CN110264484A - 一种面向遥感数据的改进海岛岸线分割系统及分割方法 - Google Patents

Abstract

本发明属于海洋遥感技术领域，公开了一种面向遥感数据的改进海岛岸线分割系统及分割方法，进行基于最佳指数的遥感影像数据波段组合选择，将选择后波段组合数据作为海岛岸线分割的输入数据；进行基于Deeplab神经网络结构的海岛岸线粗分割；并进行基于全连接条件随机场的海岛岸线优化。本发明面向遥感波段数据，使用最佳指数公式选取最适合海岛岸线分割的波段组合训练神经网络；结合深度学习模型以及概率图模型，对海岛岸线进行粗分割以及细分割；本发明分割结果得出了97.8％的MIoU值。

Description

一种面向遥感数据的改进海岛岸线分割系统及分割方法

技术领域

本发明属于海洋遥感技术领域，尤其涉及一种面向遥感数据的改进海岛岸线分割系统及分割方法。

背景技术

目前，最接近的现有技术：

海岛是海洋中四面环水并在高潮时露出海平面自然形成的陆地，是散布于广大海域中的天然镶嵌体。传统的海岛岸线提取存在观测难度大、耗资多和周期长等缺点，提高海岛岸线自动提取的精度和效率成为亟待解决的问题。

遥感作为一种非直接接触的远距离探测技术，其为海岛的研究提供了重要的数据资源。利用遥感数据，国内外很多学者研究了海岛岸线的分割，如王振华等利用改进的水平集模型实现了海岛的边界分割；赵恩伟等基于多窄带模型初始化的Grab Cut分割算法对遥感图像中海岛边界进行了提取；Nandi等通过终点率(EPR)和线性回归(LR)实现了海岸线变化率的计算和海岸线预测；Ma等结合改进的最大类间方差法(OTSU)、均匀的纹理和强度等特征，对全色遥感图像进行了分层海陆分割；Cheng等利用种子学习和边缘有向图切割方法实现了海陆的分割。

深度学习因其对图像特征的提取能力和对复杂问题的拟合能力，被应用于各个领域，而卷积神经网络是深度学习的代表算法之一。Grangier等采用简单结构的卷积神经网络模型，提出了一种基于深度学习的场景解析策略；Long等用反卷积层代替全连接层，优化了全卷积神经网络(FCN)，使神经网络能接收任意大小的输入并产生相应的输出；Chen等在FCN的基础上提出了DeeplabV1网络结构，在不损失精度的前提下，使用空洞卷积增大感受视野，提高图像的分割精度。针对遥感数据的分割，Li等使用基于深度学习的多尺度卷积特征融合方法，对遥感影像中的云朵进行分割。Wu等提出了一种基于全卷积神经网络的分割方法，使用自适应阈值算法调整每一类别指标的阈值，实现端到端的遥感影像像素级分割。Huang等融合高分辨率遥感影像与雷达点云图像，在神经网络中引入门控特征标记单元，实现对建筑物的精确分割。

面向遥感影像的深度学习图像分割算法研究滞后于基于传统图像的分割算法研究，原因在于：

(1)基于深度学习的图像分割方法算法依赖于大规模的数据集、精确的人工标记和长时间的训练，而遥感影像的海量性和多波段性等特征，对深度学习神经网络的计算时效性提出了挑战。

(2)不同地物在不同的遥感影像波段组合下反映出不同的提取精度，遥感影像的多波段性特征给深度学习模型的输入提出了挑战。

(3)受自然环境影像，地物类别空间分布不均匀，个别地物尺度较小，且纹理识别难度高，此现象给深度学习的样本标记提出了挑战。

综上所述，现有技术存在的问题是：

现有技术中，没有利用最佳指数公式进行波段选择，使用训练好的Deeplab网络进行海岛岸线粗分割；造成面向遥感影像的图像分割精度低。

解决上述技术问题的难度：

(1)大量数据集需要人工进行精确标记，耗费的时间周期较长。

(2)人为的进行波段选择具有随机性，不能很好地选择出对于分割目标携带信息量最大、波段间信息冗余量最小的波段组合。

(3)仅利用神经网络的方法难以实现对海岛岸线低像素细碎区域的分割。

解决上述技术问题的意义：

本发明能够在只有少量训练样本的情况下，通过旋转、变换处理对数据集进行扩充，完成对神经网络的训练。使用全连接条件随机场对粗分割岸线优化，实现了对海岛岸线的精确分割。

