CN110648347A - 一种基于遥感影像的海岸线提取方法及装置 - Google Patents

一种基于遥感影像的海岸线提取方法及装置 Download PDF

Info

Publication number
CN110648347A
CN110648347A CN201910908101.1A CN201910908101A CN110648347A CN 110648347 A CN110648347 A CN 110648347A CN 201910908101 A CN201910908101 A CN 201910908101A CN 110648347 A CN110648347 A CN 110648347A
Authority
CN
China
Prior art keywords
image
area
remote sensing
coastline
target
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.)
Pending
Application number
CN201910908101.1A
Other languages
English (en)
Inventor
王宇翔
闫军朝
殷晓斌
李占强
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Aerospace Hongtu Information Technology Ltd By Share Ltd
Original Assignee
Beijing Aerospace Hongtu Information Technology Ltd By Share Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Aerospace Hongtu Information Technology Ltd By Share Ltd filed Critical Beijing Aerospace Hongtu Information Technology Ltd By Share Ltd
Priority to CN201910908101.1A priority Critical patent/CN110648347A/zh
Publication of CN110648347A publication Critical patent/CN110648347A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration by the use of local operators
    • G06T5/30—Erosion or dilatation, e.g. thinning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/12—Edge-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/155—Segmentation; Edge detection involving morphological operators
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10032—Satellite or aerial image; Remote sensing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20036—Morphological image processing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30181—Earth observation

Abstract

本申请提供一种基于遥感影像的海岸线提取方法及装置，该方法包括：获取海岸区域的遥感影像；利用所述遥感影像中不同波段的反射率计算每一像元的归一化差异水体指数，得到水体指数影像；计算将所述水体指数影像按照不同分割阈值划分出的目标区域与背景区域间的类间方差，并根据多个类间方差确定目标分割阈值，根据所述目标分割阈值得到所述水体指数影像的二值图像；根据所述二值图像中面积大于预设面积的目标区域确定所述海岸区域的海岸线。本申请实施例能够基于海岸区域的遥感影像快速提取出海岸边界线，无需人工手动标注，自动化程度较高。

