出版日期: 2019-07-25
点击次数：
下载次数：
DOI: 10.11834/jrs.20197410
2019 | Volumn23 | Number 4
上一篇  |  下一篇
综述 
遥感影像的海岸线自动提取方法研究进展
expand article info 吴一全1,2 , 刘忠林1
1. 南京航空航天大学 电子信息工程学院，南京 211106
2. 浙江大学 计算机辅助设计与图形学国家重点实验室，杭州 310058
收稿日期: 2017-09-30; 预印本: 2018-03-30
基金项目: 国家自然科学基金(编号：61573183)；浙江大学计算机辅助设计与图形学国家重点实验室开放基金项目(编号：A1519)
第一作者简介: 吴一全，1963年生，男，教授，研究方向为遥感图像处理、分析与理解，目标检测与识别。E-mail：nuaaimage@163.com

摘要

海岸带是人类活动集中且容易受到破坏的区域之一，快速而准确地实现海岸线的提取对海岸带管理及海岸带演化研究具有十分重要的意义。遥感技术因其大范围、高效率、低成本等突出优势逐渐成为一种实现海岸线提取及监测其动态变化的方式，克服了传统海岸线测绘方法的时间周期长、劳动强度大等缺点。本文综述了近些年提出的基于遥感影像的海岸线自动提取方法的研究进展。首先给出了海岸线的定义与分类，阐明了瞬时水边线及真实海岸线提取两个阶段及具体的提取流程，重点论述了通过提取瞬时水边线，进而获取真实海岸线的阈值分割方法、边缘检测算子方法、活动轮廓模型方法、数据挖掘方法、多分辨分析方法、面向对象方法、极化方法及其他方法，分析和比较了各种方法的优缺点，阐述了海岸线校正原理及精度评价方式，并对下一步的研究工作进行了展望。

关键词

遥感, 海岸线, 遥感影像, 自动提取, 水边线, 精度评价

Research progress on methods of automatic coastline extraction based on remote sensing images
expand article info WU Yiquan1,2 , LIU Zhonglin1
1.College of Electronic and Information Engineering, Nanjing University of Aeronautics and Astronautics, Nanjing 211106, China
2.State Key Laboratory of Computer Aided Design and Computer Graphics, Zhejiang University, Hangzhou 310058, China

Abstract

The coastline refers to the boundary line between land and sea. The coastline detection is an important part of studying the effects of land-sea interaction and human activities on coastal zones. It is also significant for the effective development, integrated management and sustainable exploitation of coastal resources and protection of coastal ecosystems. Therefore, it is critical to achieve the extraction of coastline quickly and accurately. Remote sensing technology has gradually become a way to detect the location of the coastline and monitor its dynamic changes with its wide range, high temporal resolution, high spatial resolution, multispectral, low cost and other prominent advantages, overcoming the shortcomings of traditional coastline detection methods of long time period, high intensity of labor and so on. This paper reviews the research progress on methods of automatic coastline extraction based on remote sensing images proposed in recent years. First, the definition and classification of the coastline are given. The two stages of extraction of the instantaneous waterline and the real coastline and the specific extraction process are clarified. Then, these methods are divided into eight categories: threshold segmentation, edge detection operator, active contour model, data mining, multiresolution analysis, object-oriented, polarization and other methods. And the basic ideas of the main methods of coastline extraction are elaborated. Finally, the advantages and disadvantages of all kinds of methods are analyzed and compared. The principle of tidal correction and the methods of accuracy evaluation are expounded, and the research work of the next step is prospected. The detailed feature description of main methods are as follows. Threshold segmentation method is simple and easy to implement. While the selection of appropriate threshold is a certain degree of difficulty, and the extraction accuracy needs to be improved. The edge detection operator method has a good effect on the extraction of edge. Simultaneously, this method is susceptible to noise and prone to detect pseudo edges, even the continuity of extracted coastline is poor. The extraction result of the active contour model is accurate. However, the model has high complexity and large computational burden. Data mining method utilizes intelligent means to achieve automatic extraction of coastline. But a variety of methods need to be combined to make the extraction accuracy higher. Although the multiresolution analysis method can obtain rich edge information, the mostly applied wavelets have a limitation of dealing with directional information. Object-oriented approach can achieve image segmentation of a higher level and reduce the influence of texture and other characteristics inside the cell. It cannot make full use of the implicit information of the image when the amount of data is large. And the polarization method is essentially a threshold segmentation method. The only difference is the selection method of threshold. The polarization method achieves threshold selection by usage of different polarization methods of SAR images. In the end, in view of the deficiency of currently existing methods, the following feasible research approaches and prominent research prospects of automatic coastline extraction based on remote sensing images are put forward: constructing dataset, utilizing hyperspectral data, employing deep learning method, adopting swarm intelligence algorithm to optimize the parameters in the method of active contour model, using multiscale transform which contains directional information to improve the extraction accuracy of multiresolution analysis method, combining various kinds of methods to synthesize their advantages and achieving the automatic extraction of coastline with subpixel precision.

Key words

remote sensing, coastline, remote sensing image, automatic extraction, waterline, accuracy evaluation

1 引　言

海岸线是指陆地与海洋的边界线，包括大陆海岸线和岛屿海岸线(于彩霞 等，2014)。受地壳运动、海水侵蚀、泥沙推移、全球气候变暖等自然因素与海洋工程、填海造地、沿海围垦等人为因素的影响(马小峰 等，2007a)，海岸线的位置处于不断变化之中，且周期性的涨、落潮现象使得海岸线不停升降。因此，海岸线具有高度的动态性(Boak和Turner，2005)，其实际上是一个过渡带(张明 等，2008)，具有渐变的特性，这就使得海岸线的提取具有一定的难度。

而海岸线信息是测量和标定陆地资源与水资源的依据，是海岸带资源挖掘与管理的基础。海岸线的位置、方向等也为舰船自动航行、海岸线侵蚀监测与建模等提供了最基本的信息(Liu和Jezek，2004)。同时，海岸线的提取也是海岸线变迁机理分析的前提(Wu 等，2018)，即依据提取的海岸线分析海岸线长度、变化岸段、分形维数与海岸带土地利用情况等变迁特征以及人为因素与自然因素等变迁原因的影响(陈正华 等，2011；朱俊凤 等，2013；高志强 等，2014；王建步 等，2015；Guo 等，2016；Wang 等，2016；赵玉灵，2017；Wu 等，2018)。因此，如何快速而准确地实现海岸线的提取及对其动态变化的监测成为众多海岸带研究中亟需解决的首要问题(余景 等，2012)，对海岸带的有效开发、持续利用和科学管理具有重要的实际意义(于彩霞 等，2014)。

传统的海岸线测绘方法主要为实地测量法和摄影测量法。但海岸线的调查具有一定的复杂性，其范围广、变化快、地物破碎，这些传统的探测手段不但劳动强度大，工作周期长，效率低下，难以实现海岸线的动态监测，而且受地理环境等条件的限制，部分调查区域不易到达，测绘难度大。而遥感技术是一种以物理手段、地学分析和数学方法为基础的对地观测综合性应用技术，数据获取能力强大，具有大范围、高时间分辨率、高空间分辨率、多光谱和多时序等优势，且不受天气、地理环境等条件的制约，在海岸带动态监测、资源勘探、综合管理等方面具有突出优势(严海兵 等，2009)。因此，遥感技术成为提取海岸线及监测其动态变化的一种有效手段。

如何快速准确地从遥感影像中自动提取海岸线是多年来受到很多学者广泛关注的问题，人们针对基于遥感影像的海岸线自动提取方法进行了探索与研究，提出了大量的海岸线自动提取方法。迄今为止，基于遥感影像的海岸线自动提取方法已经获得了巨大的发展，现有的方法种类繁多，其分类方式也有很多种。但没有一种万能的海岸线提取方法能够对所有的海岸线遥感影像都取得很好的提取效果。因此，对各种不同的海岸线提取方法进行研究和分析，了解它们的特性，以便针对特定的海岸线影像选取合适的提取方法。

本文就近些年来国内外基于遥感影像的海岸线自动提取方法进行概括和分类，将这些方法划分为8类：(1)阈值分割方法，(2)边缘检测算子方法，(3)活动轮廓模型方法，(4)数据挖掘方法，(5)多分辨分析方法，(6)面向对象方法，(7)极化方法，(8)其他方法。文中首先明确了海岸线的位置并针对各类海岸线进行了相应的说明，阐明了通过提取瞬时水边线，进而获取真实海岸线的流程。给出了主要海岸线提取方法的基本思想，归纳了各种方法的特点，分析和比较了这些方法的优缺点，对海岸线校正原理及精度评价方式进行了阐释。针对现有方法的不足，对基于遥感影像海岸线自动提取的发展方向进行了展望，以期对致力于海岸线提取研究及其应用的学者们提供一些思路和启迪。

2 海岸线的定义、分类及提取流程

2.1 海岸线的定义与分类

由于海岸线的高度动态性，实际研究中采用了不同的潮位线作为指示岸线来指明真实的海岸线位置。自20世纪50年代以来文献中出现的指示岸线多达45种(Boak和Turner，2005)，毋亭和侯西勇(2016)也归纳了9种。海岸带及4种常用的指示岸线之间的空间关系示意图(毋亭和侯西勇，2016)如图1所示。中国对海岸线的位置有明确的规定：中华人民共和国国家标准《海洋学术语——海洋地质学》(中华人民共和国国家质量监督检验检疫总局，2004)将海岸线定义为“在我国系指多年大潮平均高潮位时海陆分界线”，《海道测量规范》(国家质量技术监督局，2004a)、《中国海图图示》(国家质量技术监督局，2004b)中规定“平均大潮高潮时水陆分界的痕迹线”。


图 1 海岸带及4种常用指示岸线之间的空间关系示意图
Fig. 1 Sketch of coastal zone and the spatial relationship between four commonly used shoreline indicators

海岸线受当地海岸带地形、地貌及人类对其开发程度的影响，形态各异。因此，根据不同的标准，海岸线的分类也较为多样化。孙伟富等(2011)依据“我国近海海洋综合调查与评价”专项(简称“908专项”)调查结果，将海岸线分为基岩岸线、砂质岸线、粉砂淤泥质岸线、生物岸线和人工岸线等5类；刘善伟等(2011)按照海岸线的成因，将海岸线分为自然岸线和人工岸线两大类，其中自然岸线又分为基岩岸线、砾石岸线、砂质岸线、淤泥质岸线、生物岸线，人工岸线分为堤(坝)、桥、闸、码头；朱俊凤等(2013)根据海岸带的实际情况，将海岸线分为河口岸线、基岩岸线、人工岸线、砂砾质岸线、淤泥质岸线和红树林岸线等6类。本文综合海岸线成因、物质组成及人类对其利用情况(苏奋振，2015)，将海岸线分为自然岸线和人工岸线两大类：其中自然岸线包括基岩岸线、砂质岸线、粉砂淤泥质岸线、生物岸线；人工岸线包括堤坝、码头、道路及养殖区等人工构筑物构成的岸线。各类岸线的特征、位置确定及说明见表1(苏奋振，2015；蒋兴伟，2016)。

表 1 各类岸线特征、位置确定及说明
Table 1 Features, location determination and descriptions of all kinds of coastlines

下载CSV 
岸线类型 特征 位置确定 说明
自然岸线 基岩岸线 岸线曲折，多锯齿状 以水陆分界线作为岸线 海岸由基岩构成
砂质岸线 岸线较为平直，岸滩呈条带状，常堆积有一条滩脊 以滩脊作为岸线 海岸由砂砾构成
粉砂淤泥质岸线 岸线较为平直，岸滩坡度平缓，潮沟明显，岸线两侧植被密度差异明显 以植被密度差异明显处作为岸线 海岸由粉砂、淤泥构成
生物岸线 潮沟明显，有红树林等植物生长 以植被密度差异明显处作为岸线 海岸由红树科植物等作用而发育形成
人工岸线 岸线规则，平直 以建筑物的边缘作为岸线 海岸由人工建筑物构成

2.2 遥感影像中海岸线的提取流程

由于遥感影像中的海岸线多为卫星过境时刻摄取的瞬时水边线，而无法确保该水边线恰好为海岸线，即平均大潮高潮线，因此，大部分基于遥感影像的海岸线自动提取方法都是利用数字图像处理技术提取瞬时水边线。水边线的位置受涨潮和落潮等因素的影响很大，所提取的水边线需根据相关数据信息进一步校正至平均大潮高潮线，才能将其作为真实的海岸线。可见，海岸线的提取可大致分为两个阶段：首先利用数字图像处理技术提取瞬时水边线，再结合相关数据信息将其校正为真正的海岸线。

