一种基于深度学习的海岸线变化分析方法与流程

技术特征：
1.一种基于深度学习的海岸线变化分析方法，其特征在于：所述方法具体过程为：步骤一、选择所研究区域的海岸线数据集，将海岸线数据集分为训练集和测试集；构建神经网络，将训练集输入神经网络进行训练，得到训练完成的网络，将测试集输入神经网络进行测试，输出海岸线类型，若测试结果满足要求得到训练好的神经网络，若测试结果不满足要求则通过调整模型参数或训练数据集重新进行训练，直至得到训练好的神经网络；所述训练集包括多时相海岸线遥感影像和对应的海岸线类型；步骤二、对多时相海岸线遥感影像进行处理，得到处理后的多时相海岸线遥感影像；将处理后的多时相海岸线遥感影像输入训练好的神经网络，获得处理后的多时相海岸线遥感影像对应的海岸线类型；步骤三、基于步骤二得到的海岸线类型，提取海岸线，获得海岸线图像；步骤四、基于步骤三获得的海岸线图像，检测海岸线的位置变化，计算海岸线长度变化速率，以及海岸线侵蚀或淤积速率。2.根据权利要求1所述一种基于深度学习的海岸线变化分析方法，其特征在于：所述步骤一中选择所研究区域的海岸线数据集，将海岸线数据集分为训练集和测试集；构建神经网络，将训练集输入神经网络进行训练，得到训练完成的网络，将测试集输入神经网络进行测试，输出海岸线类型，若测试结果满足要求得到训练好的神经网络，若测试结果不满足要求则通过调整模型参数或训练数据集重新进行训练，直至得到训练好的神经网络；具体过程为：步骤一一、选择所研究区域的海岸线数据集，将海岸线数据集分为训练集和测试集，其中训练集和测试集比例为4：1；步骤一二、分别构建vgg16、mobilenet、resnet、inception
‑
resnet和xception神经网络，将训练集输入不同神经网络进行训练；步骤一三、将测试集输入不同神经网络进行测试，输出海岸线类型，若测试结果满足要求得到训练好的不同神经网络，若测试结果满足要求得到训练好的神经网络，若测试结果不满足要求则通过调整模型参数或训练数据集重新进行训练，直至得到训练好的神经网络。3.根据权利要求2所述一种基于深度学习的海岸线变化分析方法，其特征在于：所述步骤二中对多时相海岸线遥感影像进行处理，得到处理后的多时相海岸线遥感影像；将处理后的多时相海岸线遥感影像输入训练好的神经网络，获得处理后的多时相海岸线遥感影像对应的海岸线类型；具体过程为：对多时相海岸线遥感影像进行图像去均值和裁剪，得到感兴趣的遥感影像区域；将得到的感兴趣的遥感影像区域根据实际需要输入合适的训练好的神经网络，获得处理后的多时相海岸线遥感影像的海岸线类型。4.根据权利要求3所述一种基于深度学习的海岸线变化分析方法，其特征在于：所述步骤三中基于步骤二得到的海岸线类型，提取海岸线，获得海岸线图像；具体过程为：步骤三一、基于步骤二得到的海岸线类型，采用归一化水体指数对海岸线进行提取；步骤三二、基于步骤二得到的海岸线类型，采用hed网络对海岸线进行提取；
步骤三三、对比步骤三一和步骤三二提取方式在不同的海岸线类型上的提取效果，确定不同的海岸线类型应选取的提取方式。5.根据权利要求4所述一种基于深度学习的海岸线变化分析方法，其特征在于：所述步骤三一中基于步骤二得到的海岸线类型，采用归一化水体指数对海岸线进行提取，过程为：计算归一化水体指数，设置阈值，将归一化水体指数和阈值进行比较，当归一化水体指数大于阈值时，识别为水体，当归一化水体指数小于等于阈值时，识别为陆地，得到水陆分割图像，通过填充空白区域处理方式对水陆分割图像进行处理，得到处理后的水陆识别图像，采用边缘算子对处理后的水陆识别图像进行提取，获得准确的海岸线；所述归一化水体指数计算方式如下：ndwi＝(p(green)
