Automatic extraction of coastline in complex coastal areas simulating high tide
-
摘要:
传统的海岸线提取方法往往仅针对某种类型的海岸有效，对于多种类型混合海岸区域，则需要对图像分类裁剪、分别提取岸线、拼接图像才能提取出完整的海岸线，该过程不仅实现较为复杂，而且将不同类型海岸严格划分开的难度也很大，因此，本文提出了一种适用于混合海岸类型区域提取海岸线新方法——模拟海水涨潮过程的海岸线自动提取方法。首先采用波段差决策树分类分析方法（spectral difference decision tree，SDDT）对遥感影像进行分类，根据地物类型差异将各区域类别标记为"可涨潮区域"与"不可涨潮区域"两类；其次，通过计算每个斑块区域的面积，将面积小于某一预设阈值的区域块定义为噪声区域，去除所有噪声区域；然后，再通过最大矩形填充算法（maximum rectangle filling algorithm，MRFA）模拟海水涨潮逐步填充"可涨潮区域"并提取海岸线。本文方法提取的海岸线较为连续，不受地物分类结果图中的少量误分类斑块的影响。
Abstract:Traditional coastline extraction methods only aim at a certain type of coast effectively.For areas containing a variety of types of coastal areas, it is necessary to cut the image classification, extract the coastline, and stitching images to extract the complete coastline.The process is not only complicated, but also difficult to divide different types of coastal areas strictly.Therefore, a new coastline method suitable for mixed coastal area is proposed-automatic coastline extraction method for simulating sea water rising process.Firstly, a classification method based on spectral difference decision tree (SDDT) is applied to classify remote sensing images.According to the difference of the types of land, the two categories are marked as "tidal area" and "non tidal area".Secondly, by calculating the area of each patch area, the area blocks less than a preset threshold are defined as the noise region, and all noise areas are removed.Finally the maximum rectangle filling algorithm(MRFA) is used to simulate the flood tide to gradually fill the "tidal area" and extract the coastline.The coastline extracted by this method is continuous, and is not affected by a small number of misclassified patches in the classification map.
-
通过遥感影像技术手段自动提取海岸线在海洋事物规划管理上发挥着越来越重要的作用[1-2]。传统的人工目视解译方法精度高但效率低费时费力，因此，基于计算机的自动解译方法越来越广泛地应用在水边线检测和海岸线检测上[3-6]。目前应用较为广泛的海岸线提取方法主要分为以下三种[7-9]：对海岸进行地物分类并降噪直接提取出的水陆边界线即为海岸线，Abdullah等使用改进后的水体归一化指数对孟加拉南部海岸进行了岸线提取，并分析了该位置1973年至2010年的海岸线变化情况及沿海土地变化情况[10]，Stephen等利用归一化水体指数与大陆尺度潮汐模型相结合提取了澳大利亚沿海地区的海岸线并模拟了海岸的潮间带和地形[11]，王常颖等将决策树与密集聚类相结合提出了一种高分辨率影像下的海岸线提取方法[12]；通过潮位校正方法或间接地物提取方法等可以提取出平均大潮高潮线，该算法适用于海岸地势较平缓且海滩剖面可近似为直角三角形的砂质海岸、部分淤泥质海岸等，Sam等讨论了砂质海岸的两种岸线定义，并通过潮位校正方法提取出了迪戈加西亚地区砂质海岸的岸线并进一步分析了该地区1988年至2012年的海岸线变化[13]，张晓凯等提出了一种结合海岸类型和潮位校正的海岸线遥感提取方法，以秦皇岛市海岸为例提取了精度较高的海岸线[14]；对于已开发的淤泥质海岸区域，通过膨胀腐蚀等数学形态学变换方式可以将养殖区与沟槽融为一体，进一步通过边缘检测算法可提取出海岸线，Dellepiane等考虑到沿海地区的纹理特征，将边缘检测算法与数学形态学变换相结合提取了意大利热那亚地区附近的海岸线[15]，刘春等利用混合边缘检测的方法降低了金属建筑反射干扰，同时提高了海岸线检测效率[16]。