发明内容

针对现有技术存在的问题，本发明提供了一种面向遥感数据的改进海岛岸线分割系统及分割方法。

本发明是这样实现的，一种面向遥感数据的改进海岛岸线分割系统。所述面向遥感数据的改进海岛岸线分割系统包括：

波段组合选择模块、海岛岸线粗分割模块和海岛岸线优化模块。

波段组合选择模块，用于波段筛选，并将波段筛选后波段组合数据作为海岛岸线分割的输入数据。

海岛岸线粗分割模块，用于实现Deeplab神经网络结构的海岛岸线粗分割。

海岛岸线优化模块，用于对随机场进行优化，细化海岛岸线的分割边缘。

本发明的另一目的在于提供面向遥感数据的改进海岛岸线分割方法，所述面向遥感数据的改进海岛岸线分割方法包括：

步骤一，进行基于最佳指数的遥感影像数据波段组合选择，将选择后波段组合数据作为海岛岸线分割的输入数据。

步骤二，进行基于Deeplab神经网络结构的海岛岸线粗分割。

步骤三，进行基于全连接条件随机场进行海岛岸线优化。

进一步，步骤一中的基于最佳指数的遥感影像数据波段组合选择包括：

最佳指数为组合波段的标准差与各波段间相关系数的比值：

式中：Y_i为第i个波段的灰度值标准差，标准差越大表明波段所蕴含的信息离散度越高，信息量越丰富。Z_ij为第i和j波段的灰度值相关系数，相关系数越低，表明波段组合后信息冗余量较小。n为选取的波段数目。

进一步，步骤二中的基于Deeplab神经网络结构的海岛岸线粗分割包括：

(1)基于ResNet-101残差网的遥感数据高维特征训练。

(2)基于空洞卷积的大范围遥感影像数据卷积运算。

(3)基于金字塔池化模块的多尺度遥感信息获取。

进一步，残差学习可作为神经网络的一部分或多部分，假设该神经网络的输入为x，拟合后输出为H(x)。定义另外一个残差映射F(x)为H(x)-x，则原始的函数映射H(x)可表示为F(x)+x。

进一步，空洞卷积(Dilated Convolution)，即膨胀卷积，在原始卷积和的基础上增加参数r，将原始卷积核中未被占用的区域用0填充，得到的新卷积核大小，计算公式为：

其中，r为膨胀系数(rate)。f_hf_w为原始卷积核高和宽。F_hF_w为膨胀卷积核高和宽。

进一步，在Deeplab网络中加入金字塔池化模块(Atrous Spatial PyramidPooling)，在输入一张遥感影像时，使用1个1x1卷积和3个3x3的膨胀率为6、12、18的空洞卷积并行执行。同时向ASPP中添加了平均池化层，将特征做全局平均池化，经过卷积再融合。

进一步，步骤三中的基于全连接条件随机场的海岛岸线优化包括：

全连接条件随机场的定义为：假设一副图像P包含n个像素点，则I＝{I₁，I₂，...I_n}为基于图像的观测量，X＝{X₁，X₂，X₃，...X_n}为随机变量集合，X的每个变量值域为L＝{L₁，L₂，...L_k}，其中k代表标记的类别，(X，I)构成条件随机场，其概率分布服从Gibbs分布，可表示为：

其中Z(I)为归一化因子，E(X|I)为能量函数，即CRF的最大后验概率问题转化为能量函数的最小化问题，能量函数可表示为：

式中，θ_i(X_i)为单个随机变量X_i的一元能量函数项，表示X_i为某个类别的代价，在本发明中代表Deep lab网络的输出。θ_ij(X_i，X_j)为关于相互连接的两个随机变量(X_i，X_j)的二元成对能量函数，表示两个变量类别一致性代价，可表示为高斯核函数的线性组合：

