CN110991393A - 一种海岸线变迁遥感监测与分析的方法及装置 - Google Patents

一种海岸线变迁遥感监测与分析的方法及装置 Download PDF

Info

Publication number
CN110991393A
CN110991393A CN201911298972.2A CN201911298972A CN110991393A CN 110991393 A CN110991393 A CN 110991393A CN 201911298972 A CN201911298972 A CN 201911298972A CN 110991393 A CN110991393 A CN 110991393A
Authority
CN
China
Prior art keywords
coastline
image
remote sensing
shoreline
sea
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
CN201911298972.2A
Other languages
English (en)
Inventor
谭靖
李莹
康芮
王玮
孙辉涛
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 Titan Technology Co ltd
Original Assignee
Beijing Aerospace Titan Technology Co 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 Titan Technology Co ltd filed Critical Beijing Aerospace Titan Technology Co ltd
Priority to CN201911298972.2A priority Critical patent/CN110991393A/zh
Publication of CN110991393A publication Critical patent/CN110991393A/zh
Pending legal-status Critical Current

Links

Images

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
    • G06F18/25—Fusion techniques
    • G06F18/251—Fusion techniques of input or preprocessed data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • 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
    • G06V10/98—Detection or correction of errors, e.g. by rescanning the pattern or by human intervention; Evaluation of the quality of the acquired patterns

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)
  • Life Sciences & Earth Sciences (AREA)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Quality & Reliability (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明实施例公开一种海岸线变迁遥感监测与分析的方法及装置。应用本发明实施例提供的方案，能够基于遥感技术通过面向对象的方法自动提取海岸线，从而能够高效的监测海岸线的动态变化。并且，综合考虑海岸物质组成和海岸开发现状，并基于不同海岸类型的影像特征，分析其颜色、纹理、空间分布等特征，实现海岸线类型的准确提取。在海陆分离、水边线提取、海岸线分类的基础上，根据潮位校正模型，并结合不同海岸的间接地物特征，对海岸线进行校正，获取严格意义上的海岸线，提高海岸线确定的准确性。还可以通过海岸线变迁速率、海岸线类型变化指标、和海岸线分形维数变化指标，精准分析海岸线变迁情况。

