基于跨传感器监督学习的水域岸线提取方法和系统

本技术属于计算机视觉，尤其涉及一种基于跨传感器监督学习的水域岸线提取方法和系统。

背景技术：

1、湖泊水域岸线是表征湖泊水资源空间分布、岸带演变及水陆交互过程的重要基础信息，水域岸线的精确、高效提取可为湖泊水资源核算、洪涝灾害量化评估、流域水土动态监测、河湖监管和生态评估提供科学依据。随着计算机技术、遥感科学和地理信息系统的发展，湖泊岸线监测已由传统人工调查和目视解译，逐步转向基于遥感影像的自动化、智能化、高效率和高精度监测方法。

2、鉴于sentinel-1和sentinel-2具有重访周期短、空间分辨率较高和开放获取等优势，sentinel-1/2卫星影像已经成为水域岸线遥感监测常用数据源。但是sentinel-1雷达影像水陆交界区域散射差异较弱，且山体阴影、平静水面等低后向散射区域易与水体混淆，增加了水体分类和人工标注的不确定性；sentinel-2光学影像易受云雾干扰，难以实现大范围水域岸线的连续监测。

3、目前水域岸线遥感监测最常用的方法仍为水体指数法与阈值分割方法，该类方法通常利用水体与陆地在特定波段的光谱或后向散射特性差异，在一定程度上通过指数增强这一差异后借助阈值分割将水陆二值化分离，但是该方法高度依赖人工设定的阈值，在不同时间、不同区域或不同成像条件下缺乏自适应性，难以满足大范围、多时相水域岸线连续监测的工程需求。

技术实现思路

1、本技术提供一种基于跨传感器监督学习的水域岸线提取方法和系统，利用光学遥感影像ndwi提取的水体范围作为合成孔径雷达影像的像元级监督标签，训练深度神经网络模型并对任意日期的雷达影像进行推理分割，结合变权重空间加权与形态学边界判别实现了对水域岸线的高精度提取，解决了单一数据源（光学/雷达）各自局限和边界定位精度不足，实现复杂环境下大区域湖泊岸线的全天候、多时相、高精度监测。

2、第一方面，本技术提供一种基于跨传感器监督学习的水域岸线提取方法，包括：

3、根据预设时段内获取的目标区域的sar影像和光学遥感影像，分别构建多时相双极化组合特征影像和多时相ndwi影像；

4、分别对同一月份内的两类影像依次进行像元中值聚合和有效像元占比检验，得到有效月度双极化组合特征影像和有效月度ndwi影像；

5、以参数相同的滑动窗口裁切两类有效月度影像，利用裁切得到的有效月度ndwi影像子块提取水体范围，作为裁切得到的、与有效月度ndwi影像子块时空匹配的双极化组合特征影像子块的监督标签，以构建语义分割数据集；

6、以参数相同的滑动窗口，分别裁切待推理有效多时相双极化组合特征影像与待验证有效多时相ndwi影像，得到待推理有效多时相双极化组合特征影像子块和待验证有效多时相ndwi影像子块；其中，待推理有效多时相双极化组合特征影像和待验证有效多时相ndwi影像是分别对两类多时相影像进行有效像元占比检验得到的；

7、以语义分割数据集训练语义分割模型，将待推理有效多时相双极化组合特征影像子块逐时相输入至训练后的语义分割模型，得到多时相像元二值分割结果；以待验证有效多时相ndwi影像子块提取的水体范围为参考，对时相匹配的像元二值分割结果进行可靠性验证；

8、构建中心区域权重为1、边缘区域权重为0的空间权重矩阵，对验证后的多时相像元二值分割结果进行加权融合，得到中心化多时相水体与非水体像元二值分割影像子块；

9、以中心化多时相水体与非水体像元二值分割影像子块为形态学闭运算的输入，得到水体掩膜，并对水体掩膜进行基于预设尺寸邻域的水陆边界判别；

10、对判别得到的水陆边界进行空间定位与拼接，得到目标区域的多时相完整水域岸线分布图。

11、可选地，根据预设时段内获取的目标区域的sar影像和光学遥感影像，分别构建多时相双极化组合特征影像和多时相ndwi影像，包括：

12、获取目标区域预设时段内符合预设要求的sar影像和光学遥感影像；

13、分别对预设时段内各日期的sar影像提取vv和vh极化后向散射特征并组合，得到各日期的双极化组合特征影像，汇集所有日期的双极化组合特征影像，得到多时相双极化组合特征影像；vv表示垂直发射垂直接收极化通道；vh表示垂直发射水平接收极化通道；

14、分别对预设时段内各日期的光学遥感影像提取绿光波段和近红外波段后，计算归一化水体指数ndwi，得到各日期的ndwi影像，汇集所有日期的ndwi影像，得到多时相ndwi影像。

