CN115424142A - 基于遥感影像的海岸线类型判别方法、装置、介质和设备 - Google Patents

基于遥感影像的海岸线类型判别方法、装置、介质和设备 Download PDF

Info

Publication number
CN115424142A
CN115424142A CN202211031420.7A CN202211031420A CN115424142A CN 115424142 A CN115424142 A CN 115424142A CN 202211031420 A CN202211031420 A CN 202211031420A CN 115424142 A CN115424142 A CN 115424142A
Authority
CN
China
Prior art keywords
coastline
remote sensing
sensing image
image
type discrimination
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
CN202211031420.7A
Other languages
English (en)
Inventor
刘旭拢
胡泓达
许剑辉
杨骥
李勇
姜浩
尹小玲
陈彩霞
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.)
Southern Marine Science and Engineering Guangdong Laboratory Guangzhou
Original Assignee
Southern Marine Science and Engineering Guangdong Laboratory Guangzhou
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 Southern Marine Science and Engineering Guangdong Laboratory Guangzhou filed Critical Southern Marine Science and Engineering Guangdong Laboratory Guangzhou
Priority to CN202211031420.7A priority Critical patent/CN115424142A/zh
Publication of CN115424142A publication Critical patent/CN115424142A/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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G06V10/765—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects using rules for classification or partitioning the feature space
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/194—Terrestrial scenes using hyperspectral data, i.e. more or other wavelengths than RGB

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Remote Sensing (AREA)
  • Astronomy & Astrophysics (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Image Processing (AREA)

Abstract

本申请提供一种基于遥感影像的海岸线类型判别方法、装置、介质和设备，所述基于遥感影像的海岸线类型判别方法包括：获取海岸线训练样本集，所述海岸线训练样本集包括多个类型的海岸线训练样本；通过所述海岸线训练样本集对随机森林模型进行训练，得到基于遥感影像的海岸线类型判别模型；获取待识别的海岸线的待识别多光谱遥感影像；通过所述基于遥感影像的海岸线类型判别模型对所述待识别多光谱遥感影像进行识别，得到待识别的海岸线对应的海岸线类型。本申请的基于遥感影像的海岸线类型判别方法、装置、介质和设备可以高效准确地识别出待检测的海岸线对应的海岸线类型，并且还能节省所需要的人力资源。

