基于高分遥感影像的潮沟提取方法[发明专利].docxVIP

PAGE

1-

基于高分遥感影像的潮沟提取方法[发明专利]

一、背景技术

(1)随着全球气候变化和人类活动的影响，沿海地区的生态环境变化日益显著，其中潮沟作为海洋生态系统的重要组成部分，其形态和分布的变化对海洋生物多样性和生态系统功能具有重要影响。因此，对潮沟的监测和提取成为海洋环境研究的重要任务。传统的潮沟提取方法主要依赖于光学遥感影像，但由于潮沟的形状复杂、纹理特征不明显，以及光照、天气等因素的影响，使得提取精度和可靠性受到限制。

(2)近年来，高分遥感技术的发展为潮沟提取提供了新的技术手段。高分遥感影像具有高空间分辨率、高光谱分辨率和较高的时间分辨率，能够提供丰富的地理信息，为潮沟提取提供了更精准的数据支持。然而，由于高分遥感影像数据量大、处理复杂，如何从海量数据中快速、准确地提取潮沟仍然是一个挑战。此外，现有的潮沟提取方法大多依赖于人工经验，缺乏自动化和智能化，难以满足大规模数据处理的实际需求。

(3)为了提高潮沟提取的自动化和智能化水平，研究者们尝试了多种方法，如基于阈值分割、边缘检测、纹理分析等传统图像处理技术，以及基于深度学习的智能提取方法。尽管这些方法在一定程度上提高了提取精度，但仍然存在提取效率低、对参数敏感、泛化能力不足等问题。因此，开发一种基于高分遥感影像的潮沟提取方法，实现自动化、智能化和高效提取，对于海洋环境监测和生态研究具有重要意义。

二、发明内容

(1)本发明提供了一种基于高分遥感影像的潮沟提取方法，旨在克服现有方法中提取精度低、自动化程度不足、对参数敏感等问题。该方法利用高分遥感影像的高空间分辨率和高光谱分辨率特点，结合深度学习技术，实现对潮沟的自动化、智能化提取。

(2)本发明采用一种改进的卷积神经网络（CNN）模型，该模型通过引入注意力机制，能够有效地关注潮沟区域的特征信息，提高提取的准确性。此外，本发明还设计了一种自适应阈值分割算法，根据潮沟区域的纹理特征和光谱特征，动态调整阈值，从而提高提取结果的鲁棒性。

(3)本发明进一步提出了一种基于多尺度特征的融合策略，将不同尺度的高分遥感影像信息进行融合，以充分利用不同尺度影像的特征信息，提高潮沟提取的精度。同时，本发明还引入了一种基于形态学运算的预处理方法，用于消除噪声和消除潮沟区域周围的非目标信息，从而提高提取结果的可靠性。

三、技术方案

(1)本发明采用深度学习技术构建潮沟提取模型，首先对高分遥感影像进行预处理，包括影像校正、辐射校正和几何校正，确保影像质量。然后，提取影像的多尺度特征，包括颜色、纹理和形状特征，以适应不同尺度的潮沟特征。

(2)基于提取的多尺度特征，构建卷积神经网络（CNN）模型，并在训练过程中引入注意力机制，以增强模型对潮沟区域特征的关注。模型训练采用交叉验证方法，通过不断调整网络参数，优化模型性能。训练完成后，模型可用于对未知区域的潮沟进行自动提取。

(3)在提取过程中，采用自适应阈值分割算法对提取的候选区域进行筛选，结合形态学运算对提取结果进行优化，去除噪声和伪目标。最后，通过后处理步骤，对提取的潮沟进行修正和融合，确保提取结果的准确性和完整性。此外，本发明还提供了一种参数优化策略，通过分析不同参数对提取结果的影响，实现最佳参数的自动选择。

四、实施例

(1)实施例中，选取了我国东部沿海某海域的高分遥感影像作为研究对象。该影像的空间分辨率为2米，光谱分辨率为10纳米，时间分辨率为1天。首先对影像进行预处理，包括几何校正、辐射校正和大气校正，以消除外界因素对影像的影响。预处理后的影像数据用于后续的潮沟提取研究。

(2)在本实施例中，采用深度学习技术构建了基于改进CNN模型的潮沟提取模型。模型训练过程中，选取了包含潮沟和非潮沟区域的样本，共计10000个，其中潮沟样本5000个，非潮沟样本5000个。通过交叉验证，将训练数据分为训练集、验证集和测试集，分别占比70%、15%和15%。模型训练过程中，采用Adam优化器，学习率为0.001，训练次数为100次。训练完成后，模型在测试集上的准确率达到92%。

(3)为了验证本发明方法的实用性，选取了实际海域的潮沟提取案例进行验证。选取的案例涉及我国南方某海域，该海域潮沟分布密集，形态复杂。将预处理后的影像数据输入到训练好的模型中，提取得到的潮沟结果与实际潮沟分布进行对比。结果表明，本发明方法提取的潮沟长度误差在5%以内，宽度误差在3%以内。此外，提取得到的潮沟面积与实际面积相差不超过10%。通过对比分析，证明本发明方法在实际应用中具有较高的提取精度和可靠性。