关注“测绘学术资讯”chxszx2018

SAR影像海岸线提取方法

张龙1,2,黄国满2,王章朋3,杨书成2

(1.山东科技大学 测绘与空间信息学院,山东 青岛 266590;

2.中国测绘科学研究院,北京 100830;

3.上海宝冶集团有限公司,上海 200941)

摘要:针对近年来人们对海岸带的开发愈加频繁,海岸线的活动变化愈加剧烈的问题,该文基于合成孔径雷达在监测多云多雾的海岸带区域所具有得天独厚的优势,梳理了国内外SAR影像水边界线提取方法的研究进展及各种方法的提取结果的优劣比较,介绍了海岸线的基本概念与分类、SAR影像海岸线监测波段的选择、从SAR影像提取的瞬时海岸线到真实海岸线的校正过程及对未来SAR影像海岸线提取的研究方向进行了展望。结果表明,联合极化特征与神经网络的提取方法,综合考虑了多极化更丰富的目标信息和神经网络分类的准确性,为目前最优的提取方法。

关键词:海岸线;水边线提取;合成孔径雷达;潮位校正

0 引言

海岸线是确定海岸带管理范围的重要依据,海岸带地区是我国经济持续稳定发展的关键地带,然而,海岸带区域是不稳定的,受到自然原因和人类活动影响,海岸带资源每时每刻都在发生着变化,海岸线变化给人类带来的灾害是渐进性的,同时也是巨大的。因此海岸线的实时监测对国家整体的发展来说非常重要,需要加强科技投入进行海岸线的监测。

相对于传统调查方式调查速度慢,周期长,测量难度大,受自然环境因素影响大,且不能全面认识到海岸线的变化等缺点来看,遥感技术具有大范围、高效率、低成本[1]等突出的优势,已成为实现海岸线提取和监测海岸线动态变化的一种重要方法。在许多的遥感传感器中,合成孔径雷达(Synthetic Aperture Radar, SAR)相比于光学传感器可以在不受时间和天气的限制下连续工作,因此利用SAR数据更适合作为海岸线监测的原始数据。本文对国内外利用SAR影像提取水边界线的方法及将水边界线校正到海岸线的流程,进行了详细的梳理和介绍,对各种方法进行结果的对比和分析,希望文章能对研究SAR影像提取海岸线方法的学者提供帮助。

1 海岸线的基本概念

我国在《海洋学术语-海洋地质学》(GB/T 18190-2017)[2]中对海岸线的定义为:“多年大潮平均高潮位时海陆分界痕迹线”,该定义与大多数文献中的提到的平均大潮高潮线[3]的含义保持一致。因此,利用遥感影像提取到水边界线并不是一个真实的海岸线,考虑到潮汐规律对海岸线的影响,在得到瞬时的水边界线后,还需要一个潮位校正[4]的过程来获得真实的海岸线。

冰川边缘线提取SAR(SAR影像海岸线提取方法)(1)

根据人们不同的作业需要,海岸线有多种分类。结合海岸线成因[5]、物质组成及人类对其利用情况[6],将海岸线分为自然岸线和人工岸线两类;又根据海岸底质特征与空间形态,将自然岸线划分为基岩海岸线、砂质海岸线、淤泥质海岸线、生物海岸线和河口海岸线;人工岸线包括堤坝、码头及道路等人工构筑物构成的岸线。

2 SAR数据波段的选择

根据电磁波的波长或频率,可以将SAR的工作频率划分为多个波段,常用的波段有L、P、S、C、X、Ku、Ka等。雷达波长越短,频率越高,穿透性越差,越容易被地物吸收。大部分海陆分界处都存在着潮间带这一过渡区域,针对潮间带湿度大,对微波的吸收能力更强的特点,选择一个合适的SAR成像波段就尤为重要。

文献[7]指出在具有低坡度、高湿度的潮间带区域,传感器接受散射能量少,因此,波长较长的波段(P波段、L波段)在接近海岸时微波的散射可能会消散;而较短的波段(C波段、X波段)在浅水区位置微波散射能量仍然活跃,从而导致不同的雷达后向散射和不同的水线位置,并利用实验指出较短波长(例如C波段或X波段)的SAR图像能够更准确地绘制水边界线位置。文献[8]利用AIRSAR(2000)L波段数据和RADARSAT-2(2008)C波段数据获得的海岸线提取结果与现场测量结果做比对,指出海岸线测量与SAR频率或所用SAR数据的波长相关联,使用C波段的RADARSAT-2 SAR数据比波长较长的AIRSAR L波段数据能更准确地绘制海岸线。且文献[9]同样通过实验证明,在众多频率的星载SAR数据中,较高的频率(C和X波段)表现更好,能够更精确地确定真实水边线位置。