Description

一种海岸线变迁遥感监测与分析的方法及装置
技术领域
本发明涉及海岸线监测技术领域，具体而言，涉及一种海岸线变迁遥感监测与分析的方法及装置。
背景技术
海岸线是海陆分界线，在我国也指多年大潮平均高潮位时海陆界线。海岸线附近地理、生态区位特殊，是海洋经济和社会发展的重要依托。海岸线的变化反映了海岸带环境的变化，与人类的生活、生产活动息息相关。随着沿海各类海岸工程的建设和沿海地区经济的迅猛发展，海岸线的位置、长度和走势发生了剧烈变化，其自然属性迅速减少，原始生产能力与生态功能也明显降低。因此，准确、及时、高效的获取海岸线信息，监测海岸线的动态演变，可为海岸带的经济、社会的可持续发展以及自然环境的保护提供科学依据和决策支持。
现有的海岸线获取主要采用实地测量方法。具体的，可以通过经纬仪、全站仪等测量仪器在高潮潮位线附近每隔一定距离采集海岸线特征点，按顺序连接特征点形成完整的海岸线。然而，实地测量方法存在工作周期长、效率低、人力物力成本高等问题。因此，为了提高海岸线获取的效率，降低海岸线获取的人力物力成本，亟需一种海岸线监测方法。
发明内容
本发明提供了一种海岸线变迁遥感监测与分析的方法及装置，以提高海岸线获取的效率，降低海岸线获取的人力物力成本。具体的技术方案如下。
第一方面，本发明实施例提供一种海岸线变迁遥感监测与分析的方法，所述方法包括：
获取各待处理遥感影像，对所述各待处理遥感影像进行大气校正、以及正射校正和配准，得到各初始遥感影像，并将所述各初始遥感影像进行融合处理，得到候选遥感影像；所述待处理遥感影像包括全色影像和多光谱影像；
通过预先确定的多尺度分割参数，对所述候选遥感影像进行多尺度分割，得到包含多个对象区域的分割后遥感影像；所述多尺度分割参数包括：波段权重、均质因子、以及分割尺度；
确定所述分割后遥感影像对应的提取阈值，并基于所述提取阈值对所述分割后遥感影像进行海域对象提取，确定所述分割后遥感影像的陆地区域和水体区域，并将所述分割后遥感影像中陆地区域变换为第一预设像素值，水体区域变换为第二预设像素值，得到海陆二值化影像；
利用数学形态学算法，确定所述海陆二值化影像中的水边线，并采用目视解译方法确定所述水边线对应的海岸线类别；所述海岸线类别包括自然岸线或人工岸线，所述自然岸线包括：淤泥质岸线、砂砾质岸线、基岩岸线、生物岸线和河口；所述人工岸线包括：养殖围堤、盐田围堤、农田围堤、码头岸线、建设围堤和交通围堤；
采用潮位校正模型，对所述海陆二值化影像中的水边线进行校正，得到所述水边线对应的初始海岸线，并采用与所述海岸线类别对应的间接地物判定方法，对所述初始海岸线进行校正，得到目标海岸线；
获取历史海岸线的属性信息，并根据所述目标海岸线的属性信息，以及所述历史海岸线的属性信息，计算海岸线变迁监测指标；所述海岸线变迁监测指标包括：海岸线变迁速率、海岸线类型变化指标、和海岸线分形维数变化指标。
可选的，所述对所述各待处理遥感影像进行大气校正、以及正射校正和配准，得到各初始遥感影像，并将所述各初始遥感影像进行融合处理，得到候选遥感影像的步骤包括：
通过大气辐射传输模型法，对各所述待处理遥感影像进行大气校正；
通过有理函数模型对大气校正后的所述全色影像进行正射校正，以校正后的所述全色影像，以及所述全色影像的上一全色影像校正后的影像为参考，对所述多光谱影像进行配准；以所述全色影像的上一全色影像校正后的影像为参考，对所述全色影像进行配准；
通过Pansharp融合方法，对配准后的所述全色影像和所述多光谱影像进行融合，得到候选遥感影像。
可选的，所述利用数学形态学算法，确定所述海陆二值化影像中的水边线的步骤包括：
利用结构元素对所述海陆二值化影像依次进行膨胀和腐蚀，得到处理后海陆二值化影像；
利用Canny算子对所述处理后海陆二值化影像进行边缘检测，提取初始水边线；
采用贝塞尔插值算法对所述初始水边线进行平滑处理，得到所述海陆二值化影像中的水边线。
可选的，所述利用Canny算子对所述处理后海陆二值化影像进行边缘检测，提取初始水边线的步骤包括：
通过用一维高斯函数构造的滤波器，分别按行和列对所述处理后海陆二值化影像进行卷积操作，得到平滑影像；
采用2*2邻域一阶偏导的有限差分方式计算所述平滑影像的梯度幅值和梯度方向；
采用3*3邻域作用于所述梯度幅值阵列的每个点，当所述邻域中心点的梯度幅值均比沿梯度方向上的两个相邻点的幅值大时，将当前的邻域中心点判别为边缘点；
通过第一阈值和第二阈值将所述处理后海陆二值化影像分割为第一阈值边缘图像和第二阈值边缘图像，并按预设连接方式连接所述第一阈值边缘图像和所述第二阈值边缘图像中的边缘点，得到初始水边线，所述第一阈值大于所述第二阈值。
可选的，所述采用潮位校正模型，对所述海陆二值化影像中的水边线进行校正，得到所述水边线对应的初始海岸线的步骤包括：
计算所述海陆二值化影像的潮位高度h1；
获取采集区域与所述待处理遥感影像相同的另一遥感影像中的潮位高度h2，以及所述采集区域对应的平均高潮位的潮位高度H；
根据以下公式计算所述采集区域的海岸坡度θ：
θ＝arctan[(h2-h1)/ΔL]
ΔL为所述海陆二值化影像和所述另一遥感影像中潮位的水平距离；
根据以下公式计算待校正海岸线距离L：
L＝(H-h2)/tanθ
将所述水边线向远离水体区域垂直移动距离L，得到所述水边线对应的初始海岸线。
可选的，所述采用与所述海岸线类别对应的间接地物判定方法，对所述初始海岸线进行校正，得到目标海岸线的步骤包括：
当所述海岸线类别为淤泥质海岸线时，通过植被生长状况对比对所述初始海岸线进行校正，得到目标海岸线；
当所述海岸线类别为砂砾质海岸线时，通过海滩的光谱特征对所述初始海岸线进行校正，得到目标海岸线；
当所述海岸线类别为基岩海岸线时，通过海滩的光谱特征对所述初始海岸线进行校正，得到目标海岸线；
当所述海岸线类别为生物岸线时，通过植被生长状况对比对所述初始海岸线进行校正，得到目标海岸线；
当所述海岸线类别为人工岸线时，确定所述初始岸线处的构筑物分界线，根据所述分界线对所述初始海岸线进行校正，得到目标海岸线。
可选的，所述根据所述目标海岸线的属性信息，以及所述历史海岸线的属性信息，计算海岸线变迁监测指标的步骤包括：
通过以下公式计算从所述历史海岸线对应年份i到所述目标海岸线对应年份j的海岸线变迁速率P：
Figure BDA0002321379550000041
Li为所述历史海岸线的长度；Lj为所述目标海岸线的长度；
构建转移矩阵，将所述转移矩阵确定为所述海岸线类型变化指标；所述转移矩阵的横字段表示所述历史海岸线的类别，所述转移矩阵的纵字段表示所述目标海岸线的类别；
通过以下公式分别计算所述目标海岸线和所述历史海岸线对应的分形维数D：
Figure BDA0002321379550000051
r(N)为连续且不重叠地去覆盖海岸线的正方形网格边长；N为覆盖整条海岸线所需的网格数目。
可选的，所述波段权重包括：红、黄、蓝、以及近红外波段权重；
所均质因子包括：光谱因子和形状因子，所述光谱因子的权重为0.6，所述形状因子的权重为0.4。
第二方面，本发明实施例提供一种海岸线变迁遥感监测与分析的装置，所述装置包括：
影像获取模块，用于获取各待处理遥感影像，对所述各待处理遥感影像进行大气校正、以及正射校正和配准，得到各初始遥感影像，并将所述各初始遥感影像进行融合处理，得到候选遥感影像；所述待处理遥感影像包括全色影像和多光谱影像；
影像分割模块，用于通过预先确定的多尺度分割参数，对所述候选遥感影像进行多尺度分割，得到包含多个对象区域的分割后遥感影像；所述多尺度分割参数包括：波段权重、均质因子、以及分割尺度；
对象提取模块，用于确定所述分割后遥感影像对应的提取阈值，并基于所述提取阈值对所述分割后遥感影像进行海域对象提取，确定所述分割后遥感影像的陆地区域和水体区域，并将所述分割后遥感影像中陆地区域变换为第一预设像素值，水体区域变换为第二预设像素值，得到海陆二值化影像；
海岸线类别确定模块，用于利用数学形态学算法，确定所述海陆二值化影像中的水边线，并采用目视解译方法确定所述水边线对应的海岸线类别；所述海岸线类别包括自然岸线或人工岸线，所述自然岸线包括：淤泥质岸线、砂砾质岸线、基岩岸线、生物岸线和河口；所述人工岸线包括：养殖围堤、盐田围堤、农田围堤、码头岸线、建设围堤和交通围堤；
潮位校正模块，用于采用潮位校正模型，对所述海陆二值化影像中的水边线进行校正，得到所述水边线对应的初始海岸线，并采用与所述海岸线类别对应的间接地物判定方法，对所述初始海岸线进行校正，得到目标海岸线；
