CN112861824B - 海岸线提取方法、装置、终端设备和可读存储介质 - Google Patents
海岸线提取方法、装置、终端设备和可读存储介质 Download PDFInfo
- Publication number
- CN112861824B CN112861824B CN202110368975.XA CN202110368975A CN112861824B CN 112861824 B CN112861824 B CN 112861824B CN 202110368975 A CN202110368975 A CN 202110368975A CN 112861824 B CN112861824 B CN 112861824B
- Authority
- CN
- China
- Prior art keywords
- standard
- cloud
- image
- determining
- image frame
- 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.)
- Expired - Fee Related
Links
- 238000000605 extraction Methods 0.000 title claims abstract description 65
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 116
- 238000000034 method Methods 0.000 claims abstract description 64
- 238000007781 pre-processing Methods 0.000 claims abstract description 17
- 238000003066 decision tree Methods 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 238000005259 measurement Methods 0.000 abstract description 7
- 239000002699 waste material Substances 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 4
- 238000012216 screening Methods 0.000 description 4
- 239000013535 sea water Substances 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000008030 elimination Effects 0.000 description 2
- 238000003379 elimination reaction Methods 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明实施例公开了一种海岸线提取方法、装置、终端设备和可读存储介质,该方法包括:获取预定时间段内的卫星影像,所述卫星影像包括以时间为顺序排列的多个原始图像帧;对各个原始图像帧进行预处理以获取多个无云图像帧;根据所述多个无云图像帧确定所述卫星影像对应的标准瞬时水边线和标准高潮线;根据所述标准瞬时水边线和标准高潮线确定所述卫星影像对应的海岸线。利用预定时间段内的卫星影像确定海岸线,实现海岸线的远程在线提取,无需测量人员实地测量,不仅避免人力资源的浪费,而且减少海岸线提取的作业难度,可以随时随地根据卫星影像确定海岸线。
Description
技术领域
本发明涉及图像智能处理技术领域,尤其涉及一种海岸线提取方法、装置、终端设备和可读存储介质。
背景技术
海岸线是海陆交界的边界线,受海洋潮汐变化和近海海岸地形的影响,岸线的空间位置时刻发生变化。海岸线是动态变化的一种边界线,常规的实地测量很难度量,并且,实地测量涉及野外测量,测量工作费事费力、难度很大。
发明内容
鉴于上述问题,本发明提出一种海岸线提取方法、装置、终端设备和可读存储介质。
本申请提出一种海岸线提取方法,所述方法包括:
获取预定时间段内的卫星影像,所述卫星影像包括以时间为顺序排列的多个原始图像帧;
对各个原始图像帧进行预处理以获取多个无云图像帧;
根据所述多个无云图像帧确定所述卫星影像对应的标准瞬时水边线和标准高潮线;
根据所述标准瞬时水边线和标准高潮线确定所述卫星影像对应的海岸线。
本申请所述海岸线提取方法,所述对各个原始图像帧进行预处理以获取多个无云图像帧,包括:
根据各个原始图像帧的云量面积与对应原始图像帧面积之间的比值过滤去除所述比值大于预设含云量阈值的原始图像帧;
利用预设的含云区域剔除方法剔除剩余的原始图像帧中的含云区域以获取多个无云图像帧。
本申请所述海岸线提取方法,所述根据所述多个无云图像帧确定所述卫星影像对应的标准瞬时水边线和标准高潮线,包括:
从各个无云图像帧中分别提取N个波段对应的波段图像帧;
根据第i个波段对应的各个波段图像帧确定第i个中位波段图像帧,i≤N;
根据N个中位波段图像帧确定标准图像帧;