3 SAR数据提取水边界线

SAR影像上水陆的分界处即为水边界线,水边界线提取的实质是影像的水陆分割问题,水陆分割的交线即为水边界线。基于SAR数据提取水边界线的方法有很多,大致可分为5类。

3.1 阈值分割方法

阈值分割方法是利用SAR影像的成像机理,根据海水对微波能量的吸收能力远远大于陆地,造成水体与陆地后向散射系数存在较大差异,水体在影像上显示为较暗区域,非水体显示为较亮区域,以此来将图像中的水陆区域分割,从而实现SAR幅度数据中水陆边界线的快速提取。因原理简单,易于实现,且结果稳定有效等特点,成为SAR影像提取水边界线的一种常用算法,主要方法有人机交互阈值选择法、密度分割法、Otsu法等。文献[10]提出了一种基于小波能量的自适应水域分割算法,算法分为粗分割和细分割两步,并应用到SAR图像,分割性能较好,克服了噪声和阴影对水域分割的影响。文献[11]基于Otsu方法和数学形态学算法,提出一种改进的水边界线检测方法,该方法以较小的计算量检测出了水边界线,并具有较好的检测效果和检测速度。文献[12]利用Otsu算法计算粗阈值粗略的划分海陆,然后基于高斯分布统计特性计算出分割的精确阈值,方法具有较高的处理精度和较快的处理速度。文献[13]针对SAR影像海陆分割过程的最佳阈值难以确定的问题,提出一种差值核估计的自适应最佳阈值确定方法,相较其他阈值分割方法有更强的实用性。

阈值分割方法具有实现简单,可得到连续水边界线的特点,但阈值确定困难、抗噪能力差的缺陷限制了该方法的适用性。

3.2 边缘检测方法

边缘检测方法是将图像中亮度变化明显的部分检测提取出来视作为图像的边缘部分。而水边界线作为海陆的分界线本身也代表着灰度的突变,因此可利用适当的边缘检测的方法提取出精确的水边界线。但SAR影像成像机制所导致的乘性的相干斑噪声会使图像边缘部分变得模糊,严重影响着边缘的获取[14],因此,光学影像中经典的边缘检测方法如Sobel、Robrets算子等梯度算子基于加性噪声,并不适用于SAR影像。针对这一问题,很多学者在检测方法上做了改进以适用于SAR影像的边缘检测。文献[15]基于均值比率(ratio of averages,RoA)边缘检测算子,提取了用不同尺度的窗口分别检测并合并结果,然后用数学形态学对结果细化以得到边缘的方法。文献[16]提出了一种将改进后的Ratio比率算子与Canny梯度算子相结合的检测方法,用于SAR影像的边缘检测,对SAR影像的噪声起明显抑制作用,且检测的正确率高。

边缘检测的方法目前已有较成熟的发展,但结果受背景及噪声的影响大,易会出现误检、漏检的现象,往往需要对结果进行优化。

3.3 影像分类方法

SAR影像分类的方法进行水边界线提取原理与阈值分割方法类似,均为将影像分割为海陆二值图像,以此来获得水边界线的位置,根本差异即利用分类器替代阈值分割中的最优阈值的选择,方法优点是可通过输入多维度的特征向量以提高提取性能。文献[17]针对水体和非水体纹理特征不同特点,提出了一种基于圆形窗口的计算图像灰度特征的新方法,结合SAR影像纹理特征,利用SVM分类器进行水边界线提取,且有较好的性能。文献[18]改进了文献[17]的方法,首先利用多尺度小波进行图像去噪,减小了相干斑噪声的干扰,再利用圆形窗灰度共生矩阵提取纹理特征,并输入到支持向量机中进行分类,最终得到水边界线。

随着神经网络的发展,影像分类方法在增加复杂度的同时大大提高水边界线提取的精度和自动化程度。文献[19]率先利用神经网络分类方法进行SAR图像水边界线的提取,他们将图像分块后输入到分类器中进行分类,得到水边界线条带后利用阈值和包容过滤器来精确定位水边界线。文献[20]设计了一种结合概率神经网络与多尺度自回归模型优点的分类器,对SAR影像进行分割进而提取水边界线。文献[21]提出了一种新的基于深度学习网络的水边界线提取算法,通过升级残差网络为主干网络分4级提取海水目标的特征进行采样,对进行滤波后的SAR影像密集分类实现海陆的分割,进而提取到瞬时的水边界线,该算法的提取精度更高,虚警和漏警减少,具有更好的性能。