海岸线的提取流程具体描述如下：由于影像在获取过程中会受到大气、光照、地理条件等因素的影响而产生各种畸变，所以首先需要对获取的原始影像进行校正以尽可能地消除这些误差，提高输入影像的质量；然后通过滤波去除影像中的噪声，对影像进行边缘增强；再在预处理后的影像中提取瞬时水边线，并利用潮位校正确定最终的海岸线位置，从而实现海岸线的提取；最后对所提取的海岸线进行精度的定量评价。利用遥感影像自动提取海岸线的流程如图2所示。


图 2 海岸线自动提取流程图
Fig. 2 Flowchart of automatic extraction of coastline

3 基于遥感影像的水边线提取方法

3.1 数据源

目前，在海岸线提取中运用的数据源种类较多，如Landsat影像(郭衍游 等，2009；Sun 等，2015)、SPOT影像(Wang 等，2011a；高燕 等，2014)以及合成孔径雷达SAR(Synthetic Aperture Radar)影像(陈祥 等，2014；Liu 等，2017)等，特别是随着高分辨率遥感卫星的不断发射，获取影像的途径越来越多，影像的分辨率也在不断提高。

在使用Landsat影像与SPOT影像提取海岸线时，需要考虑不同波段的特征以更好地适应不同地理环境下的海岸线影像特征。徐涵秋(2005)、Li和Zheng (2016)均是采用Landsat影像的不同波段对归一化差异水体指数NDWI (Normalized Difference Water Index) (McFeeters，1996)分别进行了改进和二次改进。高燕等(2014)结合了SPOT-5遥感影像的光谱、几何和空间关系的21个特征实现海岸线的提取。

相比于光学遥感影像，SAR影像因具有全天候的特点而在海岸线的提取中应用更为广泛。在SAR影像中，陆地区域一般为亮色，而海水区域为暗色，这为海岸线的提取提供了便利。但是SAR影像易受相干斑噪声的干扰(Sheng 等，2012)，为此，很多文献提出了滤除该噪声或者增强原始影像的方法(Liu和Jezek，2004；Shu 等，2010)。且随着RADARSAT、COSMO-SkyMed等高分辨率遥感卫星的投入使用，影像质量显著提高，所得海岸线的精度也得以提升(Shu 等，2010；Fugura 等，2011；Latini 等，2012；Nunziata 等，2014)。

除了上述几种常用的数据源，还有一些数据或者影像也在海岸线提取中得以应用，如激光雷达测量LiDAR(Light Detection And Ranging)点云数据(董保根 等，2012；于彩霞 等, 2014，2015a，2015b，2017)、IKONOS (Li 等，2007)和QuickBird (Tarmizi 等，2014)卫星影像等。

但令人遗憾的是，目前还没有遥感海岸线影像的公开数据集。多数研究者在进行相关实验时使用的都是自己收集的少量数据，而且研究者一般不公开这些数据。虽然近期公布了多个与遥感海岸线影像有关的数据集，但均有其不足之处。

Cheng等(2017a)构建的NWPU-RESISC45数据集包含45类共31500幅遥感影像，其中一类就是700幅海岸线影像(beach)，但用于场景分类，没有人工标注的参考海岸线。Xia等(2017)构建的AID数据集存在与NWPU-RESISC45数据集相同的问题，都无法直接使用。Cheng等(2017b)构建了一个包含140幅训练影像、6幅验证影像和60幅测试影像的遥感海岸线数据集，Li等(2017)构建了一个包含122幅训练影像和85幅验证影像的遥感海岸线数据集，但这两个数据集均尚未公开。综上，亟待解决公开的标准遥感海岸线数据集的构建问题。

3.2 主要方法

考虑到海陆边界的特征，水边线的提取实质上是图像分割的过程，将图像分割为陆地区域与海洋区域，两区域的交线即为瞬时水边线。除了传统的目视解译方法，基于遥感影像的水边线自动提取方法也较多，其主要方法可大致分成8类。

3.2.1 阈值分割方法

阈值分割是一种简单、有效的图像分割方法，具有易于理解、实现简便、效果显著的特点。经典的阈值分割方法有很多，如最大类间方差法(Otsu，1979)、最大熵法、最小误差法、交叉熵法等。

阈值分割方法中，阈值的选取起着至关重要的作用。依据所选取阈值的个数，可将阈值分割方法分为单阈值分割和多阈值分割(吴一全 等，2015)。单阈值分割通过选取一个阈值T，将灰度图像分为两个不同的区域；多阈值分割是一个将灰度图像分割为几个不同区域的过程。

密度分割法是阈值分割方法中的一种。它在海岸线提取过程中，是将图像灰度直方图中双峰之间的谷底作为分割的阈值(Pardo-Pascual 等，2012)，将图像分为陆地与海域两部分，再通过边界跟踪和矢量化得到海岸线。Liu和Jezek (2004)提出了一种融合Canny边缘检测与局部自适应阈值分割的海岸线提取方法，可完成雷达图像与光学图像中海岸线的精确提取。但该方法依赖于原始图像的强对比度，且计算复杂度过高，并不能适用于高分辨率遥感影像中海岸线的提取。利用密度分割法能得到连续的海岸线，但在背景复杂的海岸区域效果较差。

虽然阈值分割方法可以直接运用在海岸线特征的检测中，但由于海岸区域存在物体阴影、植被、建筑物等灰度较暗的区域，陆地与水域之间往往缺乏足够的灰度对比，加之区分海岸线与其他物体边界的复杂性，采用一般的阈值分割方法提取海岸线仍存在一些缺陷。

针对上述问题，瞿继双等(2003)提出了一种基于多阈值的形态学方法，其灰度阈值设置为

$T{\rm{ = }}{\rm{mean}} (I) + \Delta $ (1)

式中， ${\rm{mean}} (I)$ 为图像 $I$ 的灰度均值， $\Delta $ 为 $T$ 的微调值。该方法能够有效地区分易被误分割的海岸区域，在一定程度上提高了准确率。

樊彦国等(2009)依据黄河三角洲人工海岸、已开发和未开发的淤泥质海岸3种海岸特征，分别采取不同的图像增强处理，再通过选取合适的阈值提取海岸线。陈祥等(2014)针对SAR图像的特点，采用一种结合粗阈值与精确阈值的海陆分割方法。该方法首先利用改进的Otsu方法确定粗阈值，分割后得到大致的海域，然后依据海域的统计特性计算出精确的阈值，再用该阈值对原始遥感影像进行分割得到准确的海陆二值图像，进而实现海岸线的精确提取。

另一种使用较多的阈值分割方法是首先计算影像的NDWI (McFeeters，1996)，再利用NDWI直方图确定水陆区域分割的阈值，进而对影像二值化，实现海岸线的提取。NDWI的计算公式为

$ {\rm{NDWI}} = \frac{{{\rm{GREEN}} - {\rm{NIR}} }}{{{\rm{GREEN}} + {\rm{NIR}} }} $ (2)

式中，GREEN和NIR分别代表影像的绿光波段和近红外波段。利用该方法对影像进行粗分割从而提取海岸线的其他例子也不少(Aktas 等，2012；Dong 等，2014；Guo 等，2016)。

上述NDWI指数只考虑了植被因素，徐涵秋(2005)另外加入了土壤/建筑物因素构建了一种改进的归一化差异水体指数 MNDWI (Modified Normalized Difference Water Index)，其计算公式为

$ {\rm{MNDWI}} = \frac{{{\rm{GREEN}} - {\rm{MIR}}}}{{{\rm{GREEN}} + {\rm{MIR}}}} $ (3)

式中，MIR为影像的中红外波段，例如专题制图仪TM(Thematic Mapper)影像的第5波段。Yin和He(2011)用该方法提取了基岩岸线与人工岸线，而李宗梅等(2017)分别用目视解译、MNDWI和Sobel边缘检测算子3种方法提取各类型海岸线并进行了对比。Tseng等(2016)将数字高程模型DEM (Digital Elevation Model)与利用Landsat影像计算的MNDWI相结合完成了海岸线的提取。

在MNDWI指数的基础上，Li和Zheng (2016)对其再次进行改进，二次改进归一化差异水体指数SMNDWI (Second Modified Normalized Difference Water Index)的计算公式为

$ {\rm{SMNDWI}} = \frac{{{\rm{MIR}}2 - {\rm{GREEN}}}}{{{\rm{MIR}}2 + {\rm{GREEN}}}} $ (4)

式中，MIR2是影像的中红外波段，例如TM影像的第7波段。该指数克服了MNDWI中第5波段对云、雾敏感的缺陷，更好地抑制了海域特征，且增强了前景与背景的对比度。

综上可知，利用阈值分割方法进行海岸线的提取具有简单有效、易于实现的特点，因此广泛应用于海岸线的提取。但是，阈值的选取是该方法的关键且具有一定的难度。此外，当海岸区域存在物体阴影、植被、建筑物等一些灰度较暗的区域，或受光照等条件影响造成陆地与海域对比度不够强，或海岸带区域背景较复杂时，用该方法提取海岸线的效果欠佳，准确率较低，有待进一步改进与优化。

3.2.2 边缘检测算子方法

边缘是图像的一个基本特征，它是指其周围像素灰度值呈阶跃变化或屋顶状变化的像素的集合。因此，边缘总是出现在灰度值具有差异的两个相邻区域的交界处，其特征表现为灰度值的不连续。微分算子是一种边缘检测方法，包括Sobel、Roberts等一阶微分算子和Laplacian、高斯—拉普拉斯LoG(Laplacian of Gaussian)、Canny等二阶微分算子。运用这些边缘检测算子可直接提取海陆两区域的边缘，即海岸线。

于杰等(2009)利用Roberts算子对大亚湾地区遥感影像进行了边缘检测处理，并分析了该地区近20年的海岸线变迁情况。王李娟等(2010)用Sobel算子和MNDWI分别对黄河三角洲的人工海岸和淤泥质海岸进行了提取。李秀梅等(2013)采用Canny算子提取渤海湾海岸线并对其进行监测。魏东岚等(2015)分别使用阈值分割、边缘检测算子和小波变换3种方法对大连长兴岛海域岸线进行了提取，实验结果表明，与其他方法相比，Canny算子与小波变换所得结果较为准确。Karantzalos等(2002)首先对遥感影像进行平滑与增强处理，再分别运用Laplacian和Canny算子提取海岸线。Asaka等(2013)首先用LoG算子对海岸线进行检测，并去除伪边缘，再通过边界跟踪得到最终的海岸线。Dong等(2015)通过改进的LoG算子对海岸线进行了提取。与传统的LoG算子相比，改进的LoG算子提取速度更快、海岸线提取精度更高。

传统的边缘检测算子方法只利用了图像的灰度信息，为此，张朝阳等(2005)提出了一种基于色差的彩色图像海岸线提取方法。该方法将图像从RGB色彩空间转换到LAB色彩空间，并能自适应地获取动态阈值。乔学瑾等(2016)提出一种基于多光谱数据的海岸线提取方法，该方法首先综合利用光谱特性与空间关系，并选择敏感波段建模，然后运用融合了区域生长法的自适应Canny算子进行海岸线的提取。

上述方法大都考虑对各种不同类型的海岸线采用相同的方法，实际上，不同的海岸线类型有着不同的地貌特征，也有着不同的解译标志。庄翠蓉(2009)对基岩海岸、人工海岸和红土海岸影像运用Roberts算子进行边缘检测，而对砂质海岸和淤泥质海岸影像则分别采用Sobel算子和小波多尺度方法对海岸线进行检测。马小峰等(2007b)首先对人工海岸和基岩海岸、砂质海岸、已开发和未开发的粉砂淤泥质海岸分别进行不同的滤波与增强等预处理，再通过Canny算子进行海岸线的提取。张旭凯等(2013)和张霞等(2014)均采用MNDWI、数学形态学以及最小噪声分离变换对砂质海岸、淤泥质海岸以及基岩海岸和人工海岸影像进行了预处理，再运用改进的Canny算子提取海岸线；而Zhang等(2012)则是对上述不同类型的影像分别进行了中值滤波、灰度拉伸以及锐化处理，然后运用融合了Otsu方法的Canny算子精确定位海岸线。

综上所述，采用边缘检测算子方法对海岸线的提取效果较好，方法也较成熟，且易于实现。Sobel算子、Roberts算子检测出的边缘简单直观，但存在伪边缘的现象，同时对噪声也较为敏感；而Laplacian算子检测出的边缘无方向性，只能获取边缘的位置信息而不能获得方向信息；Canny算子具有高信噪比、高定位精度和较强的单边缘响应能力，检测出的边缘也较为清晰、细腻，且具有连续性，不会出现检测不到边缘或检测出伪边缘的现象。但在海岸线影像背景较为复杂时，采用边缘检测算子方法检测出的海岸线因受噪声影响大从而连续性较差，往往需要后期通过数学形态学处理对检测所得结果进行优化。

