CN113989673A - 基于国产高分数据和深度学习模型的海岸线自动提取方法 - Google Patents

基于国产高分数据和深度学习模型的海岸线自动提取方法 Download PDF

Info

Publication number
CN113989673A
CN113989673A CN202111271935.XA CN202111271935A CN113989673A CN 113989673 A CN113989673 A CN 113989673A CN 202111271935 A CN202111271935 A CN 202111271935A CN 113989673 A CN113989673 A CN 113989673A
Authority
CN
China
Prior art keywords
image
sample images
network model
coastline
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
CN202111271935.XA
Other languages
English (en)
Inventor
李慧
荆林海
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.)
Hainan Research Institute Institute Of Aerospace Information Chinese Academy Of Sciences
Original Assignee
Hainan Research Institute Institute Of Aerospace Information Chinese Academy Of Sciences
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 Hainan Research Institute Institute Of Aerospace Information Chinese Academy Of Sciences filed Critical Hainan Research Institute Institute Of Aerospace Information Chinese Academy Of Sciences
Priority to CN202111271935.XA priority Critical patent/CN113989673A/zh
Publication of CN113989673A publication Critical patent/CN113989673A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Abstract

本发明提供了一种基于国产高分数据和深度学习模型的海岸线自动提取方法及装置。该方法可以将待提取海岸线的卫星影像数据中的全色图像和多光谱图像进行融合，得到目标融合图像；然后将目标融合图像输入至预先训练的网络模型中，得到海陆分割图像；提取海陆分割图像中的海域所属的海域图像，以及由海域图像得到卫星影像数据所包含的海岸线。其通过图像融合和基于深度学习模型对海岸线进行提取，可以获得高分辨率的海岸线提取结果，提升了海岸线提取的精准度和便捷度。