海岸线监测模块，用于获取历史海岸线的属性信息，并根据所述目标海岸线的属性信息，以及所述历史海岸线的属性信息，计算海岸线变迁监测指标；所述海岸线变迁监测指标包括：海岸线变迁速率、海岸线类型变化指标、和海岸线分形维数变化指标。
可选的，所述影像获取模块包括：
大气校正子模块，用于通过大气辐射传输模型法，对各所述待处理遥感影像进行大气校正；
正射校正子模块，用于通过有理函数模型对大气校正后的所述全色影像进行正射校正，以校正后的所述全色影像，以及所述全色影像的上一全色影像校正后的影像为参考，对所述多光谱影像进行配准；以所述全色影像的上一全色影像校正后的影像为参考，对所述全色影像进行配准；
融合子模块，用于通过Pansharp融合装置，对配准后的所述全色影像和所述多光谱影像进行融合，得到候选遥感影像。
可选的，所述海岸线类别确定模块包括：
结构处理子模块，用于利用结构元素对所述海陆二值化影像依次进行膨胀和腐蚀，得到处理后海陆二值化影像；
边缘检测子模块，用于利用Canny算子对所述处理后海陆二值化影像进行边缘检测，提取初始水边线；
平滑处理子模块，用于采用贝塞尔插值算法对所述初始水边线进行平滑处理，得到所述海陆二值化影像中的水边线。
可选的，所述边缘检测子模块，具体用于：
通过用一维高斯函数构造的滤波器，分别按行和列对所述处理后海陆二值化影像进行卷积操作，得到平滑影像；
采用2*2邻域一阶偏导的有限差分方式计算所述平滑影像的梯度幅值和梯度方向；
采用3*3邻域作用于所述梯度幅值阵列的每个点，当所述邻域中心点的梯度幅值均比沿梯度方向上的两个相邻点的幅值大时，将当前的邻域中心点判别为边缘点；
通过第一阈值和第二阈值将所述处理后海陆二值化影像分割为第一阈值边缘图像和第二阈值边缘图像，并按预设连接方式连接所述第一阈值边缘图像和所述第二阈值边缘图像中的边缘点，得到初始水边线，所述第一阈值大于所述第二阈值。
可选的，所述潮位校正模块，具体用于：
计算所述海陆二值化影像的潮位高度h1；
获取采集区域与所述待处理遥感影像相同的另一遥感影像中的潮位高度h2，以及所述采集区域对应的平均高潮位的潮位高度H；
根据以下公式计算所述采集区域的海岸坡度θ：
θ＝arctan[(h2-h1)/ΔL]
ΔL为所述海陆二值化影像和所述另一遥感影像中潮位的水平距离；
根据以下公式计算待校正海岸线距离L：
L＝(H-h2)/tanθ
将所述水边线向远离水体区域垂直移动距离L，得到所述水边线对应的初始海岸线。
可选的，所述潮位校正模块，具体用于：
当所述海岸线类别为淤泥质海岸线时，通过植被生长状况对比对所述初始海岸线进行校正，得到目标海岸线；
当所述海岸线类别为砂砾质海岸线时，通过海滩的光谱特征对所述初始海岸线进行校正，得到目标海岸线；
当所述海岸线类别为基岩海岸线时，通过海滩的光谱特征对所述初始海岸线进行校正，得到目标海岸线；
当所述海岸线类别为生物岸线时，通过植被生长状况对比对所述初始海岸线进行校正，得到目标海岸线；
当所述海岸线类别为人工岸线时，确定所述初始岸线处的构筑物分界线，根据所述分界线对所述初始海岸线进行校正，得到目标海岸线。
可选的，所述海岸线监测模块，具体用于：
通过以下公式计算从所述历史海岸线对应年份i到所述目标海岸线对应年份j的海岸线变迁速率P：
Figure BDA0002321379550000081
Li为所述历史海岸线的长度；Lj为所述目标海岸线的长度；
构建转移矩阵，将所述转移矩阵确定为所述海岸线类型变化指标；所述转移矩阵的横字段表示所述历史海岸线的类别，所述转移矩阵的纵字段表示所述目标海岸线的类别；
通过以下公式分别计算所述目标海岸线和所述历史海岸线对应的分形维数D：
Figure BDA0002321379550000082
r(N)为连续且不重叠地去覆盖海岸线的正方形网格边长；N为覆盖整条海岸线所需的网格数目。
可选的，所述波段权重包括：红、黄、蓝、以及近红外波段权重；
所均质因子包括：光谱因子和形状因子，所述光谱因子的权重为0.6，所述形状因子的权重为0.4。
由上述内容可知，本发明实施例提供的海岸线变迁遥感监测与分析的方法及装置，可以基于遥感技术通过面向对象的方法自动提取海岸线，从而能够高效的监测海岸线的动态变化。并且，综合考虑海岸物质组成和海岸开发现状，并基于不同海岸类型的影像特征，分析其颜色、纹理、空间分布等特征，实现海岸线类型的准确提取。在海陆分离、水边线提取、海岸线分类的基础上，根据潮位校正模型，并结合不同海岸的间接地物特征，对海岸线进行校正，获取严格意义上的海岸线，提高海岸线确定的准确性。还可以通过海岸线变迁速率、海岸线类型变化指标、和海岸线分形维数变化指标，精准分析海岸线变迁情况。当然，实施本发明的任一产品或方法并不一定需要同时达到以上所述的所有优点。
本发明实施例的创新点包括：
基于遥感技术通过面向对象的方法自动提取海岸线，从而能够高效的监测海岸线的动态变化。并且，综合考虑海岸物质组成和海岸开发现状，并基于不同海岸类型的影像特征，分析其颜色、纹理、空间分布等特征，实现海岸线类型的准确提取。在海陆分离、水边线提取、海岸线分类的基础上，根据潮位校正模型，并结合不同海岸的间接地物特征，对海岸线进行校正，获取严格意义上的海岸线，提高海岸线确定的准确性。还可以通过海岸线变迁速率、海岸线类型变化指标、和海岸线分形维数变化指标，精准分析海岸线变迁情况。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单介绍。显而易见地，下面描述中的附图仅仅是本发明的一些实施例。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的附图。
图1为本发明实施例提供的海岸线变迁遥感监测与分析的方法的一种流程示意图；
图2为本发明实施例提供的海岸线变迁遥感监测与分析的方法的另一种流程示意图；
图3(1)为本发明实施例中淤泥质岸线示意图；
图3(2)为本发明实施例中砂砾质岸线示意图；
图3(3)为本发明实施例中基岩岸线示意图；
图3(4)为本发明实施例中生物岸线示意图；
图3(5)为本发明实施例中河口示意图；
图3(6)为本发明实施例中养殖围堤示意图；
图3(7)为本发明实施例中盐田围堤示意图；
图3(8)为本发明实施例中农田围堤示意图；
图3(9)为本发明实施例中码头岸线示意图；
图3(10)为本发明实施例中建设围堤示意图；
图3(11)为本发明实施例中交通围堤示意图；
图4为本发明实施例中潮位校正模型示意图；
图5为本发明实施例提供的海岸线变迁遥感监测与分析的装置的一种结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述。显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有付出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
需要说明的是，本发明实施例及附图中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。例如包含的一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
本发明实施例公开了一种海岸线变迁遥感监测与分析的方法及装置，能够提高海岸线获取的效率，降低海岸线获取的人力物力成本。下面对本发明实施例进行详细说明。
图1为本发明实施例提供的海岸线变迁遥感监测与分析的方法的一种流程示意图。该方法应用于电子设备。该方法具体包括以下步骤。
S110：获取各待处理遥感影像，对各待处理遥感影像进行大气校正、以及正射校正和配准，得到各初始遥感影像，并将各初始遥感影像进行融合处理，得到候选遥感影像；待处理遥感影像包括全色影像和多光谱影像。
上述待处理遥感影像可以为遥感卫星采集的遥感影像，其中包括全色影像和多光谱影像。例如，遥感卫星采集到全色影像和多光谱影像后，可以分别将其存储在对应位置，从而，电子设备可以分别从全色影像存储位置和多光谱影像存储位置获取到全色影像和多光谱影像。
在本发明实施例中，获取到待处理遥感影像后，可以对待处理遥感影像进行预处理。例如，可以对待处理遥感影像进行大气校正、正射校正和配准、以及融合。
具体的，卫星影像成像时，由于大气分子、气溶胶的散射以及臭氧、水汽等气体的吸收，传感器接收到的信号可能会出现误差，不能代表地物真实的信息。并且由于不同时期的大气状况不同，其对传感器造成的影响也会发生变化，导致检测时出现伪扰动区。因此，在本发明实施例中，可以对待处理遥感影像进行大气校正。具体的，可以采用大气辐射传输模型法，并选用ATCOR2模型对各待处理遥感影像进行大气校正。