计算所述标准图像帧的归一化植被指数和归一化水体指数;
根据所述归一化水体指数基于决策树方法确定所述标准瞬时水边线;
根据所述归一化植被指数基于决策树方法确定所述标准高潮线。
本申请所述海岸线提取方法,所述根据所述多个无云图像帧确定所述卫星影像对应的标准瞬时水边线和标准高潮线,包括:
从各个无云图像帧中分别提取N个波段对应的波段图像帧;
根据各个波段图像帧计算各个无云图像帧对应的归一化植被指数和归一化水体指数;
将各个归一化植被指数对应的中位值作为中位归一化植被指数;
将各个归一化水体指数对应的中位值作为中位归一化水体指数;
根据所述中位归一化水体指数基于决策树方法确定所述标准瞬时水边线;
根据所述中位归一化植被指数基于决策树方法确定所述标准高潮线。
本申请所述海岸线提取方法,所述根据所述多个无云图像帧确定所述卫星影像对应的标准瞬时水边线和标准高潮线,包括:
从各个无云图像帧中分别提取N个波段对应的波段图像帧;
根据第i个波段对应的各个波段图像帧确定第i个中位波段图像帧,i≤N;
根据N个中位波段图像帧确定标准图像帧;
利用预先训练达标的海岸线提取模型识别所述标准图像帧以确定所述卫星影像对应的标准瞬时水边线和标准高潮线。
本申请所述海岸线提取方法,利用以下公式确定所述卫星影像对应的海岸线:
L=Ld+(Ld+Lh)/2
L表示所述卫星影像对应的海岸线,Ld表示所述瞬时水边线,Lh表示标准高潮线。
本申请所述海岸线提取方法,所述预定时间段为一年。
本申请提出一种海岸线提取装置,所述装置包括:
获取模块,用于获取预定时间段内的卫星影像,所述卫星影像包括以时间为顺序排列的多个原始图像帧;
预处理模块,用于对各个原始图像帧进行预处理以获取多个无云图像帧;
确定模块,用于根据所述多个无云图像帧确定所述卫星影像对应的标准瞬时水边线和标准高潮线;根据所述标准瞬时水边线和标准高潮线确定所述卫星影像对应的海岸线。
本申请提出一种终端设备,包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序在所述处理器上运行时执行本申请所述的海岸线提取方法。
本申请提出一种可读存储介质,其存储有计算机程序,所述计算机程序在处理器上运行时执行本申请所述的海岸线提取方法。
本申请公开的海岸线提取方法,一方面,利用预定时间段内的卫星影像确定海岸线,实现海岸线的远程在线提取,无需测量人员实地测量,不仅避免人力资源的浪费,而且减少海岸线提取的作业难度,可以随时随地根据卫星影像确定海岸线;另一方面,通过综合考虑卫星影像对应的标准瞬时水边线和标准高潮线,以确定所述卫星影像对应的海岸线,可以有效避免标准瞬时水边线提取误差和标准高潮线提取误差对提取海岸线的影响,进而提高海岸线提取的准确性。
附图说明
为了更清楚地说明本发明的技术方案,下面将对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发明的某些实施例,因此不应被看作是对本发明保护范围的限定。在各个附图中,类似的构成部分采用类似的编号。
图1示出了本申请实施例提出的一种海岸线提取方法的流程示意图;
图2示出了本申请实施例提出的一种获取标准瞬时水边线和标准高潮线的示意图;
图3示出了本申请实施例提出的一种获取无云图像帧方法的流程示意图;
图4示出了本申请实施例提出的一种获取标准瞬时水边线和标准高潮线方法的流程示意图;
图5示出了本申请实施例提出的另一种获取标准瞬时水边线和标准高潮线方法的流程示意图;
图6示出了本申请实施例提出的再一种获取标准瞬时水边线和标准高潮线方法的流程示意图;
图7示出了本申请实施例提出的一种海岸线提取装置的结构示意图。
主要元件符号说明:
10-海岸线提取装置;11-获取模块;12-预处理模块;13-确定模块。
具体实施方式
下面将结合本发明实施例中附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。
通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明的实施例,本领域技术人员在没有做出创造性劳动的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。
在下文中,可在本发明的各种实施例中使用的术语“包括”、“具有”及其同源词仅意在表示特定特征、数字、步骤、操作、元件、组件或前述项的组合,并且不应被理解为首先排除一个或更多个其它特征、数字、步骤、操作、元件、组件或前述项的组合的存在或增加一个或更多个特征、数字、步骤、操作、元件、组件或前述项的组合的可能性。
此外,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
除非另有限定,否则在这里使用的所有术语(包括技术术语和科学术语)具有与本发明的各种实施例所属领域普通技术人员通常理解的含义相同的含义。所述术语(诸如在一般使用的词典中限定的术语)将被解释为具有与在相关技术领域中的语境含义相同的含义并且将不被解释为具有理想化的含义或过于正式的含义,除非在本发明的各种实施例中被清楚地限定。