3.4 活动轮廓模型法

活动轮廓模型广泛的应用于图像分割中,基本思想是使用连续曲线来表达目标轮廓,并定义一个能量泛函使得自变量包括曲线,将分割过程转变为求解能量泛函最小值的过程,当能量达到最小时的曲线位置就是目标轮廓所在。活动轮廓模型可分为以Snake模型为代表的参数活动轮廓模型和基于水平集方法的几何活动轮廓模型。文献[22]提出一种小波边缘检测算法和Snake模型算法相结合的方法进行水边线的提取,并用提取结果对水边界线的动态变化做了监测。文献[23]首先利用小波变换检测SAR图像边缘点,再利用基于梯度矢量流的Snake模型进行边缘点的连接,该方法可有效消除SAR影像中斑点噪声的影响。文献[24]提出了基于区域距离正则化几何主动轮廓模型(RDRGAC),引入了距离正则项,解决重复初始化水平集函数为符号距离函数的问题,提高了算法收敛速度,并最终验证方法的有效性。文献[25]采用新的符号压力函数对几何活动轮廓模型改进,可有效解决SAR影像中水边界线弱边界的问题,使得结果更加准确。文献[26]针对多尺度C-V模型对初始条件敏感及收敛速度低的问题,提出一种指数型多尺度影像序列生成的方法,提高了SAR影像水边界线提取的精度和效率。文献[27]利用基于区域的水平集方法(LSM)细化基于纹理的海陆粗分割结果,防止结果陷入局部最小值,该方法对噪声具有鲁棒性,且对不同类型的水边界线都具有有效的精度。

活动轮廓模型方法检测SAR影像水边界线精度高,检测结果完整,可以检测任意形状水边界线。但由于该模型的复杂程度相对其他方法较高,提取速度仍需要提升。

3.5 联合多极化方法

自20世纪90年代以来,人们提出了许多自动或半自动基于SAR的水线提取方法,早期工作大多基于单极化SAR图像。近年来,高性能极化SAR的出现引发了基于多极化SAR数据的水边界线提取技术的发展。文献[15]利用RadarSAT-2全极化和Sentinel-1双极化数据针对不同极化方式对潮间带水边界线提取做了测试,结果指出多极化数据在提取精度上要优于单极化数据。

多极化SAR影像包含着更为丰富的目标信息,利用多极化数据来增强海陆对比,是阈值分割方法基于多极化数据提取水边界线的优越性和关键。文献[28]对多极化SAR图像提取水边界线进行了一系列的研究,将HH和VV两个极化通道的互相关性与实验场景的海陆位置联系起来,从而通过比较两个通道间的互相关模值与阈值的大小对影像二值化以提取水边界线。文献[29]基于Sentinel-1双极化数据,根据水体在微波影像的特性和从NDVI、NDWI中受到的启发,提出了一种SDWI模型用于水体提取,扩大水体与其他地物间的差异,并选择合适的阈值成功分割水陆,获得水陆二值图,该方法缺点是没有去除山体阴影对水体提取的影响,以该方法为基础,可有效提取出海陆分界线,进而获得水边界线。文献[30]提出了一种基于极化特征和数学形态学的水边界线提取方法,利用极化分解获得多极化特征参数,通过数学形态学算法处理,经等值线追踪提取出水边界线。文献[31]基于多极化SAR影像,提出了一种基于Freeman极化分解方法的边缘检测子并于基于统计特性的边缘检测子融合来实现水边界线的粗检测,再利用Snake模型对水边界线进一步细化,有效的减少了强金属建筑干扰和不同海况区域导致的虚假岸线边缘。文献[32]通过两个独立的神经网络,输入4种极化的数据,使用联想神经网络(AANN)进行数据融合,采用脉冲耦合神经网络(PCNN)进行水边界线的生成,该方法有着较高的性能,可被视为从SAR数据种提取水边界线领域的最新方法。