卫星影像在成像过程中，受到透视投影、地球曲率及地形起伏等诸多因素的影响，影像中各个像点会产生不同程度的几何变形，并且不同影像的变形程度不同。因此，需要对影像进行正射校正，减少伪扰动区。具体的，可以通过有理函数模型对大气校正后的全色影像进行正射校正，以校正后的全色影像，以及全色影像的上一全色影像校正后的影像为参考，对多光谱影像进行配准；以全色影像的上一全色影像校正后的影像为参考，对全色影像进行配准。也就是说，可以采用有理函数模型，以1:50000地形图为参考，对前一期全色影像进行正射校正；然后以校正后的全色影像为参考，采用影像—影像的方式对同一期多光谱影像和后一期全色影像和多光谱影像进行配准。
遥感影像融合是将在空间、时间、波谱上冗余或互补的多源遥感数据按照一定的规则或算法进行运算处理，获得比任何单一数据更精确、更丰富的信息，生成具有新的空间、波谱、时间特征的合成影像数据。影像通过融合既可以提高多光谱影像空间分辨率，又可以保留其多光谱特性。在本发明实施例中，可以通过Pansharp融合方法，对配准后的全色影像和多光谱影像进行融合，得到候选遥感影像。融合后的候选遥感影像，空间分辨率明显提高，地物纹理清晰，光谱信息保留程度高。
S120：通过预先确定的多尺度分割参数，对候选遥感影像进行多尺度分割，得到包含多个对象区域的分割后遥感影像；多尺度分割参数包括：波段权重、均质因子、以及分割尺度。
海陆分离是海岸线遥感监测的前提和基础，目的是将遥感影像中的陆地区域进行遮蔽或去除，使得后续工作仅作用于海洋区域，对陆地区域不作任何处理。传统的基于像元的信息提取方法仅仅依靠光谱特征，所以在对地物进行分类提取时，会存在严重的椒盐效应，导致分类精度较低。但面向对象的影像分析技术则通过分割来依照某种同质性或异质性标准将影像划分成新的影像对象，而不再以一个个像素作为认知的基本单位。该技术通过综合考虑光谱统计特征、形状、大小、纹理以及相邻关系等因素，可以得到较高精度的信息提取结果。
在本发明实施例中，可以采用面向对象的分类方法进行海陆分离，即先对预处理后的候选遥感影像进行多尺度分割，在保证获得完整、均一的海域对象的前提下，根据分割效率达到最大值的原则，通过反复试验选取最佳分割参数，然后将影像分割成大小不同且异质化程度很高的海域和陆域对象，进而基于海域对象的光谱特征，通过设置阈值将影像区分为陆地区域和水体区域，也即陆地对象和海域对象。
多尺度分割是面向对象分类中重要的一步，目的是得到同质性对象。具体的，本发明实施例中，可以采用异质性最小的区域合并算法对候选遥感影像进行多尺度分割。其基本思想是对影像中目标设立一个特定的阈值，根据影像中目标地物的光谱、形状、纹理等特征，建立相应的分割准则，基于对象内部异质性最小的原则，将光谱信息类似的相邻像元合并，组成一个有意义的对象，分割后使得对象间的异质性达到最大。多尺度分割后，不同类别的地物即可以实现在不同尺度层的信息提取，分类的基本单元已不再是单个的像元，而是富有实际意义的影像对象，使分类结果更加客观。
多尺度分割参数设置包括波段权重、分割尺度和均质因子的选择。
在对候选遥感影像进行多尺度分割时，波段权重要根据信息提取的目的和任务而设定，若需要提取的信息在某一波段中的特征较明显，则要对该波段赋予较高的权重；若波段中提供的信息对影像信息提取的意义较小，则对该波段赋予较小的权重，或将权重设为0。因此，波段权重的大小还需要参考该波段中所提供信息的贡献值。本发明实施例中，红、绿、蓝、近红外波段均参与分割。
均质因子包括光谱因子和形状因子，而形状因子又包括紧致度和光滑度。光滑度指对象边界的光滑程度，通过平滑边界来优化影像对象；紧致度指影像对象紧凑程度，通过聚集度来优化对象。这几个参数的设定，需要反复的对比和实验。本发明实施例中，比起几何形状信息可以给予光谱信息更大的权重，因此，形状因子可以设置为0.4，光谱因子设置为0.6。均衡考虑对象的紧致度和平滑度，因此，紧致度因子设置为0.5。
分割尺度是多尺度分割最重要的参数。对于一种确定的土地覆盖类型，最佳分割尺度是指，根据该尺度分割后，生成的多边形对象能够准确地反映该类型的边界，并且区分该类型与其他土地覆盖类型，但是图斑不可以过于破碎。本发明实施例中，可以根据分割效率达到最大值的原则，通过反复试验选取最佳分割参数，然后将候选遥感影像分割成大小不同且异质化程度很高的海域和陆域对象，得到分割后遥感影像。
S130：确定分割后遥感影像对应的提取阈值，并基于提取阈值对分割后遥感影像进行海域对象提取，确定分割后遥感影像的陆地区域和水体区域，并将分割后遥感影像中陆地区域变换为第一预设像素值，水体区域变换为第二预设像素值，得到海陆二值化影像。
基于影像近红外波段、遥感水体指数NDWI((Normalized Difference WaterIndex，归一化水指数)、MNDWI(Modified Normalized Difference Water Index，改进的归一化水指数)，通过设置阈值可以将分割后遥感影像区分为陆地对象和水体对象。具体的，设提取阈值为A，其选取依据是，首先分辨出最靠近水体的明显陆地对象，A不得高于陆地对象的值；接着判断最靠近该陆地对象的明显水体对象，A不得低于水体对象的值；通过重复上述过程，即对A进行多次“夹逼”，最终确定分割后遥感影像对应的阈值A。
上述第一预设像素值例如可以为0，第二预设像素值可以为255等，本发明实施例对此不作限定。
S140：利用数学形态学算法，确定海陆二值化影像中的水边线，并采用目视解译方法确定水边线对应的海岸线类别；海岸线类别包括自然岸线或人工岸线，自然岸线包括：淤泥质岸线、砂砾质岸线、基岩岸线、生物岸线和河口；人工岸线包括：养殖围堤、盐田围堤、农田围堤、码头岸线、建设围堤和交通围堤。
为了排除河流和湖泊等陆地水体的干扰，在本发明实施例中，可以在海陆分离基础上，利用数学形态学算法，进行水边线提取，即陆地与海域的分界线。
在一种实现方式中，如图2所示，利用数学形态学算法，确定海陆二值化影像中的水边线的步骤可以包括：
S210：利用结构元素对海陆二值化影像依次进行膨胀和腐蚀，得到处理后海陆二值化影像。
基于海陆分离结果，利用结构元素对海陆二值化影像先膨胀后腐蚀，填补图像上的小孔洞，使海岸边界变得平整光滑。
S220：利用Canny算子对处理后海陆二值化影像进行边缘检测，提取初始水边线。
具体的，可以通过以下步骤对海陆二值化影像进行边缘检测：
步骤一，平滑图像。具体的，可以通过用一维高斯函数构造的滤波器，分别按行和列对处理后海陆二值化影像进行卷积操作，得到平滑影像。
步骤二，计算梯度的幅值和方向。具体的，可以采用2*2邻域一阶偏导的有限差分方式计算平滑影像的梯度幅值和梯度方向。
步骤三，对梯度幅值进行非极大值抑制，找到所有可能的边缘点。具体的，可以采用3*3邻域作用于梯度幅值阵列的每个点，当邻域中心点的梯度幅值均比沿梯度方向上的两个相邻点的幅值大时，将当前的邻域中心点判别为边缘点。否则将其赋值为零，判别为非边缘点。
步骤四，双阈值方法检测和连接边缘。具体的，可以通过第一阈值和第二阈值将处理后海陆二值化影像分割为第一阈值边缘图像和第二阈值边缘图像，并按预设连接方式连接第一阈值边缘图像和第二阈值边缘图像中的边缘点，得到初始水边线，第一阈值大于第二阈值。也就是说，可以对处理后海陆二值化影像分别使用高、低两个阈值分割得到两个阈值边缘图像。高阈值边缘图像不含有假边缘，但可能在轮廓上有间断，因此在高阈值边缘图像上将边缘连接成轮廓，当达到轮廓端点时，在低阈值边缘图像的邻域位置寻找可以连接到轮廓上的边缘。通过递归跟踪的算法不断地在低阈值边缘图像中搜集边缘，直到将高阈值边缘图像中所有的间隙都连接起来为止。
S230：采用贝塞尔插值算法对初始水边线进行平滑处理，得到海陆二值化影像中的水边线。
由于通过边缘检测得到的初始水边线为栅格数据，存在一定的锯齿特征。因此，在本发明实施例中，可以采用贝塞尔插值算法对初始水边线提取结果进行平滑处理，消除锯齿，得到海陆二值化影像中的水边线。
确定海陆二值化影像中的水边线后，可以采用目视解译方法确定水边线对应的海岸线类别。
由于潮位的升降和风引起的增水或减水作用，海岸线常在一定范围内往复波动。不同类型的海岸线波动空间范围也不相同。在本发明实施例中，可以参考我国近海海洋综合调查与评价专项，综合考虑海岸物质组成和海岸开发现状，将海岸线类型划分为自然岸线和人工岸线两个一级类。