其中，k^(m)为高斯核函数，w^(m)为线性组合权值，μ为类标一致性参数，f_i和f_j分别为变量X_i和X_j的特征向量，表示形式如下：

式中，I为3维度颜色向量，P为2维像素点坐标向量，θ_α、θ_β、θ_γ为尺度参，w⁽¹⁾、w⁽²⁾为超参数。

本发明的另一目的在于一种实现所述面向遥感数据的改进海岛岸线分割方法的信息数据处理终端。

本发明的另一目的在于一种计算机可读存储介质，包括指令，当其在计算机上运行时，使得计算机执行所述的面向遥感数据的改进海岛岸线分割方法。

综上所述，本发明的优点及积极效果：

本发明充分利用了不同波段的波普信息，提高了对分割目标信息的提取，突出了分割目标对于其余地物的对比度。

本发明利用Deeplab神经网络对海岛岸线进行粗分割，为海岛岸线的细分割奠定了数据基础。

本发明Deeplab神经网络受其结构的影像，无法对海岛岸线中细碎的像素区进行分割，本发明通过全连接条件随机场的概率推断，结合粗分割结果和输入的波段数据，实现了海岛岸线的精细化分割。

本发明利用最佳指数公式进行波段选择，选为：取最适合海岛岸线分割的波段组合。使用训练好的Deeplab网络进行海岛岸线粗分割。在海岛岸线粗分割的基础上，基于全连接条件随机场实现海岛岸线优化，即海岛岸线细分割。

本发明面向遥感波段数据，使用最佳指数公式选取最适合海岛岸线分割的波段组合训练神经网络。结合深度学习模型以及概率图模型，对海岛岸线进行粗分割以及细分割。本发明分割结果得出了97.8％的MIoU值。

附图说明

图1是本发明实施例提供的面向遥感数据的改进海岛岸线分割方法流程图。

图2是本发明实施例提供的面向遥感数据的改进海岛岸线分割系统结构示意图。

图中：1、波段组合选择模块；2、海岛岸线粗分割模块；3、海岛岸线优化模块。

图3是本发明实施例提供的改进的海岛岸线分割模型架构图。

图4是本发明实施例提供的残差学习的流程示意图。

图5是本发明实施例提供的带有空洞卷积(ASPP)的并行模块流程示意图。

图6是本发明实施例提供的训练集旋转处理的某海岛影像示意图(从左到右依次为原图、垂直翻转、水平翻转、旋转90°、旋转270°)。

图7是本发明实施例提供的波段选择实验用图。

图8是本发明实施例提供的某海岛分割图。其中8(a)、某海岛原始图像。8(b)、边界粗分割结果图。8(c)优化后的海岛岸线图。

图9是本发明实施例提供的研究区域原始数据图。

图10是本发明实施例提供的不同模型的海岛边界分割结果图。

图11是本发明实施例提供的不同模型海岛岸线分割MIoU值比较曲线图。

图12是本发明实施例提供的不同模型岸线分割海岛周长值比较(单位像素)曲线图。

图13是本发明实施例提供的不同模型岸线分割海岛面积值比较(单位像素)曲线图。

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，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

现有技术中，没有利用最佳指数公式进行波段选择，使用训练好的Deeplab网络进行海岛岸线粗分割。造成面向遥感影像的图像分割精度低。

针对现有技术存在的问题，本发明提供了一种面向遥感数据的改进海岛岸线分割系统及分割方法，下面结合附图对本发明作详细的描述。

如图1所示，本发明实施例提供的面向遥感数据的改进海岛岸线分割方法包括：

S101：基于最佳指数的遥感影像数据波段组合选择，将选择后波段组合数据作为海岛岸线分割的输入数据。

S102：基于Deeplab神经网络结构的海岛岸线粗分割。

S103：基于全连接条件随机场的海岛岸线优化。

步骤S101中的基于最佳指数的遥感影像数据波段组合选择包括：

最佳指数为组合波段的标准差与各波段间相关系数的比值：

式中：Y_i为第i个波段的灰度值标准差，标准差越大表明波段所蕴含的信息离散度越高，信息量越丰富。Z_ij为第i和j波段的灰度值相关系数，相关系数越低，表明波段组合后信息冗余量较小。n为选取的波段数目。