Description

基于国产高分数据和深度学习模型的海岸线自动提取方法
技术领域
本发明涉及遥感图像处理技术领域，具体涉及一种基于国产高分数据和深度学习模型的海岸线自动提取方法。
背景技术
海岸线提取及变化检测对海岸线资源管理、环境保护、发展规划及航海安全都具有重要意义。航天遥感技术的快速发展成为海岸线提取的新手段，其具有的全天候、大范围、高效、经济等优势大大弥补了传统海岸线测量方法的不足，已经成为监测海岸线动态变化的重要方法，具有较高的经济和社会效益。随着遥感手段的发展，海岸线的确定及其变化检测已大多基于遥感技术。目前用于海岸线提取的数据源有Landsat、SPOT、QuickBird、IKONOS、WorldView-2/3等光学遥感数据、SAR影像和LiDAR数据。跟SAR和LiDAR数据相比，光学影像用于海岸线监测具有数据源丰富、成本低等优势。
由于受潮汐等因素的影响，从遥感图像上提取的水陆交界线只是卫星过顶时刻的瞬时水边线。为了获取海岸线(即平均大潮高潮线)还需要对瞬时水边线进行潮汐校正。目前，国内外针对水边线提取开展了大量研究，可分为目视解译和自动提取方法。目视解译是遥感技术发展初期最常应用的方法，主要依靠人工目视手动解译，方法简单，但效率较低、精度受人为主观因素的影响。自动提取则是将水边线作为边缘检测出来。现有的水边线自动提取方法主要阈值分割法(Sohn等，1999；Jishuang and Chao,2002；Liu and Jezec,2004；Yamayo et al,2006；Bayram et al,2008；Maiti and Bhattacharya,2009；Kuleliet al,2011)、边缘检测法(Lee and Jurkevich,1990；杜涛等，1999；张朝阳等，2005；韩震等，2005；马晓峰等，2007；王李娟等，2010；张继领等，2015)、非监督分类(Guarigila等，2006；Ekercin，2007；Gabriela等，2015；Ali等，2015)、监督分类(Hoeke等，2001；Pardo-Pascual等，2008；Espinosa and Rodriguez，2009；朱长明等，2013)、面向对象分类法(高燕等，2014；王彩艳等，2014；吴小娟等，2015)等。阈值分割法提取海岸线主要依据水体辐射反射率在近红外波段低于其他地物的原理，选择合适的阈值分离水体和非水体地物。阈值分割法简单易操作，但阈值选取对水边线提取精度的影响较大。边缘检测法利用水陆边界上的像元灰度跃变较大的原理，通过Canny、Sobel、Laplace-Gauss、Prewitt和Roberts等边缘检测算子对遥感影像中的水陆边缘进行检测，并进行边界跟踪连接等优化处理。边缘检测算法提取结果准确度较高，但是易受到噪声影响，通常得到的岸线连续性差，需要后期通过形态学算法(膨胀腐蚀算法)对边缘提取的结果进行连接处理。监督分割和非监督分类都属于数据挖掘类的方法。监督分类法通过样本选择、图像分类实现水陆分离，达到岸线识别的目的。非监督分类法根据光谱相似性进行集群分类，从而实现水陆分离，具有不需要样本选择、自动化程度高、速度快等优势。但对于高分辨率影像，要求较高的定位精度时，上述基于单一数据挖掘技术的海岸线提取方法的效果并不是很理想，因此，在高分辨率影像海岸线的提取中需要结合多种方法以达到更好的提取效果。面向对象分类法应用时不仅考虑地物的光谱信息，而且兼顾几何信息和拓扑信息，在高分辨率遥感影像分类中优势明显。面向对象的方法是以对象为遥感影像处理的基本单元，相比于传统的以像元为基本处理单元的方法，该方法能够实现更高层次的遥感图像分类，且由于图像内部的光谱差异较小，可减小纹理特性对图像分类结果的影响。但在高分辨率遥感影像中，由于其数据量过大且较为复杂，现有的面向对象分类的方法很难利用复杂数据中隐含的有用信息，难以达到理想的分类精度。
发明内容
本发明的目的是提供一种基于国产高分数据和深度学习模型的海岸线自动提取方法、装置、电子设备及计算机存储介质，通过图像融合和基于深度学习模型的海岸线提取，可以获得高分辨率的海岸线提取结果，提升了海岸线提取的精准度和便捷度。
为实现上述目的，第一方面，本发明提供了一种基于国产高分数据和深度学习模型的海岸线自动提取方法，所述方法包括：
确定待提取海岸线的卫星影像数据，所述卫星影像数据包括全色图像和多光谱图像；
将所述全色图像和所述多光谱图像进行融合，得到目标融合图像；
将所述目标融合图像输入至预先训练的网络模型中，得到海陆分割图像；
提取所述海陆分割图像中的海域所属的海域图像，以及由所述海域图像得到所述卫星影像数据所包含的海岸线。
在一种可能的实现方式中，所述提取所述海陆分割图像中的海域所属的海域图像，具体包括：
确定所述海陆分割图像的海域图像每个连通区的像元数量，以及去除像元数量小于预设阈值的连通区域，得到所述海域图像。
在一种可能的实现方式中，所述网络模型由ResUnet网络模型对样本集中的样本图像进行训练，所述样本集基于预先获得的卫星影像数据得到。
在一种可能的实现方式中，所述方法还包括：
将预先获得的卫星影像数据中所包含的全色图像和多光谱图像进行融合，得到第一融合图像；
对所述第一融合图像进行水体指数提取，得到水体指数图像；
利用阈值分割的方式，对所述水体指数图像进行处理，得到所述第一融合图像中所包含的水域的水体图像；
