论文部分内容阅读
粤港澳大湾区是中国经济活力最强的区域之一,由于发展速度快,湿地破坏、海岸侵蚀等生态问题越来越严重。海岸线的自动化提取以及沿海土地地物分类的工作对于粤港澳大湾区的生态文明建设具有重要的现实意义。随着深度神经网络技术的快速发展,基于深度神经网络的边缘检测算法在精度方面较传统边缘检测算法有了较大程度的提升,以此为基础进行的陆地海洋分界线提取的性能也随之提高。结合研究区域的气象特点,制定了利用Sentinel-1A遥感卫星图像数据提取海岸线的方案。基于富卷积特征,提出了一种水边线提取算法,并针对不同的海岸类型采取不同的策略完成海岸线提取。同时,将形态学图像处理技术与富卷积特征提取技术结合起来,可以更好的适用于Sentinel-1A图像。随后,对比传统方法,新提出的水边线提取方法可以得到更连续、精度更高的水边线,并利用控制点进行精度评测。与传统方法中性能效果最好的Canny边缘检测算法对比,本方法提升了11.45%的检测精度。此外,还研究并实现了基于PSPNet和Link Net的六种分类网络,用于完成沿海土地地物分类。分类方法以Terra SAR-X图像为基础数据。通过分类结果和混淆矩阵发现,backbone为VGG16的PSPNet分类网络可以达到最优的分类效果,其PA,MPA,MI o U,Kappa系数分别为87.15%,81.21%,66.36%,81.56%,普遍优于其他五种网络。在地物类别方面,水体的分类精度最高,六种网络都可达到96%以上。林地和建设用地也有不错的分类精度,并且在不同的网络中,性能表现较为一致。同时,裸地和道路由于样本比例较低,分类误差略大,在各网络中存在不一致性。