4 水边界线的潮位校正

由遥感卫星拍摄的影像提取出的水边界线结果只能当作一个瞬时海岸线,受到潮汐[33]等因素的影响,其中,砂质海岸线和淤泥质海岸线受潮位影响最大,不能将该结果作为一个真实的海岸线,因此,要对瞬时水边界线进行校正来得到真实海岸线的位置。众多文献都采用了一种潮位校正[34-35]的方法对水边界线进行校正,基本的原理如图2所示。

冰川边缘线提取SAR(SAR影像海岸线提取方法)(2)

图中的C1和C2为2景不同时刻图像中提取出的水边线,C为平均大潮高潮线,即真实海岸线的位置。

5 方法及结果对比

选择1景位于黄河三角洲的GF-3全极化条带1(QPS1)模式的Level 1A级(即单视复影像,SLC)影像的局部区域进行海岸线提取实验。影像的成像时间为2019年3月13日,空间分辨率均为8 m。

5.1 滤波器的选择

由于SAR影像独特的成像方式,并具有多极化、相干等特点,不论是影像的预处理步骤,还是后续的提取方法,都与光学遥感影像的处理过程有很大的区别。预处理步骤主要分为3项:斑点滤波,几何校正及辐射校正。SAR影像受乘性噪声的影响,这严重妨碍了图像的可解译性,并影响了海岸线提取的准确性。消除斑点噪声是对SAR影像的处理与应用中一个重要的步骤,针对图像后续的应用目的,选择一个适合的SAR影像滤波器是尤为重要的。本文利用SAR影像滤波处理中常见的局部滤波器,分别进行均值滤波、EnLee滤波、EnFrost滤波、Gamma滤波和Sigma滤波处理(滤波器窗口尺寸均选择3×3),以裁剪后的高分3号实验数据为测试数据,各个滤波器的滤波结果如图3所示。

冰川边缘线提取SAR(SAR影像海岸线提取方法)(3)

以等效视数和边缘指数作为滤波处理的评价指标。等效视数[37]是一种衡量均匀区域的光滑性的指标,它也反映了图像相干斑噪声的强弱,等效视数值越大,相干斑噪声越弱。

边缘保持指数[38]是衡量图像经滤波处理后,滤波器对图像边缘的保持能力,其值在0~1之间,值越大,表示边缘保持能力越高。

各个滤波结果的指标对比分析如表1所示。

表1 滤波结果指标对比分析

方法

均值

标准差

ENL(等效视数)

EPI(边缘指数)

Mean

0.137 5

0.078 3

22.443 1

0.272 9

EnLee

0.149 1

0.110 5

12.206 2

0.305 0

EnFrost

0.149 4

0.105 3

13.478 8

0.287 1

Gamma

0.149 8

0.105 8

13.384 6

0.282 1

Sigma

0.148 5

0.132 9

8.405 2

0.814 0

由表1可以看出,Sigma滤波的有效视数最小,表明滤波效果最差,因此在选择滤波器时首先将这两个滤波器排除。在其余的滤波器中,Mean滤波器有效视数最高,达到22.44,但结果边缘指数最低,这表明Mean滤波器在去除斑点噪声的同时也丢失了大量的图像细节信息,因此也被排除。结合影像处理的目的是提取海岸线,边缘信息在提取过程中尤为重要,考虑剩余滤波器的边缘指数,其中EnLee滤波器和EnFrost滤波器均具有不错的边缘指数,因此这两种滤波器可当作提取海岸线应用中,SAR影像滤波预处理过程的选择。

除了利用这些常见的局部滤波器对SAR影像进行预处理外,文献[39]等人利用非局部均值滤波器对SAR影像做了滤波除了并提取海岸线,将提取结果与之前常用的局部滤波器的提取结果做了对比,发现经非局部滤波处理后的提取结果的精度及稳定性较好,目前大部分学者已将其应用到研究中[40-41]。

5.2 海岸线提取结果及对比

为控制实验变量,保证影像前期的预处理方法相同。预处理后的结果及选择的实验区域如图4框中区域所示(红、绿、蓝波段分别对应Pauli分解奇次散射分量、偶次散射分量、体散射分量),区域内海岸线类型主要为生物海岸线和河口海岸线。

冰川边缘线提取SAR(SAR影像海岸线提取方法)(4)

图4 高分3号实验数据Pauli分解假彩色合成图像

各个方法的海岸线提取结果如图5所示,其中参考海岸线由人工勾绘用以各方法提取结果的对比。

冰川边缘线提取SAR(SAR影像海岸线提取方法)(5)