3.2.3 活动轮廓模型方法

活动轮廓模型广泛应用于图像分割中，其中也不乏将其运用于海岸线的检测(沈琦 等，2012)。活动轮廓模型本质上是一种基于变分法和偏微分方程的模型，它将图像中目标的边界(海岸线)视为一条可以活动的轮廓线，通过定义能量函数使得曲线在能量函数递减的引导下逐渐逼近实际目标边界。按照能量泛函包含的基本信息，活动轮廓模型可分为边缘活动轮廓模型和区域活动轮廓模型。

(1)边缘活动轮廓模型方法。边缘活动轮廓模型主要利用图像边缘的梯度信息，包括Snake模型(Kass 等，1988)和测地线活动轮廓模型(Caselles 等，1997)等。侯彪等(2010)、刘春等(2016)均是利用Snake模型对原始图像的预处理结果精细化得到准确的海岸线。但其无法提取凹陷边缘的位置信息，而基于梯度矢量流GVF (Gradient Vector Flow)(Xu和Prince，1997)的主动轮廓模型解决了这个问题，胡倩等(2013)利用该模型实现了海岸线的提取。然而，GVF Snake模型并不可控，其演化方程的迭代取决于边缘检测算子的性能且在某些局部区域不稳定。为此，Sheng等(2012)提出可控梯度矢量流CGVF (Controllable Gradient Vector Flow)Snake模型用于海岸线的提取，提高了轮廓演化的速度。但背景复杂时仍需一定的人为干预才能得到准确的提取结果。

测地线活动轮廓模型的构建依据光学中“光线”按最短光程确定路径的原理(Caselles 等，1997)。申家双等(2013)充分利用Canny算子检测精度高和测地线活动轮廓模型检测结果连续性好的优点，将Canny算子的检测结果融入到测地线活动轮廓模型的边界停止函数中，提高了检测精度和提取速度。基于此，郭海涛等(2016)先用四叉树进行粗分割，再通过Canny算子与测地线活动轮廓模型的结合精确提取海岸线，进一步加快了提取速度。喻金桃等(2016)在上述方法中加入了区域信息，并将四叉树与多种活动轮廓模型相结合，增强了对弱边缘、凹陷边缘的鲁棒性，达到亚像素级的提取精度。

基于边缘的活动轮廓模型只利用了影像的边缘特征，当影像中边缘不明显时，该方法会受到限制而得不到理想的分割效果。

(2)区域活动轮廓模型方法。基于区域的活动轮廓模型利用图像区域的整体灰度信息。它起始于Mumford-Shah模型(Mumford和Shah，1989)，但该模型求解困难，难以计算。因此，Chan和Vese (2001)通过简化Mumford-Shah模型，得到CV(Chan-Vese)模型，并引入水平集函数使得处理曲线的拓扑变化更加方便自然。Silveira和Heleno (2008，2009a，2009b)均是运用基于区域的水平集方法提取出海岸线。

虽然水平集函数的引入具有一定的优势，但同时也带来了很大的计算负担。Shu等(2010)首先对原始图像预处理并通过阈值分割得到粗分割结果，再采用窄带水平集方法对其精细化，加快海岸线的提取速度。但对于像素灰度不均匀的区域，提取效果较差。为此，Shan等(2010)在构造能量函数时，同时考虑了区域信息与边缘信息。但由于迭代过程的复杂性，提取速度仍有待提升。针对该问题，Ouyang等(2010)提出了两种加速方法：基于水平集算法的可变移动步长方法CMS-LSA(changeable moving step method based on level set algorithm)和基于水平集算法的分辨率抑制方法RD-LSA(resolution depressed method based on level set algorithm)。但CMS-LSA的耗时与海岸线的复杂程度及初始轮廓线的位置有关，提取精度则受影像特性的影响；RD-LSA将粗定位结果映射到高分辨率影像时存在一定的误差(李传龙 等，2011)。

为了减小该映射误差，刘鹏程(2015)融合了区域信息与边缘信息，并利用分层结构分割影像。Liu等(2016)则在低分辨率影像上进行粗定位并分析平滑过程导致的偏移，再运用分层结构对偏移量逐级修正。而Modava和Akbarizadeh(2017)提出了利用空间模糊聚类和水平集的海岸线提取方法，可在全分辨率影像上实现海岸线的精确定位，避免了映射误差问题。

水平集函数带来的另一个问题，就是该函数需要不断重复初始化为符号距离函数。黄魁华和张军(2011)在能量函数中引入惩罚项以消除周期性初始化过程，Bhaskar (2011)则是利用耦合变分水平集免于重新初始化。姜大伟等(2016)和Cao等(2016)提出一种基于区域的距离正则化几何活动轮廓模型，正则项的引入避免了水平集函数的初始化，同时，通过数据间的拟合自动选择能量函数中的一个参数。Fan等(2016)则引入混合粒子群优化HPSO (Hybrid Particle Swarm Optimization)算法同时对各个参数寻优，提高了该模型提取海岸线的自动化程度及准确性。

由于活动轮廓模型方法自身的特点，对于背景简单、对比度较强，且边界连续的海岸线遥感影像，该方法的应用比较成熟。对于背景较复杂、噪声干扰较严重、具有多目标的影像，也可以充分利用影像的边缘、纹理与区域等信息对该模型进行改进。但由于该模型本身的复杂度加上在该模型中融合的各种信息，复杂度会增加。尽管也有很多方法对该模型进行了加速，但其提取海岸线的速度依然有待进一步提升。

3.2.4 数据挖掘方法

数据挖掘DM (Data Mining)是从大量、不完全、有噪的、模糊、随机数据中，提取出隐含在其中的有用信息和知识的过程。随着该技术的发展，许多学者将其运用到海岸线的提取中。Ryan等(1991)首先在海岸线的提取过程中引入了神经网络。杨虎等(2001)应用TM与SAR数据融合技术与多层感知器快速学习神经网络分类方法，对黄河口沙咀海岸线的变迁及土地覆盖情况进行了动态监测。朱小鸽(2002)采用神经网络分类器对多时相遥感影像进行分类，从而对珠江三角洲地区的海岸线变迁情况进行分析。Latini等(2012)利用脉冲耦合神经网络PCNN(Pulse Coupled Neural Network)对CSK(COSMO-SkyMed)影像进行处理，从而完成海岸线的提取。

Tzeng等(2008)首先用空间混沌模型SCM (Spatial Chaotic Model)表征SAR图像信号，并用差分盒计数法DBC (Differential Box-Counting)估计其分形维数，再融合二型模糊集从而确定恰当的阈值以实现海陆区域的分割。李传龙等(2010)提出一种快速模糊聚类方法，能够使得分类后海陆两区域的类中心彼此远离，且计算复杂度不随遥感图像的大小变化而改变，因此比较适用于大型遥感影像中的海岸线提取。在上述模糊聚类分析后，可适当运用蛇形活动轮廓模型进行少量迭代以提高海岸线提取的精度，但该方法在对比度较弱的海岸线影像分割中会存在一定的误差。

Sun等(2012)首先运用半监督聚类对图像进行分割，然后从所得图像中提取边缘即得海岸线。Tochamnanvita和Muttitanon (2014)利用监督分类的方法提取了泰国3个省份多年的海岸线，并采用主成分分析PCA (Principal Component Analysis)法对海岸线的变化进行了检测。然而，无论是半监督分类或监督分类，都需要一定的人工干预，不能实现完全自动的海岸线提取。朱长明等(2013)首先利用NDWI实现图像的初分割，再根据NDWI信息自动选择初始样本，最后运用支持向量机SVM(Support Vector Machine)进行水域与陆域的分离完成海岸线的自动提取。该方法结合了阈值分割与监督分类两种方法的优势，实现了海岸线的全自动提取，但其只分析了遥感影像的光谱信息而忽略了空间及纹理特征，没有充分利用信息。

Wang等(2011)提出了一种运用多特征与SVM的方法，该方法首先计算出每个像素的圆窗灰度特征和灰度共生矩阵GLCM(Gray Level Co-occurrence Matrix)，再将计算所得的18个特征输入到SVM分类器中以提取海岸线。Qu等(2013)在此基础上，采用小波变换去除SAR图像中的相干斑噪声。实验结果表明，该方法的性能良好，但由于特征数较多，计算复杂度也相应有所增加。

相对于传统的海岸线提取方法，人工神经网络、聚类分析技术、模糊逻辑技术和支持向量机等数据挖掘方法使用智能手段，从大量的数据信息中找出频繁出现的规律性事物，且检测过程实现了自动化。但对于高分辨率影像，要求较高的定位精度时，上述基于单一数据挖掘技术的海岸线提取方法的效果并不是很理想，因此，在高分辨率影像海岸线的提取中需要结合多种方法以达到更好的提取效果。

3.2.5 多分辨分析方法

小波变换是信号的一种时间—尺度分析方法，具有多分辨分析的能力。将小波变换应用于遥感影像海岸线提取的基本思路为：对遥感影像进行小波变换后，找出奇异性的位置，即海陆分界线，并将各奇异点连接得到海岸线。由于小波变换具有多分辨分析的能力，可对图像在不同尺度上进行分解，在低频部分具有较高的分辨率，在高频部分具有较低的分辨率。

Niedermeier等(2000)首先利用小波分解检测出图像中的边缘，再运用阈值分割和块跟踪方法得到海岸线的粗分割，然后通过小波变换模极大值确定候选边缘点，最后采用主动轮廓模型将所得边缘点连接得到连续的海岸线。该方法最大的优点在于其可以对动态区域实现连续地监测，因此，Niedermeier等(2001)成功地将该方法运用到水边线自动提取、海岸带地形动态监测等实际应用中。Tello等(2006)选择Haar小波变换对SAR图像多尺度分析，实现突出点与边缘的检测，并将该方法运用到海岸线提取中。Wang等(2011b)利用小波变换提取了砂质岸线，大大提升了处理速度，减少了工作量，且避免了由人为主观性带来的判决误差。

范典等(2002)结合二进小波变换与基于梯度矢量流的主动轮廓模型提取了湖岸线。冯兰娣等(2002)将高斯函数的一阶导数作为小波变换的核函数，通过检测遥感影像小波变换模极大值得到边缘的候选点，再经滤波提取最终的海岸线。张鹏(2010)采用平稳小波变换提取SAR图像中的海岸线。余连生(2011)通过平移不变离散小波变换对SAR图像与全色遥感图像进行融合，以此突出海岸线的特征。Alonso等(2011)首先在小波变换域对SAR图像中的边缘进行增强，然后通过测地线活动轮廓模型进行边缘跟踪。该方法最大的优点在于输入的数据不需要经过滤波，即与输入的图像无关，且对不同的场景具有自适应能力。

多分辨分析方法能够实现在多个尺度上对边缘进行分析，以获得较为丰富的边缘信息，从而提高了遥感影像中海岸线提取的精度。但小波缺乏方向性，无法获取图像完整的轮廓信息，且该方法在沿岸海域有岛屿、导流堤以及排污口干扰时，检测所得海岸线的误差会有所增大。

3.2.6 面向对象方法

面向对象的方法是通过图像分割的方式，将影像分为由同质像元组成的各个大小不一的对象(陈云浩 等，2006)。该方法不再以传统遥感影像处理中的像元作为基本处理单元，而是以对象为基本单元，忽略对象内部的纹理特性，并依据光谱、空间特征对影像进行处理。面向对象方法的一般步骤包括：影像分割、特征选择、影像分类及分类后处理。

贾明明等(2013)利用面向对象的方法提取了杭州湾海岸线，并分析了该区域海岸线变迁的位置、长度等。吴小娟等(2015)同样通过该方法并利用“高分二号”卫星数据对深圳大鹏半岛地区的海岸线进行提取。王琎等(2016)则分别利用了面向对象方法和监督分类方法对珠江口湾区海岸线和沿岸土地利用情况进行了监测与分析。

上述几篇文献都是直接将面向对象方法应用于海岸线的提取中，而高燕等(2014)和王集宁等(2016)则是结合海岸线的特征对该方法进行了一定程度的改进。前者结合了光谱、几何和空间关系的21个特征对SPOT 5遥感影像进行分类，从而实现复杂海岸线的提取。后者首先采用面向对象方法实现遥感影像的粗分割，再通过Otsu方法将水域与陆域分离，最后经互信息操作对提取结果优化得到最终的海岸线。

