基于改进U-Net的海岸线提取方法.pdf

: .
在 面向对象方法可以减少像素内部信息的干扰, 但步
海岸线监测的时效性、动态性及便利性上不具备优 骤复杂, 不能充分利用图像的隐含信息。
势。随着遥感技术的快速发展, 前人积极研究和探 随着高分辨率遥感数据源的不断增加, 以及遥
索了多种基于遥感影像提取海岸线的方法, 这些 感图像空间分辨率的不断提高, 传统的基于遥感影
方法可以大体分为 3 类: (1) 基于阈值的方法, 如 像获取海陆边界的方法在面对更清晰的纹理和更复
[7] [8] [9] [10]
OSTU 、NDWI 、MNDWI 、SMNDWI , 通过 杂的海岸带背景信息时, 很难获得较好的提取结果。
对遥感影像的不同波段归一化来提取水体。但最优
阈值的确定存在一定的难度, 此外海岸线环境复杂, 收稿日期: 2021-09-04; 修回日期: 2022-01-13
仅考虑光谱信息提取岸线准确率较低; (2) 基于图像 基金项目: 国家重点研发计划政府间重点专项项目(2017YFE0133500)
[Foundation: National Key R&D Program-Intergovernmental Key Special
中地物边缘对应的图像灰度与其周围像元灰度的不 Project, No. 2017YFE0133500]
连续特征, 通过边缘算子对海陆区域的边缘进行提 作者简介: 王蕊(1998—), 女, 山东菏泽人, 硕士研究生, 主要从事海岸带
陆海环境信息集成方法及应用研究, E-mail: ******@; 丁咚
取, 常用的方法有 Sobel[11]、Roberts[12]等一阶微分算
(1982—), 通信作者, E-mail: ******@
54 海洋科学 / 2022 年 / 第 46 卷 / 第 5 期近年来, 卷积神经网络[19](convolutional neural net- (overall accuracy, OA)、均交互比(mean intersection
works, CNN)在计算机视觉识别领域取得了巨大进步, over union, MIoU)和 F1 分数(F1-measure)。
例如目标检测[20-21]、图像分类[22-23]和语义分割[24-25]
1 原理与方法
等。现有的深度学习网络模型, 一般面向城市场景图
像 [26-28], 较少应用于空间异质性较强的岸线提取, 全卷积神经网络的概述
在对空间信息丰富的高分辨率遥感影像进行海陆分 CNN 通过卷积和池化操作提取影像的局部特征,
割时, 存在将沿海水体及悬浮泥沙浓度高的海水误分 CNN 中的全连接层将局部特征整合为抽象特征[29],
类现象,