上述不同方案仅针对特定的某种类型海岸有效，例如通过潮位校正提取海岸线的方法在已开发淤泥质海岸无法有效发挥作用，数学形态学变换方法在提取未开发淤泥质海岸线时效果不明显，对于多类地物混合在同一景遥感影像中的情况时，需要事先通过机器学习方法[17-18]区分出多类不同类型海岸之后裁剪遥感影像分别提取出海岸线并拼接，该过程的复杂程度和困难程度远远超过了海岸线的提取。为了解决上述问题本文提出了一种基于最大矩形填充算法的海岸线自动提取方法，该算法在提取含有一种类型海岸的遥感影像和多种类型混合的遥感影像以及海岛(礁)海岸线时都发挥了作用。
1 材料与方法
1.1 地物分类、区域标记及后处理
基于最大矩形填充算法的海岸线自动提取方法步骤包含遥感影像的输入、地物分类、区域标记、后处理、模拟涨潮及海岸线的提取输出，流程如图 1所示。
本文采用波段差决策树分类分析方法(SDDT)进行地物分类，该方法考虑波段间关系对地物进行分类，对于单个波段无法区分的两类地物，通过计算两波段(如Bi和Bj)的差值(ΔBij=Bi-Bj)，将ΔBij看做一个组合后的新波段，根据该波段就能够找到两类地物明显的区分阈值，基于该思路结合C4.5决策树分类分析方法便可区分多类地物。
区域标记过程需要结合遥感影像的地物类型与实际情况综合考虑，本文根据海岸所处的地理环境及海岸开发情况将海岸类型划分为人工海岸和自然海岸两个一级类，自然海岸和人工海岸分别再划分为5个和6个二级类(表 1)。
表 1 海岸分类Tab. 1 Coastal classification
自然海岸是自然海陆作用状态下的海岸，对于其中的淤泥质海岸、砂质海岸、生物海岸、河口等，由于其中的非海水部分在涨潮作用下可被海水覆盖，所以上述海岸中的非海水部分应同海水一起标记为“可涨潮区域”，基岩海岸中的岩石在涨潮作用下不会被海水覆盖，应标记为“不可涨潮区域”；人工海岸是人工改造后形成的海岸，对于养殖区、盐田、农田、码头、建筑等具有明显围堤的地物，在涨潮作用下无法被海水覆盖，应标记为“不可涨潮区域”，对于浮阀养殖区等潜于水下或在涨潮情况下可被海水覆盖的区域应标记为“可涨潮区域”[19]。
对于已经过分类标记的图像，计算其中每个不可涨潮区域斑块面积即其中所包含的像素点个数PointAmount，对于PointAmount小于某一最小阈值的斑块进行降噪处理并将其标记为“可涨潮区域”，此处的最小阈值的设定需根据图像分辨率和成图比例尺要求的最小图斑面积进行综合考虑，计算公式如下：
(1) 式中：Minarea为不同成图比例尺要求的最小图斑面积；s为遥感影像分辨率。
如图 2 a所示为2017年3月6日东营附近区域Landsat 8遥感影像，对其使用SDDT算法分类效果如图 2 b所示。考虑该地区的实际情况，将分类图中的“海水”、“淤泥”、“沙滩”三类地物视为“可涨潮区域”即图 2 c中的白色区域，将“养殖区”地物视为“不可涨潮区域”即图 2 c中的黑色区域，对于该465 * 375大小的遥感图像降噪处理PointAmount小于17的部分之后如图 2 d所示。
![]()
图 2 Landsat 8影像地物分类过程(红色为海水、黄色为养殖区、绿色区域为淤泥、蓝色区域为砂质地物)，其中(a)为5、4、3波段假彩色合成影像，(b)为SDDT算法分类结果图，(c)为划分“可涨潮区域”与“不可涨潮区域”后的影像，(d)经过后处理之后的图像Fig. 2 Classification process of Landsat 8(the red area is sea water、the yellow area is aquaculture area、the green area is silt、the blue area is sandy ground), (a)is a false colour composite image, (b)is SDDT results, (c)is the image divided into "tidal area" and "non tidal area", (d)is the image after the post-processing1.2 模拟涨潮的海水区域填充算法
1.2.1 最大矩形填充算法基本过程
本文针对海水涨潮的现象，对于涨潮区域采用一系列大小不一、互不交叠的矩形或正方形进行填充。对于不可涨潮区域呈现凸多边形时(图 3a 陆地区域所示)，循环填充可涨潮区域(如图 3a 海水区域所示)中的最大可填充正方形，直到正方形面积等于1个像素点单位时循环终止，本文将该过程命名为凸图形填充算法(algoConvex)；对于不可涨潮区域呈现非凸多边形的区域(图 3 b陆地区域所示)，循环填充可涨潮区域(如图 3 b海水区域所示)中的最大可填充矩形，直到最大可填充矩形内包含预先设置的标记点时循环终止，标记点一般为较为明显的海岸线所处位置(如图 3 b中点StopPoint所示)，本文将其命名为非凸图形填充算法(algoConcave)，并将上述两算法过程统称为最大矩形填充算法(MRFA)。
![]()