由结果可以看出,Otsu阈值分割方法和Ratio算子边缘检测方法受SAR影像噪声影响较大,两种方法提取结果仍存在着大量的噪点区域,需大量人工后处理操作;剩余3种方法均可有效抑制SAR影像噪声的影响。

基于ROC[42]曲线匹配原则,选择缓冲区分析方法[43]为评价方法对结果做定量评价,主要思想是计算验证海岸线落在参考海岸线缓冲区的像素点个数,实现对提取结果的定量分析,示意图如图6所示。

冰川边缘线提取SAR(SAR影像海岸线提取方法)(6)

评价步骤为:首先以人工提取的参考海岸线为匹配标准,建立缓冲区,缓冲区宽度为20 m,以海岸线长度为权,在每种方法的结果上取NP个点,判断点相对于缓存区的位置,判定记为(true positive),缓冲区外地点个数记为(false positive);然后建立提取海岸线的缓冲区,并在参考海岸线上取NP个点,如果点落入该缓冲区,认为同提取的海岸线相匹配,点的个数记为,否则定义为不匹配,个数即为(false negative)。定义CorrectCompleteQuality 3个参数指标,分别表示海岸线提取结果的正确程度、完整程度和提取质量。

各个方法海岸线提取结果的精度对比如表2所示。

2海岸线提取结果精度对比

方法

正确度/(%)

完整度/(%)

质量/(%)

Otsu阈值分割法

81.0

84.3

70.4

Ratio边缘检测法

80.7

81.7

68.3

神经网络分类法

82.3

84.0

71.2

水平集法

84.0

87.3

75.0

联合极化特征神经网络分类方法

91.3

90.3

83.2

如表所示,Otsu阈值分割法、Ratio边缘检测法和神经网络分类法的3种指标接近,其中,Ratio边缘检测法各项指标均为最低,Otsu阈值分割法和Ratio边缘检测法虽然具有原理简单,提取时间迅速的优点,但受噪声影响大。神经网络分类法由于输入的特征维数不足,不能充分发挥神经网络分类的优势,因此各项指标也不高。水平集法相对于前3种方法指标有所提高,但其算法的复杂性影响了提取效率。联合极化特征神经网络分类方法将多种散射机制及极化模式下的特征都考虑,发挥多维数据分类的优势,该方法各项指标均为最优,具有较好的提取精度。

6 结束语

极化SAR仍是当前SAR领域研究的热门,利用SAR影像上水体的散射特征相对其他地物差异较大的特点,并结合其他提取方法可最大化海水与陆地区别,提取精度仍能进一步提高,是目前SAR影像海岸线提取领域常用的方法。

海岸带地区是人口分布密集的区域,而它又是极其脆弱和多变的,对海岸线的有效监测和测量是沿海地区测量工作的一个重点内容。针对现阶段利用SAR影像监测海岸线所存在的一些问题,提出了自己的看法及对未来的研究工作做了如下展望。

1)海岸线提取标准的统一。海岸线的定义为平均大潮高潮线,而仍有研究直接用成像时刻的瞬时水边线作为真实的海岸线,这是不可取的,不能将两类混淆,因此应利用潮汐模型将水边线校正为海岸线,以供准确的分析研究。

2)方法选择综合性。针对不同的海岸线类型,应当选择适当的提取方法,分区域的去研究,能有效提高提取精度,不应以单一的方法作为全局的观测方法,对海岸线的提取提供一种新的思路。

3)结合多源遥感数据。多源数据指多平台、多传感器、多时相的SAR数据,甚至可以结合光学遥感数据,LiDAR数据等等。利用这些不同的数据可实现优势互补,弥补单一数据源的不足,提高提取精度。

4)监测精度的可确定性。目前的海岸线提取精度评价大多是与目视提取结果进行对比,学者并不能获得官方的、准确的海岸线数据以供精度验证。因此,构建公开的标准海岸线数据集,为各种提取算法的性能评价提供统一平台,成为当前推动海岸线提取技术发展的迫切需求。

5)方法的创新性。星载SAR朝着高分辨率、多参数、多频段、多极化、多视角以及干涉SAR(InSAR)等方向发展,海岸线提取的方法也应该有所突破,如何提高已有的方法的精度及自动化程度,发掘新的可行的方法成为海岸线提取能够进一步发展的关键。

参考文献

[1] 马小峰,赵冬至,张丰收,等.海岸线卫星遥感提取方法研究进展[J].遥感技术与应用,2007,22(4):575-580. (MA Xiaofeng,ZHAO Dongzhi,ZHANG Fengshou,et al.An overview of means of withdrawing coastline by remote sensing[J].Remote Sensing Technology and Application,2007,22(4):575-580.)