自然岸线是指未经人为因素干扰，受自然海陆作用状态下的海岸。具体的，自然岸线可以包括：淤泥质岸线、砂砾质岸线、基岩岸线、生物岸线和河口。淤泥质岸线指位于淤泥或粉砂质泥滩的海岸线；砂砾质岸线指位于沙滩的海岸线；基岩岸线指位于基岩海岸的海岸线；生物岸线指由红树林、珊瑚礁和芦苇等组成的海岸线；河口指入海河口与海洋的界线。
人工岸线是指经人工改造后形成的事实海陆界线。具体的，人工岸线可以包括：养殖围堤、盐田围堤、农田围堤、码头岸线、建设围堤和交通围堤。养殖围堤指由人工修筑的，用于养殖的堤坝；盐田围堤指用于盐碱晒制而围垦的堤坝；农田围堤指用于农作物种植的人工堤坝；码头岸线指修筑港口码头所形成的岸线；建设围堤指用于城镇建设的围垦岸线；交通围堤指用于交通建设的人工修筑堤坝。
其中，不同类型海岸线解译特征如下所示。
如图3(1)所示，淤泥质岸线位于淤泥质海岸上，岸线比较曲折。淤泥质海岸陆地一侧植被生长茂盛，在假彩色影像上呈现为红色，海域一侧植被稀疏，在假彩色影像上呈浅红色。
如图3(2)所示，砂砾质岸线位于砂砾质海岸上，岸线比较平滑。砂砾质海岸光谱反射率高，在假彩色影像上表现为白色。
如图3(3)所示，基岩岸线位于基岩海岸上，岸线比较曲折。基岩海岸由岩石组成，近岸礁石光谱反射率较高，在假彩色影像上呈现为灰白色，并且分布散乱，没有规律。
如图3(4)所示，生物岸线由红树林、珊瑚礁和芦苇等植被组成。在假彩色影像上呈现为红色，但与陆地植被相比，颜色较浅。
如图3(5)所示，河口指入海河口与海洋的界线。与其他岸线相比，形状特征明显，由内陆向海域河流逐渐加宽，呈喇叭状。
如图3(6)所示，养殖围堤指由人工修筑的，用于养殖的堤坝。岸线比较规则；堤坝反射率较高，在假彩色影像上呈现为白色，形状为长条状；堤坝向陆地一侧为水体，在假彩色影像上呈现为深蓝色。
如图3(7)所示，盐田围堤指用于盐碱晒制而围垦的堤坝。岸线比较平滑；堤坝反射率较高，在假彩色影像上呈现为白色；堤坝向陆地一侧为盐田，盐田池塘内水体在假彩色影像上呈现为深蓝色，被堤坝分割成矩形，按一定规律有序排列。
如图3(8)所示，农田围堤指用于农作物种植的人工堤坝。岸线比较平滑；堤坝反射率较高，在假彩色影像上呈现为白色；堤坝向陆地一侧为农田，农田在假彩色影像上呈现为红色，并且纹理比较均匀。
如图3(9)所示，码头岸线指修筑港口码头所形成的岸线。岸线比较规则，有明显的直角；岸线向陆地一侧为建筑区域，反射率较高，在假彩色影像上呈现为灰白色。
如图3(10)所示，建设围堤指用于城镇建设的围垦岸线。岸线向陆地一侧为城镇建成区，在影像上表现为灰白色，并且纹理不均匀。
如图3(11)所示，交通围堤指用于交通建设的人工修筑堤坝。岸线比较平滑；堤坝反射率较高，在假彩色影像上呈现为白色。
S150：采用潮位校正模型，对海陆二值化影像中的水边线进行校正，得到水边线对应的初始海岸线，并采用与海岸线类别对应的间接地物判定方法，对初始海岸线进行校正，得到目标海岸线。
由于卫星影像成像时刻与潮汐时相的差异，往往在影像上记录清晰的水边线，而水边线与海岸线并不一致。因此，在本发明实施例中，可以采用潮位校正模型，对海陆二值化影像中的水边线进行校正，得到水边线对应的初始海岸线，并采用与海岸线类别对应的间接地物判定方法，对初始海岸线进行校正，将其转换为高潮位时的海陆界线，得到目标海岸线。
潮位校正即根据卫星成像时刻的潮位高度、平均大潮高潮位高度以及海岸坡度等信息计算出水边线至髙潮线的水平距离，进而确定海岸线的位置。模型原理如图4所示。图4中，C1和C2分别为两景卫星影像在成像时刻的水边线位置，h1和h2为卫星过顶时刻的潮位高度(h2>h1)，ΔL为水平距离，θ为海岸坡度，H为平均高潮位的潮位高度，L为海岸线校正的距离。
在一种实现方式中，采用潮位校正模型，对海陆二值化影像中的水边线进行校正，得到水边线对应的初始海岸线的步骤可以包括：计算海陆二值化影像的潮位高度h1；获取采集区域与待处理遥感影像相同的另一遥感影像中的潮位高度h2，以及采集区域对应的平均高潮位的潮位高度H；根据以下公式计算采集区域的海岸坡度θ：
θ＝arctan[(h2-h1)/ΔL]
ΔL为海陆二值化影像和另一遥感影像中潮位的水平距离；
根据以下公式计算待校正海岸线距离L：
L＝(H-h2)/tanθ
将水边线向远离水体区域垂直移动距离L，得到水边线对应的初始海岸线。
具体的，采用模型进行潮位校正步骤如下：
收集整理验潮站的潮位资料，获取卫星过境时站点的高潮位高度H1、高潮潮时T1、低潮位高度H2、低潮潮时T2以及站点多年平均高潮位高程H。
通过遥感影像头文件，获取卫星影像采集时刻T3。
通过高潮位高度H1、低潮位高度H2，计算卫星过境当日潮差h，即h＝H1-H2。
通过高潮潮时T1、低潮潮时T2，计算落潮历时T，即T＝T2-T1。
通过高潮潮时T1、卫星影像采集时刻T3，计算影像采集时刻至高潮时的时间间隔t，即t＝T3-T1。
通过卫星过境时站点的高潮位高度H1、H2、卫星过境当日潮差h、影像采集时刻至高潮时的时间间隔t、落潮历时T，分别计算两景影像采集时刻的瞬时潮高h1、h2，即
h1＝H1-h/2×[1-cos(t/T×180)]
h2＝H2-h/2×[1-cos(t/T×180)]。
通过两景影像的水边线提取结果与海岸线分类结果，计算不同类型海岸水边线的水平距离ΔL。
通过两景影像采集时刻的瞬时潮高h1、h2与水边线的平均距离ΔL，计算不同类型海岸坡度θ。
通过站点多年平均高潮位高程H、影像采集时刻的瞬时潮高h2、海岸坡度θ，计算海岸线校正的距离L。
根据海岸线校正的距离L，将水边线提取结果按其垂线方向移动，得到海岸线提取结果。
采用与海岸线类别对应的间接地物判定方法，对初始海岸线进行校正，得到目标海岸线的步骤可以包括：当海岸线类别为淤泥质海岸线时，通过植被生长状况对比对初始海岸线进行校正，得到目标海岸线；当海岸线类别为砂砾质海岸线时，通过海滩的光谱特征对初始海岸线进行校正，得到目标海岸线；当海岸线类别为基岩海岸线时，通过海滩的光谱特征对初始海岸线进行校正，得到目标海岸线；当海岸线类别为生物岸线时，通过植被生长状况对比对初始海岸线进行校正，得到目标海岸线；当海岸线类别为人工岸线时，确定初始岸线处的构筑物分界线，根据分界线对初始海岸线进行校正，得到目标海岸线。
淤泥质海岸主要受潮汐作用影响而形成，潮间带坡度平缓，宽度可达上千米。由于上冲流的影响，高潮位时，水淹没潮间带，导致高潮线附近植被稀疏，而陆地一侧植被生长茂盛，另外高潮线附近通常有植物残枝、贝壳等残留。因此，海岸线在高分遥感影像上表现出明显的痕迹线。通过植被生长状况对比对初始海岸线进行校正，获得淤泥质岸线。
砂砾质海岸受到大潮潮水的影响，海滩上部常常被推成一条与岸线平行的脊状砂砾质沉积，海岸线一般位于海岸的顶部。砂砾质海滩反射率较高，在高分遥感影像上呈亮白色，纹理均匀。通过海滩的光谱特征对初始海岸线进行校正，获得砂砾质岸线。
基岩海岸由于海陆长期作用，形成海蚀崖、海蚀阶地等特殊地貌形态，高潮位海水无法越过海蚀崖，因此海岸线位于海蚀崖底部，潮间带的顶部。并且，潮间带通常由岩石组成，在高分遥感影像上呈亮白色。通过海滩的光谱特征对初始海岸线进行校正，获得基岩岸线。
生物海岸主要包括红树林海岸和芦苇海岸等。与淤泥质海岸类似，高潮线附近植被稀疏，而陆地一侧植被生长茂盛。因此，海岸线在高分遥感影像上表现出明显的痕迹线。通过植被生长状况对比对初始海岸线进行校正，获得生物岸线。
河口指入海河口与海洋的界线，由内陆向海域河流逐渐加宽，呈喇叭状。因此，以河口突然展宽处的突出点连线作为河口海岸线。另外，部分河口区域有道路、桥梁、防潮闸等明确分界线，将其作为河口海岸线。
养殖围堤、盐田围堤、农田围堤、交通围堤、码头岸线和建设围堤等人工岸线由于人工构筑物向陆一侧不存在平均大潮高潮时海水能达到的水域，因此人工构筑物向海一侧的水陆分界线即是海岸线。
S160：获取历史海岸线的属性信息，并根据目标海岸线的属性信息，以及历史海岸线的属性信息，计算海岸线变迁监测指标；海岸线变迁监测指标包括：海岸线变迁速率、海岸线类型变化指标、和海岸线分形维数变化指标。
在一种实现方式中，根据目标海岸线的属性信息，以及历史海岸线的属性信息，计算海岸线变迁监测指标的步骤可以包括：监测海岸线长度变化情况、海岸线类型变化情况、以及海岸线分形维数变化情况。
监测海岸线长度变化情况时，可以通过以下公式计算从历史海岸线对应年份i到目标海岸线对应年份j的海岸线变迁速率P：
Figure BDA0002321379550000191
Li为历史海岸线的长度；Lj为目标海岸线的长度。