面向对象的方法是以对象为遥感影像处理的基本单元，相比于传统的以像元为基本处理单元的方法，该方法能够实现更高层次的遥感图像分类，且由于图像内部的光谱差异较小，可减小纹理特性对图像分类结果的影响。但在高分辨率遥感影像中，由于其数据量过大且较为复杂，现有的面向对象分类的方法很难利用复杂数据中隐含的有用信息，难以达到理想的分类精度。

3.2.7 极化方法

在SAR极化系统中，信息包含在从目标物体反射回来的电磁波中，而该信息可以调制在电磁波的频谱、强度或极化方向等分量中。极化雷达可以通过HH、HV、VH、VV等4种电磁波极化方式度量目标的散射矩阵(Yu和Acton，2004；Baghdadi 等，2007)，其中，H和V分别表示水平极化与垂直极化。因此，可采用一种或融合多种极化方式实现海岸线的提取。

Nunziata等对利用多极化SAR图像提取海岸线进行了一系列的研究(Nunziata 等，2012，2014，2016；Nunziata和Migliaccio，2013；Buono 等，2014；Paes 等，2015；Ding 等，2015)。Nunziata等(2012，2014)利用由非相干双极化PingPong模式获取的CSK SAR数据实现海岸线提取。首先利用CSK PingPong模式的固有性质建模，将HH和VV两个极化通道的互相关性与观测场景的相干时间联系起来，从而通过比较两个通道的互相关模值rc与阈值T的大小对原始图像二值化进而提取海岸线，其中，阈值T由式(5)确定

$ 1 - {P_f} = \int_0^T {p({r_c};\alpha, \beta){\rm{d}}{r_c}} $ (5)

式中，Pf是虚警概率， $p(\cdot)$ 是rc服从的逆Γ-函数的概率分布函数，参数α和β可以通过估计得到。Nunziata和Migliaccio (2013)在上述方法的基础上，通过判决HH和HV两个极化通道的互相关性对原始图像二值化，其中阈值由经验确定。Buono等(2014)对该阈值确定方法做了进一步的研究，首先采用改进的积分方程方法对海平面的后向散射特性进行了多极化分析，并假设海平面的后向散射强度服从指数分布，基于此，再通过基于全局阈值的恒虚警率CFAR(constant false alarm rate)检测方法将原始图像二值化，其中阈值由式(6)确定

$ T = - \sigma \ln ({P_f}) $ (6)

式中，σ是指数分布的均值。

Paes等(2015)利用混合极性HP (Hybrid Polarity) SAR数据提取了连续的海岸线，并利用主散射机制对海岸带区域进行了分类。Nunziata等(2016)提出了一种联合共极化与交叉极化通道提取相干或非相干双极化SAR数据中海岸线的方法，该方法将文献(Nunziata 等，2012，2014)中两个共极化通道的互相关模值rc替换为共极化与交叉极化两个通道模值的互相关系数r，并用CFAR方法确定阈值，阈值由式(7)确定

$ T = \sigma \sqrt { - 2\ln {P_f}} $ (7)

式中，σ是r服从的瑞利分布的标准差。

总体来说，极化方法可分为单极化方法和多极化方法，两种方法提取海岸线的效果都较好。但海平面上升至潮间带内时，两种方法的提取性能都有所下降。单极化方法在海陆对比度较高时无需人工参与，而在海陆对比度较低或提取区域较复杂时，需要对提取结果手动细化；而多极化方法在一般情况下均无需人工参与。在处理速度方面，单极化方法耗时较长，而多极化方法只需要几秒钟的时间。

3.2.8 其他方法

除了上述阈值分割方法、边缘检测算子方法、活动轮廓模型方法、数据挖掘方法、多分辨分析方法、面向对象方法和极化方法等主要提取方法，还有很多其他的海岸线提取方法。

区域生长法(詹雅婷 等，2017)是依据同一物体区域内像素灰度值的相似性对像素点进行聚集，以一个种子点为起始点，对其邻域内的像素灰度值判决，并将像素灰度值相近的单位合并，从而分割出陆地和海洋区域。谢明鸿等(2007)提出一种基于种子点增长的海岸线快速提取方法。该方法利用图像的灰度统计信息自动确定种子点区域，并设置动态阈值

$ T{\rm{ = }}\sqrt \mu + a\sigma $ (8)

式中， $\mu $ 和 $\sigma $ 分别为所有已检测海域像素点灰度值的均值和标准差，a可依据检测图像的海域像素点灰度值的变化剧烈程度而定。万剑华等(2011)首先对所得影像建立数据金字塔，再依次从金字塔高层到低层用区域增长法确定海陆区域，直至在原始影像上检测出海岸线的精确位置。利用区域生长法提取的海岸线具有连续性，但其中阈值的选取对区域生长的终止具有决定性的作用，进而影响海岸线提取的精度。而且，该方法易受噪声的影响，导致区域生长的偏移。

马尔可夫随机场MRF (Markov Random Field)可将影像中的地物分布建模为一个离散随机过程，Descombes等(1996)在两个不同空间分辨率的影像上分别运用MRF实现了海岸线的提取。首先运用第一个MRF将低空间分辨率的影像划分为陆地、海洋、海滩等，得到海岸线的粗略位置，然后在高空间分辨率影像上再次利用MRF确定海岸线的精确位置。Baselice和Ferraioli (2013)利用基于贝叶斯决策论与高斯马尔可夫随机场的非监督方法提取海岸线位置。MRF方法虽然能在一定程度上降低噪声的干扰，但提取精度仍有待提高，且该方法的计算复杂度高，计算量大。

元胞自动机CA (Cellular Automata)是一个在时间与空间上均离散的数学模型，可以通过简单的局部演化规则模拟复杂的全局空间模式，CA中每个元胞的状态通过状态演化规则进行更新(Han 等，2016)。冯永玖和韩震(2012)结合了图像的方向信息，以带有方向信息权重的邻域元胞灰度指数为指标，进行海陆分离，并对所得二值图像进行目标追踪得到完整的海岸线。

其他能够实现海岸线提取的方法还有很多，如利用影像纹理特征(Onana 等，2001；周亚男 等，2012；李超鹏和杨光，2014)、引入分形维理论(刘勇 等，2013)、将各种方法相结合(Yousef和Iftekharuddin，2014)等实现海岸线的提取，具体可参考相关文献。

3.3 主要方法对比

本节主要阐述了近些年来提出的各种基于遥感影像的水边线自动提取方法，不同的方法都具有其优势与不足。各类主要的水边线提取方法对比列于表2中。

表 2 主要的水边线自动提取方法对比
Table 2 Comparison of main methods of automatic waterline extraction

下载CSV 
主要方法 特征描述
阈值分割方法 简单、易于实现，阈值的选取是关键，提取精度有待提高
边缘检测算子方法 成熟，但易受噪声影响，提取结果连续性欠佳，易出现伪边缘
活动轮廓模型方法 提取结果精确，但模型复杂，计算量大，提取过程耗时较长
数据挖掘方法 充分挖掘信息，自动化程度高，但需多种方法相结合以提高提取精度
多分辨分析方法 可获取丰富的边缘信息，但小波缺乏方向性
面向对象方法 可减少像元内部信息的干扰，同时也无法充分利用影像的隐含信息
极化方法 本质上属于阈值分割方法，利用SAR图像成像性质确定阈值

阈值分割方法简单、易于实现，但恰当阈值的选取具有一定的难度，且提取精度有待提高；边缘检测算子方法虽然对边缘的提取效果很好，但易受噪声影响，所提取的海岸线连续性欠佳，且易出现伪边缘；活动轮廓模型方法提取结果精确，但该模型复杂度较高，计算量大；数据挖掘方法运用智能手段实现海岸线的自动提取，但需多种方法结合才能提高提取精度；多分辨分析方法能够获得丰富的边缘信息，但现有应用于海岸线提取中的小波缺乏方向性；面向对象方法能够实现更高层次的图像分割且能够减少纹理特性的影响，但数据量较大时，无法充分利用影像中隐含的信息；而极化方法本质上是一种阈值分割方法，只是利用了SAR图像的不同极化方式实现阈值的选取。

综上，可总结如下：阈值分割方法、极化方法、边缘检测算子方法模型简单，计算量不大、提取速度快，比较适用于背景简单的遥感影像，如遥感砂质岸线、基岩岸线、人工岸线影像以及SAR图像中的水边线检测。其中，极化方法正是根据SAR图像的极化方式确定阈值。但这些基于二分类或者梯度的方法需要辅以后处理以去除较多的虚警并保证所提取岸线的连续性。面向对象方法以对象为基本处理单元，可应用于背景较为复杂的遥感影像，如遥感淤泥质岸线影像中的水边线检测，以最大程度地抑制复杂背景中的纹理等细节信息对提取结果的干扰；多分辨分析方法可在不同尺度上提取不同精度的水边线。但这两种方法中的“对象”和“尺度”具有一定的主观性，没有客观的统一标准。因此，可采用这两种方法作为预处理，对水边线进行粗分割，再运用其他效果更好的方法进行精细提取，以此在提升检测精度的同时加快检测速度。活动轮廓模型方法因其模型中假设被分割图像包含两个同质区域，而复杂背景中的纹理等将会影响演化曲线的收敛过程，所以多用于SAR图像中的水边线检测，其缺点在于模型复杂度高、计算量大。数据挖掘方法在图像处理领域的应用越来越广泛，尤其是深度学习在自然图像分类和目标检测等方面表现出的优越性能，使得该方法也可应用于海岸线的提取。目前，利用深度学习进行海岸线提取的文献还很少，其原因主要在于公开的标准数据集的缺乏。但利用数据挖掘方法，尤其是深度学习进行遥感影像中的海岸线提取必将是未来研究中的重要方向之一。

4 海岸线的校正及精度评价

4.1 海岸线的校正

由于卫星过境时刻摄取的海岸线影像并不能保证其为平均大潮高潮线，而海岸线的位置又易受潮汐等因素的影响，因此，需要对用上述方法提取所得瞬时水边线进行校正以得到真正的海岸线位置。其中，具有代表性的校正方法为潮位校正(马小峰 等，2007b；严海兵 等，2009；贾明明 等，2013；Liu 等，2013；张旭凯 等，2013)，其基本原理如图3所示。


图 3 潮位校正原理示意图
Fig. 3 Schematic diagram of principle of tidal correction

假设图3中c1、c2分别为两个不同时刻所摄取影像中提取的瞬时水边线，h1、h2( ${h_2} > {h_1}$ )分别为相应瞬时水边线的潮位高度， $\Delta d$ 为两条瞬时水边线的水平距离，h为平均大潮高潮位时的潮位高度，则可得到岸滩的坡度θ和海岸线修正距离d

$ \theta = \arctan \left({\frac{{{h_2} - {h_1}}}{{\Delta d}}} \right) $ (9)
$ d=\frac{h-h_{2}}{h_{2}-h_{1}} \cdot \Delta d $ (10)

4.2 精度评价

经过上述预处理操作、瞬时水边线的提取及潮位校正等步骤，已经得到真正的海岸线位置所在，但所提取海岸线的精确度仍需验证。然而，目前仍没有一种统一的海岸线精度评价方式。本文将现有文献中常用的评价方法分为定性分析与定量分析两大类，并阐述几种具有代表性的定量分析方法。

定性分析即传统的目视对比，虽然简单便捷，但不足以对提取结果的精度进行表达与定量评价。因此，定量分析方法逐渐受到研究人员的关注，旨在精确描述提取结果与参考海岸线之间的匹配程度。

缓冲区方法(Li 等，2007)是定量分析方法中的一种。该方法的主要思想是计算提取海岸线中落在参考岸线缓冲区的像素点个数，从而实现对提取结果的定量分析，其示意图如图4所示(周亚男 等，2012；乔学瑾 等，2016)。


图 4 精度评价示意图
Fig. 4 Schematic diagram of accuracy evaluation

如图4(a)所示，若以参考海岸线(人工提取的海岸线)为匹配标准，建立其缓冲区，即包含在缓冲区中所提取的海岸线为匹配的自动提取结果，则类别性错误COM(commission error)(Li 等，2007)为

$ {\rm{COM}} = \frac{{{N_{{\rm{EL}} }} - {N_{{\rm{ELinMLB}}}}}}{{{N_{\rm{EL}}}}} $ (11)

式中，NEL为自动提取海岸线的像素点个数，NELinMLB为匹配的自动提取结果。同理，如图4(b)所示，若以提取海岸线为匹配标准，则忽略性错误OM(Omission Error) (Shu 等，2010)为

$ {\rm{OM}} = \frac{{{N_{\rm{ML}}} - {N_{\rm{MLinELB}}}}}{{{N_{{\rm{ML}} }}}} $ (12)