Description

一种基于遥感影像的海岸线提取方法及装置
技术领域
本申请涉及遥感技术领域，具体而言，涉及一种基于遥感影像的海岸线提取方法及装置。
背景技术
现有技术中，海岛海岸区域的海岸线获取一般是人工实地测量，人工实地测量的方式依赖于大量人力，劳动强度大，且效率较低。而随着遥感技术的发展，能够使用遥感影像来辨别海岸区域的海岸线，但也仅仅是利用人工对遥感影像进行判读，手动勾画海岸线和地物类型图斑等，非常繁琐。
发明内容
本申请实施例的目的在于提供一种基于遥感影像的海岸线提取方法及装置，能够通过海岸区域的遥感影像快速提取出海岸边界线，无需人工手动勾画，自动化程度较高。
第一方面，本申请实施例提供一种基于遥感影像的海岸线提取方法，所述方法包括：获取海岸区域的遥感影像；利用所述遥感影像中不同波段的反射率计算每一像元的归一化差异水体指数，得到水体指数影像；计算将所述水体指数影像按照不同分割阈值划分出的目标区域与背景区域间的类间方差，并根据多个类间方差确定目标分割阈值，根据所述目标分割阈值得到所述水体指数影像的二值图像；确定所述二值图像中面积大于预设面积的目标区域，并根据所述目标区域确定所述海岸区域的海岸线。
上述方案通过计算每一像元的归一化水体指数，使获得的水体指数影像中水域信息得到增强，从而在获得水体指数影像的二值图像后，能够将水体(目标区域)与陆地(背景区域)完整的分割开来，进而只需根据二值图像中属于水体的区域即可获得海岸区域的边界线。而且，在获得二值图像的过程中，所采取的目标分割阈值是根据水体指数影像自动确定的，整个过程不需要人工进行操作，自动化程度高，且十分简便。同时，上述方案只关注于符合面积要求的水域对象，由于目标区域中存在部分面积较小的区域，这部分区域实际上应当是属于地物而非水域，因此仅根据面积较大的目标区域确定海岸线能够避免部分非水域小面积地物的影响，使海岸线的提取更加准确，减小误差。
在一种可能的实施方式中，所述根据所述目标区域确定所述海岸区域的海岸线，包括：将所述二值图像转换为矢量图像，得到所述目标区域对应的面矢量对象；提取所述面矢量对象的边界，以获得所述海岸区域的海岸线。
上述方案中，将得到的二值图像转换为矢量数据文件，可便于后续的海岸线的提取和编辑，由于海岸线本身是一条线，因此采用线矢量进行表示，矢量化的海岸线能够便于用户进行海岸边界线的交互式修改编辑。
在一种可能的实施方式中，在获取海岸区域的遥感影像之后，所述方法还包括：对所述遥感影像进行图像分割，得到分割图像，其中，所述分割图像中包括多个对象；计算所述遥感影像对应的特征数据，所述特征数据包括所述遥感影像的光谱特征、所述分割图像的纹理特征以及所述分割图像中每一对象的形状特征，其中，所述光谱特征表示所述遥感影像中每一像元的归一化植被指数，所述纹理特征表示所述分割图像的灰度共生矩阵的多种特征值，所述形状特征表示所述对象的长宽比、形状指数与形状紧致度；根据所述特征数据对所述多个对象中的待分类对象进行分类，获得所述待分类对象的地物类型。
上述方案可根据海岸区域的遥感影像快速获得海岛中各地物的类型。由于实际情况中遥感影像内可能包括成千上百个地物，如果每个地物都由人工进行判定，无疑需要耗费大量的时间，而本申请通过计算遥感影像的特征数据，实现对海岛中各地物的自动分类，自动化程度高，减少了大量人工操作。
在一种可能的实施方式中，所述对所述遥感影像进行图像分割，得到分割图像，包括：计算所述遥感影像的梯度图像；对所述梯度图像进行形态学闭运算，得到平滑后的图像；利用分水岭分割算法对所述平滑后的图像进行图像分割，得到包括有多个对象的分割图像。
在一种可能的实施方式中，所述根据所述特征数据对所述多个对象中的待分类对象进行分类，获得所述待分类对象的地物类型，包括：计算所述待分类对象的特征数据与k个已知类别的对象的特征数据的距离，得到k个距离，并将所述k个距离中的最小距离对应的已知类别作为目标类别；计算所述待分类对象对所述目标类别的隶属度；若所述隶属度大于预设隶属度阈值，则确定所述待分类对象的类别为目标类别，所述待分类对象的地物类型为所述目标类别表示的地物类型。
上述方案中，以分割出的对象作为分类的基本单元，并以最小距离为依据进行判别分类。通过计算待分类对象的特征数据与多个已知类别的对象的特征数据之间的距离，寻找与待分类对象距离最近的对象，从而将该待分类对象归属到距离最近的对象所在的类别，实现对待分类对象的快速分类。
在一种可能的实施方式中，所述方法还包括：利用多个不同时期的遥感影像的海岸线信息和地物信息，检测所述海岸区域的变化，所述海岸区域的变化包括海岸线的变化范围、变化长度以及地物的类型、位置和面积的变化中的至少一项。
海岸区域的变化数据可以为政府部门提供数据支持，便于其及时发现海岛中的违法填海和违建等行为。
第二方面，本申请实施例提供一种基于遥感影像的海岸线提取装置，所述装置包括：获取模块，用于获取海岸区域的遥感影像；水体计算模块，用于利用所述遥感影像中不同波段的反射率计算每一像元的归一化差异水体指数，得到水体指数影像；图像处理模块，用于计算将所述水体指数影像按照不同分割阈值划分出的目标区域与背景区域间的类间方差，并根据多个类间方差确定目标分割阈值，根据所述目标分割阈值得到所述水体指数影像的二值图像；岸线提取模块，用于根据所述二值图像中的目标区域确定所述海岸区域的海岸线。
在一种可能的实施方式中，所述装置还包括：图像分割模块，用于对所述遥感影像进行图像分割，得到分割图像，其中，所述分割图像中包括多个对象；特征计算模块，用于计算所述遥感影像对应的特征数据，所述特征数据包括所述遥感影像的光谱特征、所述分割图像的纹理特征以及所述分割图像中每一对象的形状特征，其中，所述光谱特征表示所述遥感影像中每一像元的归一化植被指数，所述纹理特征表示所述分割图像的灰度共生矩阵的多种特征值，所述形状特征表示所述对象的长宽比、形状指数与形状紧致度；地物分类模块，用于根据所述特征数据对所述多个对象中的待分类对象进行分类，获得所述待分类对象的地物类型。
第三方面，本申请实施例提供一种存储介质，所述存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行如第一方面或第一方面中任一种可能的实施方式所述的方法。