图 3 两种不同形状特征的海岸(其中a为凸图形特征海岸、b为非凸图形特征海岸)Fig. 3 Two coasts with different shapes(a is a coast with convex graphic feature, b is a coast with non convex graphic feature)一般情况下，海岸带的不可涨潮区域形状并非完全符合凸图形或非凸图形的特征，对于绝大多数凸图形与非凸图形特征并存的海岸需要按照先algoConvex、后algoConcave的顺序对可涨潮区域进行最大矩形填充，并对已涨潮区域进行步长为1的膨胀，最终提取出可涨潮区域与不可涨潮区域的分界线即为海岸线。本文默认遥感影像为矩形，对于非矩形的遥感影像，可按照最小包围矩形的思想将其填充为矩形，并将矩形内的非图像部分标记为“可涨潮区域”，算法流程如图 4所示。
1.2.2 凸多边形的正方形填充算法
对于不可涨潮区域为凸图形的矩形图像，假设矩形图像的四个顶点存在处于可涨潮区域的顶点，切割以该点为顶点的面积最大的正方形并将该正方形区域标记为已涨潮区域，则图像将产生3个新的顶点，循环重复上述过程对可填充区域进行正方形填充，直至面积最大的正方形面积为1个像素点单位大小，最后对已填充区域进行步长为1的膨胀并提取边界线即为海岸线。如图 5a 所示为2017年4月23日东营某沿海地区Landsat 8遥感影像，图 5 b、图 5 c分别为地物分类和区域标记过程，根据凸图形填充算法(algoConvex)对图像的可涨潮区域循环填充3次、6次后分别如图 5 d、图 5 e所示，当算法无法找到符合条件的可填充正方形，循环结束如图 5 f所示，此时对已涨潮区域(图 5 f中的绿色部分)进行步长为1的膨胀提取出的边界线如图 5 g所示。
![]()
图 5 Landsat 8遥感影像分类过程及凸图形填充过程(其中a为遥感影像原图，b为SDDT分类图(其中红色区域为海水，蓝色区域为人工养殖区，绿色区域为裸地)，c为划分“可涨潮区域”与“不可涨潮区域”后的影像，d为填充3次的结果，e为填充6次的结果，f为循环终止后的结果，g为在f的基础上进行膨胀变换提取出的海岸线)Fig. 5 Landsat 8 remote sensing image classification process and algoconvex processa is the original image of remote sensing image, and b is SDDT result (red area is sea water, blue area is artificial breeding area, green area is bare land), c is the image divided into "titl area" and "non tidal area", d is the result of filling 3 times, e is the result of filling 6 times, f is the result after the termination of the cycle, and g is the coastline extracted from f based on expansion transformation凸多边形矩形填充算法algoConvex描述如下。
1.2.3 非凸多边形的矩形填充算法
对于不可涨潮区域为非凸图形的矩形图像，遍历可涨潮区域所有边界确定最长边，填充以该边为边长的面积最大的矩形，重复以上步骤直至找到的矩形包含预先设置的标记点，最后对已填充区域进行步长为1的膨胀并提取边界线。如图 6a 所示为2017年9月29日烟台市蓬莱某沿海地区Landsat8遥感影像，对该位置海岸进行地物分类(图 6 b)之后的陆地区域特征为非凸图形，将其中“海水”部分与“砂质海岸”部分视为可涨潮区域，其它部分视为“不可涨潮区域”如图 6 c所示，分别对其执行非凸图形填充算法(algoConcave)13次、37次结果如图 6 d、6 e所示，如图 6 f所示选择适当的StopPoint位置，进一步对已填充区域进行膨胀变换提取出的边界线如图 6 g所示。
![]()
图 6 非凸图形填充算法结果a为遥感影像原图，b为SDDT分类图(其中红色区域为海水，蓝色区域为植被，黄色区域为人工建筑，绿色区域为砂质地物)，c为划分“可涨潮区域”与“不可涨潮区域”并经过图像后处理的影像，其中d为填充13次的结果，e为填充37次的结果，f为结束后的图像，g为提取出的海岸线Fig. 6 AlgoConcave resultsa is the original image of remote sensing image, b is a SDDT result (the red area is sea water, the blue area is vegetation, the yellow area is artificial building, the green area is sandy ground), and c is the image which is divided into "tidal area" and "non tidal area" and after the image processing.d is the result of filling 13 times, e is the result of filling 37 times, f is the result after the termination of the cycle, and g is the coastline extracted虽然砂质海岸区域没有明显的地物标志，但在高潮时沙滩区域大部分会被海水淹没，因此可将沙滩区域与绿地植被和建筑物之间的分界线近似为砂质岸线位置[20]。