‑
p(nir))/(p(green) p(nir))其中，p(green)代表遥感影像绿色波段的灰度大小，p(nir)代表遥感影像红外波段的灰度大小。6.根据权利要求5所述一种基于深度学习的海岸线变化分析方法，其特征在于：所述步骤三二中基于步骤二得到的海岸线类型，采用hed网络对海岸线进行提取，过程为：首先构建hed网络，利用bsds300数据集对hed网络进行训练，得到训练好的hed网络，将步骤二得到的已知海岸线类型的多时相海岸线遥感影像的rgb波段输入训练好的hed网络进行海岸线边缘提取，得到提取后的海岸线边缘，采用图像膨胀和腐蚀处理方式对提取后的海岸线边缘进行处理，获得准确的海岸线。7.根据权利要求6所述一种基于深度学习的海岸线变化分析方法，其特征在于：所述步骤四中基于步骤三获得的海岸线图像，检测海岸线的位置变化，计算海岸线长度变化速率，以及海岸线侵蚀或淤积速率；具体过程为：步骤四一、计算海岸线长度变化速率，具体过程为：首先对步骤三提取的海岸线图像进行二值化，计算非空白像素点的个数，将非空白像素点的个数乘以步骤三提取的海岸线图像的分辨率得到海岸线长度，根据不同时相图像中得到的海岸线长度计算海岸线长度变化速率；步骤四二、计算海岸线的侵蚀或淤积速率。8.根据权利要求7所述一种基于深度学习的海岸线变化分析方法，其特征在于：所述步骤四二中计算海岸线的侵蚀或淤积速率，具体过程为：对步骤三提取的海岸线图像进行数字化处理，即把图像中的像素点转化为笛卡尔坐标系中的坐标点；选取进行数字化处理后的海岸线图像的部分区域，利用光滑样条拟合的方法对选取的部分区域进行海岸线形状拟合，得到拟合海岸线图像；基于得到的拟合海岸线图像，从得到的拟合海岸线图像中选取时间最早的一条海岸线位置为基准线，垂直于基准线选取不同的剖面，在相应的剖面上计算海岸线的迁移距离，基于海岸线迁移的距离计算海岸线的侵蚀或淤积速率，结果的正负值分别代表海岸线的侵蚀和淤积。9.根据权利要求8所述一种基于深度学习的海岸线变化分析方法，其特征在于：所述在相应的剖面上计算海岸线的迁移距离具体过程为：利用拟合海岸线图像确定海岸线像素点迁移后的大致位置，然后对确定的大致位置的
像素点进行插值，得到迁移像素点位置，得到海岸线迁移的距离。10.根据权利要求9所述一种基于深度学习的海岸线变化分析方法，其特征在于：所述基于海岸线迁移的距离计算海岸线的侵蚀或淤积速率，计算方式如下：其中，d1和d2分别为t1和t2时的海岸线位置数据；t1和t2分别对应海岸线迁移前后时间。

技术总结
一种基于深度学习的海岸线变化分析方法，本发明涉及海岸线变化分析方法。本发明的目的是为了解决现有岸线类型复杂，难以实现岸线类型精确分类；针对不同类型岸线，岸线提取准则不同；以及给定多时相遥感图像，如何实现大场景中的海岸线精确提取的问题。过程为：步骤一、选择所研究区域的海岸线数据集；构建神经网络，得到训练好的神经网络；步骤二、得到处理后的多时相海岸线遥感影像，输入训练好的神经网络，获得处理后的多时相海岸线遥感影像对应的海岸线类型；步骤三、基于得到的海岸线类型，提取海岸线，获得海岸线图像；步骤四、基于获得的海岸线图像，检测海岸线的位置变化，计算海岸线侵蚀或淤积速率。本发明用于海岸线变化分析领域。领域。领域。


技术研发人员：刘天竹 张献豪 谷延锋
受保护的技术使用者：哈尔滨工业大学
技术研发日：2021.08.02
技术公布日：2021/11/9