[2] 国家质量监督检验检疫总局,中国国家标准化管理委员会.海洋学术语 海洋地质学:GB/T 18190—2017[S].北京:中国标准出版社,2017. (General Administration of Quality Supervision,Inspection and Quarantine of the People's Republic of China,Standardization Administration of the People's Republic of China.Oceanological terminology—Marine geology:GB/T 18190—2017[S].Beijing:Standards Press of China,2017.)

[3] 黄辰虎,冯义楷,欧阳永忠,等.半日潮特征海域平均大潮高潮面的计算方法[J].海洋测绘,2016,36(2):21-25. (HUANG Chenhu,FANG Yikai,OUYANG Yongzhong,et al.An algorithm for calculating mean high water springs at semidiurnal tide sea waters[J].Hydrographic Surveying and Charting,2016,36(2):21-25.)

[4] 韩倩倩,牛振国,吴孟泉,等.基于潮位校正的中国潮间带遥感监测及变化[J].科学通报,2019,64(4):456-473. (HAN Qianqian,NIU Zhenguo,WU Mengquan,et al.Remote-sensing monitoring and analysis of China intertidal zone changes based on tidal correction[J].Chinese Science Bulletin,2019,64(4):456-473.)

[5] 刘善伟,张杰,马毅,等.遥感与DEM相结合的海岸线高精度提取方法[J].遥感技术与应用,2011,26(5):613-618. (LIU Shanwei,ZHANG Jie,MA Yi,et al.Coastline extraction method based on remote sensing and DEM[J].Remote Sensing Technology and Application,2011,26(5):613-618.)

[6] 苏奋振.海岸带遥感评估[M].北京:科学出版社,2015:51-52. (SU Fenzhen.Remote sensing assessment of coastal zone [M].Beijing:Science Press,2015:51-52.)

[7] KIM D J,MOON W M,PARK S E,et al.Dependence of waterline mapping on radar frequency used for SAR images in intertidal areas[J].IEEE Geoscience and Remote Sensing Letters,2007,4(2):269-273.

[8] MOON W M,STAPLES G,KIM D J,et al.RADARSAT-2 and coastal applications:Surface wind,waterline,and intertidal flat roughness[J].Proceedings of the IEEE,2010,98(5):800-815.

[9] NIEDERMEIER A,HOJA D,LEHNER S.Topography and morphodynamics in the German Bight using SAR and optical remote sensing data[J].Ocean Dynamics,2005,55(2):100-109.

[10] 文江平,胡岩峰,王无敌,等.一种有效的SAR图像水陆分割方法[J].四川兵工学报,2010,31(2):108-110. (WEN Jiangping,HU Yanfeng,WANG Wudi,et al.Sichuan Journal of Ordnance Engineering [J].Sichuan Ordnance Journal,2010,31(2):108-110.)

[11] 张磊,陈海花.基于Otsu方法和数学形态学的SAR图像海岸线检测[J].微计算机信息,2011,27(7):207-208. (ZHANG Lei,CHEN Haihua.Coastline detection in SAR imagery based on Otsu algorithm and mathematical morphology[J].Microcomputer Information,2011,27(7):207-208.)

[12] 陈祥,孙俊,尹奎英,等.基于Otsu与海域统计特性的SAR图像海陆分割算法[J].数据采集与处理,2014,29(4):603-608. (CHEN Xiang,SUN Jun,YIN Kuiying,et al.Sea-land segmentation algorithm of SAR image based on otsu method and statistical characteristic of sea area[J].Journal of Data Acquisition and Processing,2014,29(4):603-608.)

[13] 王岱良,杨蕴.核估计的最佳阈值SAR图像海岸线提取[J].雷达科学与技术,2019,17(3):310-318. (WANG Dailiang,YANG Yun.Coastline extraction with optimal threshold from SAR images using kernel estimation[J].Radar Science and Technology,2019,17(3):310-318.)

[14] 邓少平,张继贤,李平湘.极化SAR影像边缘检测综述[J].计算机工程与应用,2011,47(22):1-5. (DENG Shaoping,ZHANG Jixian,LI Pingxiang.Review of edge detection from polarimetric SAR imagery[J].Computer Engineering and Applications,2011,47(22):1-5.)