非凸多边形矩形填充算法algoConcave描述如下。
2 结果与讨论
2.1 资源三号卫星影像实验
避免对多种类型地物混合的遥感影像的分类、裁剪、分别提取岸线、合并过程是最大矩形填充算法模拟涨潮所要解决的主要问题。本文分别选取了资源三号遥感影像、Landsat8遥感影像为数据源验证了算法在处理混合地物影像时的实验效果，同时选取了高分二号遥感影像为数据源验证了算法在处理包含海岛(礁)类型地物的遥感影像时的作用。
本文选取了2013年10月20日天津沿海地区已开发淤泥质海岸的资源三号高分辨率遥感影像，资源三号(ZY-3)卫星是中国第一颗自主的民用高分辨率立体测绘卫星，携带前视相机、后视相机、正视相机和多光谱相机四个相机。其光谱波段设置如表 2所示。
表 2 资源三号多光谱波段设置Tab. 2 Multi spectral band setting of ZY-3
图 7a 为大小1125*1996的高分遥感影像原图，该地区包含河道、养殖区、大面积的淤泥，沟壑纵横，地物存在形式复杂，直接提取海岸线的难度较大，通过对图像地物分类、区域标记、后处理并执行最大矩形填充算法模拟涨潮提取海岸线的过程如图 7 b、7 c、7 d所示。
![]()
图 7 资源三号高分卫星海岸线提取过程其中a为3、2、1波段假彩色合成影像，图b为SDDT分类图(绿色地区为养殖区，蓝色地区为海水，黄色地区为淤泥，红色地区为其它类地物)，图c为最大矩形填充算法结果(绿色地区为已涨潮区域)，图d为算法提取的海岸线Fig. 7 The process of coastline extraction from ZY-3a is false colour composite image, b is the SDDT result (the green area is breeding area, the blue area is sea water, the yellow area is silt, the red area is other kind of ground), c is the result of the maximum rectangle filling algorithm (the green area is already rising tide area), and d is the coastline extracted by the algorithm为验证本文算法提取海岸线的准确度，首先计算提取海岸线(extractLine)上全部点距实际海岸线(realLine)的最短距离，将提取海岸线上所有点表示为集合Xi∈extractLine，将实际海岸线上所有点表示为集合Yi∈realLine，进一步计算所有点最短距离的平均值，以此来衡量该算法提取出海岸线的准确性，计算公式如下：
(2) 
(3) 式中:m为海岸上线上的点集个数；
如图 8所示，图中的红色曲线为经过人工目视结合现场实际勘测所绘制的海岸线，黑色曲线为经过最大矩形填充算法模拟涨潮提取的海岸线，经过计算，提取岸线平均精度为1.75个像元。
![]()
图 8 提取岸线与实际岸线对比Fig. 8 Comparison between the extracted coastline and the actual coastline2.2 Lansat影像实验结果与分析
本文选择了2017年4月23日的Landsat 8高分遥感影像，图像大小为853 * 531。Landsat 8卫星是美国航空航天局在Landsat计划内的第8颗遥感卫星，于2013年2月发射升空，载有一台陆地成像仪(OLI)和一台热红外传感器(TIS)。本文获取的实验样本为东营市黄河入海口周边区域(图 9a )，将其中的养殖区、裸地等视为不可涨潮区域，其它区域视为可涨潮区域，使用最大矩形填充算法并提取海岸线的过程如图 9b、9c、9d所示。考虑实际情况，在提取海岸线之前保留一处面积最大的已涨潮区域，并将其它已涨潮区域标记为不可填充区域。
![]()
图 9 Landsat 8遥感影像海岸线提取过程a为3、4、5波段假彩色合成影像，b为分类图(红色为海水、绿色为淤泥、黄色为养殖区、深蓝色为裸地、浅蓝色为浪花)，c为最大矩形填充算法结果(绿色为已涨潮区域)，d为算法提取的海岸线Fig. 9 Landsat 8 remote sensing image coastline extraction processa is pseudo color synthetic image, b is a classification map (the red area is sea water, the green area is silt, the yellow area is breeding area, the dark blue area is bare land, the shallow blue area is wave), c is the MRFA results (green is already rising tide area), d is the coastline extracted by the algorithm如图 10a为按照本文算法提取的海岸线与实际海岸线的对比图，由图中可以看出，极小部分海岸线的提取结果存在误差，图 10b所示的部分区域曾经为沿海养殖区，由于年久废弃，部分区域已被淤泥覆盖，在地物区分阶段该区域被视为可涨潮区域，并在非凸图形填充过程中被填充，但由于其仍存在明显的边界线特征，在人工目视解译阶段所提取的实际海岸线与算法提取的海岸线出现了偏差，该特征在图 10c所示区域较为明显，废弃的养殖区几乎全部消失，只存在部分耐盐植物被视为可涨潮区域，因此在海岸线提取阶段产生了误差。由公式(1)计算图 10中两位置的平均精度为13.48个像元，而除此之外的其它区域平均精度达到了1.59个像元。