式中，NML为人工提取海岸线的像素点个数，NMLinELB为匹配的人工提取结果。自动提取海岸线的像素落在参考海岸线不同缓冲层上的概率分布(Li 等，2007)为

$ {\rm pd} (k) = \frac{{{N_{{\rm{ ELinFLB}}{{\rm{ }}_k}}}}}{{{N_{{\rm{ML}}}}}} $ (13)

式中， $k = 0, 1, 2, \cdots, m$ 是缓冲层参数，如 $k = 0$ 即为参考海岸线，m是总的缓冲层数， ${N_{{{\rm{ELinFLB}}_k}}}$ 是自动提取海岸线中落入参考海岸线第k个缓冲层的像素点个数。则平均错误概率(Li 等，2007)为

$ {\rm{AE}} = \sum\limits_{k = 0}^m {k \cdot {\rm{pd}} (k)} $ (14)

在边缘检测中，基于混淆矩阵的精度评价方式应用广泛，而海岸线可视为海洋与陆地区域之间的边缘。可采用该方法定量分析海岸线的提取精度(周亚男 等，2012；乔学瑾 等，2016)。假设混淆矩阵如表3所示，N11、N12、N21、N22分别表示真正例(true positive)、假反例(false negative)、假正例(false positive)、真反例(true negative)，则查准率(precision)、查全率(recall)与F1度量分别如式(15)—(17)所示(Cheng，2017)。

表 3 混淆矩阵
Table 3 Confusion matrix

下载CSV 
参考海岸线 提取海岸线
正例 反例
正例 N11 N12
反例 N21 N22
$ {\rm{Precision}} = \frac{{{N_{11}}}}{{{N_{11}} + {N_{21}}}} $ (15)
$ {\rm{Recall}} = \frac{{{N_{11}}}}{{{N_{11}} + {N_{12}}}} $ (16)
$F1 = \frac{{2 \times {\rm{Precision}} \times {\rm{Recall}}}}{{{\rm{Precision}} + {\rm{Recall}}}} $ (17)

查准率反映的是提取海岸线的准确性，查全率度量了正确提取真实海岸线的比例，F1度量则是结合了查准率与查全率的总体指标，其值越大，说明提取结果越精确。Cheng等(2017a，2017b)还将查准率与查全率推广为边缘查准率(edge precision)与边缘查全率(edge recall)、边界查准率(boundary precision)与边界查全率(boundary recall)，可得到相应的F1度量。

另一种同样利用混淆矩阵且常用于遥感数据精度评价的度量方式是计算用户精度(user’s accuracy)、生产者精度(producer’s accuracy)和总体精度(overall accuracy) (Liu 等，2016)，其计算公式分别如式(18)—(20)所示(Congalton和Green，2008)。

$ {\rm{User}}'{\rm{s}}\ {\rm{accuracy}} = \frac{{{N_{jj}}}}{{\sum\nolimits_i {{N_{ij}}} }} $ (18)
$ {\rm{Producer}}'{\rm{s }}\ {\rm{accuracy}} = \frac{{{N_{ii}}}}{{\sum\nolimits_j {{N_{ij}}} }} $ (19)
$ {\rm{Overall}}\ {\rm{accuracy}} = \frac{{{N_{11}} + {N_{22}}}}{{{N_{11}} + {N_{12}} + {N_{21}} + {N_{22}}}} $ (20)

式中，i与j( $i, j = 1, 2$ )分别是混淆矩阵的行与列。基于此，kappa系数同样可度量海岸线提取精度(Sekovski 等，2014；Sabuncu 等，2016)，其值在0与1之间，越接近于1，表明提取结果与参考海岸线匹配程度越高。

还有一种海岸线提取精度的定量分析方法是计算平均偏移量(mean offset) (Dellepiane 等，2004；Liu 等，2016a)与均方根误差RMSE(Root Mean Square Error) (刘善伟 等，2011；Sheng 等，2012；Sukcharoenpong 等，2015；Liu 等，2016a；Liu 等，2016b；毋亭和侯西勇，2016)，其计算公式分别为

${\rm{Mean}}\ {\rm{offset}} = \frac{{{D_1} + {D_2} + \cdots + {D_n}}}{n} $ (21)
$ {\rm{RMSE}} = \sqrt {\frac{{D_1^2 + D_2^2{\rm{ + }} \cdots + D_n^2}}{n}} $ (22)

式中，n为样本点总数，D为参考海岸线数据集中的海岸线特征点至提取海岸线的欧氏距离。

除了上述3种主要的定量分析方法，还有一些其他的海岸线精度评价方法，如平均总体精度(詹雅婷 等，2017)等，具体可参考相关文献。

5 展　望

综合考虑遥感技术的发展、海岸线的特征及现有各种基于遥感影像的海岸线自动提取方法的不足，本文对下一步的研究工作做了如下展望：

(1)构建数据集。数据集的建立能为科学实验提供充足的训练数据和测试数据，也为各种算法性能的评价与比较提供了统一的平台。虽然在遥感影像场景分类及其他相关领域存在多个数据集，但目前仍都无法直接应用于海岸线的提取中。因此，迫切需要建立公开的标准遥感海岸线影像数据集，推动基于遥感影像的海岸线提取技术的发展。

(2)利用高光谱数据。由于海岸线的高度动态性、过渡性，使得近海区域的光谱特性比较复杂，利用单一的光谱信息难以实现海岸带不同地物的区分。随着遥感技术的发展，高光谱数据的普及为海岸线的提取提供了一种新思路，其波段数量多，光谱信息丰富，因此，可融合多个波段的光谱信息对海岸带地物进行精确划分。

(3)采用深度学习的方法。由海岸线的特征可知，海岸线的提取本质上是一个二分类的问题，而深度学习在这方面的应用很多，且运用这些智能方法一方面可以实现海岸线的全自动提取，另一方面可以充分挖掘原始图像中隐含的信息，尽可能地利用已知数据，从而使得提取效果更好。

(4)活动轮廓模型方法中参数的优化。活动轮廓模型方法本身的复杂度较高，可调参数较多，以往都是通过经验确定或大量的手动调试挑选出最优的参数，难度较大且并不能确定其是否最优。因此，可在活动轮廓模型方法的参数选择过程中引入群智能算法，如布谷鸟算法，以此达到参数快速寻优的目的。

(5)多分辨分析方法的改进。应用于海岸线提取的多分辨分析方法大多采用小波变换的方法，但其处理方向信息的能力有限，当海岸带变化较剧烈时，该方法提取结果可能存在一定的误差。因此，可运用带有方向信息的多尺度几何分析方法，如Shearlet变换 等，以提高海岸线提取的精度。

(6)将各种方法相结合。由全文的分析可知，上述各种基于遥感影像的海岸线自动提取方法均有一定的局限性，且每种方法也只是针对特定的海岸线类型，缺乏普适性。因此，在进一步的工作中，可将各种方法相结合，融合各方法的优势，使得海岸线提取效果更好，适用范围更广。

(7)实现亚像素级精度的海岸线提取。现有的海岸线提取方法几乎都只是考虑了像素级的提取精度，即每一个像素最终会被分类为海水区域或者陆地区域。实际上，同一像素可部分分类为海水区域，部分分类为陆地区域，这样可在亚像素级精度上实现海岸线的提取，对海岸线的监测也更加准确。

6 结　语

海岸线是研究海陆相互作用、人类活动等对海岸带影响的一项重要内容，对海岸带资源的开发、综合管理、可持续利用及近海区域生态系统的保护等方面也意义重大。因此，快速而准确地实现海岸线的提取具有重要意义。

与传统测量方法相比，基于遥感影像的海岸线自动提取方法大大提高了工作效率、节约了成本。本文总结了近些年来国内外基于遥感影像的海岸线自动提取方法的研究进展，重点阐述了阈值分割方法、边缘检测算子方法、活动轮廓模型方法、数据挖掘方法、多分辨分析方法、面向对象方法、极化方法等水边线提取方法，并总结和分析了各方法的特征及其优缺点；同时，本文还归纳了潮位校正模型和用于评价海岸线提取精度的定量评价方法；最后，本文对下一步的研究工作进行了展望，提出了一些可行的研究方法和重要的研究方向。

参考文献(References)

