设的阈值P且无特征Cor_hc分布,此海岸线为建设岸线。
5.根据权利要求4所述基于多尺度特征的海岸线二级类型提取系统,其特征在于,海岸线位置确定模块中顾及不确定性的海岸线位置定位方法包括如下模块:
水体指数计算模块,用于对所述海岸线影像图的影像进行水体指数计算,得到水体指数计算结果;
直方图分布获取模块,用于对所述的水体指数计算结果进行归一化,进行直方图统计,得到纯净陆地像元、不确定性像元以及纯净水体像元的直方图分布;
类间方差计算模块,用于利用所述直方图分布,计算每一可能分割阈值下的类间方差;
拐点获取模块,用于根据所述类间方差进行离散一阶导数计算,获取不确定性像元分布与纯净水体像元分布之间的拐点位置;
水陆分割结果图像获取模块,用于提取所述不确定性像元分布与纯净水体像元分布之间的拐点作为水陆分割阈值,得到水陆分割结果图像;
海岸线位置结果图像获取模块,用于根据所述的水陆阈值分割对水体与陆地进行形态学处理,通过边界追踪获取最终的海岸线位置,得到海岸线位置结果图像。
6.根据权利要求4所述基于多尺度特征的海岸线二级类型提取系统,其特征在于,海岸线角点特征提取模块,包含以下模块:
角点斜率差筛选模块,用于对每一个海岸线角点,计算其与前后相邻两个角点连线的斜率差,如果斜率差小于预设的阈值A,则删除此角点,否则保留此角点;
角点欧式距离筛选模块,用于计算剩余海岸线角点与相邻角点间的欧式距离,如欧式距离小于预设的阈值B,则将其聚类为一组;
海岸线长度与欧式距离比值模块,用于计算每一组海岸线角点角点中相距最远的两个角点间海岸线长度与欧式距离比值,如比值大于预设的阈值C,则保留此角点,否则删除此角点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810180642.2A CN108537116B (zh) | 2018-03-05 | 2018-03-05 | 一种基于多尺度特征的海岸线二级类型提取方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810180642.2A CN108537116B (zh) | 2018-03-05 | 2018-03-05 | 一种基于多尺度特征的海岸线二级类型提取方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108537116A true CN108537116A (zh) | 2018-09-14 |
CN108537116B CN108537116B (zh) | 2021-09-24 |
Family
ID=63486550
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810180642.2A Active CN108537116B (zh) | 2018-03-05 | 2018-03-05 | 一种基于多尺度特征的海岸线二级类型提取方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108537116B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109801552A (zh) * | 2019-01-24 | 2019-05-24 | 中国人民解放军战略支援部队信息工程大学 | 一种人工海岸线化简方法 |
CN110363229A (zh) * | 2019-06-27 | 2019-10-22 | 岭南师范学院 | 一种基于改进RReliefF和mRMR相结合的人体特征参数选择方法 |
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 |
CN117668958A (zh) * | 2023-12-06 | 2024-03-08 | 山东省海洋资源与环境研究院(山东省海洋环境监测中心、山东省水产品质量检验中心) | 一种海岸线分形维数自动计算方法、系统及设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103886285A (zh) * | 2014-03-11 | 2014-06-25 | 武汉大学 | 先验地理信息辅助下的光学遥感影像舰船检测方法 |
US9569667B1 (en) * | 2015-05-04 | 2017-02-14 | Exelis Inc | Cloud resilient algorithm for coastline registration |
CN107169533A (zh) * | 2017-06-14 | 2017-09-15 | 大连海事大学 | 一种超像素的概率因子tmf的sar图像海岸线检测算法 |
CN107239782A (zh) * | 2017-05-09 | 2017-10-10 | 广州地理研究所 | 基于亚像元定位的遥感影像水体提取方法 |
CN107292245A (zh) * | 2017-06-02 | 2017-10-24 | 同济大学 | 一种高分遥感影像上的港口检测方法 |
-
2018
- 2018-03-05 CN CN201810180642.2A patent/CN108537116B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103886285A (zh) * | 2014-03-11 | 2014-06-25 | 武汉大学 | 先验地理信息辅助下的光学遥感影像舰船检测方法 |