![]()
图 10 提取岸线、实际岸线对比与局部放大图Fig. 10 Contrast diagram between extraction coastline and actual coastline2.3 海岛(礁)遥感影像实验结果与分析
海岛(礁)在维护国家海洋权益和保障国家安全中具有特殊地位和十分重要的作用，如何实现对海岛(礁)岸线的自动化、高精度以及快速提取是值得讨论的问题[21]。经过大量实验发现，基于最大矩形填充算法模拟涨潮提取海岸线的方法在应用于海岛(礁)时同样能够发挥作用。
本文选取了2017年9月29日蓬莱岛周围附属岛屿的高分二号卫星遥感影像。于2014年8月19日成功发射的高分二号(GF-2)遥感卫星是我国自主研制的首颗空间分辨率优于1 m的民用光学遥感卫星，搭载有两台高分辨率1 m全色、4 m多光谱相机，有效地提升了卫星综合观测效能，达到了国际先进水平。其光谱波段设置如表 3所示。
表 3 高分二号卫星多光谱波段设置Tab. 3 Multi spectral band setting of GF-2
如图 11a 所示为该地区遥感影像原图，包含海岛(礁)8个，其中地物分类过程与最大矩形填充算法过程如图 11 b、11 c所示，算法成功提取出全部8个岛礁的边界线，实际岸线与提取岸线的叠加效果如图 12所示，由公式(2)计算提取出的海岸线精度达到了1.19个像元。
![]()
图 11 海岛(礁)岸线提取过程a为遥感影像原图，b为分类图(蓝色为海洋、绿色为植被、红色为人工建筑、黄色为裸地)，c为最大矩形填充算法结果(绿色为已涨潮区域)，d为算法提取的海岸线Fig. 11 Sea island (reef) coastline extraction processa is remote sensing image original map, b is a classification map (the blue area is sea, the green area is vegetation, the red area is artificial building, the yellow area is bare land), c is the maximum rectangle filling algorithm result(green is already rising tide area), d is the coastline extracted by the algorithm3 结论
(1) 本文提出了针对多种类型地物混合的区域，特别是类似东营黄河入海口大量未开发淤泥堆积区域的海岸线提取方法，避免了对遥感影像分类裁剪、分别提取岸线、拼接的复杂过程，是一种提取多类海岸混合的遥感影像海岸线的新思路。
(2) 本文采用了2013年10月20日天津沿海地区资源三号高分遥感影像验证了算法在提取高分遥感影像海岸线时的有效性；选择了2017年4月23日的东营黄河入海口Landsat 8高分遥感影像验证了算法在提取复杂地物遥感影像海岸线时的有效性；选取了2017年9月29日蓬莱岛周围附属岛屿的高分二号卫星遥感影像用以验证算法在处理海岛(礁)遥感影像时的海岸线提取效果，上述实验的海岸线提取精度均优于两个像元。
(3) 本文提出的算法更适合于处理多种类型地物混合遥感影像的海岸线提取问题，在处理刚性海岸时能够发挥优势，在处理类似砂质海岸的非刚性海岸时，算法提取出的海岸线也能够近似视为非刚性海岸的海岸线位置，但更精确的非刚性海岸的海岸线提取仍需进一步研究。
-
![]()
图 2 Landsat 8影像地物分类过程(红色为海水、黄色为养殖区、绿色区域为淤泥、蓝色区域为砂质地物)，其中(a)为5、4、3波段假彩色合成影像，(b)为SDDT算法分类结果图，(c)为划分“可涨潮区域”与“不可涨潮区域”后的影像，(d)经过后处理之后的图像
Fig. 2. Classification process of Landsat 8(the red area is sea water、the yellow area is aquaculture area、the green area is silt、the blue area is sandy ground), (a)is a false colour composite image, (b)is SDDT results, (c)is the image divided into "tidal area" and "non tidal area", (d)is the image after the post-processing
![]()
图 3 两种不同形状特征的海岸
(其中a为凸图形特征海岸、b为非凸图形特征海岸)
Fig. 3. Two coasts with different shapes
(a is a coast with convex graphic feature, b is a coast with non convex graphic feature)
![]()
图 5 Landsat 8遥感影像分类过程及凸图形填充过程