基于预先设定的图像裁剪数量和裁剪尺寸，分别对所述第一融合图像和所述水体图像进行裁剪，得到第一图像集合，所述第一图像集合中包括裁剪后的所述第一融合图像的第一子区域图像和裁剪后的所述水体图像的第二子区域图像，其中，每个所述第一子区域图像均对应一个所述第二子区域图像；
对所述第一图像集合中的各个图像分别进行处理，得到第一数量的样本图像；
从所述第一数量的样本图像中随机选取第二数量的样本图像，并对所述第二数量的样本图像进行数据增强，得到第三数量的样本图像，其中，所述第三数量大于所述第一数量；
从所述第三数量的样本图像中，随机选取第四数量的样本图像用于训练所述网络模型，其中，所述第三数量的样本图像中除所述第四数量的样本图像之外的样本图像用于在训练所述网络模型过程中对所述网络模型进行验证，所述第一数量的样本图像中除所述第二数量的样本图像之外的样本图像用于在训练所述网络模型过程中对所述网络模型进行测试；
利用ResUnet网络模型对所述第四数量的样本图像进行训练，得到所述网络模型。
第二方面，本发明提供了一种基于国产高分数据和深度学习模型的海岸线自动提取装置，所述装置包括：
确定模块，用于确定待提取海岸线的卫星影像数据，所述卫星影像数据包括全色图像和多光谱图像；
处理模块，用于将所述全色图像和所述多光谱图像进行融合，得到目标融合图像；
所述处理模块，还用于将所述目标融合图像输入至预先训练的网络模型中，得到海陆分割图像；
所述处理模块，还用于提取所述海陆分割图像中的海域所属的海域图像，以及由所述海域图像得到所述卫星影像数据所包含的海岸线。
在一种可能的实现方式中，所述处理模块，还用于：
确定所述海陆分割图像的海域图像中每个连通区的像元数量，以及去除像元数量小于预设阈值的连通区域，得到所述海域图像。
在一种可能的实现方式中，所述网络模型由ResUnet网络模型对样本集中的样本图像进行训练，所述样本集基于预先获得的卫星影像数据得到。
在一种可能的实现方式中，所述处理模块，还用于：
将预先获得的卫星影像数据中所包含的全色图像和多光谱图像进行融合，得到第一融合图像；
对所述第一融合图像进行水体指数提取，得到水体指数图像；
利用阈值分割的方式，对所述水体指数图像进行处理，得到所述第一融合图像中所包含的水域的水体图像；
基于预先设定的图像裁剪数量和裁剪尺寸，分别对所述第一融合图像和所述水体图像进行裁剪，得到第一图像集合，所述第一图像集合中包括裁剪后的所述第一融合图像的第一子区域图像和裁剪后的所述水体图像的第二子区域图像，其中，每个所述第一子区域图像均对应一个所述第二子区域图像；
对所述第一图像集合中的各个图像分别进行处理，得到第一数量的样本图像；
从所述第一数量的样本图像中随机选取第二数量的样本图像，并对所述第二数量的样本图像进行数据增强，得到第三数量的样本图像，其中，所述第三数量大于所述第一数量；
从所述第三数量的样本图像中，随机选取第四数量的样本图像用于训练所述网络模型，其中，所述第三数量的样本图像中除所述第四数量的样本图像之外的样本图像用于在训练所述网络模型过程中对所述网络模型进行验证，所述第一数量的样本图像中除所述第二数量的样本图像之外的样本图像用于在训练所述网络模型过程中对所述网络模型进行测试；
利用ResUnet网络模型对所述第四数量的样本图像进行训练，得到所述网络模型。
第三方面，本发明提供了一种电子设备，包括：
至少一个存储器，用于存储程序；
至少一个处理器，用于执行所述存储器存储的程序，当所述存储器存储的程序被执行时，所述处理器用于执行如第一方面所提供的方法。
第四方面，本发明提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，当所述计算机程序在电子设备上运行时，使得所述电子设备执行如第一方面所提供的方法。
第五方面，本发明提供了一种计算机程序产品，当所述计算机程序产品在电子设备上运行时，使得所述电子设备执行如第一方面所提供的方法。
相较于现有技术，本发明实施例中提供的基于国产高分数据和深度学习模型的海岸线自动提取方法，通过图像融合和基于深度学习模型的海岸线提取，可以获得高分辨率的海岸线提取结果，提升了海岸线提取的精准度和便捷度。
附图说明
图1为本发明实施例提供的一种基于国产高分数据和深度学习模型的海岸线自动提取过程的框架示意图；
图2为本发明实施例提供的一种基于国产高分数据和深度学习模型的海岸线自动提取方法的步骤示意图；
图3为本发明实施例提供的一种基于国产高分数据和深度学习模型的海岸线自动提取装置的结构示意图；
图4是本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明保护范围的限制。
此外，需要理解的是，使用“第一”、“第二”、“第三”等词语来限定零部件，仅仅是为了便于对上述零部件进行区别，如没有另行声明，上述词语并没有特殊含义，因此不能理解为对本发明保护范围的限制。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
可以理解的是，本发明的发明人发现基于光学遥感提取海岸线并分析其动态变化的研究近年来取得了很多有意义的成果，但还存在以下问题：