15、可选地，分别对同一月份内的两类影像依次进行像元中值聚合和有效像元占比检验，得到有效月度双极化组合特征影像和有效月度ndwi影像，包括：

16、分别对目标月份内的所有单时相双极化组合特征影像和所有单时相ndwi影像，逐像元计算中值，得到目标月份的月度聚合双极化组合特征影像和月度聚合ndwi影像；

17、分别对目标月份的月度聚合双极化组合特征影像和月度聚合ndwi影像进行有效像元占比检验，当有效像元占比不低于预设阈值时保留影像，得到目标月份的有效月度双极化组合特征影像和有效月度ndwi影像。

18、可选地，以参数相同的滑动窗口裁切两类有效月度影像，利用裁切得到的有效月度ndwi影像子块提取水体范围，作为裁切得到的、与有效月度ndwi影像子块时空匹配的双极化组合特征影像子块的监督标签，以构建语义分割数据集，包括：

19、根据预设尺寸和滑动步长的滑动窗口，裁切有效月度双极化组合特征影像和有效月度ndwi影像，得到时空匹配的有效月度双极化组合特征影像子块和有效月度ndwi影像子块；

20、将有效月度ndwi影像子块中ndwi值大于预设阈值的像元判定为水体像元，以提取水体范围；

21、将提取的水体范围作为与有效月度ndwi影像子块时空匹配的有效月度双极化组合特征影像子块的水体监督标签，构建跨传感器监督样本；

22、对跨传感器监督样本进行校核和修正，按照预设比例将校核和修正后的跨传感器监督样本划分为训练集、验证集和测试集，组织为语义分割数据集。

23、可选地，以参数相同的滑动窗口，分别裁切待推理有效多时相双极化组合特征影像与待验证有效多时相ndwi影像，得到待推理有效多时相双极化组合特征影像子块和待验证有效多时相ndwi影像子块；其中，待推理有效多时相双极化组合特征影像和待验证有效多时相ndwi影像是分别对两类多时相影像进行有效像元占比检验得到的，包括：

24、分别对多时相双极化组合特征影像和多时相ndwi影像进行有效像元占比检验，当有效像元占比不低于预设阈值时保留影像，得到待推理有效多时相双极化组合特征影像和待验证有效多时相ndwi影像；

25、根据预设尺寸和滑动步长的滑动窗口，分别裁切待推理有效多时相双极化组合特征影像，以及与待推理有效多时相双极化组合特征影像时空匹配的待验证有效多时相ndwi影像，并对裁切得到的影像各子块进行空间定位编码，记录每一子块在裁切前影像中的行列号，得到待推理多时相双极化组合特征影像子块和待验证多时相ndwi影像子块。

26、可选地，以语义分割数据集训练语义分割模型，将待推理有效多时相双极化组合特征影像子块逐时相输入至训练后的语义分割模型，得到多时相像元二值分割结果；以待验证有效多时相ndwi影像子块提取的水体范围为参考，对时相匹配的像元二值分割结果进行可靠性验证，包括：

27、以语义分割数据集中的有效月度双极化组合特征影像子块为输入、对应的水体监督标签为监督信息，训练语义分割模型；

28、以语义分割数据集中的验证集和测试集对训练后的模型进行性能评价，采用交并比、平均交并比和像元准确率中的至少一种指标进行评价，当评价指标满足预设要求时，保留当前语义分割模型参数；

29、将待推理有效多时相双极化组合特征影像子块逐时相输入至保留当前参数的语义分割模型，逐子块对每一像元进行分类，得到多时相像元二值分割结果；其中，水体像元赋予第一预设值，非水体像元赋予第二预设值；

30、将待验证有效多时相ndwi影像子块中ndwi值大于预设阈值的像元判定为水体像元，以提取水体范围作为参考结果；

31、对多时相像元二值分割结果与待验证有效多时相ndwi影像子块进行时相匹配，基于时相匹配结果逐子块对比像元二值分割结果与同一空间位置的参考结果，以逐子块计算交并比，并统计所有子块的平均交并比；在平均交并比满足预设阈值的情况下，判定待验证有效多时相ndwi影像子块的像元二值分割结果可靠。

32、可选地，构建中心区域权重为1、边缘区域权重为0的空间权重矩阵，对验证后的多时相像元二值分割结果进行加权融合，得到中心化多时相水体与非水体像元二值分割影像子块，包括：

33、根据多时相像元二值分割结果中各影像子块的尺寸，构建与影像子块尺寸一致的第一空间权重矩阵；

34、根据距离影像子块边缘的预设像元阈值，将影像子块划分为中心区域和边缘区域；其中，中心区域为距离子块边缘大于预设像元阈值的区域；边缘区域为距离子块边缘小于等于预设像元阈值的区域；

35、将第一空间权重矩阵中对应于中心区域的元素赋值为1，对应于边缘区域的元素赋值为0，得到第二空间权重矩阵；

36、将第二空间权重矩阵与像元二值分割结果中对应的影像子块逐像元加权运算，得到加权融合后的影像子块；遍历所有子块，汇集得到中心化多时相水体与非水体像元二值分割影像子块。