(其中a为遥感影像原图，b为SDDT分类图(其中红色区域为海水，蓝色区域为人工养殖区，绿色区域为裸地)，c为划分“可涨潮区域”与“不可涨潮区域”后的影像，d为填充3次的结果，e为填充6次的结果，f为循环终止后的结果，g为在f的基础上进行膨胀变换提取出的海岸线)
Fig. 5. Landsat 8 remote sensing image classification process and algoconvex process
a is the original image of remote sensing image, and b is SDDT result (red area is sea water, blue area is artificial breeding area, green area is bare land), c is the image divided into "titl area" and "non tidal area", d is the result of filling 3 times, e is the result of filling 6 times, f is the result after the termination of the cycle, and g is the coastline extracted from f based on expansion transformation
![]()
图 6 非凸图形填充算法结果
a为遥感影像原图，b为SDDT分类图(其中红色区域为海水，蓝色区域为植被，黄色区域为人工建筑，绿色区域为砂质地物)，c为划分“可涨潮区域”与“不可涨潮区域”并经过图像后处理的影像，其中d为填充13次的结果，e为填充37次的结果，f为结束后的图像，g为提取出的海岸线
Fig. 6. AlgoConcave results
a is the original image of remote sensing image, b is a SDDT result (the red area is sea water, the blue area is vegetation, the yellow area is artificial building, the green area is sandy ground), and c is the image which is divided into "tidal area" and "non tidal area" and after the image processing.d is the result of filling 13 times, e is the result of filling 37 times, f is the result after the termination of the cycle, and g is the coastline extracted
![]()
图 7 资源三号高分卫星海岸线提取过程
其中a为3、2、1波段假彩色合成影像，图b为SDDT分类图(绿色地区为养殖区，蓝色地区为海水，黄色地区为淤泥，红色地区为其它类地物)，图c为最大矩形填充算法结果(绿色地区为已涨潮区域)，图d为算法提取的海岸线
Fig. 7. The process of coastline extraction from ZY-3
a is false colour composite image, b is the SDDT result (the green area is breeding area, the blue area is sea water, the yellow area is silt, the red area is other kind of ground), c is the result of the maximum rectangle filling algorithm (the green area is already rising tide area), and d is the coastline extracted by the algorithm
![]()
图 8 提取岸线与实际岸线对比
Fig. 8. Comparison between the extracted coastline and the actual coastline
![]()
图 9 Landsat 8遥感影像海岸线提取过程
a为3、4、5波段假彩色合成影像，b为分类图(红色为海水、绿色为淤泥、黄色为养殖区、深蓝色为裸地、浅蓝色为浪花)，c为最大矩形填充算法结果(绿色为已涨潮区域)，d为算法提取的海岸线
Fig. 9. Landsat 8 remote sensing image coastline extraction process
a is pseudo color synthetic image, b is a classification map (the red area is sea water, the green area is silt, the yellow area is breeding area, the dark blue area is bare land, the shallow blue area is wave), c is the MRFA results (green is already rising tide area), d is the coastline extracted by the algorithm
![]()
图 10 提取岸线、实际岸线对比与局部放大图