随着对地观测遥感的迅速发展,遥感应用领域的不断深化,利用卫星遥感技术开展海岸线信息提取的研究逐渐成为热点。遥感数据的高空间连续性、高时间重访周期,为海岸线的提取及动态研究提供了有效的数据保障。基于遥感技术提取海岸线的方法可分为直接和间接方法,直接方法包括目视解译和自动提取两类,目视解译是基于海岸特征对遥感影像直接进行解译,自动解译是利用图像的边缘检测器技术或者对图像进行纹理分析,将岸线作为边缘检测出来;间接方法是基于提取的卫星过境时的瞬时水边线,通过潮汐和地形校正后定量获取海岸线的位置。
目前,开发了多种海岸线的遥感估算方法:瞬时水边线法、平均潮位线线法、平均高潮线法、平均低潮线法等。但是,潮汐的变化过程较为复杂,有无规则半日潮、全日潮等不同的特点,各海岸区域潮位不同,月初-月中-月末的潮水位变化较大,因此,应用遥感影像提取的瞬时水边线作为海岸线通常误差较大。并且,受卫星过境时间的限制,常规的陆地资源卫星过境时间通常在当地时间的10-12点,这个时间利用遥感影像很难直接的获得平均的高潮位和低潮位,为海岸线遥感信息的准确提取带来了很大的挑战。
本申请公开的海岸线提取方法,考虑到潮汐的周期性变化过程,提出一种时序遥感影像组合计算的理念,利用全年的遥感时序卫星影像,通过计算简单的遥感指数,快速、准确的提取海岸线。
实施例1
本申请的一个实施例,提出一种海岸线提取方法,如图1所示,海岸线提取方法包括以下步骤:
S100:获取预定时间段内的卫星影像,所述卫星影像包括以时间为顺序排列的多个原始图像帧。
从卫星传感器类型的延续性、影像获取时间跨度、影像时空分辨率等方面考虑,可以选择Landsat系列卫星长时间序列数据集(MSS、TM、ETM、OLI数据)作为用于提取海岸线的卫星影像。卫星影像可以从美国地质调查局(USGS)网站(http://earthexplorer.usgs.gov/)下载获取。
进一步的,考虑潮汐是周期性变化的过程,可以获取一年内的卫星影像,利用一年内的卫星影像提取海岸线。可以理解,卫星影像包括以时间为顺序排列的多个原始图像帧。
S200:对各个原始图像帧进行预处理以获取多个无云图像帧。
卫星影像对应的各个原始图像帧受云、雨天气影响,很多原始图像帧数据不可用,因此,需要对卫星影像对应的各个原始图像帧进行预处理。
示范性的,预处理包括筛选处理和/或剔除处理。
筛选处理的基本原则包括:若某一个原始图像帧的云量面积超过原始图像帧面积的预设百分比,代表这个原始图像帧不可用,可以从卫星影像对应的各个原始图像帧中直接剔除这个原始图像帧。其中预设百分比可以是15%~25%,可以理解,预设百分比应适当,若预设百分比过高,可能导致第一次筛选无法有效过滤无效图像帧,剩余的无效图像帧过多,影响海岸线提取的准确性;若预设百分比过低,可能导致第一次筛选过滤的无效图像帧过多,可能导致有效图像帧被过滤去除,影响海岸线提取的准确性。
剔除处理包括利用预设的含云区域剔除方法剔除剩余的原始图像帧中的含云区域。示范性的,可以对每一张原始图像帧进行云/云影算法处理。
首先确定原始图像帧中的云标记区域,然后利用FMASK算法,对每一张原始图像帧中的含云区域进行剔除,得到每一张原始图像帧对应的由不含云的所有像元组成的无云图像帧(除全不含云的原始图像帧外,其他去云后的每一张无云图像帧的像元数量是不同的)。其中,每一张无云图像帧的像元数量为每一张原无云图像帧的像素点的数量。
S300:根据所述多个无云图像帧确定所述卫星影像对应的标准瞬时水边线和标准高潮线。
利用剩余的多个无云图像帧分别确定所述卫星影像对应的标准瞬时水边线和标准高潮线。
示范性的,可以利用剩余的多个无云图像帧确定一张标准图像帧,然后从标准图像帧中提取标准瞬时水边线和标准高潮线,并将从标准图像帧中提取标准瞬时水边线和标准高潮线作为卫星影像对应的标准瞬时水边线和标准高潮线。
示范性的,还可以从各个无云图像帧中提取对应的标准瞬时水边线和对应的标准高潮线,然后利用各个标准瞬时水边线和各个标准高潮线确定卫星影像对应的标准瞬时水边线和标准高潮线。
S400:根据所述标准瞬时水边线和标准高潮线确定所述卫星影像对应的海岸线。
示范性的,可以将卫星影像对应的标准瞬时水边线和标准高潮线之间的线作为所述卫星影像对应的海岸线。
示范性的,卫星影像对应的标准瞬时水边线和标准高潮线如图2所示。
可选的,卫星影像对应的标准瞬时水边线和标准高潮线之间的线的选取,可以利用以下公式进行确定:
L=Ld+(Ld+Lh)/2
L表示所述卫星影像对应的海岸线,Ld表示所述瞬时水边线,Lh表示标准高潮线。
本实施例公开的海岸线提取方法一方面,利用预定时间段内的卫星影像确定海岸线,实现海岸线的远程在线提取,无需测量人员实地测量,不仅避免人力资源的浪费,而且减少海岸线提取的作业难度,可以随时随地根据卫星影像确定海岸线;另一方面,通过综合考虑卫星影像对应的标准瞬时水边线和标准高潮线,以确定所述卫星影像对应的海岸线,可以有效避免标准瞬时水边线提取误差和标准高潮线提取误差对提取海岸线的影响,进而提高海岸线提取的准确性。
实施例2
本申请的一个实施例,提出一种获取多个无云图像帧的方法,如图3所示,获取多个无云图像帧的方法包括以下步骤:
S210:根据各个原始图像帧的云量面积与对应原始图像帧面积之间的比值过滤去除所述比值大于预设含云量阈值的原始图像帧。
S220:利用预设的含云区域剔除方法剔除剩余的原始图像帧中的含云区域以获取多个无云图像帧。