37、可选地，以中心化多时相水体与非水体像元二值分割影像子块为形态学闭运算的输入，得到水体掩膜，并对水体掩膜进行基于预设尺寸邻域的水陆边界判别，包括：

38、以中心化多时相水体与非水体像元二值分割影像子块为输入，采用尺寸为m×m的矩形结构元素，迭代n次执行形态学闭运算，得到水体掩膜；

39、提取水体掩膜中所有候选边界像元；其中，候选边界像元为属于水体像元且在预设尺寸邻域内至少存在一个非水体像元的像元；

40、判断候选边界像元的预设尺寸邻域内是否同时存在水体像元和非水体像元；如果同时存在，则确定将候选边界像元作为有效水陆分界像元；如果不同时存在，则确定将候选边界像元不作为有效水陆分界像元；

41、将所有有效水陆分界像元赋予预设边界颜色及不透明度，其余像元设置为透明背景，生成水陆边界子块。

42、可选地，对判别得到的水陆边界进行空间定位与拼接，得到目标区域的多时相完整水域岸线分布图，包括：

43、获取各水陆边界子块及对应的空间定位编码；其中，空间定位编码记录各水陆边界子块在对应的有效多时相双极化组合特征影像中的行列号；

44、遍历所有水陆边界子块，以根据空间定位编码，确定各水陆边界子块在目标区域完整影像中的空间位置；

45、按照各水陆边界子块的空间位置，将所有水陆边界子块排列至对应的行列网格中，对相邻子块进行拼接，生成覆盖整个目标区域的完整水陆边界图层；

46、将完整水陆边界图层输出为栅格数字影像格式，得到目标区域的多时相完整水域岸线分布图。

47、第二方面，本技术提供一种基于跨传感器监督学习的水域岸线提取系统，包括：

48、第一构建模块，用于根据预设时段内获取的目标区域的sar影像和光学遥感影像，分别构建多时相双极化组合特征影像和多时相ndwi影像；

49、聚合检验模块，用于分别对同一月份内的两类影像依次进行像元中值聚合和有效像元占比检验，得到有效月度双极化组合特征影像和有效月度ndwi影像；

50、第二构建模块，用于以参数相同的滑动窗口裁切两类有效月度影像，利用裁切得到的有效月度ndwi影像子块提取水体范围，作为裁切得到的、与有效月度ndwi影像子块时空匹配的双极化组合特征影像子块的监督标签，以构建语义分割数据集；

51、裁切模块，用于以参数相同的滑动窗口，分别裁切待推理有效多时相双极化组合特征影像与待验证有效多时相ndwi影像，得到待推理有效多时相双极化组合特征影像子块和待验证有效多时相ndwi影像子块；其中，待推理有效多时相双极化组合特征影像和待验证有效多时相ndwi影像是分别对两类多时相影像进行有效像元占比检验得到的；

52、二值分割模块，用于以语义分割数据集训练语义分割模型，将待推理有效多时相双极化组合特征影像子块逐时相输入至训练后的语义分割模型，得到多时相像元二值分割结果；以待验证有效多时相ndwi影像子块提取的水体范围为参考，对时相匹配的像元二值分割结果进行可靠性验证；

53、加权融合模块，用于构建中心区域权重为1、边缘区域权重为0的空间权重矩阵，对验证后的多时相像元二值分割结果进行加权融合，得到中心化多时相水体与非水体像元二值分割影像子块；

54、边界判别模块，用于以中心化多时相水体与非水体像元二值分割影像子块为形态学闭运算的输入，得到水体掩膜，并对水体掩膜进行基于预设尺寸邻域的水陆边界判别；

55、边界拼接模块，用于对判别得到的水陆边界进行空间定位与拼接，得到目标区域的多时相完整水域岸线分布图。

56、有益效果：

57、本技术利用光学-雷达遥感影像间的月度跨传感器监督信息向时相sar影像水体识别迁移与泛化，解决了光学与雷达影像因成像条件差异导致的同日配对样本稀缺问题，实现了跨传感器监督样本的自动化、批量化构建，显著降低了深度学习模型训练对人工标注的依赖，大幅降低了数据制备的人力和时间成本。在此基础上，本技术训练得到的深度神经网络语义分割模型能够对任意时相sar影像进行像元级水体信息推理，能够充分发挥了sar全天时全天候成像优势，解决了单一数据源（光学/雷达）各自局限、监督样本构建成本高和边界定位精度的问题，实现了复杂环境下大区域湖泊岸线的全天候、多时相、高精度监测。进一步地，本技术通过变权重空间加权融合、形态学闭运算和邻域局部边界判别等水体边界提取手段，能够精确提取连续、平滑的水陆边界，显著提升岸线特征（如细小码头、狭窄水道等）的刻画精度。