Fig. 10. Contrast diagram between extraction coastline and actual coastline
![]()
图 11 海岛(礁)岸线提取过程
a为遥感影像原图，b为分类图(蓝色为海洋、绿色为植被、红色为人工建筑、黄色为裸地)，c为最大矩形填充算法结果(绿色为已涨潮区域)，d为算法提取的海岸线
Fig. 11. Sea island (reef) coastline extraction process
a is remote sensing image original map, b is a classification map (the blue area is sea, the green area is vegetation, the red area is artificial building, the yellow area is bare land), c is the maximum rectangle filling algorithm result(green is already rising tide area), d is the coastline extracted by the algorithm
-
[1] 高志强, 刘向阳, 宁吉才, 等.基于遥感的近30a中国海岸线和围填海面积变化及成因分析[J].农业工程学报, 2014, 30(12):140-147. http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=nygcxb201412017 [2] STANICA A, DAN S, UNGUREANU V G.Coastal changes at the Sulina mouth of the Danube River as a result of human activities[J]. Marine Pollution Bulletin, 2007, 55(10/11/12):555-563. http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=3ebf659bf06f3c13cfaa43fada019eae
[3] 范剑超, 姜大伟, 赵建华, 等.GF-3号SAR卫星遥感围填海监测方法研究——以大连金州湾为例[J].海洋科学, 2017, 41(12):60-65. http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=hykx201712009 [4] 姜大伟, 范剑超, 黄凤荣.SAR图像海岸线检测的区域距离正则化几何主动轮廓模型[J].测绘学报, 2016, 45(9):1096-1103. http://d.old.wanfangdata.com.cn/Periodical/chxb201609012 [5] WANG C Y, ZHANG J, SONG P J.An intelligent coastline interpretation of several types of seacoasts from TM/ETM+ images based on rules[J]. Acta Oceanologica Sinica, 2014, 33(7):89-96. http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=hyxb-e201407011
[6] WANG C Y, ZHANG J, MA Y.Coastline interpretation from multispectral remote sensing images using an association rule algorithm[J]. International Journal of Remote Sensing, 2010, 31(24):6409-6423. http://d.old.wanfangdata.com.cn/NSTLQK/NSTL_QKJJ0223977227/
[7] 严海兵, 李秉柏, 陈敏东.遥感技术提取海岸线的研究进展[J].地域研究与开发, 2009, 28(1):101-105. http://d.old.wanfangdata.com.cn/Periodical/dyyjykf200901021 [8] 马小峰, 赵冬至, 邢小罡, 等.海岸线卫星遥感提取方法研究[J].海洋环境科学, 2007, 26(2):185-189. http://d.old.wanfangdata.com.cn/Periodical/hyhjkx200702022 [9] 孙伟富, 马毅, 张杰, 等.不同类型海岸线遥感解译标志建立和提取方法研究[J].测绘通报, 2011(3):41-44. http://d.old.wanfangdata.com.cn/Periodical/chtb201103012 [10] RAHMAN A F, DRAGONI D, EL-MASRI B.Response of the Sundarbans coastline to sea level rise and decreased sediment flow:A remote sensing assessment[J]. Remote Sensing of Environment, 2011, 115(12):3121-3128.