可以理解,获取的卫星影像中的各个原始图像帧带有含云量信息,即已知各个原始图像帧的云量面积与对应原始图像帧面积之间的比值,若某一个原始图像帧的云量面积与对应原始图像帧面积之间的比值大于预设的含云量阈值,则代表这个原始图像帧不可用,可以从卫星影像对应的各个原始图像帧中直接过滤去除这个原始图像帧。可选的,含云量阈值可以是20%。然后,根据原始图像帧的质量控制波段,得到云标记区域,然后利用预设的含云区域剔除方法(FMASK算法),对每一张原始图像帧中的含云区域进行剔除,得到每一张原始图像帧对应的由不含云的所有像元组成的无云图像帧。以利用多个无云图像帧提取所述卫星影像对应的海岸线,进而可以避免原始图像帧中云影的干扰,提高海岸线提取的准确性。
实施例3
本申请的一个实施例,提出一种确定标准瞬时水边线和标准高潮线的方法,如图4所示,一种确定标准瞬时水边线和标准高潮线的方法包括以下步骤:
S310:从各个无云图像帧中分别提取N个波段对应的波段图像帧。
每一张无云图像帧都是由多个波段对应的波段图像帧组成的。例如,GF-1WFV卫星影像中各个原始图像帧或无云图像帧是由4个波段(红光、绿光、蓝光和近红外光4个波段)对应的波段图像帧组成的;Landsat OLI卫星影像中各个原始图像帧或无云图像帧是由7个波段(海岸波段、蓝、绿、红、近红外、第一短波红外和第二短波红外总计7个波段)对应的波段图像帧组成的。可以理解,图像帧是由多少个波段对应的波段图像帧组成是由图像采集设备决定的。
S320:根据第i个波段对应的各个波段图像帧确定第i个中位波段图像帧,i≤N。
示范性的,在无云图像帧由4个波段(红光、绿光、蓝光和近红外光4个波段)对应的波段图像帧组成时,N=4,第1个波段表示红光波段,第2个波段表示绿光波段,第3个波段表示蓝光波段,第4个波段表示近红外光波段,每一张无云图像帧都是由4个波段对应的4个波段图像帧组成的。可以理解,N的取值等于组成无云图像帧的波段总数,在利用Landsat OLI卫星影像提取海岸线时,N=7。
示范性的,以N=4(利用GF-1WFV卫星影像提取海岸线)为例,若有20张无云图像帧,则可以获得20张红光波段对应的红光波段图像帧、20张绿光波段对应的绿光波段图像帧、20张蓝光波段对应的蓝光波段图像帧和20张近红外光波段对应的近红外光波段图像帧。
进一步的,分别从20张红光波段图像帧中确定中位红光波段图像帧、20张绿光波段图像帧中确定中位绿光波段图像帧、20张蓝光波段图像帧中确定中位蓝光波段图像帧、20张近红外光波段图像帧中确定中位近红外光波段图像帧。
示范性的,从M张红光波段图像帧中确定中位红光波段图像帧包括:对每一像素点上的M个像素值进行从小到大(或从大到小)排序,若M为奇数,则将位于中间的像素值作为对应像素点的像素值,若M为偶数,则将位于中间的2个像素值的平均值作为对应像素点的像素值。所有像素点以及对应的像素值组成中位红光波段图像帧。可以理解,中位绿光波段图像帧、中位蓝光波段图像帧和中位近红外光波段图像帧均可以利用上述方法确定。
S330:根据N个中位波段图像帧确定标准图像帧。
进一步的,根据4个中位波段图像帧确定标准图像帧,即利用中位红光波段图像帧、中位绿光波段图像帧、中位蓝光波段图像帧和中位近红外光波段图像帧确定中位波段图像帧。
S340:计算所述标准图像帧的归一化植被指数和归一化水体指数。
由于海岸线分隔的不同潮滩受不同水分含量的周期性影响,各潮滩在长时序的卫星影像上,会出现一定的反射差异,表现出不同的光谱特征信息。高潮滩长时间处于水面以上,会生长耐盐植物,因此,可以利用归一化植被指数NDVI确定所述卫星影像对应的标准高潮线。归一化植被指数NDVI是近红外波段的反射值与红光波段的反射值之差比上两者之和。
由于中潮滩长期受潮汐波浪的冲刷,低潮滩长期处于水面以下,此,可以归一化水体指数NDWI确定所述卫星影像对应的标准瞬时水边线。
S350:根据所述归一化水体指数基于决策树方法确定所述标准瞬时水边线。
进一步的,可以基于决策树方法确定标准瞬时水边线。可以将标准图像帧的归一化水体指数NDWI与预设的水体指数阈值进行比较,根据比较结果直接在标准图像帧上区分海水和陆地两个类型,用于区分海水和陆地的那条线就是瞬时水边线。
S360:根据所述归一化植被指数基于决策树方法确定所述标准高潮线。
进一步的,可以基于决策树方法确定标准高潮线。可以将标准图像帧的归一化植被指数NDVI与预设的植被指数阈值进行比较,根据比较结果直接在标准图像帧上区分低潮位和中高潮位两个类型,用于区分低潮位和中高潮位的那条线就是标准高潮线。
实施例4
本申请的一个实施例,提出另一种确定标准瞬时水边线和标准高潮线的方法,如图5所示,另一种确定标准瞬时水边线和标准高潮线的方法包括以下步骤:
S311:从各个无云图像帧中分别提取N个波段对应的波段图像帧。
S321:根据各个波段图像帧计算各个无云图像帧对应的归一化植被指数和归一化水体指数。
S331:将各个归一化植被指数对应的中位值作为中位归一化植被指数。
将各个归一化植被指数从小到大(或从大到小)排序,若归一化植被指数的个数为奇数,则将位于中间的归一化植被指数作为中位归一化植被指数;若归一化植被指数的个数为偶数,则将位于中间的2个归一化植被指数的平均值作为中位归一化植被指数。
