[发明专利]一种基于深度学习的海岸线变化分析方法

权利要求书

1.一种基于深度学习的海岸线变化分析方法，其特征在于：所述方法具体过程为：

步骤一、选择所研究区域的海岸线数据集，将海岸线数据集分为训练集和测试集；

构建神经网络，将训练集输入神经网络进行训练，得到训练完成的网络，将测试集输入神经网络进行测试，输出海岸线类型，若测试结果满足要求得到训练好的神经网络，若测试结果不满足要求则通过调整模型参数或训练数据集重新进行训练，直至得到训练好的神经网络；

所述训练集包括多时相海岸线遥感影像和对应的海岸线类型；

步骤二、对多时相海岸线遥感影像进行处理，得到处理后的多时相海岸线遥感影像；

将处理后的多时相海岸线遥感影像输入训练好的神经网络，获得处理后的多时相海岸线遥感影像对应的海岸线类型；

步骤三、基于步骤二得到的海岸线类型，提取海岸线，获得海岸线图像；

步骤四、基于步骤三获得的海岸线图像，检测海岸线的位置变化，计算海岸线长度变化速率，以及海岸线侵蚀或淤积速率；

所述步骤三中基于步骤二得到的海岸线类型，提取海岸线，获得海岸线图像；具体过程为：

步骤三一、基于步骤二得到的海岸线类型，采用归一化水体指数对海岸线进行提取；

步骤三二、基于步骤二得到的海岸线类型，采用HED网络对海岸线进行提取；

步骤三三、对比步骤三一和步骤三二提取方式在不同的海岸线类型上的提取效果，确定不同的海岸线类型应选取的提取方式；

所述步骤三二中基于步骤二得到的海岸线类型，采用HED网络对海岸线进行提取，过程为：

首先构建HED网络，利用BSDS300数据集对HED网络进行训练，得到训练好的HED网络，将步骤二得到的已知海岸线类型的多时相海岸线遥感影像的RGB波段输入训练好的HED网络进行海岸线边缘提取，得到提取后的海岸线边缘，采用图像膨胀和腐蚀处理方式对提取后的海岸线边缘进行处理，获得准确的海岸线。

2.根据权利要求1所述一种基于深度学习的海岸线变化分析方法，其特征在于：所述步骤一中选择所研究区域的海岸线数据集，将海岸线数据集分为训练集和测试集；

构建神经网络，将训练集输入神经网络进行训练，得到训练完成的网络，将测试集输入神经网络进行测试，输出海岸线类型，若测试结果满足要求得到训练好的神经网络，若测试结果不满足要求则通过调整模型参数或训练数据集重新进行训练，直至得到训练好的神经网络；

具体过程为：

步骤一一、选择所研究区域的海岸线数据集，将海岸线数据集分为训练集和测试集，其中训练集和测试集比例为4：1；

步骤一二、分别构建VGG16、MobileNet、ResNet、Inception-ResNet和Xception神经网络，将训练集输入不同神经网络进行训练；

步骤一三、将测试集输入不同神经网络进行测试，输出海岸线类型，若测试结果满足要求得到训练好的不同神经网络，若测试结果满足要求得到训练好的神经网络，若测试结果不满足要求则通过调整模型参数或训练数据集重新进行训练，直至得到训练好的神经网络。

3.根据权利要求2所述一种基于深度学习的海岸线变化分析方法，其特征在于：所述步骤二中对多时相海岸线遥感影像进行处理，得到处理后的多时相海岸线遥感影像；

将处理后的多时相海岸线遥感影像输入训练好的神经网络，获得处理后的多时相海岸线遥感影像对应的海岸线类型；具体过程为：

对多时相海岸线遥感影像进行图像去均值和裁剪，得到感兴趣的遥感影像区域；

将得到的感兴趣的遥感影像区域根据实际需要输入合适的训练好的神经网络，获得处理后的多时相海岸线遥感影像的海岸线类型。