第四方面，本申请实施例提供一种电子设备，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当所述电子设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行如第一方面或第一方面中任一种可能的实施方式所述的方法。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本申请实施例提供的海岸线提取方法的流程图；
图2为本申请实施例步骤103中确定目标分割阈值的流程图；
图3为本申请实施例提供的海岸线提取方法的另一流程图；
图4为本申请实施例步骤203中对待分类对象进行分类的流程图；
图5为本申请实施例提供的海岸线提取装置的示意图；
图6为本申请实施例提供的海岸线提取装置的另一示意图；
图7为本申请实施例提供的电子设备的示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述。
本申请实施例提供一种海岸线提取方法，该方法可基于遥感影像对海岸区域的海岸线进行自动快速提取，请参阅图1，该方法包括如下步骤：
步骤101：获取海岸区域的遥感影像。
本实施例通过遥测仪器采集海岸区域的高分辨率的初始遥感影像。在获得初始遥感影像后，可以对其进行辐射校正、几何校正、影像镶嵌和裁剪等预处理过程，得到预处理后的遥感影像，作为后续处理的输入数据。
步骤102：利用遥感影像中不同波段的反射率计算每一像元的归一化差异水体指数，得到水体指数影像。
遥感影像的每一像元具有不同波段的反射率参数，包括绿波段、近红外波段以及红波段的反射率等。通过如下公式逐像元计算归一化差异水体指数NDWI：
Figure BDA0002213302640000061
其中，p(Green)为遥感影像中像元内绿波段的反射率，p(NIR)为遥感影像中像元内近红外波段的反射率。每一像元均计算获得一个归一化差异水体指数，最终形成水体指数影像，该水体指数影像是与遥感影像图像尺寸相同的灰度图像。
步骤103：利用目标分割阈值得到水体指数影像的二值图像。
目标分割阈值是根据水体指数影像自动确定，无需人为设置，该目标分割阈值应当使得到的二值图像中目标区域与背景区域的差别较大，以获得较好的分割效果。本实施例可通过逐次递增(或者是递减)的方式遍历每一分割阈值所对应的灰度值，将分割后的两个区域间的方差最大时的阈值确定为目标分割阈值，具体的，请参阅图2，确定目标分割阈值的过程为：
步骤1031：读取水体指数影像。
步骤1032：利用不同的分割阈值将水体指数影像划分为目标区域与背景区域。
步骤1033：计算不同分割阈值下得到的目标区域与背景区域间的类间方差。
在上述步骤中，对于水体指数影像，假设目标区域与背景区域的分割阈值记为T，根据该分割阈值T同时得到目标区域与背景区域，属于目标区域的像素点个数占水体指数影像像素点总个数的比例为w1，目标区域的平均灰度为μ1，属于背景区域的像素点个数占水体指数影像像素点总个数的比例为w2，背景区域的平均灰度为μ2。水体指数影像的总平均灰度记为μ，目标区域与背景区域间的类间方差记为g。
假设水体指数影像的影像大小为M×N(即影像具有M×N个像素点)，目标区域的像素点个数记为N1，背景区域的像素点个数记为N2，那么该水体指数影像在按照某一分割阈值划分出目标区域与背景区域后具有如下关系式：
Figure BDA0002213302640000071
Figure BDA0002213302640000072
N1+N2＝M×N；
w1+w2＝1；
μ＝μ1×w1+μ2×w2；
g＝w1×(μ-μ1)2+w2×(μ-μ2)2；
根据上述等式，即可简化目标区域与背景区域的类间方差公式，得到其等价公式为：
g＝w1×w2×(μ1-μ2)2。
本实施例设置不同的分割阈值T，将会得到不同的w1、w2、μ1和μ2，采用遍历的方式得到该水体指数影像的多个类间方差。
步骤1034：根据多个类间方差确定目标分割阈值。
在获得多个类间方差后，可根据得到的多个类间方差确定目标分割阈值，然后按照该目标分割阈值对水体指数影像进行图像分割，即利用目标分割阈值逐像元进行图像计算，将水体指数影像中灰度值大于目标分割阈值的像元用1表示，灰度值不大于目标分割阈值的像元用0表示，最终将水体(目标区域)与陆地(背景区域)分割开来，得到水体指数影像的二值图像。
在一种实施方式中，目标分割阈值为最大类间方差所对应的分割阈值，按照该分割阈值对影像进行分割能够使目标区域与背景区域的差别最大，此时的目标分割阈值为最优分割阈值，能够最大程度地将水体与陆地进行分割，便于后续对海岸线的提取。
需要说明的是，在本实施例中，目标分割阈值也可以是根据多个类间方差中小于最大类间方差的第二大的类间方差或第三大的类间方差确定。由于步骤102得到的水体指数影像已经对遥感影像中的水域信息进行了增强，使得水体与陆地间已经具有了一定的差别，那么并不需要采取最优的分割阈值也能实现对水体指数影像的图像分割，并且同样能够获得较好的分割效果，因此本实施例并不限定目标分割阈值是根据多个类间方差中的哪一个类间方差得到。
步骤104：针对该二值图像进行小面积斑块去除，确定出面积大于预设面积的目标区域。
小面积斑块去除是指将二值图像小于指定面积的目标区域(水域)剔除(即设为背景)。该步骤的作用是将二值图像中面积较小的水体区域剔除，一方面，让用户只关注于符合面积要求的水域对象，另一方面，由于目标区域中存在部分面积较小的区域，这部分区域实际上应当是属于地物而非水域，该步骤可利用影像中水域的面积信息将这部分区域剔除，避免部分非水域小面积地物的影响，使海岸线的提取更加准确，减小误差，同时能够消除遥感影像的噪声影响。
在步骤104之后，执行步骤105：根据二值图像中确定出的目标区域确定海岸区域的海岸线。
可选的，根据二值图像获得海岸线的步骤包括：
步骤A：栅格矢量化。
将得到的二值图像通过边界追踪转换为矢量数据文件，得到目标区域对应的面矢量对象，以便于后续的海岸线的提取、编辑以及专题图制作等操作。
步骤B：面矢量边界提取。
提取栅格矢量化生成的面矢量对象的边界，生成线矢量，即得到海岸区域的海岸线。由于海岸线本身是一条线，因此本实施例用线矢量进行表示，矢量化的海岸线能够便于用户进行海岸边界线的交互式修改编辑。
