一种基于信息向量机的遥感影像海岸线提取方法技术

本发明专利技术公开了一种基于信息向量机的遥感影像海岸线提取方法，它首先获取含有海岸线信息的遥感影像，并根据遥感影像的波段信息计算归一化差值水体指数，得到NDWI影像；然后在NDWI影像上选取样本点并提取颜色、纹理特征与类别构造训练样本，训练IVM模型；再利用训练好的IVM模型自动对影像所有像元进行分类，实现遥感影像的海水与陆地的分割；最后通过灰度化与二值化的图像处理技术提取海岸线。本发明专利技术的有益效果是显著增强了在噪声污染下海岸线提取的精度，实现了海岸线快速而准确地提取，为海岸线测量、识别与分析提供一种高效的技术手段。

【技术实现步骤摘要】

本专利技术属于遥感影像海岸线提取
，涉及一种基于信息向量机的遥感影像 海岸线提取方法。
技术介绍
海岸线是划分海洋与陆地管理区域的基准线，是人类研宄海陆相互作用、用海活 动对海岸带的影响以及海岸带综合管理和近岸海域生态系统的重要内容，其变化直接改变 潮间带滩涂资源量及海岸带环境，影响人民的生存和发展，因此快速而准确的监测海岸线 的动态变化具有十分重要的意义。 传统海岸线提取较为常用的方法是采用人工外业GPS测量，但这种方法耗时费 力、效率低、工作周期长而且精度不高，难以快速而准确的提取海岸线。遥感因具有强大的 数据获取能力、大尺度、全天候、同步、高频度动态观测获取不同尺度时空信息和节省投资 等特点，克服了传统海岸线提取方法的不足。随着近年来遥感技术的不断发展、遥感影像的 分辨率不断提高和数值图像处理、人工智能等学科的不断完善，基于遥感影像的海岸线提 取方法逐渐涌现。 目前遥感影像提取海岸线常用的方法有阈值分割法、边缘检测法、神经网络分类 法和支持向量机分类法等。阈值分割法又称为密度分割法，其主要利用背景和前景灰度值 的差异，通过合适的阀值实现遥感影像的分割，从而提取海岸线。该方法仅利用遥感影像的 灰度特征，没有考虑其上下文信息，忽略了局部空间关系，而且海水与陆地的灰度值没有明 确的区分，因此对于复杂的影像分割效果较差，所提取海岸线的精度不能满足需要。边缘检 测法是通过检测遥感影像的边缘，以检测到的边缘作为海岸线。常见的有Roberts算子、 Canny算子和Sobel算子等。这类提取方法利用了遥感影像的局部空间关系，但对噪声十分 敏感，其对噪声的响应往往大于对图像边缘的响应，从而使得检测出来的遥感影像边缘模 糊，最终提取出来的海岸线很难取得令人满意的效果。随着神经网络和支持向量机被应用 到海岸线的提取，在一定程度上克服了阀值分割等传统方法的缺点，提取的海岸线精度有 所改善。但对于神经网络参数选择没有统一的准则，容易陷入局部极小值，提取结果不容易 满足工程实践要求。支持向量机对于核函数和核参数的选择缺乏理论上的指导，实际模型 中大多是靠经验和试验获取较好的模型，且计算时间和消耗内存的代价相对较大，也难以 快速而准确的提取出海岸线。 信息向量机（Informative Vector Machine, IVM)是由 Neil D. Lawrence 于 2002 年提出的一种新型的统计学习算法。该方法基于贝叶斯统计学习理论及核方法，具有参 数自适应获取、高维度及复杂非线性问题适应性强、预测输出具备概率意义等诸多优点，同 时采用基于信息熵理论的方法，从大量训练样本中优选出部分的最具信息性的样本组成 有效集（active set)，通过对有效集的学习达到与原训练样本集相近的学习效果，并结合 稀疏化核矩阵表示，从而显著降低学习的时间复杂度和空间复杂度。另外，假设密度逼近 (assumed density filtering，ADF)，亦称矩匹配（moment matching)近似方法及 KL 散度 (相对信息熵）的引入，使该方法具备了对非高斯分布噪声（如，二分类问题）情况较强的 近似处理能力。因此，本专利技术将信息向量机应用于复杂遥感影像处理，以实现复杂轮廓海岸 线快速而准确地提取。
技术实现思路
本专利技术目的是针对现有技术存在的缺陷提供一种基于信息向量机的遥感影像海 岸线提取方法，解决了现有方法对于海岸线提取效率低、精度低的问题。 本专利技术采用的技术方案按照以下步骤进行： 1)获取目标区域的TM影像，并在遥感图像处理软件ERDAS IMAGINE 9.0中进行波 段组合、几何校正、裁剪预处理，得到待提取的含有海岸线信息的遥感影像； 2)根据含有海岸线信息的遥感影像的波段信息计算归一化差值水体指数 (normalized difference water index, NDWI),得到NDWI影像，实现海水与陆地的初步区 分； 3)在得到的NDWI影像中分别选取若干个具有明显海水特征和陆地特征的海水样 本点和陆地样本点； 4)对获取的海水样本点和陆地样本点进行颜色和纹理特征的提取，并取颜色、纹 理特征值和对应的目标值构造训练样本库（Xj，yj) 1彡j彡2N，其中Xj= 为训练样本输入向量，C/，C/，C/分别表示R、G、B三个颜色通道下样本点 j的特征值，asm』, Conj, idnij, entj分别对应灰度共生矩阵的能量、对比度、相关度和j：商；y」为 训练样本输出目标值，当样本点为海水时取"-1"，当样本点为陆地时取"+1" ； 5)对整个NDWI影像的像元进行特征值的提取并将其作为测试样本的输入向量 Xy Xhs= T，M为整个影像像元个数； 6)将获得训练样本库（χ』，y』）输入信息向量机（Informative Vector Machine，IVM)，并进行训练，得到具有较好泛化能力的IVM分类器； 7)将测试样本的输入向量XJt入到训练好的IVM分类器中，得到相应的预测输出 目标y*并根据输出目标完成遥感影像的分割，实现海水与陆地的分离； 8)对得到的分割结果进行灰度化、二值化，得到整个遥感影像的海岸线； 进一步，所述步骤1)中的TM影像是指美国陆地卫星4~5号专题制图仪 (thematic mapper)所获取的多波段扫描影像，包含7个波段：TM-1~TM-7。波段组合采 用TM4、3、2 (TM4为近红外波段，TM3为红光波段，TM2为绿光波段）标准假色彩组合。 进一步，所述步骤 2)中 NDWI = (P Green- P )八 P Green+ P NIK)，P Green和 P 分别 代表绿波段和近红外波段，对应TM影像的TM2、TM4波段。 进一步，所述步骤4)所述的训练样本的输入向量&按如下步骤进行： a)获取样本点j在R、G、B三个颜色通道下的特征值，构当前第1页1 2 本文档来自技高网...