[11] SAGAR S, ROBERTS D, BALA B, et al.Extracting the intertidal extent and topography of the Australian coastline from a 28 year time series of Landsat observations[J]. Remote Sensing of Environment, 2017, 195:153-169. http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=38616b963788d32e705c10b73c86d065
[12] 王常颖, 王志锐, 初佳兰, 等.基于决策树与密度聚类的高分辨率影像海岸线提取方法[J].海洋环境科学, 2017, 36(4):590-595. doi: 10.13634/j.cnki.mes20170417 [13] PURKIS S J, GARDINER R, JOHNSTON M W, et al.A half-century of coastline change in Diego Garcia-The largest atoll island in the Chagos[J]. Geomorphology, 2016, 261:282-298. http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=32b9b90d4fa56a61009bec94a52f07d2
[14] 张旭凯, 张霞, 杨邦会, 等.结合海岸类型和潮位校正的海岸线遥感提取[J].国土资源遥感, 2013, 25(4):91-97. http://d.old.wanfangdata.com.cn/Thesis/Y2333665 [15] DELLEPIANE S, DE LAURENTⅡS R, GIORDANO F.Coastline extraction from SAR images and a method for the evaluation of the coastline precision[J]. Pattern Recognition Letters, 2004, 25(13):1461-1470. http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=e9be470c4924e1fc08645f102192b53a
[16] 刘春, 殷君君, 杨健.基于混合边缘检测的极化SAR图像海岸线检测[J].系统工程与电子技术, 2016, 38(6):1262-1267. [17] 吕飞, 韩敏.基于深度极限学习机的高光谱遥感影像分类研究[J].大连理工大学学报, 2018, 58(2):166-173. http://d.old.wanfangdata.com.cn/Periodical/dllgdxxb201802009 [18] 朱长明, 张新, 骆剑承, 等.基于样本自动选择与SVM结合的海岸线遥感自动提取[J].国土资源遥感, 2013, 25(2):69-74. http://d.old.wanfangdata.com.cn/Periodical/gtzyyg201302013 [19] 耿杰, 范剑超, 初佳兰, 等.基于深度协同稀疏编码网络的海洋浮筏SAR图像目标识别[J].自动化学报, 2016, 42(4):593-604. http://d.old.wanfangdata.com.cn/Periodical/zdhxb201604010 [20] 王常颖.基于数据挖掘的遥感影像海岸带地物分类方法研究[D].青岛: 中国海洋大学, 2009. http://cdmd.cnki.com.cn/Article/CDMD-10423-2009160346.htm [21] 方亮, 付成群, 方涛, 等.基于均值漂移的海岛(礁)岸线快速提取[J].解放军理工大学学报:自然科学版, 2016, 17(5):488-492. http://d.old.wanfangdata.com.cn/Periodical/jfjlgdxxb201605014 -
期刊类型引用(2)
1. 司浚豪，邵峰晶，隋毅，孙仁诚. 基于深度学习的遥感图像水边线提取方法与应用. 海洋环境科学. 2022(02): 309-315 . 
本站查看
2. 李业钦，王常颖，隋毅，初佳兰，李劲华. 基于自动阈值分类的高分辨率影像海陆分界线自动提取. 遥感技术与应用. 2021(06): 1379-1387 . 百度学术
其他类型引用(3)
下载:
计量
- 文章访问数: 2306
- HTML全文浏览量: 2145
- PDF下载量: 33
- 被引次数: 5
