一種基于信息向量機(jī)的遙感影像海岸線提取方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于遙感影像海岸線提取技術(shù)領(lǐng)域，涉及一種基于信息向量機(jī)的遙感影像 海岸線提取方法。
【背景技術(shù)】
[0002] 海岸線是劃分海洋與陸地管理區(qū)域的基準(zhǔn)線，是人類研宄海陸相互作用、用?；?動(dòng)對(duì)海岸帶的影響以及海岸帶綜合管理和近岸海域生態(tài)系統(tǒng)的重要內(nèi)容，其變化直接改變 潮間帶灘涂資源量及海岸帶環(huán)境，影響人民的生存和發(fā)展，因此快速而準(zhǔn)確的監(jiān)測(cè)海岸線 的動(dòng)態(tài)變化具有十分重要的意義。
[0003] 傳統(tǒng)海岸線提取較為常用的方法是采用人工外業(yè)GPS測(cè)量，但這種方法耗時(shí)費(fèi) 力、效率低、工作周期長(zhǎng)而且精度不高，難以快速而準(zhǔn)確的提取海岸線。遙感因具有強(qiáng)大的 數(shù)據(jù)獲取能力、大尺度、全天候、同步、高頻度動(dòng)態(tài)觀測(cè)獲取不同尺度時(shí)空信息和節(jié)省投資 等特點(diǎn)，克服了傳統(tǒng)海岸線提取方法的不足。隨著近年來(lái)遙感技術(shù)的不斷發(fā)展、遙感影像的 分辨率不斷提高和數(shù)值圖像處理、人工智能等學(xué)科的不斷完善，基于遙感影像的海岸線提 取方法逐漸涌現(xiàn)。
[0004] 目前遙感影像提取海岸線常用的方法有閾值分割法、邊緣檢測(cè)法、神經(jīng)網(wǎng)絡(luò)分類 法和支持向量機(jī)分類法等。閾值分割法又稱為密度分割法，其主要利用背景和前景灰度值 的差異，通過(guò)合適的閥值實(shí)現(xiàn)遙感影像的分割，從而提取海岸線。該方法僅利用遙感影像的 灰度特征，沒(méi)有考慮其上下文信息，忽略了局部空間關(guān)系，而且海水與陸地的灰度值沒(méi)有明 確的區(qū)分，因此對(duì)于復(fù)雜的影像分割效果較差，所提取海岸線的精度不能滿足需要。邊緣檢 測(cè)法是通過(guò)檢測(cè)遙感影像的邊緣，以檢測(cè)到的邊緣作為海岸線。常見(jiàn)的有Roberts算子、 Canny算子和Sobel算子等。這類提取方法利用了遙感影像的局部空間關(guān)系，但對(duì)噪聲十分 敏感，其對(duì)噪聲的響應(yīng)往往大于對(duì)圖像邊緣的響應(yīng)，從而使得檢測(cè)出來(lái)的遙感影像邊緣模 糊，最終提取出來(lái)的海岸線很難取得令人滿意的效果。隨著神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)被應(yīng)用 到海岸線的提取，在一定程度上克服了閥值分割等傳統(tǒng)方法的缺點(diǎn)，提取的海岸線精度有 所改善。但對(duì)于神經(jīng)網(wǎng)絡(luò)參數(shù)選擇沒(méi)有統(tǒng)一的準(zhǔn)則，容易陷入局部極小值，提取結(jié)果不容易 滿足工程實(shí)踐要求。支持向量機(jī)對(duì)于核函數(shù)和核參數(shù)的選擇缺乏理論上的指導(dǎo)，實(shí)際模型 中大多是靠經(jīng)驗(yàn)和試驗(yàn)獲取較好的模型，且計(jì)算時(shí)間和消耗內(nèi)存的代價(jià)相對(duì)較大，也難以 快速而準(zhǔn)確的提取出海岸線。
[0005] 信息向量機(jī)（Informative Vector Machine, IVM)是由 Neil D. Lawrence 于 2002 年提出的一種新型的統(tǒng)計(jì)學(xué)習(xí)算法。該方法基于貝葉斯統(tǒng)計(jì)學(xué)習(xí)理論及核方法，具有參 數(shù)自適應(yīng)獲取、高維度及復(fù)雜非線性問(wèn)題適應(yīng)性強(qiáng)、預(yù)測(cè)輸出具備概率意義等諸多優(yōu)點(diǎn)，同 時(shí)采用基于信息熵理論的方法，從大量訓(xùn)練樣本中優(yōu)選出部分的最具信息性的樣本組成 有效集（active set)，通過(guò)對(duì)有效集的學(xué)習(xí)達(dá)到與原訓(xùn)練樣本集相近的學(xué)習(xí)效果，并結(jié)合 稀疏化核矩陣表示，從而顯著降低學(xué)習(xí)的時(shí)間復(fù)雜度和空間復(fù)雜度。另外，假設(shè)密度逼近 (assumed density filtering，ADF)，亦稱矩匹配（moment matching)近似方法及 KL 散度 (相對(duì)信息熵）的引入，使該方法具備了對(duì)非高斯分布噪聲（如，二分類問(wèn)題）情況較強(qiáng)的 近似處理能力。因此，本發(fā)明將信息向量機(jī)應(yīng)用于復(fù)雜遙感影像處理，以實(shí)現(xiàn)復(fù)雜輪廓海岸 線快速而準(zhǔn)確地提取。