(1)传统基于遥感技术的海岸带提取主要使用Landsat等中分辨率遥感数据。低空间分辨率影像海岸线模糊，难以准确定位，低光谱分辨率影像目标与背景对比度不明显。提取的水边线精度受到遥感资料分辨率、成像时间的限制，应用范围有限。随着高分辨率遥感数据的广泛使用，如何使用高分辨率遥感数据能提高海岸线提取精度，更好地服务于海岸线监测与动态分析等应用。
(2)现有海岸线提取方法受各种因素影响，提取精度和定位精度较低。如风浪流等海洋环境对成像瞬间潮高的影响，海岸线附近向海一侧易受近岸泥沙、排放物和污染水体等影响；且作为过渡带的海岸线，受到混合像元的影响，很难准确定位。此外，目前所提出的海岸线提取算法主要针对某种海岸类型、某局部区域、某个传感器数据，其普适性和自动化程度均有待提高。
(3)采用深度学习的方法。由海岸线的特征可知，海岸线的提取本质上是一个二分类的问题。鉴于深度学习在自然图像分类和语义分割等方面表现出的优越性能，深度学习在海陆分割和海岸线提取方面具有较大的应用潜力。运用这些智能方法一方面可以实现海岸线的全自动提取，另一方面可以充分挖掘原始图像中隐含的信息，尽可能地利用已知数据，从而使得提取效果更好。
针对上述问题，本发明提出一种基于国产高分数据和深度学习模型的海岸线自动提取方法。该方法可以用于GF1/2、ZY3等国产高分辨率卫星遥感数据的海岸线提取。本发明通过图像融合和基于深度学习模型的海岸线提取，可以获得高分辨率的海岸线提取结果。其中，本发明主要包括网络模型训练和海岸线自动提取两部分。其中，网络模型训练又包括构建样本集和模型训练两部。下面对这几部分分别进行描述。
(1)构建样本集
构建样本集的原始数据可以为高分一号卫星影像数据(即GF1图像)，该数据中可以包含两种类型的图像，一种是全色图像，另一种是多光谱图像。其中，全色图像可以为当然了，GF1图像也可以替换为其他的图像，比如替换为高分二号卫星影像数据(即GF2图像)等，替换后的方案仍在本发明的保护范围内。
示例性的，可以利用图像融合算法(比如：Gram-Schmidt算法)将全色图像和多光谱图像进行融合处理，得到一个融合后的2米空间分辨率的多光谱图像(以下简称“融合图像”)，该图像可以包含红(red，R)、绿(green，G)、蓝(blue，B)、近红外(near infrared，NIR)四个波段。
接着，可以利用阈值分割(比如：自动阈值分割法等)和/或手工优化的方式，对融合图像进行处理，得到融合图像中所包含的水域的水体图像。示例性的，可以先对融合图像进行水体指数提取，得到水体指数图像，然后再利用阈值分割和/或手工优化的方式对水体指数图像进行处理，得到融合图像中所包含的水域的水体图像。
接着，选择33个子区图像(约800x800)，对融合图像进行裁剪，得到该融合图像的33个第一子区域图像。以及，使用这33个子区图像对水体图像进行裁剪，得到该水体图像的33个第二子区域图像。其中，每个第一子区域图像均与一个第二子区域图像对应，也即是说，一个第一子区域图像对应有一个第二子区域图像。33个第一子区域图像和33个第二子区域图像组成了一个图像集合D，该图像集合Ds＝{Xs，ys}，其中，Xs为第一子区域图像，ys为第二子区域图像。示例性的，第一子区域图像也可以称之为样本图像，第二子区域图像也可以称之为标签图像。
接着，对每个样本图像均随机生成50个样本图像(当然了，也可以是其他数量的样本图像，此处不做限定)，以及对每个标签图像均随机生成50个标签图像，这样总共得到1650个样本。然后，随机选取1450个样本用于模型训练，200个样本用于测试，以测试模型的精度。对训练样本进行数据增强，例如：对每个样本均进行90°、180°和270°旋转、水平和垂直翻转等。数据增强后可以得到8700个样本，其中25％的样本用于对模型进行验证，其他6125个样本用于对模型进行训练。
可以理解的是，上述各种数字只是举例说明，其也可以替换为其他的数字，替换后的方案仍在本发明的保护范围内。例如，可以将33个子区图像替换为66个子区图像等。
(2)网络模型训练
构建出样本集后，即可以使用该样本集中的样本进行模型训练。本发明中可以选用ResUnet网络模型对样本集中的样本进行训练，得到用于提取海岸线的网络模型。其中，ResUnet模型是在UNet网络模型的基础上，将编码器替换为ResNet得到。ResNet的残差结构设计有效解决了Unet模型存在的梯度消失或者梯度爆炸问题，同时ResNet的批归一化层也加快了网络学习速度，优化了每一层特征的数据分布情况。
示例性的，在模型训练过程中，可以利用Adam算法，初始学习速率设为0.0001，同时采用学习率缩小和早停法来快速获得最优模型。
(3)海岸线自动提取
在训练出用于提取海岸线的网络模型后，即可以使用该网络模型，对待提取海岸线的高分辨率遥感图像进行海岸线提取。其中，在提取过程中主要可以通过预处理、模型预测和后处理等三个步骤获得海岸线提取结果图像。
其中，预处理主要包括对待提取海岸线的高分辨率遥感图像所包含的全色和多光谱图像进行正射纠正和图像融合。其中，可以通过完整的遥感图像处理平台(theenvironment for visualizing images，ENVI)进行正射纠正，可以利用图像融合算法(比如：Gram-Schmidt算法)对待提取海岸线的高分辨率遥感图像所包含的全色和多光谱图像进行融合处理。