监测海岸线类型变化情况时，可以构建转移矩阵，将转移矩阵确定为海岸线类型变化指标；转移矩阵的横字段表示历史海岸线的类别，转移矩阵的纵字段表示目标海岸线的类别。横字段和纵字段交叉处表示海岸线长度变化值。
监测海岸线分形维数变化情况时，可以采用盒计数法计算不同时期的海岸线分形维数，反映海岸线的弯曲和复杂程度变化情况。盒计数法采用不同长度的正方形网格连续且不重叠地去覆盖被监测的海岸线，当正方形网格长度出现变化，则覆盖整条海岸线所需网格数目发生相应变化。
具体的，可以通过以下公式分别计算目标海岸线和历史海岸线对应的分形维数D：
Figure BDA0002321379550000192
r(N)为连续且不重叠地去覆盖海岸线的正方形网格边长；N为覆盖整条海岸线所需的网格数目。
直线的分形维数理论值为1，矩形的分形维数理论值为2，因此，上述D的值介于[1，2]之间，分形维数值越接近2，表示海岸线的弯曲和复杂程度越高。
由上述内容可知，本实施例可以基于遥感技术通过面向对象的方法自动提取海岸线，从而能够高效的监测海岸线的动态变化。并且，综合考虑海岸物质组成和海岸开发现状，并基于不同海岸类型的影像特征，分析其颜色、纹理、空间分布等特征，实现海岸线类型的准确提取。在海陆分离、水边线提取、海岸线分类的基础上，根据潮位校正模型，并结合不同海岸的间接地物特征，对海岸线进行校正，获取严格意义上的海岸线，提高海岸线确定的准确性。还可以通过海岸线变迁速率、海岸线类型变化指标、和海岸线分形维数变化指标，精准分析海岸线变迁情况。
如图5所示，其示出了本发明实施例的一种海岸线变迁遥感监测与分析的装置的结构示意图，该装置包括：
影像获取模块510，用于获取各待处理遥感影像，对所述各待处理遥感影像进行大气校正、以及正射校正和配准，得到各初始遥感影像，并将所述各初始遥感影像进行融合处理，得到候选遥感影像；所述待处理遥感影像包括全色影像和多光谱影像；
影像分割模块520，用于通过预先确定的多尺度分割参数，对所述候选遥感影像进行多尺度分割，得到包含多个对象区域的分割后遥感影像；所述多尺度分割参数包括：波段权重、均质因子、以及分割尺度；
对象提取模块530，用于确定所述分割后遥感影像对应的提取阈值，并基于所述提取阈值对所述分割后遥感影像进行海域对象提取，确定所述分割后遥感影像的陆地区域和水体区域，并将所述分割后遥感影像中陆地区域变换为第一预设像素值，水体区域变换为第二预设像素值，得到海陆二值化影像；
海岸线类别确定模块540，用于利用数学形态学算法，确定所述海陆二值化影像中的水边线，并采用目视解译方法确定所述水边线对应的海岸线类别；所述海岸线类别包括自然岸线或人工岸线，所述自然岸线包括：淤泥质岸线、砂砾质岸线、基岩岸线、生物岸线和河口；所述人工岸线包括：养殖围堤、盐田围堤、农田围堤、码头岸线、建设围堤和交通围堤；
潮位校正模块550，用于采用潮位校正模型，对所述海陆二值化影像中的水边线进行校正，得到所述水边线对应的初始海岸线，并采用与所述海岸线类别对应的间接地物判定方法，对所述初始海岸线进行校正，得到目标海岸线；
海岸线监测模块560，用于获取历史海岸线的属性信息，并根据所述目标海岸线的属性信息，以及所述历史海岸线的属性信息，计算海岸线变迁监测指标；所述海岸线变迁监测指标包括：海岸线变迁速率、海岸线类型变化指标、和海岸线分形维数变化指标。
作为本发明实施例的一种实施方式，所述影像获取模块包括：
大气校正子模块，用于通过大气辐射传输模型法，对各所述待处理遥感影像进行大气校正；
正射校正子模块，用于通过有理函数模型对大气校正后的所述全色影像进行正射校正，以校正后的所述全色影像，以及所述全色影像的上一全色影像校正后的影像为参考，对所述多光谱影像进行配准；以所述全色影像的上一全色影像校正后的影像为参考，对所述全色影像进行配准；
融合子模块，用于通过Pansharp融合装置，对配准后的所述全色影像和所述多光谱影像进行融合，得到候选遥感影像。
作为本发明实施例的一种实施方式，所述海岸线类别确定模块包括：
结构处理子模块，用于利用结构元素对所述海陆二值化影像依次进行膨胀和腐蚀，得到处理后海陆二值化影像；
边缘检测子模块，用于利用Canny算子对所述处理后海陆二值化影像进行边缘检测，提取初始水边线；
平滑处理子模块，用于采用贝塞尔插值算法对所述初始水边线进行平滑处理，得到所述海陆二值化影像中的水边线。
作为本发明实施例的一种实施方式，所述边缘检测子模块，具体用于：
通过用一维高斯函数构造的滤波器，分别按行和列对所述处理后海陆二值化影像进行卷积操作，得到平滑影像；
采用2*2邻域一阶偏导的有限差分方式计算所述平滑影像的梯度幅值和梯度方向；
采用3*3邻域作用于所述梯度幅值阵列的每个点，当所述邻域中心点的梯度幅值均比沿梯度方向上的两个相邻点的幅值大时，将当前的邻域中心点判别为边缘点；
通过第一阈值和第二阈值将所述处理后海陆二值化影像分割为第一阈值边缘图像和第二阈值边缘图像，并按预设连接方式连接所述第一阈值边缘图像和所述第二阈值边缘图像中的边缘点，得到初始水边线，所述第一阈值大于所述第二阈值。
作为本发明实施例的一种实施方式，所述潮位校正模块，具体用于：
计算所述海陆二值化影像的潮位高度h1；
获取采集区域与所述待处理遥感影像相同的另一遥感影像中的潮位高度h2，以及所述采集区域对应的平均高潮位的潮位高度H；
根据以下公式计算所述采集区域的海岸坡度θ：
θ＝arctan[(h2-h1)/ΔL]
ΔL为所述海陆二值化影像和所述另一遥感影像中潮位的水平距离；
根据以下公式计算待校正海岸线距离L：
L＝(H-h2)/tanθ
将所述水边线向远离水体区域垂直移动距离L，得到所述水边线对应的初始海岸线。
作为本发明实施例的一种实施方式，所述潮位校正模块，具体用于：
当所述海岸线类别为淤泥质海岸线时，通过植被生长状况对比对所述初始海岸线进行校正，得到目标海岸线；
当所述海岸线类别为砂砾质海岸线时，通过海滩的光谱特征对所述初始海岸线进行校正，得到目标海岸线；
当所述海岸线类别为基岩海岸线时，通过海滩的光谱特征对所述初始海岸线进行校正，得到目标海岸线；
当所述海岸线类别为生物岸线时，通过植被生长状况对比对所述初始海岸线进行校正，得到目标海岸线；
当所述海岸线类别为人工岸线时，确定所述初始岸线处的构筑物分界线，根据所述分界线对所述初始海岸线进行校正，得到目标海岸线。
作为本发明实施例的一种实施方式，所述海岸线监测模块，具体用于：
通过以下公式计算从所述历史海岸线对应年份i到所述目标海岸线对应年份j的海岸线变迁速率P：
Figure BDA0002321379550000231
Li为所述历史海岸线的长度；Lj为所述目标海岸线的长度；
构建转移矩阵，将所述转移矩阵确定为所述海岸线类型变化指标；所述转移矩阵的横字段表示所述历史海岸线的类别，所述转移矩阵的纵字段表示所述目标海岸线的类别；
通过以下公式分别计算所述目标海岸线和所述历史海岸线对应的分形维数D：
Figure BDA0002321379550000232
r(N)为连续且不重叠地去覆盖海岸线的正方形网格边长；N为覆盖整条海岸线所需的网格数目。
作为本发明实施例的一种实施方式，所述波段权重包括：红、黄、蓝、以及近红外波段权重；
所均质因子包括：光谱因子和形状因子，所述光谱因子的权重为0.6，所述形状因子的权重为0.4。
由上述内容可知，本实施例可以基于遥感技术通过面向对象的方法自动提取海岸线，从而能够高效的监测海岸线的动态变化。并且，综合考虑海岸物质组成和海岸开发现状，并基于不同海岸类型的影像特征，分析其颜色、纹理、空间分布等特征，实现海岸线类型的准确提取。在海陆分离、水边线提取、海岸线分类的基础上，根据潮位校正模型，并结合不同海岸的间接地物特征，对海岸线进行校正，获取严格意义上的海岸线，提高海岸线确定的准确性。还可以通过海岸线变迁速率、海岸线类型变化指标、和海岸线分形维数变化指标，精准分析海岸线变迁情况。
上述装置实施例与方法实施例相对应，与该方法实施例具有同样的技术效果，具体说明参见方法实施例。装置实施例是基于方法实施例得到的，具体的说明可以参见方法实施例部分，此处不再赘述。
本领域普通技术人员可以理解：附图只是一个实施例的示意图，附图中的模块或流程并不一定是实施本发明所必须的。
本领域普通技术人员可以理解：实施例中的装置中的模块可以按照实施例描述分布于实施例的装置中，也可以进行相应变化位于不同于本实施例的一个或多个装置中。上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围。