US9569667B1 (en) * | 2015-05-04 | 2017-02-14 | Exelis Inc | Cloud resilient algorithm for coastline registration |
CN107239782A (zh) * | 2017-05-09 | 2017-10-10 | 广州地理研究所 | 基于亚像元定位的遥感影像水体提取方法 |
CN107292245A (zh) * | 2017-06-02 | 2017-10-24 | 同济大学 | 一种高分遥感影像上的港口检测方法 |
CN107169533A (zh) * | 2017-06-14 | 2017-09-15 | 大连海事大学 | 一种超像素的概率因子tmf的sar图像海岸线检测算法 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109801552A (zh) * | 2019-01-24 | 2019-05-24 | 中国人民解放军战略支援部队信息工程大学 | 一种人工海岸线化简方法 |
CN110363229A (zh) * | 2019-06-27 | 2019-10-22 | 岭南师范学院 | 一种基于改进RReliefF和mRMR相结合的人体特征参数选择方法 |
CN110363229B (zh) * | 2019-06-27 | 2021-07-27 | 岭南师范学院 | 一种基于改进RReliefF和mRMR相结合的人体特征参数选择方法 |
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 |
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 |
CN117668958A (zh) * | 2023-12-06 | 2024-03-08 | 山东省海洋资源与环境研究院(山东省海洋环境监测中心、山东省水产品质量检验中心) | 一种海岸线分形维数自动计算方法、系统及设备 |
CN117668958B (zh) * | 2023-12-06 | 2024-05-17 | 山东省海洋资源与环境研究院(山东省海洋环境监测中心、山东省水产品质量检验中心) | 一种海岸线分形维数自动计算方法、系统及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN108537116B (zh) | 2021-09-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108537116A (zh) | 一种基于多尺度特征的海岸线二级类型提取方法及系统 | |
CN104361582B (zh) | 一种对象级高分辨率sar影像洪水灾害变化检测方法 | |
CN102663382B (zh) | 基于子网格特征自适应加权的视频图像文字识别方法 | |
CN101599120B (zh) | 一种遥感影像建筑物识别方法 | |
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 | |
CN109086824A (zh) | 一种基于卷积神经网络的海底底质声呐图像分类方法 | |
Lohani et al. | Application of airborne scanning laser altimetry to the study of tidal channel geomorphology | |
CN111696123A (zh) | 超像素分类识别的遥感图像水域分割提取方法 | |
CN109447065A (zh) | 一种乳腺影像识别的方法及装置 | |
CN110378921B (zh) | 基于浮泥流变特性与灰度共生矩阵的航道底质层界智能识别方法 | |
CN109363699A (zh) | 一种乳腺影像病灶识别的方法及装置 | |
CN105719308B (zh) | 基于稀疏表示的有砟铁路路基病害特征表示方法 | |
CN105389826A (zh) | 珊瑚岛礁岸线高分sar遥感提取方法 | |
Cheng et al. | Efficient sea–land segmentation using seeds learning and edge directed graph cut | |
CN106530313A (zh) | 一种基于区域分割的海天线实时检测方法 | |
CN109363697A (zh) | 一种乳腺影像病灶识别的方法及装置 | |
CN109886170A (zh) | 一种钉螺智能检测识别与统计系统 | |
CN108710862A (zh) | 一种高分辨率遥感影像水体提取方法 | |
CN111738332A (zh) | 基于特征级融合的水下多源声学图像底质分类方法及系统 | |
CN105701495A (zh) | 图像纹理特征提取方法 | |
CN110111352A (zh) | 一种基于特征级联的sar遥感图像水域检测虚警剔除方法 | |
CN110889840A (zh) | 面向地物目标的高分6号遥感卫星数据的有效性检测方法 | |
CN112509134A (zh) | 一种潮滩数字高程模型构建方法及系统 | |
CN104866852B (zh) | 提取遥感影像中土地覆被信息的方法及装置 | |
CN108765440B (zh) | 一种单极化sar图像的线引导超像素海岸线提取方法 |
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 |