模型预测主要是将预处理后得到的融合图像进行子区裁剪，然后再利用训练好的网络模型进行子区预测，最后将子区预测结果进行拼接，即得到一个海陆分割图像。具体的，可以将预处理后得到的融合图像输入至训练好的网络模型中，然后由该模型自动完成子区裁剪、子区预测和子区预测结果拼接等，最后该模型输出的即为一个海陆分割图像。可以理解的是，由于在模型训练阶段采用的是样本是由裁剪后的融合图像和水体图像，因此，在模型预测时也需要先对融合图像进行裁剪，且裁剪的数量与模型训练阶段的裁剪数量相等。例如，模型训练用的256x256的样本，那么可以将预处理后得到的融合图像裁剪为256x256的子区图像后再输入往里模型进行预测，从得到256x256的子区预测结果图像，最后将256x256的子区预测结果图像拼接回融合图像大小，即得到一个海陆分割图像。
后处理主要是先对网络模型输出的海陆分割图像进行小面积区域去除，得到海域提取结果；然后再将海域提取结果从栅格图像转换矢量，最后即得到海岸线矢量结果，即提取出海岸线。示例性的，在对海陆分割图像进行小面积区域去除时，可以先确定图像中每个连通区的像元数量，以及去除像元数量小于预设阈值的连通区域，并保留面积大于预设阈值的连通区域，即可以得到海域提取结果。示例性的，可以通过ArcMap软件将海域提取结果从栅格图像转换矢量，从而得到海岸线矢量结果。
可以理解的是，本发明中基于深度学习技术的海岸线提取是通过学习大量样本来估算模型参数，使模型在适应目标颜色和纹理变化的同时能有效抵抗背景信息干扰，从而建立分类模型对特征进行分类和识别，具有参数自动化等优势。模型的检测和分类性能很大程度上依赖于训练样本的种类和数量，样本数量越多，种类越丰富，则模型的性能更稳定，适应能力更好。
此外，本发明中，选用ResUnet网络模型对样本集中的样本进行训练，提升了网络模型的训练速度和提取海岸线的精度。具体的，UNet是通过编码-解码器的卷积、池化、跳级连接、多特征图融合等操作可实现影像的快速分割，但其简单的编码器结构在网络训练过程中容易出现梯度消失和梯度爆炸的问题。SegNet在上采样过程中利用编码器池化层的下标索引恢复图像分辨率，在一定程度上加速了网络的运行，但上采样仅给对应索引位置的特征赋值，其余位置的信息则发生了丢失。而ResUnet是在UNet的基础上，将编码器替换为ResNet，从而解决了梯度消失或者梯度爆炸问题，同时ResNet的批归一化层也加快了网络学习速度，优化了每一层特征的数据分布情况。
接下来，基于上文所描述的内容，对本发明实施例提供的一种基于国产高分数据和深度学习模型的海岸线自动提取方法进行介绍。可以理解的是，该方法是上文所描述的内容的另一种表达方式，两者是相结合的。该方法是基于上文所描述的内容提出，该方法中的部分或全部内容可以参见上文中的相关描述。
请参阅图2，图2是本发明实施例提供的一种基于国产高分数据和深度学习模型的海岸线自动提取方法的步骤示意图。可以理解，该方法可以通过任何具有计算、处理能力的装置、设备、平台、设备集群来执行。如图2所示，该方法包括：
S101、确定待提取海岸线的卫星影像数据，卫星影像数据包括全色图像和多光谱图像。
具体的，待提取海岸线的卫星影像数据可以由卫星采集的高分辨率遥感图像得到。其中，该卫星影像数据中可以包括全色图像和多光谱图像。示例性的，卫星影像数据也可以称之为卫星遥感图像。
S102、将全色图像和多光谱图像进行融合，得到目标融合图像。
具体的，可以利用图像融合算法(比如：Gram-Schmidt算法)对全色图像和多光谱图像进行融合处理，得到目标融合图像。
S103、将目标融合图像输入至预先训练的网络模型中，得到海陆分割图像。
具体的，得到目标融合图像后，将该目标融合图像输入到预先训练的网络模型中，即可以得到海陆分割图像。其中，海陆分割图像可以理解为海域和陆域分割的图像。
在一个例子中，预先训练的网络模型可以由ResUnet网络模型对样本集中的样本图像进行训练，样本集基于预先获得的卫星影像数据得到。
其中，在得到网络模型的过程中，可以将预先获得的卫星影像数据中所包含的全色图像和多光谱图像进行融合，得到第一融合图像；对第一融合图像进行水体指数提取，得到水体指数图像；利用阈值分割的方式，对水体指数图像进行处理，得到第一融合图像中所包含的水域的水体图像；基于预先设定的图像裁剪数量和裁剪尺寸，分别对第一融合图像和水体图像进行裁剪，得到第一图像集合，第一图像集合中包括裁剪后的第一融合图像的第一子区域图像和裁剪后的水体图像的第二子区域图像，其中，每个第一子区域图像均对应一个第二子区域图像；对第一图像集合中的各个图像分别进行处理，得到第一数量的样本图像；从第一数量的样本图像中随机选取第二数量的样本图像，并对第二数量的样本图像进行数据增强，得到第三数量的样本图像；从第三数量的样本图像中，随机选取第四数量的样本图像用于训练网络模型，其中，第三数量的样本图像中除第四数量的样本图像之外的样本图像用于在训练网络模型过程中对网络模型进行验证，第一数量的样本图像中除第二数量的样本图像之外的样本图像用于在训练网络模型过程中对网络模型进行测试；利用ResUnet网络模型对第四数量的样本图像进行训练，得到网络模型。其中，第三数量大于第一数量。
S104、提取海陆分割图像中的海域所属的海域图像，以及由海域图像得到卫星影像数据所包含的海岸线。
具体的，得到海陆分割图像后，可以提取出海陆分割图像中的海域所属的海域图像，以及由海域图像得到卫星影像数据所包含的海岸线