Claims (10)

1.一种海岸线变迁遥感监测与分析的方法，其特征在于，所述方法包括：
获取各待处理遥感影像，对所述各待处理遥感影像进行大气校正、以及正射校正和配准，得到各初始遥感影像，并将所述各初始遥感影像进行融合处理，得到候选遥感影像；所述待处理遥感影像包括全色影像和多光谱影像；
通过预先确定的多尺度分割参数，对所述候选遥感影像进行多尺度分割，得到包含多个对象区域的分割后遥感影像；所述多尺度分割参数包括：波段权重、均质因子、以及分割尺度；
确定所述分割后遥感影像对应的提取阈值，并基于所述提取阈值对所述分割后遥感影像进行海域对象提取，确定所述分割后遥感影像的陆地区域和水体区域，并将所述分割后遥感影像中陆地区域变换为第一预设像素值，水体区域变换为第二预设像素值，得到海陆二值化影像；
利用数学形态学算法，确定所述海陆二值化影像中的水边线，并采用目视解译方法确定所述水边线对应的海岸线类别；所述海岸线类别包括自然岸线或人工岸线，所述自然岸线包括：淤泥质岸线、砂砾质岸线、基岩岸线、生物岸线和河口；所述人工岸线包括：养殖围堤、盐田围堤、农田围堤、码头岸线、建设围堤和交通围堤；
采用潮位校正模型，对所述海陆二值化影像中的水边线进行校正，得到所述水边线对应的初始海岸线，并采用与所述海岸线类别对应的间接地物判定方法，对所述初始海岸线进行校正，得到目标海岸线；
获取历史海岸线的属性信息，并根据所述目标海岸线的属性信息，以及所述历史海岸线的属性信息，计算海岸线变迁监测指标；所述海岸线变迁监测指标包括：海岸线变迁速率、海岸线类型变化指标、和海岸线分形维数变化指标。
2.根据权利要求1所述的方法，其特征在于，所述对所述各待处理遥感影像进行大气校正、以及正射校正和配准，得到各初始遥感影像，并将所述各初始遥感影像进行融合处理，得到候选遥感影像的步骤包括：
通过大气辐射传输模型法，对各所述待处理遥感影像进行大气校正；
通过有理函数模型对大气校正后的所述全色影像进行正射校正，以校正后的所述全色影像，以及所述全色影像的上一全色影像校正后的影像为参考，对所述多光谱影像进行配准；以所述全色影像的上一全色影像校正后的影像为参考，对所述全色影像进行配准；
通过Pansharp融合方法，对配准后的所述全色影像和所述多光谱影像进行融合，得到候选遥感影像。
3.根据权利要求1所述的方法，其特征在于，所述利用数学形态学算法，确定所述海陆二值化影像中的水边线的步骤包括：
利用结构元素对所述海陆二值化影像依次进行膨胀和腐蚀，得到处理后海陆二值化影像；
利用Canny算子对所述处理后海陆二值化影像进行边缘检测，提取初始水边线；
采用贝塞尔插值算法对所述初始水边线进行平滑处理，得到所述海陆二值化影像中的水边线。
4.根据权利要求3所述的方法，其特征在于，所述利用Canny算子对所述处理后海陆二值化影像进行边缘检测，提取初始水边线的步骤包括：
通过用一维高斯函数构造的滤波器，分别按行和列对所述处理后海陆二值化影像进行卷积操作，得到平滑影像；
采用2*2邻域一阶偏导的有限差分方式计算所述平滑影像的梯度幅值和梯度方向；
采用3*3邻域作用于所述梯度幅值阵列的每个点，当所述邻域中心点的梯度幅值均比沿梯度方向上的两个相邻点的幅值大时，将当前的邻域中心点判别为边缘点；
通过第一阈值和第二阈值将所述处理后海陆二值化影像分割为第一阈值边缘图像和第二阈值边缘图像，并按预设连接方式连接所述第一阈值边缘图像和所述第二阈值边缘图像中的边缘点，得到初始水边线，所述第一阈值大于所述第二阈值。
5.根据权利要求1所述的方法，其特征在于，所述采用潮位校正模型，对所述海陆二值化影像中的水边线进行校正，得到所述水边线对应的初始海岸线的步骤包括：
计算所述海陆二值化影像的潮位高度h1；
获取采集区域与所述待处理遥感影像相同的另一遥感影像中的潮位高度h2，以及所述采集区域对应的平均高潮位的潮位高度H；
根据以下公式计算所述采集区域的海岸坡度θ：
θ＝arctan[(h2-h1)/ΔL]
ΔL为所述海陆二值化影像和所述另一遥感影像中潮位的水平距离；
根据以下公式计算待校正海岸线距离L：
L＝(H-h2)/tanθ
将所述水边线向远离水体区域垂直移动距离L，得到所述水边线对应的初始海岸线。
6.根据权利要求1所述的方法，其特征在于，所述采用与所述海岸线类别对应的间接地物判定方法，对所述初始海岸线进行校正，得到目标海岸线的步骤包括：
当所述海岸线类别为淤泥质海岸线时，通过植被生长状况对比对所述初始海岸线进行校正，得到目标海岸线；
当所述海岸线类别为砂砾质海岸线时，通过海滩的光谱特征对所述初始海岸线进行校正，得到目标海岸线；
当所述海岸线类别为基岩海岸线时，通过海滩的光谱特征对所述初始海岸线进行校正，得到目标海岸线；
当所述海岸线类别为生物岸线时，通过植被生长状况对比对所述初始海岸线进行校正，得到目标海岸线；
当所述海岸线类别为人工岸线时，确定所述初始岸线处的构筑物分界线，根据所述分界线对所述初始海岸线进行校正，得到目标海岸线。
7.根据权利要求1所述的方法，其特征在于，所述根据所述目标海岸线的属性信息，以及所述历史海岸线的属性信息，计算海岸线变迁监测指标的步骤包括：
通过以下公式计算从所述历史海岸线对应年份i到所述目标海岸线对应年份j的海岸线变迁速率P：
Figure FDA0002321379540000041
Li为所述历史海岸线的长度；Lj为所述目标海岸线的长度；
构建转移矩阵，将所述转移矩阵确定为所述海岸线类型变化指标；所述转移矩阵的横字段表示所述历史海岸线的类别，所述转移矩阵的纵字段表示所述目标海岸线的类别；
通过以下公式分别计算所述目标海岸线和所述历史海岸线对应的分形维数D：
Figure FDA0002321379540000042
r(N)为连续且不重叠地去覆盖海岸线的正方形网格边长；N为覆盖整条海岸线所需的网格数目。
8.根据权利要求1-7任一项所述的方法，其特征在于，
所述波段权重包括：红、黄、蓝、以及近红外波段权重；
所均质因子包括：光谱因子和形状因子，所述光谱因子的权重为0.6，所述形状因子的权重为0.4。
9.一种海岸线变迁遥感监测与分析的装置，其特征在于，所述装置包括：
影像获取模块，用于获取各待处理遥感影像，对所述各待处理遥感影像进行大气校正、以及正射校正和配准，得到各初始遥感影像，并将所述各初始遥感影像进行融合处理，得到候选遥感影像；所述待处理遥感影像包括全色影像和多光谱影像；
影像分割模块，用于通过预先确定的多尺度分割参数，对所述候选遥感影像进行多尺度分割，得到包含多个对象区域的分割后遥感影像；所述多尺度分割参数包括：波段权重、均质因子、以及分割尺度；
对象提取模块，用于确定所述分割后遥感影像对应的提取阈值，并基于所述提取阈值对所述分割后遥感影像进行海域对象提取，确定所述分割后遥感影像的陆地区域和水体区域，并将所述分割后遥感影像中陆地区域变换为第一预设像素值，水体区域变换为第二预设像素值，得到海陆二值化影像；
海岸线类别确定模块，用于利用数学形态学算法，确定所述海陆二值化影像中的水边线，并采用目视解译方法确定所述水边线对应的海岸线类别；所述海岸线类别包括自然岸线或人工岸线，所述自然岸线包括：淤泥质岸线、砂砾质岸线、基岩岸线、生物岸线和河口；所述人工岸线包括：养殖围堤、盐田围堤、农田围堤、码头岸线、建设围堤和交通围堤；
潮位校正模块，用于采用潮位校正模型，对所述海陆二值化影像中的水边线进行校正，得到所述水边线对应的初始海岸线，并采用与所述海岸线类别对应的间接地物判定方法，对所述初始海岸线进行校正，得到目标海岸线；
海岸线监测模块，用于获取历史海岸线的属性信息，并根据所述目标海岸线的属性信息，以及所述历史海岸线的属性信息，计算海岸线变迁监测指标；所述海岸线变迁监测指标包括：海岸线变迁速率、海岸线类型变化指标、和海岸线分形维数变化指标。
10.根据权利要求9所述的装置，其特征在于，所述影像获取模块包括：
大气校正子模块，用于通过大气辐射传输模型法，对各所述待处理遥感影像进行大气校正；
正射校正子模块，用于通过有理函数模型对大气校正后的所述全色影像进行正射校正，以校正后的所述全色影像，以及所述全色影像的上一全色影像校正后的影像为参考，对所述多光谱影像进行配准；以所述全色影像的上一全色影像校正后的影像为参考，对所述全色影像进行配准；
融合子模块，用于通过Pansharp融合装置，对配准后的所述全色影像和所述多光谱影像进行融合，得到候选遥感影像。
CN201911298972.2A 2019-12-17 2019-12-17 一种海岸线变迁遥感监测与分析的方法及装置 Pending CN110991393A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911298972.2A CN110991393A (zh) 2019-12-17 2019-12-17 一种海岸线变迁遥感监测与分析的方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911298972.2A CN110991393A (zh) 2019-12-17 2019-12-17 一种海岸线变迁遥感监测与分析的方法及装置