[15] TOUZI R,LOPES A,BOUSQUET P.A statistical and geometrical edge detector for SAR images[J].IEEE Transactions on Geoscience and Remote Sensing,1988,26(6):764-773.

[16] 刘晓君,韩芳,赵磊.一种改进的SAR影像边缘检测方法[J].测绘通报,2017(9):56-59. (LIU Xiaojun,HAN Fang,ZHAO Lei.An improved edge detection algorithm for SAR images[J].Bulletin of Surveying and Mapping,2017(9):56-59.)

[17] WANG Yufan,YU Qiuze,LV Wentao,et al.Coastline detection in SAR images using multi-feature and SVM[C]//2011 4th International Congress on Image and Signal Processing.Shanghai,China.IEEE,2011:1227-1230.

[18] QU Guangzhou,YU Qiuze,WANG Yufan.An improved method for SAR image coastline detection based on despeckling and SVM[C]//IET International Radar Conference 2013.Xi'an.IET,2013:1-6.

[19] RYAN T W , SEMENTILLI P J , YUEN P , et al. Extraction of shoreline features by neural nets and image processing[J]. Photogrammetric Engineering and Remote Sensing; (United States), 1991, 57(7).

[20] QUAN Jinjuan,WEN Xianbin,XU Xuequan.Multiscale probabilistic neural network method for SAR image segmentation[J].Applied Mathematics and Computation,2008,205(2):578-583.

[21] 王彬,王国宇.基于改进的深度学习网络的SAR图像瞬时海岸线自动提取算法[J].系统工程与电子技术,2021,43(8):2108-2115. (WANG Bin,WANG Guoyu.Instantaneous coastline automatic extraction algorithm for SAR images based on improved deep learning network[J].Systems Engineering and Electronics,2021,43(8):2108-2115.)

[22] NIEDERMEIER A,LEHNER S,VAN DER SANDEN J.Monitoring big river estuaries using SAR images[C]//IGARSS 2001.Scanning the Present and Resolving the Future.Proceedings.IEEE 2001 International Geoscience and Remote Sensing Symposium (Cat.No.01CH37217).Sydney,NSW,Australia.IEEE,2001:1756-1758.

[23] 李林茹,高双喜,曹淑服.基于小波变换和梯度矢量流Snake模型的ERS-1 SAR图像的海岸线探测[J].河北工业科技,2004,21(4):24-26. (LI Linru,GAO Shuangxi,CAO Shufu.Detection of shoreline in SAR image based on wavelet and GVF snake model[J].Hebei Journal of Industrial Science & Technaology,2004,21(4):24-26.)

[24] 姜大伟,范剑超,黄凤荣.SAR图像海岸线检测的区域距离正则化几何主动轮廓模型[J].测绘学报,2016,45(9):1096-1103. (JIANG Dawei,FAN Jianchao,HUANG Fengrong.SAR image coastline detection based on regional distance regularized geometric active contour models[J].Acta Geodaetica et Cartographica Sinica,2016,45(9):1096-1103.)

[25] 康艳秋,魏雪云.基于几何活动轮廓模型的SAR图像海岸线检测[J].江苏科技大学学报(自然科学版),2018,32(2):257-261. (KANG Yanqiu,WEI Xueyun.Coastline detection in SAR image based on geometric active contour model[J].Journal of Jiangsu University of Science and Technology (Natural Science Edition),2018,32(2):257-261.)

[26] 胡娇静,张继贤,许君一,等.指数型多尺度影像序列的C-V模型SAR岸线快速自动分割[J].遥感学报,2018,22(3):478-486. (HU Jiaojing,ZHANG Jixian,XU Junyi,et al.Approach for rapid segmentation of coastline based on the C-V model using the exponential sequence of multi-scale SAR images[J].Journal of Remote Sensing,2018,22(3):478-486.)

[27] MODAVA M,AKBARIZADEH G,SOROOSH M.Integration of spectral histogram and level set for coastline detection in SAR images[J].IEEE Transactions on Aerospace and Electronic Systems,2019,55(2):810-819.

[28] NUNZIATA F,MIGLIACCIO M,LI Xiaofeng,et al.Coastline extraction using dual-polarimetric COSMO-SkyMed PingPong mode SAR data[J].IEEE Geoscience and Remote Sensing Letters,2014,11(1):104-108.