【發(fā)明內(nèi)容】

[0006] 本發(fā)明目的是針對(duì)現(xiàn)有技術(shù)存在的缺陷提供一種基于信息向量機(jī)的遙感影像海 岸線提取方法，解決了現(xiàn)有方法對(duì)于海岸線提取效率低、精度低的問(wèn)題。
[0007] 本發(fā)明采用的技術(shù)方案按照以下步驟進(jìn)行：
[0008] 1)獲取目標(biāo)區(qū)域的TM影像，并在遙感圖像處理軟件ERDAS IMAGINE 9.0中進(jìn)行波 段組合、幾何校正、裁剪預(yù)處理，得到待提取的含有海岸線信息的遙感影像；
[0009] 2)根據(jù)含有海岸線信息的遙感影像的波段信息計(jì)算歸一化差值水體指數(shù) (normalized difference water index, NDWI),得到NDWI影像，實(shí)現(xiàn)海水與陸地的初步區(qū) 分；
[0010] 3)在得到的NDWI影像中分別選取若干個(gè)具有明顯海水特征和陸地特征的海水樣 本點(diǎn)和陸地樣本點(diǎn)；
[0011] 4)對(duì)獲取的海水樣本點(diǎn)和陸地樣本點(diǎn)進(jìn)行顏色和紋理特征的提取，并取顏色、紋 理特征值和對(duì)應(yīng)的目標(biāo)值構(gòu)造訓(xùn)練樣本庫(kù)（Xj，yj) 1彡j彡2N，其中Xj= [C /，C/，C/，asm」 ，con」，ictaj，entj]為訓(xùn)練樣本輸入向量，C/，C/，C/分別表示R、G、B三個(gè)顏色通道下樣本點(diǎn) j的特征值，asm』, Conj, idnij, entj分別對(duì)應(yīng)灰度共生矩陣的能量、對(duì)比度、相關(guān)度和j：商；y」為 訓(xùn)練樣本輸出目標(biāo)值，當(dāng)樣本點(diǎn)為海水時(shí)取"-1"，當(dāng)樣本點(diǎn)為陸地時(shí)取"+1" ；
[0012] 5)對(duì)整個(gè)NDWI影像的像元進(jìn)行特征值的提取并將其作為測(cè)試樣本的輸入向量 Xy Xhs= [X ^ x2，…xM]T，M為整個(gè)影像像元個(gè)數(shù)；
[0013] 6)將獲得訓(xùn)練樣本庫(kù)（χ』，y』）輸入信息向量機(jī)（Informative Vector Machine，IVM)，并進(jìn)行訓(xùn)練，得到具有較好泛化能力的IVM分類器；
[0014] 7)將測(cè)試樣本的輸入向量XJt入到訓(xùn)練好的IVM分類器中，得到相應(yīng)的預(yù)測(cè)輸出 目標(biāo)y*并根據(jù)輸出目標(biāo)完成遙感影像的分割，實(shí)現(xiàn)海水與陸地的分離；
[0015] 8)對(duì)得到的分割結(jié)果進(jìn)行灰度化、二值化，得到整個(gè)遙感影像的海岸線；
[0016] 進(jìn)一步，所述步驟1)中的TM影像是指美國(guó)陸地衛(wèi)星4~5號(hào)專題制圖儀 (thematic mapper)所獲取的多波段掃描影像，包含7個(gè)波段：TM-1~TM-7。波段組合采 用TM4、3、2 (TM4為近紅外波段，TM3為紅光波段，TM2為綠光波段）標(biāo)準(zhǔn)假色彩組合。
[0017] 進(jìn)一步，所述步驟 2)中 NDWI = (P Green- P )八 P Green+ P NIK)，P Green和 P 分別 代表綠波段和近紅外波段，對(duì)應(yīng)TM影像的TM2、TM4波段。
[0018] 進(jìn)一步，所述步驟4)所述的訓(xùn)練樣本的輸入向量&按如下步驟進(jìn)行：
[0019] a)獲取樣本點(diǎn)j在R、G、B三個(gè)顏色通道下的特征值，構(gòu)