步骤S102中的基于Deeplab神经网络结构的海岛岸线粗分割包括：

(1)基于ResNet-101残差网的遥感数据高维特征训练。

(2)基于空洞卷积的大范围遥感影像数据卷积运算。

(3)基于金字塔池化模块的多尺度遥感信息获取。

在本发明实施例中，残差学习可作为神经网络的一部分或多部分，假设该神经网络的输入为x，拟合后输出为H(x)。定义另外一个残差映射F(x)为H(x)-x，则原始的函数映射H(x)可表示为F(x)+x。

在本发明实施例中，空洞卷积(Dilated Convolution)，即膨胀卷积，在原始卷积和的基础上增加参数r，将原始卷积核中未被占用的区域用0填充，得到的新卷积核大小，计算公式为：

其中，r为膨胀系数(rate)。f_hf_w为原始卷积核高和宽。F_hF_w为膨胀卷积核高和宽。

在本发明实施例中，在Deeplab网络中加入金字塔池化模块(Atrous SpatialPyramid Pooling)，在输入一张遥感影像时，使用1个1x1卷积和3个3x3的膨胀率为6、12、18的空洞卷积并行执行。同时向ASPP中添加了平均池化层，将特征做全局平均池化，经过卷积再融合。

步骤S103中的基于全连接条件随机场的海岛岸线优化包括：

全连接条件随机场的定义为：假设一副图像P包含n个像素点，则I＝{I₁，I₂，...I_n)为基于图像的观测量，X＝{X₁，X₂，X₃，...X_n}为随机变量集合，X的每个变量值域为L＝{L₁，L₂，...L_k}，其中k代表标记的类别，(X，I)构成条件随机场，其概率分布服从Gibbs分布，可表示为：

其中Z(I)为归一化因子，E(X|I)为能量函数，即CRF的最大后验概率问题转化为能量函数的最小化问题，能量函数可表示为：

式中，θ_i(X_i)为单个随机变量X_i的一元能量函数项，表示X_i为某个类别的代价，在本发明中代表Deep lab网络的输出。θ_ij(X_i，X_j)为关于相互连接的两个随机变量(X_i，X_j)的二元成对能量函数，表示两个变量类别一致性代价，可表示为高斯核函数的线性组合：

，k^(m)为高斯核函数，w^(m)为线性组合权值，μ为类标一致性参数，f_i和f_j分别为变量X_i和X_j的特征向量，表示形式如下：

式中，I为3维度颜色向量，P为2维像素点坐标向量，θ_α、θ_β、θ_γ为尺度参，w⁽¹⁾、w⁽²⁾为超参数。

如图2至图3所示，本发明实施例提供的面向遥感数据的改进海岛岸线分割系统包括：

波段组合选择模块1、海岛岸线粗分割模块2和海岛岸线优化模块3。

波段组合选择模块1，用于波段筛选，并将波段筛选后波段组合数据作为海岛岸线分割的输入数据。

海岛岸线粗分割模块2，用于实现Deeplab神经网络结构的海岛岸线粗分割。

海岛岸线优化模块3，用于对随机场进行优化，细化海岛岸线的分割边缘。

下面结合具体实施例对本发明作进一步描述。

实施例

本发明实施例提供的面向遥感数据的改进海岛岸线分割方法包括：

(1)基于最佳指数的遥感影像数据波段组合选择。

最佳指数(Optimum Index Factor，OIF)由美国查维茨教授于1994年提出，其为组合波段的标准差与各波段间相关系数的比值：

式中：Y_i为第i个波段的灰度值标准差，标准差越大表明波段所蕴含的信息离散度越高，信息量越丰富。Z_ij为第i和j波段的灰度值相关系数，相关系数越低，表明波段组合后信息冗余量较小。n为选取的波段数目。

遥感影像具有多波段特性，各波段采集地表地物从可见光至近红外的光谱响应信息，不同波段组合能区分具有细微光谱特征差异的地物，在影像解译时确定最佳波段组合至关重要。以Landsat-8遥感影像为例，其564波段合成非标准假彩色图像，水体边界清晰，可有效区分陆地和水体。543波段合成标准假彩色图像，地物色彩鲜明，有利于植被分类。652波段和成假彩色图像，农作物显示为高亮的绿色，裸地显示为品红色，对监测农作物有效。本发明基于最佳指数选择用于海岛边界分割的最佳波段组合，将选择后波段组合作为输入数据，实现Deeplab神经网络结构的海岛岸线粗分割。