S341:将各个归一化水体指数对应的中位值作为中位归一化水体指数。
将各个归一化水体指数从小到大(或从大到小)排序,若归一化水体指数的个数为奇数,则将位于中间的归一化水体指数作为中位归一化水体指数;若归一化水体指数的个数为偶数,则将位于中间的2个归一化水体指数的平均值作为中位归一化水体指数。
S351:根据所述中位归一化水体指数基于决策树方法确定所述标准瞬时水边线。
进一步的,可以基于决策树方法确定标准瞬时水边线。可以将中位归一化水体指数NDWI与预设的水体指数阈值进行比较,根据比较结果直接在标准图像帧上区分海水和陆地两个类型,用于区分海水和陆地的那条线就是瞬时水边线。
S361:根据所述中位归一化植被指数基于决策树方法确定所述标准高潮线。
进一步的,可以基于决策树方法确定标准高潮线。可以将中位归一化植被指数NDVI与预设的植被指数阈值进行比较,根据比较结果直接在标准图像帧上区分低潮位和中高潮位两个类型,用于区分低潮位和中高潮位的那条线就是标准高潮线。
实施例5
本申请的一个实施例,提出再一种确定标准瞬时水边线和标准高潮线的方法,如图6所示,再一种确定标准瞬时水边线和标准高潮线的方法包括以下步骤:
S312:从各个无云图像帧中分别提取N个波段对应的波段图像帧。
S322:根据第i个波段对应的各个波段图像帧确定第i个中位波段图像帧,i≤N。
S332:根据N个中位波段图像帧确定标准图像帧。
S342:利用预先训练达标的海岸线提取模型识别所述标准图像帧以确定所述卫星影像对应的标准瞬时水边线和标准高潮线。
预先训练达标的海岸线提取模型可以深度学习模型、可以是神经网络模型或其他机器学习模型,可以利用大量的训练样本集预先训练海岸线提取模型,然后利用预先训练达标的海岸线提取模型识别所述标准图像帧以确定所述卫星影像对应的标准瞬时水边线和标准高潮线。
实施例6
本申请的一个实施例,提出一种海岸线提取装置,如图7,海岸线提取装置10包括:获取模块11、预处理模块12和确定模块13。
获取模块11,用于获取预定时间段内的卫星影像,所述卫星影像包括以时间为顺序排列的多个原始图像帧;预处理模块12,用于对各个原始图像帧进行预处理以获取多个无云图像帧;确定模块13,用于根据所述多个无云图像帧确定所述卫星影像对应的标准瞬时水边线和标准高潮线;根据所述标准瞬时水边线和标准高潮线确定所述卫星影像对应的海岸线。
本实施例公开的海岸线提取装置10通过获取模块11、预处理模块12和确定模块13的配合使用,用于执行上述实施例所述的海岸线提取方法,上述实施例所涉及的实施方案以及有益效果在本实施例中同样适用,在此不再赘述。
进一步的,所述对各个原始图像帧进行预处理以获取多个无云图像帧,包括:
根据各个原始图像帧的云量面积与对应原始图像帧面积之间的比值过滤去除所述比值大于预设含云量阈值的原始图像帧;利用预设的含云区域剔除方法剔除剩余的原始图像帧中的含云区域以获取多个无云图像帧。
示范性的,所述根据所述多个无云图像帧确定所述卫星影像对应的标准瞬时水边线和标准高潮线,包括:
从各个无云图像帧中分别提取N个波段对应的波段图像帧;根据第i个波段对应的各个波段图像帧确定第i个中位波段图像帧,i≤N;根据N个中位波段图像帧确定标准图像帧;计算所述标准图像帧的归一化植被指数和归一化水体指数;根据所述归一化水体指数基于决策树方法确定所述标准瞬时水边线;根据所述归一化植被指数基于决策树方法确定所述标准高潮线。
示范性的,所述根据所述多个无云图像帧确定所述卫星影像对应的标准瞬时水边线和标准高潮线,包括:
从各个无云图像帧中分别提取N个波段对应的波段图像帧;根据各个波段图像帧计算各个无云图像帧对应的归一化植被指数和归一化水体指数;将各个归一化植被指数对应的中位值作为中位归一化植被指数;将各个归一化水体指数对应的中位值作为中位归一化水体指数;根据所述中位归一化水体指数基于决策树方法确定所述标准瞬时水边线;根据所述中位归一化植被指数基于决策树方法确定所述标准高潮线。
示范性的,所述根据所述多个无云图像帧确定所述卫星影像对应的标准瞬时水边线和标准高潮线,包括:
从各个无云图像帧中分别提取N个波段对应的波段图像帧;根据第i个波段对应的各个波段图像帧确定第i个中位波段图像帧,i≤N;根据N个中位波段图像帧确定标准图像帧;利用预先训练达标的海岸线提取模型识别所述标准图像帧以确定所述卫星影像对应的标准瞬时水边线和标准高潮线。
示范性的,可以利用以下公式确定所述卫星影像对应的海岸线:
L=Ld+(Ld+Lh)/2
L表示所述卫星影像对应的海岸线,Ld表示所述瞬时水边线,Lh表示标准高潮线。
进一步的,所述预定时间段为一年。当然,预定时间段也可以是其他时间,例如2年、3年等。
可以理解,本申请涉及一种终端设备,包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序在所述处理器上运行时执行本申请所述的海岸线提取方法。
