Automatic Semi-Global Artificial Shoreline Subpixel Localization Algorithm for Landsat Imagery
陆地卫星图像半全局海岸线亚像元自动化定位算法
成果信息
Song, Y.; Liu, F.; Ling, F.; Yue, L. Automatic Semi-Global Artificial Shoreline Subpixel Localization Algorithm for Landsat Imagery. Remote Sens. 2019, 11, 1779.
DOI: https://doi.org/10.3390/rs11151779
项目支持：地质探测与评估教育部重点实验室主任基金（中央高校基本科研业务费，项目资助编号：CUG2019ZR09）
团队成员：
宋妍，博士，中国地质大学（武汉）华人策略研究论坛，副教授，硕士生导师，主要从事遥感变化检测方法，遥感影像配准等方面的研究。（联系邮箱：songyan@cug.edu.cn）
刘帆，硕士研究生，中国地质大学（武汉）华人策略研究论坛，研究方向：亚像元提取，海岸线定位。
凌峰，博士，中科院测量与地球物理研究所环境与灾害监测评估重点实验室，研究员，主要从事遥感信息提取及遥感技术在资源环境领域的应用研究工作，遥感影像尺度转换、多源遥感信息融合及全球变化关键因子遥感监测等方面研究。
岳林蔚，博士，特任副教授，硕士生导师，主要的研究方向包括：空间数据质量改善，多源遥感数据融合，图像超分辨率重建，冰川及水环境协同监测分析等。
成果介绍：
遥感数据具有宏观、高效、空间和时间尺度大的优点，现已被广泛用于海岸线测绘。然而，遥感影像空间分辨率低、海岸线形态多样、近海环境复杂，都会影响海岸线的准确定位。基于此，本文提出了一种半全局海岸线亚像元定位方法，该算法的基本思想是将海岸线亚像元定位问题简化为分段海岸线拟合问题。在充分考虑海岸线复杂形态的基础上，提取多尺度海岸线形态控制点；通过海岸线自适应分段方法选择合适的多尺度海岸线形态控制点组成海岸线形态控制点集；通过海岸线形态控制点集将海岸线分割为相对简单的海岸线段（即半全局范围），确保每一段海岸线段都能被多项式函数拟合；在每一条海岸线段中，通过设置合适的局部窗口，减少强度积分误差，利用最小二乘法求解多项式函数系数，实现海岸线的亚像元定位。
为了验证方法的有效性与适应性，基于高分二号上目视解译的参考海岸线，本文从landsat8 OLI图像中选择了5条具有不同海岸环境、不同形态、不同类型海岸线作为实验区域，算法提取的视觉效果如图1，对提取结果进行精度分析，结果如表1。其中，均方根误差（RMSE）范围为3.02米到4.77米；线匹配度（LM）范围从2.51米到3.72米，这说明本文算法对不同形态的海岸线具有一定的有效性和适用性，且具有稳定的亚像元定位精度。除此之外，本文通过比较亚像元海岸线提取结果与参考海岸线的长度，验证了算法对海岸线细节的保存性，结果如表2。
 (a) |
 (b) |
 (c) |
 (d) |
 (e) |
 (f) |
 (g) |
 (h) |
 (i) |
 (j) |
 (k) |
 (l) |
 (m) |
 (n) |
 (o) |
 (p) |
 (q) |
 (r) |
 (s) |
 (t) |
图1.试验区1-5的视觉效果对比图。原始影像(R: band5, G: band4,B: band3)如第一列所示，即(a),(e),(i),(m),(q)，最终的形态学控制点和分段海岸线如第二列(b),(f),(j),(n),(r)所示，亚像元海岸线如第三列(c),(g),(k),(o),(s)所示，第四列(d),(h),(l),(p),(t)为第三列放大后的图像。
表1.试验区精度评价表
试验区 |
MAE (m) |
SD(m) |
RMSE(m) |
LM(m) |
1 |
2.94 |
1.93 |
3.51 |
2.87 |
2 |
3.34 |
2.16 |
3.97 |
3.30 |
3 |
3.67 |
3.06 |
4.77 |
3.72 |
4 |
2.72 |
2.61 |
3.77 |
2.77 |
5 |
2.48 |
1.72 |
3.02 |
2.51 |
表2.亚像元海岸线长度与参考岸线长度对比
试验区 |
1 |
2 |
3 |
4 |
5 |
亚像元岸线长度 (m) |
3206.22 |
3000.19 |
2739.38 |
6324.41 |
3572.84 |
参考岸线长度 (m) |
3205.25 |
2994.95 |
2675.57 |
6236.77 |
3571.32 |
长度差值比 |
0.03% |
0.17% |
2.33% |
1.39% |
0.04% |
此外，我们评估了算法在不同的椒盐噪声密度下的性能，与Trujillo-Pino提出的PAE亚像元算法相比，随着噪声百分比的增加，PAE亚像元化结果精度越来越低，而本文提出的SGSSL方法提取的结果保持较高的稳定性，亚像元定位精度（MAE）均小于3.5米。这表明本文提出的半全局海岸线亚像元定位算法对复杂近海环境和椒盐噪声具有鲁棒性。
 |
 |
(a) |
(b) |
图２. PAE和SGSSL在不同噪声百分比情况下的误差对比图