可选的，本实施例提供的海岸线提取方法还可同时用于海岸区域中地物信息的提取，参照图3，该方法在经步骤101获得海岸区域的遥感影像以后，还包括如下步骤：
步骤201：对遥感影像进行图像分割，得到分割图像，分割图像中包括多个对象。
遥感影像是地物的二维反映，遥感影像中像元灰度由地物反射率及外界环境决定，不同亮度的像元位置与地物的空间结构密切相关，遥感影像像元尺寸可反映地表物体的尺度。本实施例利用多尺度分割技术，从遥感影像某一像元开始，将较小的影像对象合并到稍大的对象中去，通过合并相邻像元或小对象实现图像分割，最终从遥感图像中分割出多个对象。
本实施例中的图像分割过程为：
(1)计算梯度图像。
首先计算输入遥感影像的梯度图像，利用sobel算子对图像进行梯度滤镜操作，得到梯度图像A。
(2)对梯度图像进行平滑处理。
对得到的梯度图像A进行形态学闭运算，即先进行膨胀后进行腐蚀，根据梯度图像的具体情况确定膨胀和腐蚀的模板大小，实现图像平滑处理，得到平滑后的图像B。
(3)利用分水岭分割算法进行图像分割。
获取平滑后的图像B，利用分水岭分割算法对其进行图像分割。其中，分水岭分割算法的具体实施方式可以参照现有技术实施，本实施例不做具体详述。
本实施例中图像分割的原理是：将小范围内特点比较类似的多个像元分割为同一对象，分割出的对象中每一像元表示的反射率参数是比较接近的，因此表示同一地物类型。得到的每个对象为不规则的图像块。
步骤202：计算遥感影像对应的特征数据。
特征数据包括遥感影像的光谱特征、分割图像H的纹理特征以及分割图像H中每一对象的形状特征，其中，光谱特征表示遥感影像中每一像元的归一化植被指数，纹理特征表示分割图像的灰度共生矩阵的多种特征值，形状特征表示对象的长宽比、形状指数与形状紧致度。
第一，对遥感影像进行光谱特征提取，得到特征矩阵H1。本实施例利用归一化植被指数(NDVI)得到光谱特征，公式如下：
Figure BDA0002213302640000101
其中，p(NIR)为遥感影像中像元内近红外波段的反射率，p(R)为遥感影像中像元内红波段的反射率。得到的特征矩阵H1的大小与遥感影像的图像尺寸相同，H1中每一元素值表示对应像元的归一化植被指数。
第二，对分割图像H进行纹理特征提取，得到特征矩阵H2。本实施例基于灰度共生矩阵进行纹理特征提取。首先计算分割图像的灰度共生矩阵，然后利用该灰度共生矩阵可提取出Mean(平均值)、Variance(方差)、Local homogeneity(局部同质性)、Contrast(对比度)、Dissimilarity(相异性)、Entropy(熵)、Second moment(二阶矩)、Relativity(相关性)等多种特征值。灰度共生矩阵的多种特征值形成特征矩阵H2。
第三，对分割图像中的每一对象进行形状特征提取，得到特征矩阵H3，本实施例通过计算对象(即地物)的长宽比、形状指数和形状紧致度信息，提取形状特征。形状特征的计算方式如下：
长宽比：表示对象的狭长程度，等于对象的长度L与其宽度W的比值。
其中，与对象具有等价二阶矩的椭圆的长轴的长度，作为对象长度的近似值L；与对象具有等价二阶矩的椭圆的短轴的长度，作为对象的宽度的近似值W。
形状指数：
Figure BDA0002213302640000111
式中，P为对象的周长，A为对象的面积。
形状紧致度：
Figure BDA0002213302640000112
式中，C为形状紧致度。
需要说明的是，上述获得光谱特征、纹理特征和形状特征的步骤并不限定执行的先后顺序。特征矩阵H1、H2和H3共同构成本实施例中的特征数据。
步骤203：根据特征数据对多个对象中的待分类对象进行分类，获得待分类对象的地物类型。
本实施例以分割出的对象作为分类的基本单元，并以最小距离为依据进行判别分类。即计算待分类对象的特征数据与多个分类样本(即已知类别的对象)的特征数据之间的距离，寻找与待分类对象距离最近的对象，将该待分类对象归属到距离最近的对象所在的类别。请参阅图4，本实施例中对待分类对象的分类步骤包括：
步骤2031：选取分类样本，并设置每一分类样本对应的类别。
在分类以前，首先需构建分类体系，即选取k个分类样本。比如，假设分割图像中共分割出100个对象，那么可以从这100个对象中选取10个对象作为分类样本，并标记这10个对象的地物类型，即获得10个分类类别。
需要说明的是，分类样本可以是从当次的分割图像中进行选取，即每次获得遥感影像对应的分割图像后，执行上述步骤2031，标记获得多个分类类别，这样得到的类别会更加准确；此外，分类样本也可以是预先设定的，即可以从时间距离较近的历史数据中选取一张同一海岸区域的历史遥感影像，并从该历史遥感影像的分割图像中选取k个分类样本，并标记和存储其对应的类别，也就是说，只要标记一次分类样本的类别，在之后的地物类型的分类过程中，都可以不再需要用户手动标记地物类型，即省略步骤2031，大大简化用户的操作。
步骤2032：计算待分类对象的特征数据与k个分类样本的特征数据的距离，得到k个距离。
此处计算的距离可以是指两个特征数据的欧式距离，当然，也可以是曼哈顿距离等。
步骤2033：确定k个距离中的最小距离，并将最小距离对应的类别作为目标类别。
步骤2034：计算待分类对象对目标类别的隶属度。
隶属度用于表征待分类对象属于目标类别的程度。隶属度的取值为0至1，且隶属度的值越接近于1，表示待分类对象属于目标类别的程度越高，隶属度的值越接近于0，表示待分类对象属于目标类别的程度越低。
将k个距离中的最小距离d转换为隶属度，公式如下：
Figure BDA0002213302640000121
其中，j为预设参数。
步骤2035：若该隶属度大于预设隶属度阈值，则确定待分类对象的类别为目标类别。
比较z(d)与预设隶属度阈值v，若z(d)>v，则该待分类对象被归为距离最近的分类样本所属的那一类别，即该对象的地物类型为目标类别所表示的地物类型；若z(d)≤v，则该待分类对象被归为未分类对象，并等待用户对其进行手动标注。应当说明的是，预设隶属度阈值可以是对某一已知类别的对象按照不同的隶属度阈值进行分类，并根据获得的分类结果与其实际的真实类别进行比较后综合确定，也可以是根据人工经验进行设置。