可以理解,本申请涉及一种可读存储介质,其存储有计算机程序,所述计算机程序在处理器上运行时执行本申请所述的海岸线提取方法。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,也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,附图中的流程图和结构图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,结构图和/或流程图中的每个方框、以及结构图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本发明各个实施例中的各功能模块或单元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,也可以两个或更多个模块集成形成一个独立的部分。
所述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,本发明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(可以是智能手机、个人计算机、服务器、或者网络设备等)执行本发明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(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。
Claims (8)
1.一种海岸线提取方法,其特征在于,所述方法包括:
获取预定时间段内的卫星影像,所述卫星影像包括以时间为顺序排列的多个原始图像帧;
对各个原始图像帧进行预处理以获取多个无云图像帧;
根据所述多个无云图像帧确定所述卫星影像对应的标准瞬时水边线和标准高潮线;
根据所述标准瞬时水边线和标准高潮线确定所述卫星影像对应的海岸线;其中,利用以下公式确定所述卫星影像对应的海岸线:
L=Ld+(Ld+Lh)/2
L表示所述卫星影像对应的海岸线,Ld表示所述标准瞬时水边线,Lh表示标准高潮线;
其中,所述根据所述多个无云图像帧确定所述卫星影像对应的标准瞬时水边线和标准高潮线,包括:
从各个无云图像帧中分别提取N个波段对应的波段图像帧;
根据第i个波段对应的各个波段图像帧确定第i个中位波段图像帧,i≤N;
根据N个中位波段图像帧确定标准图像帧;
计算所述标准图像帧的归一化植被指数和归一化水体指数;
根据所述归一化水体指数基于决策树方法确定所述标准瞬时水边线;
根据所述归一化植被指数基于决策树方法确定所述标准高潮线。
2.根据权利要求1所述海岸线提取方法,其特征在于,所述对各个原始图像帧进行预处理以获取多个无云图像帧,包括:
根据各个原始图像帧的云量面积与对应原始图像帧面积之间的比值过滤去除所述比值大于预设含云量阈值的原始图像帧;
利用预设的含云区域剔除方法剔除剩余的原始图像帧中的含云区域以获取多个无云图像帧。
3.根据权利要求1所述海岸线提取方法,其特征在于,所述根据所述多个无云图像帧确定所述卫星影像对应的标准瞬时水边线和标准高潮线,包括:
从各个无云图像帧中分别提取N个波段对应的波段图像帧;
根据各个波段图像帧计算各个无云图像帧对应的归一化植被指数和归一化水体指数;
将各个归一化植被指数对应的中位值作为中位归一化植被指数;
将各个归一化水体指数对应的中位值作为中位归一化水体指数;
根据所述中位归一化水体指数基于决策树方法确定所述标准瞬时水边线;
根据所述中位归一化植被指数基于决策树方法确定所述标准高潮线。
4.根据权利要求1所述海岸线提取方法,其特征在于,所述根据所述多个无云图像帧确定所述卫星影像对应的标准瞬时水边线和标准高潮线,包括:
从各个无云图像帧中分别提取N个波段对应的波段图像帧;
根据第i个波段对应的各个波段图像帧确定第i个中位波段图像帧,i≤N;
根据N个中位波段图像帧确定标准图像帧;
利用预先训练达标的海岸线提取模型识别所述标准图像帧以确定所述卫星影像对应的标准瞬时水边线和标准高潮线。
5.根据权利要求1至4任一项所述海岸线提取方法,其特征在于,所述预定时间段为一年。
6.一种海岸线提取装置,其特征在于,所述装置包括:
获取模块,用于获取预定时间段内的卫星影像,所述卫星影像包括以时间为顺序排列的多个原始图像帧;
预处理模块,用于对各个原始图像帧进行预处理以获取多个无云图像帧;
确定模块,用于根据所述多个无云图像帧确定所述卫星影像对应的标准瞬时水边线和标准高潮线;根据所述标准瞬时水边线和标准高潮线确定所述卫星影像对应的海岸线;其中,利用以下公式确定所述卫星影像对应的海岸线:
L=Ld+(Ld+Lh)/2
L表示所述卫星影像对应的海岸线,Ld表示所述标准瞬时水边线,Lh表示标准高潮线;
其中,所述根据所述多个无云图像帧确定所述卫星影像对应的标准瞬时水边线和标准高潮线,包括:
从各个无云图像帧中分别提取N个波段对应的波段图像帧;
根据第i个波段对应的各个波段图像帧确定第i个中位波段图像帧,i≤N;
根据N个中位波段图像帧确定标准图像帧;
计算所述标准图像帧的归一化植被指数和归一化水体指数;
根据所述归一化水体指数基于决策树方法确定所述标准瞬时水边线;
根据所述归一化植被指数基于决策树方法确定所述标准高潮线。
7.一种终端设备,其特征在于,包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序在所述处理器上运行时执行权利要求1至5任一项所述的海岸线提取方法。