  • Aktas Ü R, Can G and Vural F T Y. 2012. Edge-aware segmentation in satellite imagery: a case study of shoreline detection//Proceedings of the 7th IAPR Workshop on Pattern Recognition in Remote Sensing. Tsukuba, Japan: IEEE: 1-4 [DOI: 10.1109/PPRS.2012.6398319]
  • Alonso M T, López-Martínez C, Mallorqui J J and Salembier P. 2011. Edge enhancement algorithm based on the wavelet transform for automatic edge detection in SAR images. IEEE Transactions on Geoscience and Remote Sensing, 49 (1): 222–235. [DOI: 10.1109/TGRS.2010.2052814]
  • Asaka T, Yamamoto Y, Aoyama S, Iwashita K and Kudou K. 2013. Automated method for tracing shorelines in L-band SAR images//Conference Proceedings of 2013 Asia-Pacific Conference on Synthetic Aperture Radar. Tsukuba, Japan: IEEE: 325-328
  • Baghdadi N, Pedreros R, Lenotre N, Dewez T and Paganini M. 2007. Impact of polarization and incidence of the ASAR sensor on coastline mapping: example of Gabon. International Journal of Remote Sensing, 28 (17): 3841–3849. [DOI: 10.1080/01431160601075517]
  • Baselice F and Ferraioli G. 2013. Unsupervised coastal line extraction from SAR images. IEEE Geoscience and Remote Sensing Letters, 10 (6): 1350–1354. [DOI: 10.1109/LGRS.2013.2241013]
  • Bhaskar H. 2011. Coastline detection using coupled variational level-set formulation//Proceedings of the 4th International Conference on Imaging for Crime Detection and Prevention 2011. London, UK: IET: 1-6 [DOI: 10.1049/ic.2011.0107]
  • Boak E H and Turner I L. 2005. Shoreline definition and detection: a review. Journal of Coastal Research, 21 (4): 688–703. [DOI: 10.2112/03-0071.1]
  • Buono A, Nunziata F, Mascolo L and Migliaccio M. 2014. A multipolarization analysis of coastline extraction using X-band COSMO-SkyMed SAR data. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 7 (7): 2811–2820. [DOI: 10.1109/JSTARS.2014.2320366]
  • Cao K, Fan J C, Wang X X, Wang X, Zhao J H and Zhang F S. 2016. Coastline automatic detection based on high resolution SAR images//Proceedings of the 4th International Workshop on Earth Observation and Remote Sensing Applications. Guangzhou, China: IEEE: 43-46 [DOI: 10.1109/EORSA.2016.7552763]
  • Caselles V, Kimmel R and Sapiro G. 1997. Geodesic active contours. International Journal of Computer Vision, 22 (1): 61–79. [DOI: 10.1023/A:1007979827043]
  • Chan T F and Vese L A. 2001. Active contours without edges. IEEE Transactions on Image Processing, 10 (2): 266–277. [DOI: 10.1109/83.902291]
  • Chen X, Sun J, Yin K Y and Yu J M. 2014. Sea-land segmentation algorithm of SAR image based on Otsu method and statistical characteristic of sea area. Journal of Data Acquisition and Processing, 29 (4): 603–608. [DOI: 10.3969/j.issn.1004-9037.2014.04.017] ( 陈祥, 孙俊, 尹奎英, 于俊朋. 2014. 基于Otsu与海域统计特性的SAR图像海陆分割算法. 数据采集与处理, 29 (4): 603–608. [DOI: 10.3969/j.issn.1004-9037.2014.04.017] )
  • Chen Y H, Feng T, Shi P J and Wang J F. 2006. Classification of remot sensing image based on object oriented and class rules. Geomatics and Information Science of Wuhan University, 31 (4): 316–320. [DOI: 10.3969/j.issn.1671-8860.2006.04.009] ( 陈云浩, 冯通, 史培军, 王今飞. 2006. 基于面向对象和规则的遥感影像分类研究. 武汉大学学报(信息科学版), 31 (4): 316–320. [DOI: 10.3969/j.issn.1671-8860.2006.04.009] )
  • Chen Z H, Mao Z H and Chen J Y. 2011. Coastline change monitoring using 4 periods remote sensing data in Zhejiang Province from 1986 to 2009. Remote Sensing Technology and Application, 26 (1): 68–73. [DOI: 10.11873/j.issn.1004-0323.2011.1.68] ( 陈正华, 毛志华, 陈建裕. 2011. 利用4期卫星资料监测1986～2009年浙江省大陆海岸线变迁. 遥感技术与应用, 26 (1): 68–73. [DOI: 10.11873/j.issn.1004-0323.2011.1.68] )
  • Cheng D C, Meng G F, Cheng G L and Pan C H. 2017a. SeNet: structured edge network for sea–land segmentation. IEEE Geoscience and Remote Sensing Letters, 14 (2): 247–251. [DOI: 10.1109/LGRS.2016.2637439]
  • Cheng D C, Meng G F, Xiang S M and Pan C M. 2017b. FusionNet: edge aware deep convolutional networks for semantic segmentation of remote sensing harbor images. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 10 (12): 5769–5783. [DOI: 10.1109/JSTARS.2017.2747599]
  • Cheng G, Han J W and Lu X Q. 2017. Remote sensing image scene classification: benchmark and state of the art. Proceedings of the IEEE, 105 (10): 1865–1883. [DOI: 10.1109/JPROC.2017.2675998]
  • Congalton R G and Green K. 2008. Assessing the Accuracy of Remotely Sensed Data: Principles and Practices. 2nd ed. Florida, USA: CRC Press
  • Dellepiane S, de Laurentiis R and Giordano F. 2004. Coastline extraction from SAR images and a method for the evaluation of the coastline precision. Pattern Recognition Letters, 25 (13): 1461–1470. [DOI: 10.1016/j.patrec.2004.05.022]
  • Descombes X, Moctezuma M, Maître H and Rudant J P. 1996. Coastline detection by a Markovian segmentation on SAR images. Signal Processing, 55 (1): 123–132. [DOI: 10.1016/S0165-1684(96)00125-9]
  • Ding X W, Nunziata F, Li X F and Migliaccio M. 2015. Performance analysis and validation of waterline extraction approaches using single- and dual-polarimetric SAR data. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 8 (3): 1019–1027. [DOI: 10.1109/JSTARS.2014.2362511]
  • Dong B G, Zhang L, Zhang G, Wu Z and Zhou L Y. 2012. Smooth shoreline extraction with topographic constraints using LiDAR point clouds. Journal of Geomatics Science and Technology, 29 (2): 113–117. [DOI: 10.3969/j.issn.1673-6338.2012.02.009] ( 董保根, 张良, 张钢, 吴卓, 周丽雅. 2012. 利用LiDAR点云提取有地形约束的光滑海岸线. 测绘科学技术学报, 29 (2): 113–117. [DOI: 10.3969/j.issn.1673-6338.2012.02.009] )
  • Dong H Y, Xu P, Liu Q and Xu H L. 2015. The water coastline detection approaches based on USV vision//Proceedings of 2015 IEEE International Conference on Cyber Technology in Automation, Control, and Intelligent Systems. Shenyang, China: IEEE: 404-408 [DOI: 10.1109/CYBER.2015.7287971]
  • Dong Y, Zhang J F and Xu F J. 2014. Auto localization for coastal satellite imagery based on curve matching//Proceedings of 2014 International Conference on Multisensor Fusion and Information Integration for Intelligent Systems. Beijing, China: IEEE: 1-6 [DOI: 10.1109/MFI.2014.6997645]
  • Fan D, Guo H D, Yue H Y and Wang C L. 2002. Detection of lake shoreline in SAR image based on wavelet. Journal of Remote Sensing, 6 (6): 511–516. [DOI: 10.3321/j.issn:1007-4619.2002.06.020] ( 范典, 郭华东, 岳焕印, 王长林. 2002. 基于二进小波变换的SAR图像湖岸线提取. 遥感学报, 6 (6): 511–516. [DOI: 10.3321/j.issn:1007-4619.2002.06.020] )
  • Fan J C, Cao K, Zhao J H, Jiang D W and Tang X L. 2016. A hybrid particle swarm optimization algorithm for coastline SAR image automatic detection//Proceedings of the 12th World Congress on Intelligent Control and Automation. Guilin, China: IEEE: 822-825 [DOI: 10.1109/WCICA.2016.7578256]
  • Fan Y G, Zhang S Q, Hou C L and Zhang L. 2009. Study on method of coastline extraction from remote sensing - Taking Yellow River mouth reach and Diaokou reach of Yellow River Delta area as an example. Remote Sensing Information, (4): 67–70, 74. [DOI: 10.3969/j.issn.1000-3177.2009.04.013] ( 樊彦国, 张淑芹, 侯春玲, 张磊. 2009. 基于遥感影像提取海岸线方法的研究——以黄河三角洲地区黄河口段和刁口段海岸为例. 遥感信息, (4): 67–70, 74. [DOI: 10.3969/j.issn.1000-3177.2009.04.013] )
  • Feng L D, Sun X G and Xu K H. 2002. Edge detection of coastline based on wavelet transform method. Journal of Ocean University of Qingdao, 32 (5): 777–781. [DOI: 10.3969/j.issn.1672-5174.2002.05.014] ( 冯兰娣, 孙效功, 胥可辉. 2002. 利用海岸带遥感图像提取岸线的小波变换方法. 青岛海洋大学学报, 32 (5): 777–781. [DOI: 10.3969/j.issn.1672-5174.2002.05.014] )
  • Feng Y J and Han Z. 2012. Cellular automata approach to extract shoreline from remote sensing imageries and its application. Journal of Image and Graphics, 17 (3): 441–446. [DOI: 10.11834/jig.20120320] ( 冯永玖, 韩震. 2012. 海岸线遥感信息提取的元胞自动机方法及其应用. 中国图象图形学报, 17 (3): 441–446. [DOI: 10.11834/jig.20120320] )
  • Fugura A A, Billa L and Pradhan B. 2011. Semi-automated procedures for shoreline extraction using single RADARSAT-1 SAR image. Estuarine, Coastal and Shelf Science, 95 (4): 395–400. [DOI: 10.1016/j.ecss.2011.10.009]
  • Gao Y, Zhou C H, Su F Z and Wang H. 2014. Coastline extraction from remote sensing images based on multi-features approach. Engineering of Surveying and Mapping, 23 (5): 1–5. [DOI: 10.3969/j.issn.1006-7949.2014.05.001] ( 高燕, 周成虎, 苏奋振, 王寒. 2014. 基于多特征的人工海岸线提取方法. 测绘工程, 23 (5): 1–5. [DOI: 10.3969/j.issn.1006-7949.2014.05.001] )
  • Gao Z Q, Liu X Y, Ning J C and Lu Q S. 2014. Analysis on changes in coastline and reclamation area and its causes based on 30-year satellite data in China. Transactions of the Chinese Society of Agricultural Engineering, 30 (12): 140–147. [DOI: 10.3969/j.issn.1002-6819.2014.12.017] ( 高志强, 刘向阳, 宁吉才, 芦清水. 2014. 基于遥感的近30 a中国海岸线和围填海面积变化及成因分析. 农业工程学报, 30 (12): 140–147. [DOI: 10.3969/j.issn.1002-6819.2014.12.017] )
  • General Administration of Quality Supervision, Inspection and Quarantine of the People's Republic of China. 2004. GB/T 18190-2000 Oceanological terminology--Marine geology. Beijing: Standards Press of China (中华人民共和国国家质量监督检验检疫总局. 2004. GB/T 18190-2000 海洋学术语 海洋地质学. 北京: 中国标准出版社)
  • Guo H T, Sun L, Shen J S, Chen X W and Zhang H W. 2016. An island and coastal image segmentation method based on quadtree and GAC model. Acta Geodaetica et Cartographica Sinica, 45 (1): 65–72. [DOI: 10.11947/j.AGCS.2016.20150240] ( 郭海涛, 孙磊, 申家双, 陈小卫, 张宏伟. 2016. 一种四叉树和测地线活动轮廓模型相结合的海陆影像分割方法. 测绘学报, 45 (1): 65–72. [DOI: 10.11947/j.AGCS.2016.20150240] )
  • Guo Q D, Pu R L, Zhang B and Gao L R. 2016. A comparative study of coastline changes at Tampa Bay and Xiangshan Harbor during the last 30 years//Proceedings of 2016 IEEE International Geoscience and Remote Sensing Symposium. Beijing, China: IEEE: 5185-5188 [DOI: 10.1109/IGARSS.2016.7730351]
  • Guo Y Y, Lu X and Shao F Q. 2009. Remote sensing information abstraction of Lianyungang coastal line based on wavelet transformation. Journal of Huaihai Institute of Technology (Natural Science Edition), 18 (3): 86–89. [DOI: 10.3969/j.issn.1672-6685.2009.03.024] ( 郭衍游, 卢霞, 邵飞卿. 2009. 基于小波变换的连云港海岸线遥感信息提取. 淮海工学院学报(自然科学版), 18 (3): 86–89. [DOI: 10.3969/j.issn.1672-6685.2009.03.024] )
  • Han M, Yang X and Jiang E D. 2016. An Extreme Learning Machine based on Cellular Automata of edge detection for remote sensing images. Neurocomputing, 198 : 27–34. [DOI: 10.1016/j.neucom.2015.08.121]
  • Hou B, Hu Y H and Jiao L C. 2010. Improved shearlet edge detection for waters of SAR images. Journal of Image and Graphics, 15 (10): 1549–1554. [DOI: 10.11834/jig.20101019] ( 侯彪, 胡育辉, 焦李成. 2010. SAR图像水域的改进Shearlet边缘检测. 中国图象图形学报, 15 (10): 1549–1554. [DOI: 10.11834/jig.20101019] )
  • Hu Q, Zhang F, Liu R Y and Du Z H. 2013. Land-sea boundary extraction based on gradient vector flow and active contour model. Journal of Zhejiang University (Science Edition), 40 (6): 698–704. [DOI: 10.3785/j.issn.1008-9497.2013.06.017] ( 胡倩, 张丰, 刘仁义, 杜震洪. 2013. 基于梯度矢量流和主动轮廓模型的海陆边界提取. 浙江大学学报(理学版), 40 (6): 698–704. [DOI: 10.3785/j.issn.1008-9497.2013.06.017] )