[29] 贾诗超,薛东剑,李成绕,等.基于Sentinel-1数据的水体信息提取方法研究[J].人民长江,2019,50(2):213-217. (JIA Shichao,XUE Dongjian,LI Chengrao,et al.Study on new method for water area information extraction based on Sentinel-1 data[J].Yangtze River,2019,50(2):213-217.)

[30] ZOU Bin,WANG Chenyi,WANG Chengyi,et al.Coastline detection based on polarimetric characteristics and mathematical morphology using PolSAR images[C]//2017 IEEE International Geoscience and Remote Sensing Symposium.Fort Worth,TX,USA.IEEE,2017:4562-4565.

[31] 刘春,殷君君,杨健.基于混合边缘检测的极化SAR图像海岸线检测[J].系统工程与电子技术,2016,38(6):1262-1267. (LIU Chun,YIN Junjun,YANG Jian.Coastline detection in polarimetric SAR images based on mixed edge detection[J].Systems Engineering and Electronics,2016,38(6):1262-1267.)

[32] DE LAURENTIIS L,LATINI D,SCHIAVON G,et al.Multi-pol sar data fusion for coastline extraction by neural networks chaining[C]//IGARSS 2020 - 2020 IEEE International Geoscience and Remote Sensing Symposium.Waikoloa,HI,USA.IEEE,2020:2085-2088.

[33] 孙孟昊,蔡玉林,顾晓鹤,等.基于潮汐规律修正的海岸线遥感监测[J].遥感信息,2019,34(6):105-112. (SUN Menghao,CAI Yulin,GU Xiaohe,et al.Coastline remote sensing monitoring based on tidal level correction[J].Remote Sensing Information,2019,34(6):105-112.)

[34] GUAN Minglei,LI Qingquan,ZHU Jiasong,et al.A method of establishing an instantaneous water level model for tide correction[J].Ocean Engineering,2019,171:324-331.

[35] 王靖雯,牛振国.基于潮位校正的盐城滨海潮间带遥感监测及变化分析[J].海洋学报,2017,39(5):149-160. (WANG Jingwen,NIU Zhenguo.Remote-sensing analysis of Yancheng intertidal zones based on tidal correction[J].Acta Oceanologica Sinica,2017,39(5):149-160.)

[36] 暴景阳,许军,关海波.平均大潮高潮面的计算方法与比较[J].海洋测绘,2013,33(4):1-5. (BAO Jingyang,XU Jun,GUAN Haibo.The algorithms for calculation of the mean high water spring and their comparison[J].Hydrographic Surveying and Charting,2013,33(4):1-5.)

[37] LIU Tao,CUI Haogui,XI Zemin,et al.Novel estimators of equivalent number of looks in polarimetric SAR imagery based on sub-matrices[J].Science China Information Sciences,2016,59(6):1-13.

[38] MURUGESAN K,BALASUBRAMANI P,MURUGAN P R.A quantitative assessment of speckle noise reduction in SAR images using TLFFBP neural network[J].Arabian Journal of Geosciences,2020,13(1):1-17.

[39] URCIUOLI A,BUONO A,NUNZIATA F,et al.Analysis of local-and non-local filters for multi-polarization SAR coastline extraction applications[C]//2019 IEEE 5th International forum on Research and Technology for Society and Industry.Florence,Italy.IEEE,2019:28-33.

[40] SCHMITT M,BAIER G,ZHU Xiao xiang.Potential of nonlocally filtered pursuit monostatic TanDEM-X data for coastline detection[J].ISPRS Journal of Photogrammetry and Remote Sensing,2019,148:130-141.

[41] FERRENTINO E,BUONO A,NUNZIATA F,et al.On the use of multipolarization satellite SAR data for coastline extraction in harsh coastal environments:The case of Solway firth[J].IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing,,14:249-257.

[42] ZOU K H,O'MALLEY A J,MAURI L.Receiver-operating characteristic analysis for evaluating diagnostic tests and predictive models[J].Circulation,2007,115(5):654-657.

[43] LI Yu,LI J,LU Yao.A fuzzy segmentation-based approach to extraction of coastlines from ikonos imagery[J].Geomatica,2008,62(4):407-417.

作者简介:张龙(1998—),男,山东聊城人,硕士研究生,主要研究方向为SAR影像数据处理。

E-mail:286128502@qq.com(zl286128502@foxmail.com)

基金项目:高分辨率对地观测重大专项航空观测系统(30-H30C01-9004-19/21)

通信作者:黄国满 研究员 E-mail: Huang.Guoman@163.com

,