(2)基于Deeplab神经网络结构的海岛岸线粗分割。

Deeplab网络由Google团队于2017年提出。基于Deeplab神经网络的海岛边界粗分割主要包括三个方面：

(i)基于ResNet-101残差网的遥感数据高维特征训练。

(ii)基于空洞卷积的大范围遥感影像数据卷积运算设计。

(iii)基于金字塔池化模块的多尺度遥感信息获取。

残差学习可作为神经网络的一部分或多部分，假设该神经网络的输入为x，拟合后输出为H(x)。定义另外一个残差映射F(x)为H(x)-x，则原始的函数映射H(x)可表示为F(x)+x，如图4所示。

He等人通过实验证明，优化残差映射F(x)易于优化原始映射H(x)。F(x)+x在前馈神经网络中可作为捷径x与主径F(x)的和。捷径未引入多余参数，不影响原始网络的复杂度，整体网络依然可使用现有的深度学习反馈训练求解。使用ResNet-101残差网作为主干网络，适应了遥感数据的高维特征。同时利用残差学习能减轻深层网络训练的负担，减弱因层数过多造成的梯度消失现象，达到提高训练精度的效果。

空洞卷积(Dilated Convolution)，即膨胀卷积，在原始卷积和的基础上增加参数r，将原始卷积核中未被占用的区域用0填充，得到的新卷积核大小，计算公式为：

其中，r为膨胀系数(rate)。f_hf_w为原始卷积核高和宽。F_hF_w为膨胀卷积核高和宽。膨胀卷积保证卷积层在不降低空间维度和不增加计算参数的情况下增大卷积相应的感受野，解决遥感影像覆盖范围大引起的计算效率低等问题。

在Deeplab网络中加入金字塔池化模块(Atrous Spatial Pyramid Pooling)，解决遥感影像的多尺度信息问题。在输入一张遥感影像时，使用1个1x1卷积和3个3x3的膨胀率为6、12、18的空洞卷积并行执行，增加不同尺度范围内语义信息的提取和区分，以实现对遥感影像中多尺度的物体进行捕获，如图5(a)所示。同时向ASPP中添加了平均池化层，将特征做全局平均池化，经过卷积再融合，如图5(b)所示。

(3)基于全连接条件随机场的海岛岸线优化。

使用Deep lab网络实现了海岛岸线的粗分割，其边缘部分过于平滑，不够细致，因此引入全连接条件随机场进行优化。全连接条件随机场是一种经典的判别型概率图模型，将其引入到遥感影像的海岛岸线分割中，不仅考虑了空间上下文信息，且反映了观测变量之间的相互依赖关系，剔除了较小的误分割区域，细化了海岛岸线的分割边缘。

全连接条件随机场的定义为：假设一副图像P包含n个像素点，则I＝{I₁，I₂，...I_n}为基于图像的观测量，X＝{X₁，X₂，X₃，...X_n}为随机变量集合，X的每个变量值域为L＝{L₁，L₂，...L_k}，其中k代表标记的类别，(X，I)构成条件随机场，其概率分布服从Gibbs分布，可表示为：

其中Z(I)为归一化因子，E(X|I)为能量函数，即CRF的最大后验概率问题转化为能量函数的最小化问题，能量函数可表示为：

式中，θ_i(X_i)为单个随机变量X_i的一元能量函数项，表示X_i为某个类别的代价，在本文模型中代表Deep lab网络的输出。θ_ij(X_i，X_j)为关于相互连接的两个随机变量(X_i，X_j)的二元成对能量函数，表示两个变量类别一致性代价，可表示为高斯核函数的线性组合：

其中，k^(m)为高斯核函数，w^(m)为线性组合权值，μ为类标一致性参数，f_i和f_j分别为变量X_i和X_j的特征向量，表示形式如下：

式中，I为3维度颜色向量，P为2维像素点坐标向量，θ_α、θ_β、θ_γ为尺度参，w⁽¹⁾、w⁽²⁾为超参数。尺度参数控制高斯核的大小，可不断的更新优化。通过全连接条件随机场推理得到影像像素的最终类标之后，使用空洞填充方式过滤掉一些内部的无标签点，最终得到海岛岸线分割优化结果。