【技术保护点】
一种基于信息向量机的遥感影像海岸线提取方法，其特征在于：该方法包括如下步骤：1)获取目标区域的TM影像，并在遥感图像处理软件ERDAS IMAGINE 9.0中进行波段组合、几何校正、裁剪预处理，得到待提取的含有海岸线信息的遥感影像；2)根据含有海岸线信息的遥感影像的波段信息计算归一化差值水体指数(normalized difference water index,NDWI)，得到NDWI影像，实现海水与陆地的初步区分；3)在得到的NDWI影像中分别选取若干个具有明显海水特征和陆地特征的海水样本点和陆地样本点；4)对获取的海水样本点和陆地样本点进行颜色和纹理特征的提取，并取颜色、纹理特征值和对应的目标值构造训练样本库(xj，yj)1≤j≤2N，其中xj＝[CjR,CjG,CjB,asmj,conj,idmj,entj]为训练样本输入向量，CjR,CjG,CjB分别表示R、G、B三个颜色通道下样本点j的特征值，asmj,conj,idmj,entj分别对应灰度共生矩阵的能量、对比度、相关度和熵；yj为训练样本输出目标值，当样本点为海水时取“‑1”，当样本点为陆地时取“+1”；5)对整个NDWI影像的像元进行特征值的提取并将其作为测试样本的输入向量X*，X*＝[x1，x2，…xM]T，M为整个影像像元个数；6)将获得训练样本库(xj，yj)输入信息向量机，并进行训练，得到具有较好泛化能力的IVM分类器；7)将测试样本的输入向量X*输入到训练好的IVM分类器中，得到相应的预测输出目标y*并根据输出目标完成遥感影像的分割，实现海水与陆地的分离；8)对得到的分割结果进行灰度化、二值化，得到整个遥感影像的海岸线。...

【技术特征摘要】

【专利技术属性】
技术研发人员：苏国韶，胡小川，翟少彬，尹宏雪，赵盈，胡李华，彭立峰，
申请(专利权)人：广西大学，
类型：发明
国别省市：广西;45