上述步骤2032-2035是对某一待分类对象的分类过程，重复上述步骤直至所有待分类对象均被分类。进一步的，本实施例还可根据对象的面积和在遥感影像中的位置，获得海岸区域中每一地物的面积与位置。
在得到海岸区域的海岸线信息和地物信息后，该方法还能基于多期的遥感影像智能检测海岸区域的变化情况，比如，将多个不同时期的瞬时海岸线进行对比，可得到海岸线的变化范围、变化长度和类型变化等。例如，由于人工填海工程使得影像中的瞬时海岸线发生变化，可以将获得的变化数据提供至政府部门，由政府部门根据内部规划确定其是否属于违法填海，或者，如果其属于规划填海，该变化数据也能监控正在规划的填海工程是否是按照给定的进度执行，填海的区域是否有超出规划等问题。进一步的，海岸线虽然仅是一条边界线，但是也有类型区别，在获得海岸区域的海岸线后，可以人工标注海岸线的岸线类别，如人工岸线(例如人工修建堤坝形成的岸线)或者自然岸线(如由沙滩或者岩石形成的岸线)等，岸线类型变化的检测能够发现由自然岸线转变为人工岸线的变化。
又比如，地物类型有植被、沙滩、道路、房屋以及农田等，在获得海岸区域的各地物的面积、位置和类型后，可以利用不同时期(比如今年和去年)的遥感影像，对比这几类地物的变化情况，并统计发生变化的类型、面积和位置，比如有一些植被或者农田区域被偷偷建成了人工建筑，导致地物类型发生变化，政府部门依据该变化数据能够及时发现当地海岸区域的违建情况。
进一步的，该方法还可对多个不同时期的海岛海岸带的海岸线、地物分类图进行专题图制作，还可对研究时段内地物类型相互转换的区域进行展示。
本实施例中的海岸线提取和地物信息提取的步骤计算简单、通用性强，且自动化程度高，可基于海岸区域的遥感影像快速获得其海岸信息，减少大量人工操作，可以广泛推广和应用。
基于同一发明构思，本申请实施例还提供一种基于遥感影像的海岸线提取装置，请参阅图5，该装置包括：
获取模块301，用于获取海岸区域的遥感影像。
水体计算模块302，用于利用所述遥感影像中不同波段的反射率计算每一像元的归一化差异水体指数，得到水体指数影像。
图像处理模块303，用于计算将所述水体指数影像按照不同分割阈值划分出的目标区域与背景区域间的类间方差，并根据多个类间方差确定目标分割阈值，根据所述目标分割阈值得到所述水体指数影像的二值图像。
岸线提取模块304，用于确定所述二值图像中面积大于预设面积的目标区域，并根据所述目标区域确定所述海岸区域的海岸线。
可选的，岸线提取模块304具体用于将所述二值图像转换为矢量图像，得到目标区域对应的面矢量对象；提取所述面矢量对象的边界，以获得所述海岸区域的海岸线。
可选的，请参阅图6，该装置还包括：图像分割模块305，用于对所述遥感影像进行图像分割，得到分割图像，其中，所述分割图像中包括多个对象；特征计算模块306，用于计算所述遥感影像对应的特征数据，所述特征数据包括所述遥感影像的光谱特征、所述分割图像的纹理特征以及所述分割图像中每一对象的形状特征，其中，所述光谱特征表示所述遥感影像中每一像元的归一化植被指数，所述纹理特征表示所述分割图像的灰度共生矩阵的多种特征值，所述形状特征表示所述对象的长宽比、形状指数与形状紧致度；地物分类模块307，用于根据所述特征数据对所述多个对象中的待分类对象进行分类，获得所述待分类对象的地物类型。
可选的，图像分割模块305具体用于计算所述遥感影像的梯度图像；对所述梯度图像进行形态学闭运算，得到平滑后的图像；利用分水岭分割算法对所述平滑后的图像进行图像分割，得到包括有多个对象的分割图像。
可选的，地物分类模块307具体用于计算所述待分类对象的特征数据与k个已知类别的对象的特征数据的距离，得到k个距离，并将所述k个距离中的最小距离对应的已知类别作为目标类别；计算所述待分类对象对所述目标类别的隶属度；在所述隶属度大于预设隶属度阈值时，确定所述待分类对象的类别为目标类别，所述待分类对象的地物类型为所述目标类别表示的地物类型。
可选的，该装置还包括变化检测模块，用于利用多个不同时期的遥感影像的海岸线信息和地物信息，检测所述海岸区域的变化，所述海岸区域的变化包括海岸线的变化范围、变化长度以及地物的类型、位置和面积的变化中的至少一项。
上述提供的海岸线提取装置与前一方法实施例的基本原理及产生的技术效果相同，为简要描述，本实施例部分未提及之处，可参考上述的方法实施例中的相应内容，在此不做赘述。
本申请实施例还提供一种存储介质，该存储介质上存储有程序，当该程序被处理器运行时执行如本申请上述实施例提供的海岸线提取方法的步骤。
请参阅图7，本实施例提供一种电子设备400，包括处理器401和存储器402，存储器402中存储有至少一条指令、至少一段程序、代码集或指令集，至少一条指令、至少一段程序、代码集或指令集由处理器401加载并执行，以实现上述实施例提供的海岸线提取方法。电子设备400还可以包括通信总线403，其中，处理器401和存储器402通过通信总线403完成相互间的通信。存储器402可以包括高速随机存取存储器(作为缓存)，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。通信总线403是连接所描述的元素的电路并且在这些元素之间实现传输。例如，处理器401通过通信总线403从其它元素接收到命令，解码接收到的命令，根据解码的命令执行计算或数据处理。
电子设备400可以用于获取海岸区域的遥感影像，并基于该遥感影像快速提取海岸区域内的海岸线。电子设备400可以为任一种具备图像处理能力和数据计算能力的计算设备，如台式计算机、个人电脑、平板电脑或者服务器等。
在本申请所提供的实施例中，应该理解到，所揭露装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。在本申请实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
需要说明的是，功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
以上所述仅为本申请的实施例而已，并不用于限制本申请的保护范围，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (10)