下面结合具体实验对本发明进行验证。

1)、实验用例数据。

实验数据为2015年1月1日至2019年1月1日间中国近海的Landsat-8遥感影像，共20景，分辨率为30米。基于目视解译方法自20景遥感影像中截取不同形状的海岛作为训练样本，共计截取了80景海岛遥感影像。将80景海岛遥感影像分别进行上下翻转、左右翻转，以及沿顺时针方向旋转90°、270°后扩充至400景，构成训练数据集。图6所示为某海岛影像示意图。

2)、基于改进海岛边界分割模型的海岛边界分割。

以某海岛岸线分割为例，Landsat-8海岛遥感影像拍摄时间为2014年3月15日，分辨率为30米，如图7所示。利用公式(1)计算得出用于该海岛边界分割的不同波段组合最佳指数，表1给出了排名前8的波段组合。根据指数大小，本发明选取了Landsat-8遥感影像的1、5、6波段作为海岛岸线分割的输入数据，进行后期训练与分割实验。

表1 Landsat-8海岛遥感影像的不同波段组合的OIF值

将400景海岛遥感影像分为两部分，其中350景作为训练集，50景作为验证集。基于Deeplab神经网络结构实现海岛边界的粗分割，图8给出了某海岛原始图像如图8(a)和边界粗分割结果图8(b)。以粗分割海岛岸线结果为输入，本发明基于全连接条件随机场对其进行优化，得到优化后的海岛岸线图8(c)，并统计了海岛岸线的周长及覆盖面积，分别为1428和43591(单位是像素)。

3)、海岛岸线分割结果分析与比较。

为了验证本发明的可行性，本发明选取了共大小不等的4个海岛为例，分别基于FCN模型，Deep lab模型，目视解译法和本发明改进模型对海岛的边界进行了分割。4个海岛的位置及原始数据如图9所示。基于不同分割模型的海岛边界分割结果如图10所示。

本发明将基于目视解译法的海岛边界分割结果作为真值，比较了不同分割模型的海岛边界分割精度，4个海岛的边界分割结果如表2所示。

表2基于目视解译的海岛边界周长、面积统计(单位，像素)

同时，为了判断分割模型的精确程度，即判断目标的捕获程度，本发明亦引入了平均交并比用于衡量分割精确度。平均交并比MIoU(Mean Intersection over Union)定义为：假设图像分割共有k+1个类(从L₀到L_k，其中包含一个背景类)，P_ii表示本属于类i但被预测为类j的像素数量。P_ii即表示真正例的数量，而P_ij则分别被解释为假正例和假负例。MIoU可表示为：

表3给出了不同模型用于4个海岛边界分割的参数，比较结果如图11至图13。

表3基于不同模型的海岛岸线分割结果(单位：像素)

由表3可以看出：

FCN模型分割出的海岛边界由一系列的离散点所组成，岸线不清晰。且受遥感影像的质量影像，基于FCN模型分割的海岛边界存在误分割现象，如海岛3所示。Deeplab模型和本发明改进模型可分割出连续的海岛边界，且降低误分割现象。

从MIoU值的比较可以看出，本发明模型高于FCN模型和Deeplab模型，与目视解译的海岛边界结果具有更高的吻合度。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种面向遥感数据的改进海岛岸线分割方法，其特征在于，所述面向遥感数据的改进海岛岸线分割方法包括：

步骤一，进行基于最佳指数的遥感影像数据波段组合选择，将选择后波段组合数据作为海岛岸线分割的输入数据；

步骤二，进行基于Deeplab神经网络结构进行海岛岸线粗分割；

步骤三，进行基于全连接条件随机场进行海岛岸线优化。

2.如权利要求1所述的面向遥感数据的改进海岛岸线分割方法，其特征在于，所述步骤一中的基于最佳指数的遥感影像数据波段组合选择包括：

最佳指数为组合波段的标准差与各波段间相关系数的比值：

式中：Y_i为第i个波段的灰度值标准差，标准差越大表明波段所蕴含的信息离散度越高，信息量越丰富；Z_ij为第i和j波段的灰度值相关系数，相关系数越低，表明波段组合后信息冗余量较小；n为选取的波段数目。