  • Huang K H and Zhang J. 2011. A coastline detection method using SAR images based on the local statistical active contour model. Journal of Remote Sensing, 15 (4): 737–749. [DOI: 10.11834/jrs.20110136] ( 黄魁华, 张军. 2011. 局部统计活动轮廓模型的SAR图像海岸线检测. 遥感学报, 15 (4): 737–749. [DOI: 10.11834/jrs.20110136] )
  • Jia M M, Liu D W, Wang Z M, Tang X G and Dong Z Y. 2013. Coastline changes in Hangzhou Bay based on object-oriented method using multi-source remote sensing data. Journal of Geo-Information Science, 15 (2): 262–269. [DOI: 10.3724/SP.J.1047.2013.00262] ( 贾明明, 刘殿伟, 王宗明, 汤旭光, 董张玉. 2013. 面向对象方法和多源遥感数据的杭州湾海岸线提取分析. 地球信息科学学报, 15 (2): 262–269. [DOI: 10.3724/SP.J.1047.2013.00262] )
  • Jiang D W, Fan J C and Huang F R. 2016. SAR image coastline detection based on regional distance regularized geometric active contour models. Acta Geodaetica et Cartographica Sinica, 45 (9): 1096–1103. [DOI: 10.11947/j.AGCS.2016.20160039] ( 姜大伟, 范剑超, 黄凤荣. 2016. SAR图像海岸线检测的区域距离正则化几何主动轮廓模型. 测绘学报, 45 (9): 1096–1103. [DOI: 10.11947/j.AGCS.2016.20160039] )
  • Jiang X W. 2016. China Offshore Marine - Processing and Interpretation of Remote Sensing Image of Island Coastal Zone. Beijing: China Ocean Press (蒋兴伟. 2016. 中国近海海洋-海岛海岸带遥感影像处理与解译. 北京: 海洋出版社)
  • Karantzalos K G, Argialas D and Georgopoulos A. 2002. Towards automatic detection of coastlines from satellite imagery//Proceedings of the 14th International Conference on Digital Signal Processing Proceedings. Santorini, Greece: IEEE: 897-900 [DOI: 10.1109/ICDSP.2002.1028235]
  • Kass M, Witkin A and Terzopoulos D. 1988. Snakes: active contour models. International Journal of Computer Vision, 1 (4): 321–331. [DOI: 10.1007/BF00133570]
  • Latini D, del Frate F, Palazzo F and Minchella A. 2012. Coastline extraction from SAR COSMO-SkyMed data using a new neural network algorithm//Proceedings of 2012 IEEE International Geoscience and Remote Sensing Symposium. Munich, Germany: IEEE: 5975-5977 [DOI: 10.1109/IGARSS.2012.6352247]
  • Li C L, Li Y and Lan G X. 2011. New method of the fast narrow brand C-V level set model for image segmentation. Computer Science, 38 (12): 17–19, 35. [DOI: 10.3969/j.issn.1002-137X.2011.12.004] ( 李传龙, 李颖, 兰国新. 2011. 一种新的窄带快速区域水平集C-V模型图像分割方法. 计算机科学, 38 (12): 17–19, 35. [DOI: 10.3969/j.issn.1002-137X.2011.12.004] )
  • Li C L, Li Y and Ma L. 2010. A new method of coastline detection for remote sensing image. Computer Simulation, 27 (8): 212–214, 254. [DOI: 10.3969/j.issn.1006-9348.2010.08.052] ( 李传龙, 李颖, 马龙. 2010. 一种新的遥感图像海岸线检测方法. 计算机仿真, 27 (8): 212–214, 254. [DOI: 10.3969/j.issn.1006-9348.2010.08.052] )
  • Li C P and Yang G. 2014. Fast sea-land segmentation method based on maritime boundary tracking. Computer Science, 41 (10): 84–86, 100. [DOI: 10.11896/j.issn.1002-137X.2014.10.019] ( 李超鹏, 杨光. 2014. 一种基于海陆边界跟踪的快速海陆分割方法. 计算机科学, 41 (10): 84–86, 100. [DOI: 10.11896/j.issn.1002-137X.2014.10.019] )
  • Li M and Zheng X S. 2016. A second modified normalized difference water index (SMNDWI) in the case of extracting the shoreline. Marine Science Bulletin, 18 (2): 15–27.
  • Li R R, Liu W J, Yang L, Sun S H, Hu W, Zhang F and Li W. 2017. DeepUNet: A deep fully convolutional network for pixel-level sea-land segmentation. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 11 (11): 3954–3962. [DOI: 10.1109/JSTARS.2018.2833382]
  • Li X M, Yuan C Z and Li Y Y. 2013. Remote sensing monitoring and spatial-temporal variation of Bohai Bay coastal zone. Remote Sensing for Land and Resources, 25 (2): 156–163. [DOI: 10.6046/gtzyyg.2013.02.26] ( 李秀梅, 袁承志, 李月洋. 2013. 渤海湾海岸带遥感监测及时空变化. 国土资源遥感, 25 (2): 156–163. [DOI: 10.6046/gtzyyg.2013.02.26] )
  • Li Y, Li J and Lu Y. 2007. A fuzzy segmentation-based approach to extraction of coastlines from IKONOS imagery. Geomatica, 62 (4): 407–417.
  • Li Z M, Luo Y Z, Man W and Sun F Q. 2017. Extraction and analysis of coastline of Fujian province based on RS and GIS. Journal of Applied Oceanography, 36 (1): 125–134. [DOI: 10.3969/J.ISSN.2095-4972.2017.01.016] ( 李宗梅, 罗玉忠, 满旺, 孙凤琴. 2017. 基于遥感和GIS的福建省海岸线的提取和变化研究. 应用海洋学学报, 36 (1): 125–134. [DOI: 10.3969/J.ISSN.2095-4972.2017.01.016] )
  • Liu C, Xiao Y Y and Yang J. 2017. A coastline detection method in polarimetric SAR images mixing the region-based and edge-based active contour models. IEEE Transactions on Geoscience and Remote Sensing, 55 (7): 3735–3747. [DOI: 10.1109/TGRS.2017.2679112]
  • Liu C, Yang J, Yin J J and An W T. 2016. Coastline detection in SAR images using a hierarchical level set segmentation. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 9 (11): 4908–4920. [DOI: 10.1109/JSTARS.2016.2613279]
  • Liu C, Yin J J and Yang J. 2016. Coastline detection in polarimetric SAR images based on mixed edge detection. Systems Engineering and Electronics, 38 (6): 1262–1267. [DOI: 10.3969/j.issn.1001-506X.2016.06.07] ( 刘春, 殷君君, 杨健. 2016. 基于混合边缘检测的极化SAR图像海岸线检测. 系统工程与电子技术, 38 (6): 1262–1267. [DOI: 10.3969/j.issn.1001-506X.2016.06.07] )
  • Liu H and Jezek K C. 2004. Automated extraction of coastline from satellite imagery by integrating Canny edge detection and locally adaptive thresholding methods. International Journal of Remote Sensing, 25 (5): 937–958. [DOI: 10.1080/0143116031000139890]
  • Liu P C. 2015. Feature extraction of coastline contour based on level set theory. Remote Sensing for Land and Resources, 27 (2): 75–79. [DOI: 10.6046/gtzyyg.2015.02.12] ( 刘鹏程. 2015. 基于水平集理论的海岸线轮廓特征提取. 国土资源遥感, 27 (2): 75–79. [DOI: 10.6046/gtzyyg.2015.02.12] )
  • Liu S W, Zhang J, Ma Y and Sun W F. 2011. Coastline extraction method based on remote sensing and DEM. Remote Sensing Technology and Application, 26 (5): 613–618. ( 刘善伟, 张杰, 马毅, 孙伟富. 2011. 遥感与DEM相结合的海岸线高精度提取方法. 遥感技术与应用, 26 (5): 613–618. )
  • Liu X Y, Gao Z Q, Ning J C, Yu X and Zhang Y Y. 2016. An improved method for mapping tidal flats based on remote sensing waterlines: A case study in the Bohai Rim, China. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 9 (11): 5123–5129. [DOI: 10.1109/JSTARS.2016.2616514]
  • Liu Y, Huang H J and Yan L W. 2013. Remote sensing applications in extraction of Shijiutuo Island coastline based on different spatial scales. Remote Sensing Technology and Application, 28 (1): 144–149. ( 刘勇, 黄海军, 严立文. 2013. 不同空间尺度下石臼陀岛海岸线提取的遥感应用研究. 遥感技术与应用, 28 (1): 144–149. )
  • Liu Y X, Huang H J, Qiu Z F and Fan J Y. 2013. Detecting coastline change from satellite images based on beach slope estimation in a tidal flat. International Journal of Applied Earth Observation and Geoinformation, 23 : 165–176. [DOI: 10.1016/j.jag.2012.12.005]
  • Liu Z L, Li F, Li N, Wang R and Zhang H. 2016. A novel region-merging approach for coastline extraction from Sentinel-1A IW mode SAR imagery. IEEE Geoscience and Remote Sensing Letters, 13 (3): 324–328. [DOI: 10.1109/LGRS.2015.2510745]
  • Ma X F, Zhao D Z, Xing X G, Zhang F S, Wen S Y and Yang F. 2007. Means of withdrawing coastline by remote sensing. Marine Environmental Science, 26 (2): 185–189. [DOI: 10.3969/j.issn.1007-6336.2007.02.022] ( 马小峰, 赵冬至, 邢小罡, 张丰收, 文世勇, 杨帆. 2007. 海岸线卫星遥感提取方法研究. 海洋环境科学, 26 (2): 185–189. [DOI: 10.3969/j.issn.1007-6336.2007.02.022] )
  • Ma X F, Zhao D Z, Zhang F S, Wen S Y and Yang F. 2007. An overview of means of withdrawing coastline by remote sensing. Remote Sensing Technology and Application, 22 (4): 575–580. [DOI: 10.11873/j.issn.1004-0323.2007.4.575] ( 马小峰, 赵冬至, 张丰收, 文世勇, 杨帆. 2007. 海岸线卫星遥感提取方法研究进展. 遥感技术与应用, 22 (4): 575–580. [DOI: 10.11873/j.issn.1004-0323.2007.4.575] )
  • McFeeters S K. 1996. The use of the Normalized Difference Water Index (NDWI) in the delineation of open water features. International Journal of Remote Sensing, 17 (7): 1425–1432. [DOI: 10.1080/01431169608948714]
  • Modava M and Akbarizadeh G. 2017. Coastline extraction from SAR images using spatial fuzzy clustering and the active contour method. International Journal of Remote Sensing, 38 (2): 355–370. [DOI: 10.1080/01431161.2016.1266104]
  • Mumford D and Shah J. 1989. Optimal approximations by piecewise smooth functions and associated variational problems. Communications on Pure and Applied Mathematics, 42 (5): 577–685. [DOI: 10.1002/cpa.3160420503]
  • Niedermeier A, Lehner S and van der Sanden J. 2001. Monitoring big river estuaries using SAR images//Proceedings of IGARSS 2001. Scanning the Present and Resolving the Future. IEEE 2001 International Geoscience and Remote Sensing Symposium. Sydney, NSW, Australia: IEEE: 1756-1758 [DOI: 10.1109/IGARSS.2001.977061]
  • Niedermeier A, Romaneessen E and Lehner S. 2000. Detection of coastlines in SAR images using wavelet methods. IEEE Transactions on Geoscience and Remote Sensing, 38 (5): 2270–2281. [DOI: 10.1109/36.868884]
  • Nunziata F, Buono A, Migliaccio M and Benassai G. 2016. Dual-polarimetric C- and X-band SAR data for coastline extraction. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 9 (11): 4921–4928. [DOI: 10.1109/JSTARS.2016.2560342]
  • Nunziata F and Migliaccio M. 2013. Coherent dual-pol HH-HV SAR data to extract coastline//Proceedings of 2013 IEEE International Geoscience and Remote Sensing Symposium. Melbourne, VIC, Australia: IEEE: 3215-3218 [DOI: 10.1109/IGARSS.2013.6723511]
  • Nunziata F, Migliaccio M and Li X. 2012. Dual-polarized COSMO-SkyMed SAR data for coastline detection//Proceedings of 2012 IEEE International Geoscience and Remote Sensing Symposium. Munich, Germany: IEEE: 5109-5112 [DOI: 10.1109/IGARSS.2012.6352461]
  • Nunziata F, Migliaccio M, Li X F and Ding X W. 2014. Coastline extraction using dual-polarimetric COSMO-SkyMed PingPong mode SAR data. IEEE Geoscience and Remote Sensing Letters, 11 (1): 104–108. [DOI: 10.1109/LGRS.2013.2247561]
  • Onana V P, Ngono J M, Trebossen H, Rudant J P and Tonye E. 2001. Coastline detection in SAR images using texture analysis in textural or geometrical multi-resolution//Proceedings of IGARSS 2001. Scanning the Present and Resolving the Future. IEEE 2001 International Geoscience and Remote Sensing Symposium. Sydney, NSW, Australia: IEEE: 1549-1551 [DOI: 10.1109/IGARSS.2001.976907]
  • Otsu N. 1979. A threshold selection method from gray-level histograms. IEEE Transactions on Systems, Man, and Cybernetics, 9 (1): 62–66. [DOI: 10.1109/TSMC.1979.4310076]
  • Ouyang Y, Chong J S and Wu Y R. 2010. Two coastline detection methods in Synthetic Aperture Radar imagery based on Level Set Algorithm. International Journal of Remote Sensing, 31 (17/18): 4957–4968. [DOI: 10.1080/01431161.2010.485142]
  • Paes R L, Nunziata F and Migliaccio M. 2015. Coastline extraction and coastal area classification via SAR hybrid-polarimetry architecture//Proceedings of 2015 IEEE International Geoscience and Remote Sensing Symposium. Milan, Italy: IEEE: 3798-3801 [DOI: 10.1109/IGARSS.2015.7326651]