1.一种基于遥感影像的海岸线提取方法，其特征在于，所述方法包括：
获取海岸区域的遥感影像；
利用所述遥感影像中不同波段的反射率计算每一像元的归一化差异水体指数，得到水体指数影像；
计算将所述水体指数影像按照不同分割阈值划分出的目标区域与背景区域间的类间方差，并根据多个类间方差确定目标分割阈值，根据所述目标分割阈值得到所述水体指数影像的二值图像；
确定所述二值图像中面积大于预设面积的目标区域，并根据所述目标区域确定所述海岸区域的海岸线。
2.根据权利要求1所述的方法，其特征在于，所述根据所述目标区域确定所述海岸区域的海岸线，包括：
将所述二值图像转换为矢量图像，得到所述目标区域对应的面矢量对象；
提取所述面矢量对象的边界，以获得所述海岸区域的海岸线。
3.根据权利要求1所述的方法，其特征在于，在获取海岸区域的遥感影像之后，所述方法还包括：
对所述遥感影像进行图像分割，得到分割图像，其中，所述分割图像中包括多个对象；
计算所述遥感影像对应的特征数据，所述特征数据包括所述遥感影像的光谱特征、所述分割图像的纹理特征以及所述分割图像中每一对象的形状特征，其中，所述光谱特征表示所述遥感影像中每一像元的归一化植被指数，所述纹理特征表示所述分割图像的灰度共生矩阵的多种特征值，所述形状特征表示所述对象的长宽比、形状指数与形状紧致度；
根据所述特征数据对所述多个对象中的待分类对象进行分类，获得所述待分类对象的地物类型。
4.根据权利要求3所述的方法，其特征在于，所述对所述遥感影像进行图像分割，得到分割图像，包括：
计算所述遥感影像的梯度图像；
对所述梯度图像进行形态学闭运算，得到平滑后的图像；
利用分水岭分割算法对所述平滑后的图像进行图像分割，得到包括有多个对象的分割图像。
5.根据权利要求3所述的方法，其特征在于，所述根据所述特征数据对所述多个对象中的待分类对象进行分类，获得所述待分类对象的地物类型，包括：
计算所述待分类对象的特征数据与k个已知类别的对象的特征数据的距离，得到k个距离，并将所述k个距离中的最小距离对应的已知类别作为目标类别；
计算所述待分类对象对所述目标类别的隶属度；
若所述隶属度大于预设隶属度阈值，则确定所述待分类对象的类别为目标类别，所述待分类对象的地物类型为所述目标类别表示的地物类型。
6.根据权利要求3所述的方法，其特征在于，所述方法还包括：
利用多个不同时期的遥感影像的海岸线信息和地物信息，检测所述海岸区域的变化，所述海岸区域的变化包括海岸线的变化范围、变化长度以及地物的类型、位置和面积的变化中的至少一项。
7.一种基于遥感影像的海岸线提取装置，其特征在于，所述装置包括：
获取模块，用于获取海岸区域的遥感影像；
水体计算模块，用于利用所述遥感影像中不同波段的反射率计算每一像元的归一化差异水体指数，得到水体指数影像；
图像处理模块，用于计算将所述水体指数影像按照不同分割阈值划分出的目标区域与背景区域间的类间方差，并根据多个类间方差确定目标分割阈值，根据所述目标分割阈值得到所述水体指数影像的二值图像；
岸线提取模块，用于确定所述二值图像中面积大于预设面积的目标区域，并根据所述目标区域确定所述海岸区域的海岸线。
8.根据权利要求7所述的装置，其特征在于，所述装置还包括：
图像分割模块，用于对所述遥感影像进行图像分割，得到分割图像，其中，所述分割图像中包括多个对象；
特征计算模块，用于计算所述遥感影像对应的特征数据，所述特征数据包括所述遥感影像的光谱特征、所述分割图像的纹理特征以及所述分割图像中每一对象的形状特征，其中，所述光谱特征表示所述遥感影像中每一像元的归一化植被指数，所述纹理特征表示所述分割图像的灰度共生矩阵的多种特征值，所述形状特征表示所述对象的长宽比、形状指数与形状紧致度；
地物分类模块，用于根据所述特征数据对所述多个对象中的待分类对象进行分类，获得所述待分类对象的地物类型。
9.一种存储介质，其特征在于，所述存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行如权利要求1-6任一项所述的方法。
10.一种电子设备，其特征在于，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当所述电子设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行如权利要求1-6任一项所述的方法。
CN201910908101.1A 2019-09-24 2019-09-24 一种基于遥感影像的海岸线提取方法及装置 Pending CN110648347A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910908101.1A CN110648347A (zh) 2019-09-24 2019-09-24 一种基于遥感影像的海岸线提取方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910908101.1A CN110648347A (zh) 2019-09-24 2019-09-24 一种基于遥感影像的海岸线提取方法及装置