在一个例子中，在提取海陆分割图像中的海域所属的海域图像时，可以先确定海陆分割图像的海域图像中每个连通区的像元数量，以及去除像元数量小于预设阈值的连通区域，即可以得到海域图像。另外，可以通过ArcMap软件将海域图像从栅格图像转换矢量，从而得到提取到海岸线。
由此，本发明实施例中提供的基于国产高分数据和深度学习模型的海岸线自动提取方法，通过图像融合和基于深度学习模型的海岸线提取，可以获得高分辨率的海岸线提取结果，提升了海岸线提取的精准度和便捷度。
基于上述实施例中的方法，本发明还提供了一种基于国产高分数据和深度学习模型的海岸线自动提取装置。如图3所示，该装置300包括：
确定模块301，用于确定待提取海岸线的卫星影像数据，卫星影像数据包括全色图像和多光谱图像；
处理模块302，用于将全色图像和多光谱图像进行融合，得到目标融合图像；将目标融合图像输入至预先训练的网络模型中，得到海陆分割图像；提取海陆分割图像中的海域所属的海域图像，以及由海域图像得到卫星影像数据所包含的海岸线。
在一个例子中，处理模块302，还用于：
确定海陆分割图像的海域图像中每个连通区的像元数量，以及去除像元数量小于预设阈值的连通区域，得到海域图像。
在一个例子中，网络模型由ResUnet网络模型对样本集中的样本图像进行训练，样本集基于预先获得的卫星影像数据得到。
在一个例子中，处理模块302，还用于：
将预先获得的卫星影像数据中所包含的全色图像和多光谱图像进行融合，得到第一融合图像；
对第一融合图像进行水体指数提取，得到水体指数图像；
利用阈值分割的方式，对水体指数图像进行处理，得到第一融合图像中所包含的水域的水体图像；
基于预先设定的图像裁剪数量和裁剪尺寸，分别对第一融合图像和水体图像进行裁剪，得到第一图像集合，第一图像集合中包括裁剪后的第一融合图像的第一子区域图像和裁剪后的水体图像的第二子区域图像，其中，每个第一子区域图像均对应一个第二子区域图像；
对第一图像集合中的各个图像分别进行处理，得到第一数量的样本图像；
从第一数量的样本图像中随机选取第二数量的样本图像，并对第二数量的样本图像进行数据增强，得到第三数量的样本图像，其中，第三数量大于第一数量。；
从第三数量的样本图像中，随机选取第四数量的样本图像用于训练网络模型，其中，第三数量的样本图像中除第四数量的样本图像之外的样本图像用于在训练网络模型过程中对网络模型进行验证，第一数量的样本图像中除第二数量的样本图像之外的样本图像用于在训练网络模型过程中对网络模型进行测试；
利用ResUnet网络模型对第四数量的样本图像进行训练，得到网络模型。
应当理解的是，上述装置用于执行上述实施例中的方法，装置中相应的程序模块，其实现原理和技术效果与上述方法中的描述类似，该装置的工作过程可参考上述方法中的对应过程，此处不再赘述。
图4是本发明公开的一个实施例的电子设备的结构示意图。如图4所示，为了实现上述实施例，本发明实施例还提供了一种电子设备，该电子设备400包括存储器401、处理器402；
其中，处理器402通过读取存储器401中存储的可执行程序代码来运行与可执行程序代码对应的程序，以用于实现上述实施例中的基于国产高分数据和深度学习模型的海岸线自动提取方法。
为了实现上述实施例，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述实施例中的基于国产高分数据和深度学习模型的海岸线自动提取方法。
可以理解的是，本发明的实施例中的处理器可以是中央处理单元(centralprocessing unit，CPU)，还可以是其他通用处理器、数字信号处理器(digital signalprocessor，DSP)、专用集成电路(application specific integrated circuit，ASIC)、现场可编程门阵列(field programmable gate array，FPGA)或者其他可编程逻辑器件、晶体管逻辑器件，硬件部件或者其任意组合。通用处理器可以是微处理器，也可以是任何常规的处理器。
本发明的实施例中的方法步骤可以通过硬件的方式来实现，也可以由处理器执行软件指令的方式来实现。软件指令可以由相应的软件模块组成，软件模块可以被存放于随机存取存储器(random access memory，RAM)、闪存、只读存储器(read-only memory，ROM)、可编程只读存储器(programmable rom，PROM)、可擦除可编程只读存储器(erasable PROM，EPROM)、电可擦除可编程只读存储器(electrically EPROM，EEPROM)、寄存器、硬盘、移动硬盘、CD-ROM或者本领域熟知的任何其它形式的存储介质中。一种示例性的存储介质耦合至处理器，从而使处理器能够从该存储介质读取信息，且可向该存储介质写入信息。当然，存储介质也可以是处理器的组成部分。处理器和存储介质可以位于ASIC中。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者通过所述计算机可读存储介质进行传输。所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘(solid state disk，SSD))等。
可以理解的是，在本发明的实施例中涉及的各种数字编号仅为描述方便进行的区分，并不用来限制本发明的实施例的范围。