Description

基于遥感影像的海岸线类型判别方法、装置、介质和设备
技术领域
本申请涉及基于遥感影像的海岸线类型判别技术领域，具体涉及一种基于遥感影像的海岸线类型判别方法、装置、介质和设备。
背景技术
传统的海岸线监测采用野外实测法，野外实地测量是传统的测量方法，这种方法获得的资料具体、准确，但需要测得资料后制成地图，再输入到土地信息系统的数据库中。因此，野外实测法存在工作量大、效率低、时效性差以及需要较多的人力资源的问题，而且有的海岸线是位于海崖峭壁的范围，因此难以到达，实测难度极大。
发明内容
本申请的目的在于克服现有技术中的缺点与不足，提供一种基于遥感影像的海岸线类型判别方法、装置、介质和设备，可以高效准确地识别出待检测的海岸线对应的海岸线类型，并且还能节省所需要的人力资源。
本申请的第一方面提供了一种基于遥感影像的海岸线类型判别方法，包括：
获取海岸线训练样本集，所述海岸线训练样本集包括多个类型的海岸线训练样本；
通过所述海岸线训练样本集对随机森林模型进行训练，得到基于遥感影像的海岸线类型判别模型；
获取待识别的海岸线的待识别多光谱遥感影像；
通过所述基于遥感影像的海岸线类型判别模型对所述待识别多光谱遥感影像进行识别，得到待识别的海岸线对应的海岸线类型。
本申请的第二方面提供了一种基于遥感影像的海岸线类型判别装置，包括：
样本集获取模块，用于获取海岸线训练样本集，所述海岸线训练样本集包括多个类型的海岸线训练样本；
模型训练模块，用于通过所述海岸线训练样本集对随机森林模型进行训练，得到基于遥感影像的海岸线类型判别模型；
待识别遥感影像获取模块，用于获取待识别的海岸线的待识别多光谱遥感影像；
基于遥感影像的海岸线类型判别模块，用于通过所述基于遥感影像的海岸线类型判别模型对所述待识别多光谱遥感影像进行识别，得到待识别的海岸线对应的海岸线类型。
本申请的第三方面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，所述计算机程序被处理器执行时实现如上所述的基于遥感影像的海岸线类型判别方法的步骤。
本申请的第四方面提供了一种计算机设备，包括储存器、处理器以及储存在所述储存器中并可被所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如上所述的基于遥感影像的海岸线类型判别方法的步骤。
相对于相关技术，本申请通过多个类型的海岸线训练样本对随机森林模型进行训练，得到基于遥感影像的海岸线类型判别模型，然后可以通过基于遥感影像的海岸线类型判别模型对待识别的海岸线的待识别多光谱遥感影像进行识别，以得到待识别的海岸线对应的海岸线类型。可以高效准确地识别出待检测的海岸线对应的海岸线类型，并且还能节省所需要的人力资源。
为了能更清晰的理解本申请，以下将结合附图说明阐述本申请的具体实施方式。
附图说明
图1为本申请一个实施例的基于遥感影像的海岸线类型判别方法的流程图。
图2为本申请一个实施例的基于遥感影像的海岸线类型判别方法的步骤S1的流程图。
图3为本申请一个实施例的基于遥感影像的海岸线类型判别方法的步骤S102的流程图。
图4为本申请一个实施例的基于遥感影像的海岸线类型判别装置的模块连接示意图。
100、基于遥感影像的海岸线类型判别装置；101、样本集获取模块；102、模型训练模块；103、待识别遥感影像获取模块；104、基于遥感影像的海岸线类型判别模块。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施例方式作进一步地详细描述。
应当明确，所描述的实施例仅仅是本申请实施例一部分实施例，而不是全部的实施例。基于本申请实施例中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本申请实施例保护的范围。
下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。在本申请的描述中，需要理解的是，术语“第一”、“第二”、“第三”等仅用于区别类似的对象，而不必用于描述特定的顺序或先后次序，也不能理解为指示或暗示相对重要性。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本申请中的具体含义。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。在此所使用的词语“如果”/“若”可以被解释成为“在……时”或“当……时”或“响应于确定”。
此外，在本申请的描述中，除非另有说明，“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
请参阅图1，其是本申请一个实施例的基于遥感影像的海岸线类型判别方法的流程图，包括：
S1：获取海岸线训练样本集，所述海岸线训练样本集包括多个类型的海岸线训练样本。