8.一种可读存储介质,其特征在于,其存储有计算机程序,所述计算机程序在处理器上运行时执行权利要求1至5任一项所述的海岸线提取方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110368975.XA CN112861824B (zh) | 2021-04-06 | 2021-04-06 | 海岸线提取方法、装置、终端设备和可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110368975.XA CN112861824B (zh) | 2021-04-06 | 2021-04-06 | 海岸线提取方法、装置、终端设备和可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112861824A CN112861824A (zh) | 2021-05-28 |
CN112861824B true CN112861824B (zh) | 2022-08-12 |
Family
ID=75992259
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110368975.XA Expired - Fee Related CN112861824B (zh) | 2021-04-06 | 2021-04-06 | 海岸线提取方法、装置、终端设备和可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112861824B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114241336B (zh) * | 2021-12-30 | 2022-09-20 | 河南祥宇工程勘察设计有限公司 | 一种基于动态低分辨遥感图像的河湖水域确权划界方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN111832518A (zh) * | 2020-07-22 | 2020-10-27 | 桂林电子科技大学 | 基于时空融合的tsa遥感影像土地利用方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108256419B (zh) * | 2017-12-05 | 2018-11-23 | 交通运输部规划研究院 | 一种利用多光谱解译提取港口码头图像的方法 |
-
2021
- 2021-04-06 CN CN202110368975.XA patent/CN112861824B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN111832518A (zh) * | 2020-07-22 | 2020-10-27 | 桂林电子科技大学 | 基于时空融合的tsa遥感影像土地利用方法 |
Non-Patent Citations (4)
Title |
---|
基于遥感和GIS的海州湾海岸线提取方法研究;巢子豪等;《淮海工学院学报(自然科学版)》;20141215(第04期);全文 * |
基于遥感影像的海岸线提取技术研究进展;李雪红等;《海洋测绘》;20160725(第04期);全文 * |
海岸线自动提取方法研究;吕立蕾 等;《海洋测绘》;20190831;第39卷(第4期);全文 * |
结合海岸类型和潮位校正的海岸线遥感提取;张旭凯等;《国土资源遥感》;20131107(第04期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112861824A (zh) | 2021-05-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Vos et al. | Sub-annual to multi-decadal shoreline variability from publicly available satellite imagery | |
Hou et al. | Marine floating raft aquaculture extraction of hyperspectral remote sensing images based decision tree algorithm | |
Sánchez-García et al. | An efficient protocol for accurate and massive shoreline definition from mid-resolution satellite imagery | |
Li et al. | An automatic method for mapping inland surface waterbodies with Radarsat-2 imagery | |
Sunder et al. | Inter-comparison of remote sensing sensing-based shoreline mapping techniques at different coastal stretches of India | |