Publications (1)

Publication Number Publication Date
CN110648347A true CN110648347A (zh) 2020-01-03

Family

ID=69011185

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910908101.1A Pending CN110648347A (zh) 2019-09-24 2019-09-24 一种基于遥感影像的海岸线提取方法及装置

Country Status (1)

Country Link
CN (1) CN110648347A (zh)

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111062348A (zh) * 2019-12-20 2020-04-24 彭耿 一种遥感卫星影像的海岸线交互式提取方法
CN111680641A (zh) * 2020-06-11 2020-09-18 自然资源部第一海洋研究所 围填海影响下近岸海域可运动水体边界线辨识和划分方法
CN111879292A (zh) * 2020-07-27 2020-11-03 深圳大学 一种海岸线动态监控方法、监控设备及存储介质
CN111914674A (zh) * 2020-07-09 2020-11-10 中国科学院地理科学与资源研究所 基于对象-像元的冰雪自动提取方法、装置和电子设备
CN111950618A (zh) * 2020-08-05 2020-11-17 中国建设银行股份有限公司 水域图像数据标注方法、装置、设备和存储介质
CN112509134A (zh) * 2020-12-14 2021-03-16 中国自然资源航空物探遥感中心 一种潮滩数字高程模型构建方法及系统
CN112711622A (zh) * 2021-03-26 2021-04-27 中国测绘科学研究院 一种海岸线位置变化信息的处理方法及装置
CN113221813A (zh) * 2021-05-26 2021-08-06 广东省科学院广州地理研究所 一种海岸线遥感提取方法
CN113554011A (zh) * 2021-09-22 2021-10-26 航天宏图信息技术股份有限公司 遥感影像变化检测方法、装置、设备及存储介质
CN114202704A (zh) * 2022-02-15 2022-03-18 中国测绘科学研究院 一种人机交互的水体半自动提取方法及系统
CN115439748A (zh) * 2022-09-13 2022-12-06 中山大学 一种海岸线侵蚀程度的监测方法、装置以及电子设备
CN115861823A (zh) * 2023-02-21 2023-03-28 航天宏图信息技术股份有限公司 一种基于自监督深度学习的遥感变化检测方法和装置
CN116797798A (zh) * 2023-07-03 2023-09-22 生态环境部卫星环境应用中心 基于尺度变换的海岸线快速提取方法和装置

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN105574887A (zh) * 2016-02-29 2016-05-11 民政部国家减灾中心 高分辨率遥感影像快速分割方法
CN108376247A (zh) * 2018-02-05 2018-08-07 北方工业大学 一种应用于光学遥感船只检测中的分策略粗精结合海陆分离方法
CN108550174A (zh) * 2018-03-08 2018-09-18 中国地质大学（武汉） 一种基于半全局优化的海岸线超分辨率制图方法及系统
CN109190538A (zh) * 2018-08-24 2019-01-11 华北水利水电大学 一种基于遥感技术的多泥沙河流三角洲海岸带演化分析方法
CN109448016A (zh) * 2018-11-02 2019-03-08 三亚中科遥感研究所 一种基于面向对象及其隶属规则的遥感影像海岸线提取方法
CN109657610A (zh) * 2018-12-18 2019-04-19 北京航天泰坦科技股份有限公司 一种高分辨率多源遥感影像的土地利用变化检测方法
CN109740504A (zh) * 2018-12-28 2019-05-10 四创科技有限公司 一种基于遥感影像提取海域资源的方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN105574887A (zh) * 2016-02-29 2016-05-11 民政部国家减灾中心 高分辨率遥感影像快速分割方法
CN108376247A (zh) * 2018-02-05 2018-08-07 北方工业大学 一种应用于光学遥感船只检测中的分策略粗精结合海陆分离方法
CN108550174A (zh) * 2018-03-08 2018-09-18 中国地质大学（武汉） 一种基于半全局优化的海岸线超分辨率制图方法及系统
CN109190538A (zh) * 2018-08-24 2019-01-11 华北水利水电大学 一种基于遥感技术的多泥沙河流三角洲海岸带演化分析方法
CN109448016A (zh) * 2018-11-02 2019-03-08 三亚中科遥感研究所 一种基于面向对象及其隶属规则的遥感影像海岸线提取方法
CN109657610A (zh) * 2018-12-18 2019-04-19 北京航天泰坦科技股份有限公司 一种高分辨率多源遥感影像的土地利用变化检测方法
CN109740504A (zh) * 2018-12-28 2019-05-10 四创科技有限公司 一种基于遥感影像提取海域资源的方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
司马海峰: "《遥感图像分类中的智能计算方法》", 31 January 2018, pages: 233 - 235 *