海岸线训练样本的类型包括但不限于基岩岸线、砂质岸线、淤泥质岸线、生物岸线等自然海岸线的类型，以及围而未用岸线、农业围垦岸线、养殖围垦岸线、建设围堤岸线等人工岸线类型。
S2：通过所述海岸线训练样本集对随机森林模型进行训练，得到基于遥感影像的海岸线类型判别模型。
随机森林模型是一种由决策树构成的集成算法模型，是通过组合多个分类器，最终结果通过投票或取均值，及因此随机森林模型的结果具有较高的精确度和泛化性能，同时也有很好的稳定性。其中，分类器用于根据图像中的特征对图像进行分类。
S3：获取待识别的海岸线的待识别多光谱遥感影像。
待识别多光谱遥感影是指包括了多个色带的遥感影像。
S4：通过所述基于遥感影像的海岸线类型判别模型对所述待识别多光谱遥感影像进行识别，得到待识别的海岸线对应的海岸线类型。
海岸线类型与海岸线训练样本的类型相对应，包括但不限于基岩岸线、砂质岸线、淤泥质岸线、生物岸线等自然海岸线的类型，以及围而未用岸线、农业围垦岸线、养殖围垦岸线、建设围堤岸线等人工岸线类型。
优选地，通过基于遥感影像的海岸线类型判别模型对待识别多光谱遥感影像进行识别之前，可以对待识别多光谱遥感影像进行预处理，包括但不限于光学几何校正、分层叠加曝光、假彩色合成、电子灰度分割、相关掩模处理、物理光学处理等。
相对于相关技术，本实施例通过多个类型的海岸线训练样本对随机森林模型进行训练，得到基于遥感影像的海岸线类型判别模型，然后可以通过基于遥感影像的海岸线类型判别模型对待识别的海岸线的待识别多光谱遥感影像进行识别，以得到待识别的海岸线对应的海岸线类型。可以高效准确地识别出待检测的海岸线对应的海岸线类型，并且还能节省所需要的人力资源。
请参阅图2，在一个可行的实施例中，所述步骤S1：获取海岸线训练样本集的步骤，包括：
S101：获取多个样本海岸线的多光谱遥感影像。
各个样本海岸线的多光谱遥感影像可以从网上下载，也可以通过卫星对样本海岸线进行扫描得到。
S102：获取各个样本海岸线的多光谱遥感影像的影像特征。
S103：根据所述影像特征，对各个样本海岸线的多光谱遥感影像进行类型标注，得到多个所述海岸线训练样本，并将多个所述海岸线训练样本集合成所述海岸线训练样本集。
通过获取样本海岸线的多光谱遥感影像的影像特征，有助于根据影像特征对不同海岸线类型的样本海岸线的多光谱遥感影像进行区分。优选地，所述影像特征包括多光谱遥感影像的光谱特征、几何特征、纹理特征和空间特征。通过光谱特征、几何特征、纹理特征和空间特征可以最大化地突出不同海岸线类型的样本海岸线的多光谱遥感影像的区别。
请参阅图3，在一个可行的实施例中，所述步骤S102：获取各个样本海岸线的多光谱遥感影像的影像特征的步骤，包括：
S1021：将各个样本海岸线的多光谱遥感影像中的海水与陆地的交界确定为基线。
多光谱遥感影像中的海水与陆地的交界可以根据多光谱遥感影像的光谱特征进行区分，例如根据多光谱遥感影像中各个像素点的光谱特征判断对应的像素点属于海水像素点还是陆地像素点，然后根据海水像素点和陆地像素点的分布获得多光谱遥感影像中的海水与陆地的交界。
S1022：根据预设的范围值对所基线朝陆地的方向进行掩膜操作，以得到各个样本海岸线的多光谱遥感影像中的掩膜区域。
其中，预设的范围值的单位是km(公里)，可选地，预设的范围值默认为1km，但也可以根据用户的需求进行修改，例如修改为1.5km、2km等。
掩膜操作是指通过对多光谱遥感影像的局部区域进行遮挡或提取的操作，在本实施例中，掩膜操作是为了根据预设的范围值对所基线朝陆地的方向进行局部区域提取，以得到多光谱遥感影像中的掩膜区域。
S1023：将各个所述掩膜区域的影像特征确定为对应的样本海岸线的多光谱遥感影像的影像特征。
将掩膜区域的影像特征作为对应的样本海岸线的多光谱遥感影像的影像特征，可以减少样本海岸线的多光谱遥感影像中除了掩膜区域以外的其他像素点的影像特征的干扰，以提高模型训练的准确性。
请参阅图4，本申请的一个实施例还提供了一种基于遥感影像的海岸线类型判别装置100，包括：
样本集获取模块101，用于获取海岸线训练样本集，所述海岸线训练样本集包括多个类型的海岸线训练样本。
模型训练模块102，用于通过所述海岸线训练样本集对随机森林模型进行训练，得到基于遥感影像的海岸线类型判别模型。
待识别遥感影像获取模块103，用于获取待识别的海岸线的待识别多光谱遥感影像。
基于遥感影像的海岸线类型判别模块104，用于通过所述基于遥感影像的海岸线类型判别模型对所述待识别多光谱遥感影像进行识别，得到待识别的海岸线对应的海岸线类型。
海岸线训练样本的类型包括但不限于基岩岸线、砂质岸线、淤泥质岸线、生物岸线等自然海岸线的类型，以及围而未用岸线、农业围垦岸线、养殖围垦岸线、建设围堤岸线等人工岸线类型。
随机森林模型是一种由决策树构成的集成算法模型，是通过组合多个分类器，最终结果通过投票或取均值，及因此随机森林模型的结果具有较高的精确度和泛化性能，同时也有很好的稳定性。其中，分类器用于根据图像中的特征对图像进行分类。
待识别多光谱遥感影是指包括了多个色带的遥感影像。
海岸线类型与海岸线训练样本的类型相对应，包括但不限于基岩岸线、砂质岸线、淤泥质岸线、生物岸线等自然海岸线的类型，以及围而未用岸线、农业围垦岸线、养殖围垦岸线、建设围堤岸线等人工岸线类型。
优选地，通过基于遥感影像的海岸线类型判别模型对待识别多光谱遥感影像进行识别之前，可以对待识别多光谱遥感影像进行预处理，包括但不限于光学几何校正、分层叠加曝光、假彩色合成、电子灰度分割、相关掩模处理、物理光学处理等。
相对于相关技术，本实施例通过多个类型的海岸线训练样本对随机森林模型进行训练，得到基于遥感影像的海岸线类型判别模型，然后可以通过基于遥感影像的海岸线类型判别模型对待识别的海岸线的待识别多光谱遥感影像进行识别，以得到待识别的海岸线对应的海岸线类型。可以高效准确地识别出待检测的海岸线对应的海岸线类型，并且还能节省所需要的人力资源。
在一个可行的实施例中，所述样本集获取模块101包括：
样本遥感影像获取模块，用于获取多个样本海岸线的多光谱遥感影像。其中，各个样本海岸线的多光谱遥感影像可以从网上下载，也可以通过卫星对样本海岸线进行扫描得到。
影像特征获取模块，用于获取各个样本海岸线的多光谱遥感影像的影像特征。
样本标注模块，用于根据所述影像特征，对各个样本海岸线的多光谱遥感影像进行类型标注，得到多个所述海岸线训练样本，并将多个所述海岸线训练样本集合成所述海岸线训练样本集。
通过获取样本海岸线的多光谱遥感影像的影像特征，有助于根据影像特征对不同海岸线类型的样本海岸线的多光谱遥感影像进行区分。优选地，所述影像特征包括多光谱遥感影像的光谱特征、几何特征、纹理特征和空间特征。通过光谱特征、几何特征、纹理特征和空间特征可以最大化地突出不同海岸线类型的样本海岸线的多光谱遥感影像的区别。优选地，光谱特征、几何特征、纹理特征和空间特征与对应的样本海岸线的多光谱遥感影像的海岸线类型之间存在人工构建的分类规则，使光谱特征、几何特征、纹理特征和空间特征与海岸线类型存在关联关系。
在一个可行的实施例中，所述影像特征获取模块包括：
基线获取模块，用于将各个样本海岸线的多光谱遥感影像中的海水与陆地的交界确定为基线。
掩膜区域获取模块，用于根据预设的范围值对所基线朝陆地的方向进行掩膜操作，以得到各个样本海岸线的多光谱遥感影像中的掩膜区域。
影像特征确定模块，用于将各个所述掩膜区域的影像特征确定为对应的样本海岸线的多光谱遥感影像的影像特征。
将掩膜区域的影像特征作为对应的样本海岸线的多光谱遥感影像的影像特征，可以减少样本海岸线的多光谱遥感影像中除了掩膜区域以外的其他像素点的影像特征的干扰，以提高模型训练的准确性。
其中，多光谱遥感影像中的海水与陆地的交界可以根据多光谱遥感影像的光谱特征进行区分，例如根据多光谱遥感影像中各个像素点的光谱特征判断对应的像素点属于海水像素点还是陆地像素点，然后根据海水像素点和陆地像素点的分布获得多光谱遥感影像中的海水与陆地的交界。
预设的范围值的单位是km(公里)，可选地，预设的范围值默认为1km，但也可以根据用户的需求进行修改，例如修改为1.5km、2km等。
掩膜操作是指通过对多光谱遥感影像的局部区域进行遮挡或提取的操作，在本实施例中，掩膜操作是为了根据预设的范围值对所基线朝陆地的方向进行局部区域提取，以得到多光谱遥感影像中的掩膜区域。
本申请的一个实施例还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，所述计算机程序被处理器执行时实现如上所述的基于遥感影像的海岸线类型判别方法的步骤。
本申请的一个实施例还提供了一种计算机设备，包括储存器、处理器以及储存在所述储存器中并可被所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如上所述的基于遥感影像的海岸线类型判别方法的步骤。
以上所描述的设备实施例仅仅是示意性的，其中所述作为分离部件说明的组件可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本申请方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中选定的功能的装置。这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中选定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中选定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理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权利要求范围之内。

Claims (10)

1.一种基于遥感影像的海岸线类型判别方法，其特征在于，包括：
获取海岸线训练样本集，所述海岸线训练样本集包括多个类型的海岸线训练样本；
通过所述海岸线训练样本集对随机森林模型进行训练，得到基于遥感影像的海岸线类型判别模型；
获取待识别的海岸线的待识别多光谱遥感影像；
通过所述基于遥感影像的海岸线类型判别模型对所述待识别多光谱遥感影像进行识别，得到待识别的海岸线对应的海岸线类型。
2.根据权利要求1所述的基于遥感影像的海岸线类型判别方法，其特征在于，所述获取海岸线训练样本集的步骤，包括：
获取多个样本海岸线的多光谱遥感影像；
获取各个样本海岸线的多光谱遥感影像的影像特征；
根据所述影像特征，对各个样本海岸线的多光谱遥感影像进行类型标注，得到多个所述海岸线训练样本，并将多个所述海岸线训练样本集合成所述海岸线训练样本集。
3.根据权利要求2所述的基于遥感影像的海岸线类型判别方法，其特征在于，所述获取各个样本海岸线的多光谱遥感影像的影像特征的步骤，包括：
将各个样本海岸线的多光谱遥感影像中的海水与陆地的交界确定为基线；
根据预设的范围值对所基线朝陆地的方向进行掩膜操作，以得到各个样本海岸线的多光谱遥感影像中的掩膜区域；
将各个所述掩膜区域的影像特征确定为对应的样本海岸线的多光谱遥感影像的影像特征。
4.根据权利要求2所述的基于遥感影像的海岸线类型判别方法，其特征在于，所述影像特征包括多光谱遥感影像的光谱特征、几何特征、纹理特征和空间特征。
5.一种基于遥感影像的海岸线类型判别装置，其特征在于，包括：
样本集获取模块，用于获取海岸线训练样本集，所述海岸线训练样本集包括多个类型的海岸线训练样本；
模型训练模块，用于通过所述海岸线训练样本集对随机森林模型进行训练，得到基于遥感影像的海岸线类型判别模型；
待识别遥感影像获取模块，用于获取待识别的海岸线的待识别多光谱遥感影像；
基于遥感影像的海岸线类型判别模块，用于通过所述基于遥感影像的海岸线类型判别模型对所述待识别多光谱遥感影像进行识别，得到待识别的海岸线对应的海岸线类型。
6.根据权利要求5所述的基于遥感影像的海岸线类型判别装置，其特征在于，所述样本集获取模块包括：
样本遥感影像获取模块，用于获取多个样本海岸线的多光谱遥感影像；
影像特征获取模块，用于获取各个样本海岸线的多光谱遥感影像的影像特征；
样本标注模块，用于根据所述影像特征，对各个样本海岸线的多光谱遥感影像进行类型标注，得到多个所述海岸线训练样本，并将多个所述海岸线训练样本集合成所述海岸线训练样本集。
7.根据权利要求6所述的基于遥感影像的海岸线类型判别装置，其特征在于，所述影像特征获取模块包括：
基线获取模块，用于将各个样本海岸线的多光谱遥感影像中的海水与陆地的交界确定为基线；
掩膜区域获取模块，用于根据预设的范围值对所基线朝陆地的方向进行掩膜操作，以得到各个样本海岸线的多光谱遥感影像中的掩膜区域；
影像特征确定模块，用于将各个所述掩膜区域的影像特征确定为对应的样本海岸线的多光谱遥感影像的影像特征。
8.根据权利要求6所述的基于遥感影像的海岸线类型判别装置，其特征在于，所述影像特征包括多光谱遥感影像的光谱特征、几何特征、纹理特征和空间特征。
9.一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，其特征在于：所述计算机程序被处理器执行时实现如权利要求1至4任一项所述的基于遥感影像的海岸线类型判别方法的步骤。
10.一种计算机设备，其特征在于：包括储存器、处理器以及储存在所述储存器中并可被所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至4任一项所述的基于遥感影像的海岸线类型判别方法的步骤。
CN202211031420.7A 2022-08-26 2022-08-26 基于遥感影像的海岸线类型判别方法、装置、介质和设备 Pending CN115424142A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211031420.7A CN115424142A (zh) 2022-08-26 2022-08-26 基于遥感影像的海岸线类型判别方法、装置、介质和设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211031420.7A CN115424142A (zh) 2022-08-26 2022-08-26 基于遥感影像的海岸线类型判别方法、装置、介质和设备

Publications (1)

Publication Number Publication Date
CN115424142A true CN115424142A (zh) 2022-12-02

Family

ID=84201031

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211031420.7A Pending CN115424142A (zh) 2022-08-26 2022-08-26 基于遥感影像的海岸线类型判别方法、装置、介质和设备

Country Status (1)

Country Link
CN (1) CN115424142A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115965954A (zh) * 2023-03-16 2023-04-14 北京市农林科学院信息技术研究中心 秸秆类型识别方法、装置、电子设备及存储介质
CN117607896A (zh) * 2023-12-01 2024-02-27 中国人民解放军海军参谋部海图信息中心 基于多波段点云数据的海岸线碎部点性质识别方法及装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102013015A (zh) * 2010-12-02 2011-04-13 南京大学 一种面向对象的遥感影像海岸线提取方法
CN106709517A (zh) * 2016-12-19 2017-05-24 航天恒星科技有限公司 红树林识别方法及系统
CN110991393A (zh) * 2019-12-17 2020-04-10 北京航天泰坦科技股份有限公司 一种海岸线变迁遥感监测与分析的方法及装置
CN112150482A (zh) * 2020-09-17 2020-12-29 北京航空航天大学 一种基于高程信息和归一化海水指数的海陆分割方法
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

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102013015A (zh) * 2010-12-02 2011-04-13 南京大学 一种面向对象的遥感影像海岸线提取方法
CN106709517A (zh) * 2016-12-19 2017-05-24 航天恒星科技有限公司 红树林识别方法及系统
CN110991393A (zh) * 2019-12-17 2020-04-10 北京航天泰坦科技股份有限公司 一种海岸线变迁遥感监测与分析的方法及装置
CN112150482A (zh) * 2020-09-17 2020-12-29 北京航空航天大学 一种基于高程信息和归一化海水指数的海陆分割方法
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

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
张龙 等: ""全极化SAR影像多特征分类的海岸线提取方法"", 《遥感信息》, pages 58 - 65 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115965954A (zh) * 2023-03-16 2023-04-14 北京市农林科学院信息技术研究中心 秸秆类型识别方法、装置、电子设备及存储介质
CN117607896A (zh) * 2023-12-01 2024-02-27 中国人民解放军海军参谋部海图信息中心 基于多波段点云数据的海岸线碎部点性质识别方法及装置

Similar Documents

Publication Publication Date Title
Morton et al. Rapid assessment of annual deforestation in the Brazilian Amazon using MODIS data
US9230168B2 (en) Automatic generation of built-up layers from high resolution satellite image data
Wang et al. Monitoring the invasion of Spartina alterniflora from 1993 to 2014 with Landsat TM and SPOT 6 satellite data in Yueqing Bay, China
CN115424142A (zh) 基于遥感影像的海岸线类型判别方法、装置、介质和设备
Skurikhin et al. Automated tree crown detection and size estimation using multi-scale analysis of high-resolution satellite imagery
Peters et al. Synergy of very high resolution optical and radar data for object-based olive grove mapping
Tehrani et al. Multi-regional landslide detection using combined unsupervised and supervised machine learning
CN113160183A (zh) 一种高光谱数据处理方法、设备及介质
Xu et al. Comparison and assessment of NDVI time series for seasonal wetland classification
Jiang et al. Focal-test-based spatial decision tree learning: A summary of results
CN114429590A (zh) 一种耕地图像提取方法及设备
CN113704313A (zh) 基于拓扑检查的地图注记压盖自动识别方法、装置及介质
Matarira et al. Texture analysis approaches in modelling informal settlements: A review
Kara et al. Impact of rapid urbanisation on land cover in Istanbul Province
Navarro et al. An operational sentinel-2 based monitoring system for the management and control of direct aids to the farmers in the context of the common agricultural policy (cap): A case study in mainland portugal
Karwariya et al. Landuse/landcover mapping of Achanakmar Amarkantak Biosphere Reserve, India using unsupervised classification technique
Thwal et al. Land cover classification and change detection analysis of multispectral satellite images using machine learning
CN115082803A (zh) 基于植被季相变化的耕地撂荒监测方法、装置和存储介质
Siddique et al. An empirical approach to monitor the flood-prone regions of North India using Sentinel-1 images
Esmaeili et al. A simple rule-based algorithm in Google Earth Engine for operational discrimination of rice paddies in Sefidroud Irrigation Network
Mohd et al. Thresholding and fuzzy rule-based classification approaches in handling mangrove forest mixed pixel problems associated with in QuickBird remote sensing image analysis
CN113807137A (zh) 用于识别种植行中心线的方法、装置、农用机械及介质
Valdiviezo-N et al. Morphological reconstruction algorithms for urban monitoring using satellite data: proper selection of the marker and mask images
Heydari et al. Remote sensing change detection: a comparative study of spectral distances
Wang et al. Monitoring urban expansion of the Greater Toronto area from 1985 to 2013 using Landsat images

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