Claims (10)

1.一种基于国产高分数据和深度学习模型的海岸线自动提取方法，其特征在于，所述方法包括：
确定待提取海岸线的卫星影像数据，所述卫星影像数据包括全色图像和多光谱图像；
将所述全色图像和所述多光谱图像进行融合，得到目标融合图像；
将所述目标融合图像输入至预先训练的网络模型中，得到海陆分割图像；
提取所述海陆分割图像中的海域所属的海域图像，以及由所述海域图像得到所述卫星影像数据所包含的海岸线。
2.根据权利要求1所述的方法，其特征在于，所述提取所述海陆分割图像中的海域所属的海域图像，具体包括：
确定所述海陆分割图像的海域图像中每个连通区的像元数量，以及去除像元数量小于预设阈值的连通区域，得到所述海域图像。
3.根据权利要求1所述的方法，其特征在于，所述网络模型由ResUnet网络模型对样本集中的样本图像进行训练，所述样本集基于预先获得的卫星影像数据得到。
4.根据权利要求1-3任一所述的方法，其特征在于，所述方法还包括：
将预先获得的卫星影像数据中所包含的全色图像和多光谱图像进行融合，得到第一融合图像；
对所述第一融合图像进行水体指数提取，得到水体指数图像；
利用阈值分割的方式，对所述水体指数图像进行处理，得到所述第一融合图像中所包含的水域的水体图像；
基于预先设定的图像裁剪数量和裁剪尺寸，分别对所述第一融合图像和所述水体图像进行裁剪，得到第一图像集合，所述第一图像集合中包括裁剪后的所述第一融合图像的第一子区域图像和裁剪后的所述水体图像的第二子区域图像，其中，每个所述第一子区域图像均对应一个所述第二子区域图像；
对所述第一图像集合中的各个图像分别进行处理，得到第一数量的样本图像；
从所述第一数量的样本图像中随机选取第二数量的样本图像，并对所述第二数量的样本图像进行数据增强，得到第三数量的样本图像，其中，所述第三数量大于所述第一数量；
从所述第三数量的样本图像中，随机选取第四数量的样本图像用于训练所述网络模型，其中，所述第三数量的样本图像中除所述第四数量的样本图像之外的样本图像用于在训练所述网络模型过程中对所述网络模型进行验证，所述第一数量的样本图像中除所述第二数量的样本图像之外的样本图像用于在训练所述网络模型过程中对所述网络模型进行测试；
利用ResUnet网络模型对所述第四数量的样本图像进行训练，得到所述网络模型。
5.一种基于国产高分数据和深度学习模型的海岸线自动提取装置，其特征在于，所述装置包括：
确定模块，用于确定待提取海岸线的卫星影像数据，所述卫星影像数据包括全色图像和多光谱图像；
处理模块，用于将所述全色图像和所述多光谱图像进行融合，得到目标融合图像；
所述处理模块，还用于将所述目标融合图像输入至预先训练的网络模型中，得到海陆分割图像；
所述处理模块，还用于提取所述海陆分割图像中的海域所属的海域图像，以及由所述海域图像得到所述卫星影像数据所包含的海岸线。
6.根据权利要求5所述的装置，其特征在于，所述处理模块，还用于：
确定所述海陆分割图像的海域图像中每个连通区的像元数量，以及去除像元数量小于预设阈值的连通区域，得到所述海域图像。
7.根据权利要求5所述的装置，其特征在于，所述网络模型由ResUnet网络模型对样本集中的样本图像进行训练，所述样本集基于预先获得的卫星影像数据得到。
8.根据权利要求5-7任一所述的装置，其特征在于，所述处理模块，还用于：
将预先获得的卫星影像数据中所包含的全色图像和多光谱图像进行融合，得到第一融合图像；
对所述第一融合图像进行水体指数提取，得到水体指数图像；
利用阈值分割的方式，对所述水体指数图像进行处理，得到所述第一融合图像中所包含的水域的水体图像；
基于预先设定的图像裁剪数量和裁剪尺寸，分别对所述第一融合图像和所述水体图像进行裁剪，得到第一图像集合，所述第一图像集合中包括裁剪后的所述第一融合图像的第一子区域图像和裁剪后的所述水体图像的第二子区域图像，其中，每个所述第一子区域图像均对应一个所述第二子区域图像；
对所述第一图像集合中的各个图像分别进行处理，得到第一数量的样本图像；
从所述第一数量的样本图像中随机选取第二数量的样本图像，并对所述第二数量的样本图像进行数据增强，得到第三数量的样本图像，其中，所述第三数量大于所述第一数量；
从所述第三数量的样本图像中，随机选取第四数量的样本图像用于训练所述网络模型，其中，所述第三数量的样本图像中除所述第四数量的样本图像之外的样本图像用于在训练所述网络模型过程中对所述网络模型进行验证，所述第一数量的样本图像中除所述第二数量的样本图像之外的样本图像用于在训练所述网络模型过程中对所述网络模型进行测试；
利用ResUnet网络模型对所述第四数量的样本图像进行训练，得到所述网络模型。
9.一种电子设备，其特征在于，包括：
至少一个存储器，用于存储程序；
至少一个处理器，用于执行所述存储器存储的程序，当所述存储器存储的程序被执行时，所述处理器用于执行如权利要求1-4任一所述的方法。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，当所述计算机程序在电子设备上运行时，使得所述电子设备执行如权利要求1-4任一所述的方法。
CN202111271935.XA 2021-10-29 2021-10-29 基于国产高分数据和深度学习模型的海岸线自动提取方法 Pending CN113989673A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111271935.XA CN113989673A (zh) 2021-10-29 2021-10-29 基于国产高分数据和深度学习模型的海岸线自动提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111271935.XA CN113989673A (zh) 2021-10-29 2021-10-29 基于国产高分数据和深度学习模型的海岸线自动提取方法