3.如权利要求1所述的面向遥感数据的改进海岛岸线分割方法，其特征在于，所述步骤二中的基于Deeplab神经网络结构的海岛岸线粗分割包括：

(1)基于ResNet-101残差网的遥感数据高维特征训练；

(2)基于空洞卷积的大范围遥感影像数据卷积运算；

(3)基于金字塔池化模块的多尺度遥感信息获取。

4.如权利要求3所述面向遥感数据的改进海岛岸线分割方法，其特征在于，步骤(1)中，残差学习为神经网络的一部分或多部分，神经网络的输入为x，拟合后输出为H(x)；剩余部分残差映射F(x)为H(x)-x，则原始的函数映射H(x)表示为F(x)+x。

5.如权利要求3所述的面向遥感数据的改进海岛岸线分割方法，其特征在于，步骤(2)中，空洞卷积为膨胀卷积，在原始卷积和的基础上增加参数r，将原始卷积核中未被占用的区域用0填充，得到的新卷积核大小，计算公式为：

其中，r为膨胀系数(rate)；f_hf_w为原始卷积核高和宽；F_hF_w为膨胀卷积核高和宽。

6.如权利要求3所述的面向遥感数据的改进海岛岸线分割方法，其特征在于，步骤(3)中，在Deeplab网络中加入金字塔池化模块，在输入一张遥感影像时，使用1个1x1卷积和3个3x3的膨胀率为6、12、18的空洞卷积并行执行；同时向ASPP中添加了平均池化层，将特征做全局平均池化，经过卷积再融合。

7.如权利要求1所述的面向遥感数据的改进海岛岸线分割方法，其特征在于，所述步骤三中的基于全连接条件随机场进行海岛岸线优化包括：

全连接条件随机场的定义为：假设一副图像P包含n个像素点，则I＝{I₁，I₂，...I_n}为基于图像的观测量，X＝{X₁，X₂，X₃，...X_n}为随机变量集合，X的每个变量值域为L＝{L₁，L₂，...L_k}，其中k代表标记的类别，(X，I)构成条件随机场，其概率分布服从Gibbs分布，可表示为：

其中Z(I)为归一化因子，E(X|I)为能量函数，即CRF的最大后验概率问题转化为能量函数的最小化问题，能量函数表示为：

中，θ_i(X_i)为单个随机变量X_i的一元能量函数项，表示X_i为某个类别的代价，在本发明中代表Deep lab网络的输出；θ_ij(X_i，X_j)为关于相互连接的两个随机变量(X_i，X_j)的二元成对能量函数，表示两个变量类别一致性代价，可表示为高斯核函数的线性组合：

其中，k^(m)为高斯核函数，w^(m)为线性组合权值，μ为类标一致性参数，f_i和f_j分别为变量X_i和X_j的特征向量，表示形式如下：

式中，I为3维度颜色向量，P为2维像素点坐标向量，θ_α、θ_β、θ_γ为尺度参，w⁽¹⁾、w⁽²⁾为超参数。

8.一种实现权利要求1～7任意一项所述面向遥感数据的改进海岛岸线分割方法的信息数据处理终端。

9.一种计算机可读存储介质，包括指令，当其在计算机上运行时，使得计算机执行如权利要求1-7任意一项所述的面向遥感数据的改进海岛岸线分割方法。

10.一种实现权利要求1～7任意一项所述面向遥感数据的改进海岛岸线分割方法的面向遥感数据的改进海岛岸线分割系统，其特征在于，所述面向遥感数据的改进海岛岸线分割系统包括：

波段组合选择模块、海岛岸线粗分割模块和海岛岸线优化模块；

波段组合选择模块，用于波段筛选，并将波段筛选后波段组合数据作为海岛岸线分割的输入数据；

海岛岸线粗分割模块，用于实现Deeplab神经网络结构的海岛岸线粗分割；海岛岸线优化模块，用于对随机场进行优化，细化海岛岸线的分割边缘。