Cited By (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111062348A (zh) * 2019-12-20 2020-04-24 彭耿 一种遥感卫星影像的海岸线交互式提取方法
CN111680641A (zh) * 2020-06-11 2020-09-18 自然资源部第一海洋研究所 围填海影响下近岸海域可运动水体边界线辨识和划分方法
CN111680641B (zh) * 2020-06-11 2024-02-27 自然资源部第一海洋研究所 围填海影响下近岸海域可运动水体边界线辨识和划分方法
CN111914674A (zh) * 2020-07-09 2020-11-10 中国科学院地理科学与资源研究所 基于对象-像元的冰雪自动提取方法、装置和电子设备
CN111879292A (zh) * 2020-07-27 2020-11-03 深圳大学 一种海岸线动态监控方法、监控设备及存储介质
CN111950618A (zh) * 2020-08-05 2020-11-17 中国建设银行股份有限公司 水域图像数据标注方法、装置、设备和存储介质
CN112509134A (zh) * 2020-12-14 2021-03-16 中国自然资源航空物探遥感中心 一种潮滩数字高程模型构建方法及系统
CN112711622A (zh) * 2021-03-26 2021-04-27 中国测绘科学研究院 一种海岸线位置变化信息的处理方法及装置
CN113221813B (zh) * 2021-05-26 2022-12-06 广东省科学院广州地理研究所 一种海岸线遥感提取方法
CN113221813A (zh) * 2021-05-26 2021-08-06 广东省科学院广州地理研究所 一种海岸线遥感提取方法
CN113554011A (zh) * 2021-09-22 2021-10-26 航天宏图信息技术股份有限公司 遥感影像变化检测方法、装置、设备及存储介质
CN114202704A (zh) * 2022-02-15 2022-03-18 中国测绘科学研究院 一种人机交互的水体半自动提取方法及系统
CN115439748A (zh) * 2022-09-13 2022-12-06 中山大学 一种海岸线侵蚀程度的监测方法、装置以及电子设备
CN115439748B (zh) * 2022-09-13 2023-09-26 中山大学 一种海岸线侵蚀程度的监测方法、装置以及电子设备
CN115861823A (zh) * 2023-02-21 2023-03-28 航天宏图信息技术股份有限公司 一种基于自监督深度学习的遥感变化检测方法和装置
CN116797798A (zh) * 2023-07-03 2023-09-22 生态环境部卫星环境应用中心 基于尺度变换的海岸线快速提取方法和装置
CN116797798B (zh) * 2023-07-03 2024-01-09 生态环境部卫星环境应用中心 基于尺度变换的海岸线快速提取方法和装置

Similar Documents

Publication Publication Date Title
CN110648347A (zh) 一种基于遥感影像的海岸线提取方法及装置
Ludwig et al. A highly automated algorithm for wetland detection using multi-temporal optical satellite data
Li et al. Multi-feature combined cloud and cloud shadow detection in GaoFen-1 wide field of view imagery
Li et al. A review of remote sensing image classification techniques: The role of spatio-contextual information
Zhou et al. Object-based land cover classification of shaded areas in high spatial resolution imagery of urban areas: A comparison study
Sirmacek et al. Urban-area and building detection using SIFT keypoints and graph theory
Rishikeshan et al. An automated mathematical morphology driven algorithm for water body extraction from remotely sensed images
Brandtberg et al. Automated delineation of individual tree crowns in high spatial resolution aerial images by multiple-scale analysis
US9292747B2 (en) Methods and systems for automatic and semi-automatic geometric and geographic feature extraction
AU2015324185B2 (en) Multi-spectral image labeling with radiometric attribute vectors of image space representation components
Rizvi et al. Object-based image analysis of high-resolution satellite images using modified cloud basis function neural network and probabilistic relaxation labeling process
Kavzoglu et al. A comparative study of segmentation quality for multi-resolution segmentation and watershed transform
Rudy et al. Identifying permafrost slope disturbance using multi-temporal optical satellite images and change detection techniques
CN111007013B (zh) 面向东北冷凉区的作物轮作休耕遥感监测方法与装置
EP3553700A2 (en) Remote determination of containers in geographical region
Chen et al. Extracting contour lines from common-conditioned topographic maps
Kuzmin et al. Automatic segment-level tree species recognition using high resolution aerial winter imagery
Li et al. Integrating multiple textural features for remote sensing image change detection
CN108648200B (zh) 一种间接的城市高分辨率不透水面提取方法
Alcaras et al. Coastline extraction from optical satellite imagery and accuracy evaluation
Erener et al. A methodology for land use change detection of high resolution pan images based on texture analysis
Azeez et al. Urban tree classification using discrete-return LiDAR and an object-level local binary pattern algorithm
Tuan et al. Monitoring urban surface water bodies change using mndwi estimated from pan-sharpened optical satellite images
Wu et al. Building a water feature extraction model by integrating aerial image and lidar point clouds
Yang et al. A method aimed at automatic landslide extraction based on background values of satellite imagery

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20200103