Publications (1)

Publication Number Publication Date
CN113989673A true CN113989673A (zh) 2022-01-28

Family

ID=79744360

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111271935.XA Pending CN113989673A (zh) 2021-10-29 2021-10-29 基于国产高分数据和深度学习模型的海岸线自动提取方法

Country Status (1)

Country Link
CN (1) CN113989673A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116879192A (zh) * 2023-09-07 2023-10-13 航天宏图信息技术股份有限公司 基于卫星遥感数据的水华预测方法、装置、设备及介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116879192A (zh) * 2023-09-07 2023-10-13 航天宏图信息技术股份有限公司 基于卫星遥感数据的水华预测方法、装置、设备及介质
CN116879192B (zh) * 2023-09-07 2023-12-12 航天宏图信息技术股份有限公司 基于卫星遥感数据的水华预测方法、装置、设备及介质

Similar Documents

Publication Publication Date Title
CN109446992B (zh) 基于深度学习的遥感影像建筑物提取方法及系统、存储介质、电子设备
WO2018107939A1 (zh) 一种基于边缘完备度的图像分割最优识别方法
Li et al. Multiscale features supported DeepLabV3+ optimization scheme for accurate water semantic segmentation
Miao et al. An object-based method for road network extraction in VHR satellite images
CN107092871B (zh) 基于多尺度多特征融合的遥感影像建筑物检测方法
Wang et al. Towards an automated condition assessment framework of underground sewer pipes based on closed-circuit television (CCTV) images
CN108229342B (zh) 一种海面舰船目标自动检测方法
Modava et al. Hierarchical coastline detection in SAR images based on spectral‐textural features and global–local information
CN107993215A (zh) 一种天气雷达图像处理方法及系统
CN112287807A (zh) 一种基于多分支金字塔神经网络的遥感影像道路提取方法
CN111027446B (zh) 一种高分辨率影像的海岸线自动提取方法
CN101634706B (zh) 高分辨率sar图像中桥梁目标的自动检测方法
CN112308826B (zh) 一种基于卷积神经网络的桥梁结构表面缺陷检测方法
He et al. Mask R-CNN based automated identification and extraction of oil well sites
CN106650812A (zh) 一种卫星遥感影像的城市水体提取方法
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
CN114742799B (zh) 基于自监督异构网络的工业场景未知类型缺陷分割方法
CN103778627A (zh) 一种基于sar图像的海域溢油检测方法
Yu et al. Intelligent crack detection and quantification in the concrete bridge: A deep learning-assisted image processing approach
CN114723709A (zh) 隧道病害检测方法、装置和电子设备
CN115690081A (zh) 一种树木计数方法、系统、存储介质、计算机设备及终端
CN111310771B (zh) 遥感影像的道路图像提取方法、装置、设备及存储介质
CN111353371A (zh) 基于星载sar影像的海岸线提取方法
Baluyan et al. Novel approach for rooftop detection using support vector machine
CN113989673A (zh) 基于国产高分数据和深度学习模型的海岸线自动提取方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination