一种卫星遥感海岸线自动提取方法、介质及系统与流程

本发明属于卫星遥感海岸线提取，具体而言，涉及一种卫星遥感海岸线自动提取方法、介质及系统。

背景技术：

1、海岸线是陆地与水域(包括海洋、湖泊、河流等)交界的线状界限,是一个动态变化的地理要素。海岸线的准确测绘和监测对于海洋环境保护、海上交通、海岛管理、海洋资源开发等诸多领域都具有重要意义。

2、传统的海岸线测绘方法主要包括以下几种:实地踏勘测量、人工解译航空影像、人工解译卫星遥感影像等。这些方法具有一定的局限性:实地踏勘测量需要大量的人力和时间投入,且无法全面覆盖海岸线;人工解译航空/卫星影像虽然能够实现远程监测,但受制于影像分辨率和人工判读的准确性,结果往往存在较大误差。

3、随着遥感技术的不断发展,利用卫星遥感影像进行海岸线自动提取已成为新的研究热点。相比于以往的人工测绘方法,卫星遥感海岸线自动提取具有以下优势:1)能够快速获取广域海岸线信息;2)受地理环境和人工干扰因素的影响较小;3)结果可客观量化,重复性强。不过,现有的卫星遥感海岸线自动提取方法仍然存在卫星遥感影像的分辨率有限,很难准确描述复杂多变的海岸线轮廓的技术问题。

技术实现思路

1、有鉴于此，本发明提供一种卫星遥感海岸线自动提取方法、介质及系统，能够解决现有的卫星遥感海岸线自动提取方法仍然存在分辨率有限,难以准确描述复杂多变的海岸线轮廓的技术问题。

2、本发明是这样实现的：

3、本发明的第一方面提供一种卫星遥感海岸线自动提取方法，其中，包括以下步骤：

4、s10、获取多个已测海岸线区域的预处理后的双模图像，所述双模图像包括卫星遥感图像和无人机拍摄图像组，其中，所述卫星遥感图像包括可见光图像以及多个不同波长的反射光图像；

5、s20、对所述无人机拍摄图像组中的每个无人机拍摄图像按照已测的海岸线数据采用边长为l1的等边三角形进行分形得到分形图像，其中，所述分形图像的海岸线与所述无人机拍摄图像的实测海岸线相似度大于预设的第一阈值；

6、s30、将所述分形图像采用四色猜想按照预设的四色填充规则进行填充得到四色填充图，并设置每种颜色的编号；

7、s40、对所述卫星遥感图像和无人机拍摄图像进行对齐操作，若所述卫星遥感图像表示的区域覆盖多张无人机拍摄图像覆盖的区域，则将多张无人机拍摄图像拼接后，与所述卫星遥感图像对齐；并获取所述卫星遥感图像对应的四色填充图，并将所述卫星遥感图像对应的四色填充图转化为四色矩阵；

8、s50、建立训练数据集，包括所述卫星遥感图像的特征以及所述四色矩阵，训练一个卷积神经网络模型，得到海岸线识别模型；

9、s60、获取待测海岸线区域的卫星遥感图像，记为待测遥感图像，预处理后，进行特征提取，得到待测遥感特征；

10、s70、将所述待测遥感特征输入到所述海岸线识别模型，输出四色矩阵，记为待测四色矩阵；

11、s80、根据所述待测四色矩阵,提取出海岸线的轮廓信息并输出。

12、在上述技术方案的基础上，本发明的一种卫星遥感海岸线自动提取方法还可以做如下改进:

13、其中，所述预设的四色填充规则为：

14、步骤1、根据分形图像的特征,将其划分为若干多边形区域，每个多边形区域最多包含n个分形三角形，所述分形三角形即边长为l1的等边三角形；

15、步骤2、对每个多边形区域,根据其边界像素的梯度信息,将该区域涂上不同的颜色，采用的具体填色规则如下:

16、如果该多边形区域的边界像素梯度较大,则涂成红色，编号为1；

17、如果该多边形区域的边界像素梯度较小,则涂成蓝色，编号为2；

18、如果该多边形区域位于上述两种区域的过渡带,则涂成绿色，编号为3；

19、其余区域涂成黄色，编号为4；

20、步骤3、当发生相邻区域同色时，则优先调整编号大的多边形的颜色，或面积小的多边形的颜色；

21、步骤4、经过上述步骤,即可得到四色填充图,并设置完成每种颜色的编号。

22、另外的，红蓝黄绿四种颜色可以交换顺序，或变更其他不同的颜色。一般的，l1为1~100米，n一般为10~100。

23、具体而言，填充规则可以表述如下：

24、首先将分形图像划分为若干多边形区域。

25、然后对每个多边形区域,根据其边界像素的灰度变化情况来进行颜色填充:

26、如果该多边形区域的边界像素灰度变化剧烈(梯度较大),也就是边界有明显的亮暗变化,则将该区域涂成红色(编号1)。这种情况通常对应着海岸线的位置。

27、如果该多边形区域的边界像素灰度变化平缓(梯度较小),则将该区域涂成蓝色(编号2)。这种情况通常对应着内陆区域。

28、如果该多边形区域处于上述两种区域的过渡带,则将其涂成绿色(编号3)。

29、其余未识别的区域涂成黄色(编号4)。

30、这样通过边界像素梯度信息,就可以将分形图像进行四色填充,得到四色填充图。

31、边界像素梯度是指图像边界像素的灰度变化程度,通常可以使用sobel、prewitt等算子来计算。

32、其中，所述第一阈值为0.8。

33、所述步骤s10,具体包括:

34、获取已测海岸线区域的卫星遥感图像,所述卫星遥感图像包括可见光图像以及多个不同波长的反射光图像;获取对应同一海岸线区域的无人机拍摄图像;对所述卫星遥感图像和无人机拍摄图像进行预处理,以消除噪声等因素的影响。所述双模图像即包括预处理后的卫星遥感图像和无人机拍摄图像。

35、所述步骤s20,具体包括:

36、将每张无人机拍摄图像划分为若干个边长为l1的等边三角形网格;对每个三角形网格区域,利用分形理论进行分形处理,生成与实测海岸线相似的分形图像，可以设定多级分形，如图3所示，优选五级分形;判断每个分形图像与对应无人机拍摄图像的海岸线相似度,只有当相似度大于预设的第一阈值时,才将该分形图像保留下来用于后续处理。

37、其中，所述分形图像的海岸线与所述无人机拍摄图像的实测海岸线相似度采用余弦相似度计算。

38、其中，对卫星遥感图像和无人机拍摄图像进行对齐的方法是：几何校正和配准。

39、所述步骤s40,具体包括:

40、对卫星遥感图像和无人机拍摄图像进行几何校正和配准操作,使它们在空间位置上对齐;如果卫星遥感图像所覆盖的区域包含多张无人机拍摄图像,则先将这些无人机拍摄图像进行拼接处理,然后再与卫星遥感图像进行配准;获取卫星遥感图像对应区域的四色填充图,并将其转化为四色矩阵的形式。

41、其中，所述卷积神经网络的网络结构采用lenet。

42、所述步骤s50,具体包括:

43、从已经获取的卫星遥感图像和对应的四色矩阵中,构建训练数据集,提取每张卫星遥感图像的纹理、颜色、边缘等特征作为输入特征,将对应的四色矩阵作为输出标签;采用卷积神经网络的方法训练海岸线识别模型,包括设计网络结构,调试超参数等;训练完成后,即可得到一个高精度的海岸线识别模型。

44、所述步骤s60,具体包括:

45、获取待测海岸线区域的卫星遥感图像,并对其进行几何校正、辐射校正、大气校正等预处理;提取待测遥感图像的纹理特征、形状特征和颜色特征等,组合成一个特征向量,作为待测遥感特征。

46、所述步骤s70,具体包括:

47、将步骤s60中提取的待测遥感特征,输入到步骤s50中训练好的海岸线识别模型中;海岸线识别模型采用卷积神经网络结构,能够根据输入的特征向量,输出一个对应的四色矩阵,记为待测四色矩阵。

48、其中，所述步骤s80,具体包括:

49、根据步骤s70输出的待测四色矩阵,识别出对应海岸线的位置信息,将矩阵中编号为1的区域视为海岸线,编号为2的区域视为内陆,编号为3的区域视为过渡区域,编号为4的区域视为未识别区域;对识别出的海岸线区域进行轮廓提取,获取海岸线的具体轮廓信息;将提取出的海岸线轮廓信息输出。

50、进一步的，所述配准操作采用特征点匹配算法或基于像素灰度值的相关性匹配算法。

51、具体的算法如sift、surf等。

52、本发明的第二方面提供一种计算机可读存储介质，其中，所述计算机可读存储介质中存储有程序指令，所述程序指令运行时，用于执行上述的一种卫星遥感海岸线自动提取方法。

53、本发明的第三方面提供一种卫星遥感海岸线自动提取系统，其中，包含上述的计算机可读存储介质。

54、与现有技术相比较，本发明提供的一种卫星遥感海岸线自动提取方法、介质及系统的有益效果是：本发明提出了一种基于卫星遥感和无人机影像的海岸线自动提取方法,充分利用多源遥感数据的优势,结合分形理论、四色填充算法和深度学习技术,实现了高精度的海岸线轮廓自动提取。与现有方法相比,本发明的主要创新点和技术优势体现在以下几个方面:

55、首先,本发明利用无人机拍摄的高分辨率影像,结合分形理论生成与实测海岸线更加相似的分形图像,为后续的海岸线特征建模和识别奠定了基础。分形理论能够有效描述自然界的复杂几何形状,包括海岸线这种不规则曲线。通过将无人机影像划分为等边三角网格,并对每个三角形网格区域进行分形处理,生成了与实测海岸线更加吻合的新图像。这种分形图像能够为后续的四色填充和卷积神经网络模型训练提供更加丰富和准确的海岸线参考信息。

56、其次,本发明采用四色填充技术,根据分形图像的边界像素灰度梯度信息,将分形图像划分为不同颜色区域。这种基于边缘信息的四色填充方法,能够突出海岸线的特征,为卫星遥感图像的海岸线识别奠定基础。相比于直接使用原始分形图像,四色填充后的图像包含了更加明确的海岸线轮廓信息,有利于后续的深度学习模型训练。

57、最后,本发明训练了一个基于卷积神经网络的海岸线识别模型,能够根据输入的卫星遥感图像特征,准确地输出对应的海岸线四色矩阵。这种端到端的深度学习方法,不仅能够有效地提取复杂遥感图像中的海岸线特征,而且输出的四色矩阵信息为后续的海岸线轮廓提取提供了良好的数据基础。

58、综上所述，本发明的方案解决了现有的卫星遥感海岸线自动提取方法仍然存在分辨率有限,难以准确描述复杂多变的海岸线轮廓的技术问题。