Publications (1)

Publication Number Publication Date
CN110991393A true CN110991393A (zh) 2020-04-10

Family

ID=70094487

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911298972.2A Pending CN110991393A (zh) 2019-12-17 2019-12-17 一种海岸线变迁遥感监测与分析的方法及装置

Country Status (1)

Country Link
CN (1) CN110991393A (zh)

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN112100301A (zh) * 2020-08-30 2020-12-18 山东锋士信息技术有限公司 一种利用高分遥感技术实现水域岸线动态监测的方法
CN112308892A (zh) * 2020-11-16 2021-02-02 中国海洋大学 一种基于libs技术的贝壳纹理分析系统和方法
CN113158840A (zh) * 2021-04-01 2021-07-23 中国科学院南京地理与湖泊研究所 一种基于高清遥感影像的内河岸线资源利用类型提取方法
CN113345047A (zh) * 2021-06-16 2021-09-03 中国水利水电科学研究院 计算海岸线变迁速率的方法
CN113628227A (zh) * 2021-08-02 2021-11-09 哈尔滨工业大学 一种基于深度学习的海岸线变化分析方法
CN113739788A (zh) * 2021-08-03 2021-12-03 中山大学 一种亮温数据的地理位置校正方法及装置
CN113807409A (zh) * 2021-08-27 2021-12-17 华北电力大学 一种基于判别分析的海岸带分类方法
WO2021258758A1 (zh) * 2020-06-22 2021-12-30 大连海洋大学 一种基于多因素的海岸线变化识别方法
CN114241327A (zh) * 2021-10-29 2022-03-25 广东省国土资源测绘院 一种海岸线变化高频监测方法
CN114596300A (zh) * 2022-03-17 2022-06-07 中国科学院地理科学与资源研究所 滨海养殖遥感信息处理方法、装置、电子设备及存储介质
CN114821355A (zh) * 2022-04-27 2022-07-29 生态环境部卫星环境应用中心 海岸线自动化识别方法和装置
CN115424142A (zh) * 2022-08-26 2022-12-02 南方海洋科学与工程广东省实验室(广州) 基于遥感影像的海岸线类型判别方法、装置、介质和设备
CN115471761A (zh) * 2022-10-31 2022-12-13 宁波拾烨智能科技有限公司 集成多源遥感数据的海岸滩涂变化监测方法
CN116129145A (zh) * 2023-04-14 2023-05-16 广东海洋大学 一种高分辨率遥感影像的砂质海岸线提取方法及系统
CN117935077A (zh) * 2024-01-23 2024-04-26 广州海洋地质调查局 一种基于人工智能的遥感数据提取管理系统和方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
孙品等: "近３０年上海大陆海岸线的遥感提取及变迁分析", 《红外》 *
张旭凯;张霞;杨邦会;庄智;尚坤;: "结合海岸类型和潮位校正的海岸线遥感提取", 国土资源遥感 *

Cited By (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
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
WO2021258758A1 (zh) * 2020-06-22 2021-12-30 大连海洋大学 一种基于多因素的海岸线变化识别方法
CN112100301A (zh) * 2020-08-30 2020-12-18 山东锋士信息技术有限公司 一种利用高分遥感技术实现水域岸线动态监测的方法
CN112308892A (zh) * 2020-11-16 2021-02-02 中国海洋大学 一种基于libs技术的贝壳纹理分析系统和方法
CN113158840A (zh) * 2021-04-01 2021-07-23 中国科学院南京地理与湖泊研究所 一种基于高清遥感影像的内河岸线资源利用类型提取方法
CN113345047A (zh) * 2021-06-16 2021-09-03 中国水利水电科学研究院 计算海岸线变迁速率的方法
CN113345047B (zh) * 2021-06-16 2024-06-28 中国水利水电科学研究院 计算海岸线变迁速率的方法
CN113628227B (zh) * 2021-08-02 2022-05-17 哈尔滨工业大学 一种基于深度学习的海岸线变化分析方法
CN113628227A (zh) * 2021-08-02 2021-11-09 哈尔滨工业大学 一种基于深度学习的海岸线变化分析方法
CN113739788B (zh) * 2021-08-03 2023-05-23 中山大学 一种亮温数据的地理位置校正方法及装置
CN113739788A (zh) * 2021-08-03 2021-12-03 中山大学 一种亮温数据的地理位置校正方法及装置
CN113807409B (zh) * 2021-08-27 2024-01-23 华北电力大学 一种基于判别分析的海岸带分类方法
CN113807409A (zh) * 2021-08-27 2021-12-17 华北电力大学 一种基于判别分析的海岸带分类方法
CN114241327A (zh) * 2021-10-29 2022-03-25 广东省国土资源测绘院 一种海岸线变化高频监测方法
CN114596300A (zh) * 2022-03-17 2022-06-07 中国科学院地理科学与资源研究所 滨海养殖遥感信息处理方法、装置、电子设备及存储介质
CN114821355A (zh) * 2022-04-27 2022-07-29 生态环境部卫星环境应用中心 海岸线自动化识别方法和装置
CN114821355B (zh) * 2022-04-27 2022-09-27 生态环境部卫星环境应用中心 海岸线自动化识别方法和装置
CN115424142A (zh) * 2022-08-26 2022-12-02 南方海洋科学与工程广东省实验室(广州) 基于遥感影像的海岸线类型判别方法、装置、介质和设备
CN115471761A (zh) * 2022-10-31 2022-12-13 宁波拾烨智能科技有限公司 集成多源遥感数据的海岸滩涂变化监测方法
CN116129145B (zh) * 2023-04-14 2023-06-23 广东海洋大学 一种高分辨率遥感影像的砂质海岸线提取方法及系统
CN116129145A (zh) * 2023-04-14 2023-05-16 广东海洋大学 一种高分辨率遥感影像的砂质海岸线提取方法及系统
CN117935077A (zh) * 2024-01-23 2024-04-26 广州海洋地质调查局 一种基于人工智能的遥感数据提取管理系统和方法

Similar Documents

Publication Publication Date Title
CN110991393A (zh) 一种海岸线变迁遥感监测与分析的方法及装置
CN109190538B (zh) 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
Lathrop et al. A multi-scale segmentation approach to mapping seagrass habitats using airborne digital camera imagery
Smeeckaert et al. Large-scale classification of water areas using airborne topographic lidar data
Hossain et al. Application of Landsat images to seagrass areal cover change analysis for Lawas, Terengganu and Kelantan of Malaysia
Konicki et al. The statistics and kinematics of transverse sand bars on an open coast
Purkis et al. A half-century of coastline change in Diego Garcia–The largest atoll island in the Chagos
Do et al. The estimation and evaluation of shoreline locations, shoreline-change rates, and coastal volume changes derived from Landsat images
CN103559493A (zh) 一种线状地物的提取方法
Hu et al. Monitoring coastline variations in the Pearl River Estuary from 1978 to 2018 by integrating Canny edge detection and Otsu methods using long time series Landsat dataset
Wicaksono et al. Geometric accuracy assessment for shoreline derived from NDWI, MNDWI, and AWEI transformation on various coastal physical typology in Jepara Regency using Landsat 8 OLI imagery in 2018
Pietro et al. Developing terrestrial-LIDAR-based digital elevation models for monitoring beach nourishment performance
CN111402169B (zh) 一种海岸带潮汐影响下遥感植被指数时间序列的修复方法
CN112509134A (zh) 一种潮滩数字高程模型构建方法及系统
Chen et al. Mapping three-dimensional morphological characteristics of tidal salt-marsh channels using UAV structure-from-motion photogrammetry
Liu et al. Long-term nearshore bathymetry evolution from video imagery: a case study in the Miyazaki coast
Xu et al. Extraction and spatiotemporal evolution analysis of tidal flats in the Bohai Rim during 1984–2019 based on remote sensing
CN115293262B (zh) 一种岸线功能与结构长时序检测方法
O’DEA et al. Spectral analysis of beach cusp evolution using 3D lidar scans
CN113191989B (zh) 一种针对近岸复杂环境下淤泥质海岸的水边线遥感提取方法
CN112861719B (zh) 一种基于多时相高分辨率遥感影像的海岸线提取方法
Zhang et al. Application of airborne LiDAR measurements to the topographic survey of the tidal flats of the Northern Jiangsu radial sand ridges in the Southern Yellow Sea
Liu Shoreline mapping and coastal change studies using remote sensing imagery and LIDAR data
Zhan et al. Daily topographic change patterns of tidal flats in response to anthropogenic activities: Analysis through coastal video imagery
Bergsma et al. An assesment of video-based bathymetry estimation in a macro-tidal environment

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