Baumstark et al. | Mapping seagrass and colonized hard bottom in Springs Coast, Florida using WorldView-2 satellite imagery | |
Zhao et al. | Monitoring the dynamics of wetland inundation by random sets on multi-temporal images | |
Wang et al. | Automatic extraction of Sargassum features from Sentinel-2 MSI images | |
CN109522889A (zh) | 一种基于图像分析的水文尺水位识别估算方法 | |
Lassalle et al. | Deep learning-based individual tree crown delineation in mangrove forests using very-high-resolution satellite imagery | |
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 | |
Taravat et al. | Fully automatic dark-spot detection from SAR imagery with the combination of nonadaptive weibull multiplicative model and pulse-coupled neural networks | |
CN107247927B (zh) | 一种基于缨帽变换的遥感图像海岸线信息提取方法及系统 | |
CN106650812A (zh) | 一种卫星遥感影像的城市水体提取方法 | |
Janowski et al. | Exploration of glacial landforms by object-based image analysis and spectral parameters of digital elevation model | |
Wernette et al. | Defining dunes: Evaluating how dune feature definitions affect dune interpretations from remote sensing | |
S Bhagat | Use of remote sensing techniques for robust digital change detection of land: A review | |
Nair et al. | Fuzzy logic-based automatic contrast enhancement of satellite images of ocean | |
Alam et al. | A rule-based classification method for mapping saltmarsh land-cover in south-eastern Bangladesh from Landsat-8 OLI | |
CN112861824B (zh) | 海岸线提取方法、装置、终端设备和可读存储介质 | |
Butler et al. | A high-resolution remotely sensed benthic habitat map of the Qatari coastal zone | |
Hu et al. | Mapping and quantifying pelagic Sargassum in the Atlantic Ocean using multi-band medium-resolution satellite data and deep learning | |
Moniruzzaman et al. | Imaging and classification techniques for seagrass mapping and monitoring: A comprehensive survey | |
Xu et al. | Automatic detection of algal blooms using sentinel-2 MSI and Landsat OLI images | |
Karvonen | Estimation of Arctic land-fast ice cover based on dual-polarized Sentinel-1 SAR 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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220812 |
|
CF01 | Termination of patent right due to non-payment of annual fee |