  • Pardo-Pascual J E, Almonacid-Caballer J, Ruiz L A and Palomar-Vázquez J. 2012. Automatic extraction of shorelines from Landsat TM and ETM+ multi-temporal images with subpixel precision. Remote Sensing of Environment, 123 : 1–11. [DOI: 10.1016/j.rse.2012.02.024]
  • Qiao X J, Wang Q, Zhan C, Wang X, Wang H Y, Du G Y and Li X Y. 2016. Study on automatic extraction of coastline in the Yellow River Delta based on multi-spectral data. Haiyang Xuebao, 38 (7): 59–71. [DOI: 10.3969/j.issn.0253-4193.2016.07.006] ( 乔学瑾, 王庆, 战超, 王昕, 王红艳, 杜国云, 李雪艳. 2016. 基于多光谱数据的黄河三角洲岸线自动提取. 海洋学报, 38 (7): 59–71. [DOI: 10.3969/j.issn.0253-4193.2016.07.006] )
  • Qu G Z, Yu Q Z and Wang Y F. 2013. An improved method for SAR image coastline detection based on despeckling and SVM//Proceedings of the IET International Radar Conference 2013. Xi'an, China: IET: 1-6 [DOI: 10.1049/cp.2013.0268]
  • Qu J S, Wang C and Wang Z Z. 2003. A multi-threshold based morphological approach for extracting coastal line feature from remote sensed images. Journal of Image and Graphics, 8 (7): 805–809. [DOI: 10.3969/j.issn.1006-8961.2003.07.017] ( 瞿继双, 王超, 王正志. 2003. 一种基于多阈值的形态学提取遥感图象海岸线特征方法. 中国图象图形学报, 8 (7): 805–809. [DOI: 10.3969/j.issn.1006-8961.2003.07.017] )
  • Ryan T W, Sementilli P J, Yuen P and Hunt B R. 1991. Extraction of shoreline features by neural nets and image processing. Photogrammetric Engineering and Remote Sensing, 57 (7): 947–955.
  • Sabuncu A, Dogru A, Ozener H and Turgut B. 2016. Detection of coastline deformation using remote sensing and geodetic surveys. The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, XLI-B8: 1169-1174 [DOI: 10.5194/isprs-archives-XLI-B8-1169-2016]
  • Sekovski I, Stecchi F, Mancini F and del Rio L. 2014. Image classification methods applied to shoreline extraction on very high-resolution multispectral imagery. International Journal of Remote Sensing, 35 (10): 3556–3578. [DOI: 10.1080/01431161.2014.907939]
  • Shan Z L, Wang C, Zhang H and Zhang B. 2010. Ocean-land segmentation based on active contour model for SAR imagery//Proceedings of 2010 International Conference on Computer and Communication Technologies in Agriculture Engineering. Chengdu, China: IEEE: 215-218 [DOI: 10.1109/CCTAE.2010.5545332]
  • Shen J S, Guo H T, Li H B, Qiu F G and Zhang Z P. 2013. A water edge extraction method from images based on Canny operator and GAC model. Journal of Geomatics Science and Technology, 30 (3): 264–268. [DOI: 10.3969/j.issn.1673-6338.2013.03.011] ( 申家双, 郭海涛, 李海滨, 邱富刚, 张祖鹏. 2013. 基于Canny算子和GAC模型相结合的影像水边线提取方法. 测绘科学技术学报, 30 (3): 264–268. [DOI: 10.3969/j.issn.1673-6338.2013.03.011] )
  • Shen Q, Wang C Y and Zhao B. 2012. Automatic waterline extraction in VHR imagery using geometric active contour model. Journal of Fudan University (Natural Science), 51 (1): 77–82, 104. [DOI: 10.15943/j.cnki.fdxb-jns.2012.01.012] ( 沈琦, 汪承义, 赵斌. 2012. 几何活动轮廓模型用于高分辨率遥感影像海岸线自动提取. 复旦学报(自然科学版), 51 (1): 77–82, 104. [DOI: 10.15943/j.cnki.fdxb-jns.2012.01.012] )
  • Sheng G F, Yang W, Deng X P, He C, Cao Y F and Sun H. 2012. Coastline detection in synthetic aperture radar (SAR) images by integrating watershed transformation and controllable gradient vector flow (GVF) Snake model. IEEE Journal of Oceanic Engineering, 37 (3): 375–383. [DOI: 10.1109/JOE.2012.2191998]
  • Shu Y M, Li J and Gomes G. 2010. Shoreline extraction from RADARSAT-2 intensity imagery using a narrow band level set segmentation approach. Marine Geodesy, 33 (2/3): 187–203. [DOI: 10.1080/01490419.2010.496681]
  • Silveira M and Heleno S. 2008. Water/land segmentation in SAR images using level sets//Proceedings of the 15th IEEE International Conference on Image Processing. San Diego, CA, USA: IEEE: 1896-1899 [DOI: 10.1109/ICIP.2008.47121507]
  • Silveira M and Heleno S. 2009a. Classification of water regions in SAR images using level sets and non-parametric density estimation//Proceedings of the 16th IEEE International Conference on Image Processing. Cairo, Egypt: IEEE: 1685-1688 [DOI: 10.1109/ICIP.2009.5413391]
  • Silveira M and Heleno S. 2009b. Separation between water and land in SAR images using region-based level sets. IEEE Geoscience and Remote Sensing Letters, 6 (3): 471–475. [DOI: 10.1109/LGRS.2009.2017283]
  • Su F Z. 2015. Assessment of Remote Sensing of the Coastal Zone. Beijing: Science Press (苏奋振. 2015. 海岸带遥感评估. 北京: 科学出版社)
  • Sukcharoenpong A, Yilmaz A and Li R X. 2015. An integrated active contour approach to shoreline mapping using HSI and DEM. IEEE Transactions on Geoscience and Remote Sensing, 54 (3): 1586–1597. [DOI: 10.1109/TGRS.2015.2483641]
  • Sun F Q, Hua L Z, Li H, Wang Y T and Chen Y Q. 2015. Detecting and analysis of coast changes of Xiamen Island by RS and GIS//Proceedings of the 2nd IEEE International Conference on Spatial Data Mining and Geographical Knowledge Services. Fuzhou, China: IEEE: 197-201 [DOI: 10.1109/ICSDM.2015.7298053]
  • Sun R C, Shao F J, Wu S Y and Li S J. 2012. Study on coastline changes of Yellow River estuary using semi-supervised clustering//Proceedings of the International Conference on Automatic Control and Artificial Intelligence. Xiamen, China: IET: 1952-1955 [DOI: 10.1049/cp.2012.1376]
  • Sun W F, Ma Y, Zhang J, Liu S W and Ren G B. 2011. Study of remote sensing interpretation keys and extraction technique of different types of shoreline. Bulletin of Surveying and Mapping, (3): 41–44. ( 孙伟富, 马毅, 张杰, 刘善伟, 任广波. 2011. 不同类型海岸线遥感解译标志建立和提取方法研究. 测绘通报, (3): 41–44. )
  • Tarmizi N M, Samad A M and Yusop M S M. 2014. Shoreline data extraction from QuickBird satellite image using semi-automatic technique//Proceedings of the IEEE 10th International Colloquium on Signal Processing and its Applications. Kuala Lumpur, Malaysia: IEEE: 157-162 [DOI: 10.1109/CSPA.2014.6805739]
  • Tello M, Lopez-Martinez C, Mallorqui J J and Bonastre R. 2006. Automatic detection of spots and extraction of frontiers in SAR images by means of the wavelet transform: Application to ship and coastline detection//Proceedings of 2006 IEEE International Symposium on Geoscience and Remote Sensing. Denver, CO, USA: IEEE: 383-386 [DOI: 10.1109/IGARSS.2006.103]
  • The State Bureau of Quality and Technical Supervision. 2004a. GB 12327-1998 Specifications for hydrographic survey. Beijing: Standards Press of China (国家质量技术监督局. 2004a. GB 12327-1998 海道测量规范. 北京: 中国标准出版社)
  • The State Bureau of Quality and Technical Supervision. 2004b. GB 12319-1998 Symbols, abbreviations and terms used on Chinese nautical charts. Beijing: Standards Press of China (国家质量技术监督局. 2004b. GB 12319-1998 中国海图图式. 北京: 中国标准出版社)
  • Tochamnanvita T and Muttitanon W. 2014. Investigation of coastline changes in three provinces of Thailand using remote sensing. The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, XL-8: 1079-1083 [DOI: 10.5149/isprsarchives-XL-8-1079-2014]
  • Tseng K H, Shum C K, Kim J W, Wang X W, Zhu K F and Cheng X. 2016. Integrating Landsat imageries and digital elevation models to infer water level change in Hoover Dam. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 9 (4): 1696–1709. [DOI: 10.1109/JSTARS.2015.2500599]
  • Tzeng Y C, Chen D N and Chen K S. 2008. Integration of spatial chaotic model and type-2 fuzzy sets to coastline detection in SAR images//Proceedings of 2008 IEEE International Geoscience and Remote Sensing Symposium. Boston, MA, USA: IEEE: I-430-I-433 [DOI: 10.1109/IGARSS.2008.4778887]
  • Wan J H, Wang K, Zhao S L and Zhang J S. 2011. Fast automatic coastline extraction algorithm based on graphics morphology. Yellow River, 33 (10): 126–127, 130. [DOI: 10.3969/j.issn.1000-1379.2011.10.047] ( 万剑华, 王珂, 赵世来, 张纪松. 2011. 基于图形形态学的海岸线自动提取算法研究. 人民黄河, 33 (10): 126–127, 130. [DOI: 10.3969/j.issn.1000-1379.2011.10.047] )
  • Wang H W, Chen K S, Li Z L and Liu Y. 2016. Quantitative analysis of shoreline changes in western Taiwan coast using time-series SAR images. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 9 (11): 4898–4907. [DOI: 10.1109/JSTARS.2016.2542209]
  • Wang J, Wu Z F, Li S Y, Wang S S, Zhang X S and Gao Q. 2016. Coastline and land use change detection and analysis with remote sensing in the Pearl River Estuary Gulf. Scientia Geographica Sinica, 36 (12): 1903–1911. [DOI: 10.13249/j.cnki.sgs.2016.12.016] ( 王琎, 吴志峰, 李少英, 王帅帅, 张晓诗, 高群. 2016. 珠江口湾区海岸线及沿岸土地利用变化遥感监测与分析. 地理科学, 36 (12): 1903–1911. [DOI: 10.13249/j.cnki.sgs.2016.12.016] )
  • Wang J B, Zhang J, Chen J Y, Sun W F and Ma Y. 2015. Analysis of the Liaohe Estuary coastline changes basing on the remote sensing image in the past thirty years. Marine Environmental Science, 34 (1): 86–92. [DOI: 10.13634/j.cnki.mes.2015.01.016] ( 王建步, 张杰, 陈景云, 孙伟富, 马毅. 2015. 近30余年辽河口海岸线遥感变迁分析. 海洋环境科学, 34 (1): 86–92. [DOI: 10.13634/j.cnki.mes.2015.01.016] )
  • Wang J N, Meng Y H and Zhang L X. 2016. Remote sensing monitoring and change analysis of Yellow River Estuary coastline in the past 42 years. Remote Sensing for Land and Resources, 28 (3): 188–193. [DOI: 10.6046/gtzyyg.2016.03.29] ( 王集宁, 蒙永辉, 张丽霞. 2016. 近42年黄河口海岸线遥感监测与变迁分析. 国土资源遥感, 28 (3): 188–193. [DOI: 10.6046/gtzyyg.2016.03.29] )
  • Wang L J, Niu Z, Zhao D G, Li Y X, Wang Z B and Kuang D. 2010. The study of coastline extraction and validation using ETM remote sensing image. Remote Sensing Technology and Application, 25 (2): 235–239. [DOI: 10.11873/j.issn.1004-0323.2010.2.235] ( 王李娟, 牛铮, 赵德刚, 李英霞, 王忠波, 旷达. 2010. 基于ETM遥感影像的海岸线提取与验证研究. 遥感技术与应用, 25 (2): 235–239. [DOI: 10.11873/j.issn.1004-0323.2010.2.235] )
  • Wang Y F, Yu Q Z, Lv W T and Yu W X. 2011. Coastline detection in SAR images using multi-feature and SVM//Proceedings of the 4th International Congress on Image and Signal Processing. Shanghai, China: IEEE: 1227-1230 [DOI: 10.1109/CISP.2011.6100487]
  • Wang Y X, Liu Y X, Li M C, Yan S, Ma X W, Zhang S and Zhang J. 2011. Extraction of sandbank shoreline of Jiangsu based on wavelet transformation//Proceedings of the 19th International Conference on Geoinformatics. Shanghai, China: IEEE: 1-4 [DOI: 10.1109/Geoinformatics.2011.5980914]
  • Wei D L and Cao X C. 2015. Using satellite remote sensing image data to research the north coastline extraction based on Matlab - A case study of Changxing Island, Dalian city. Bulletin of Surveying and Mapping, (5): 80–83. [DOI: 10.13474/j.cnki.11-2246.2015.0151] ( 魏东岚, 曹晓晨. 2015. Matlab平台下遥感影像的北方岸线提取研究——以大连长兴岛为例. 测绘通报, (5): 80–83. [DOI: 10.13474/j.cnki.11-2246.2015.0151] )
  • Wu T and Hou X Y. 2016. Review of research on coastline changes. Acta Ecologica Sinica, 36 (4): 1170–1182. [DOI: 10.5846/stxb201406181270] ( 毋亭, 侯西勇. 2016. 海岸线变化研究综述. 生态学报, 36 (4): 1170–1182. [DOI: 10.5846/stxb201406181270] )
  • Wu X J, Xiao C C, Cui Z Y and Liu X J. 2015. Coastline extraction based on object-oriented method using GF-2 satellite data. Spacecraft Recovery and Remote Sensing, 36 (4): 84–92. [DOI: 10.3969/j.issn.1009-8518.2015.04.011] ( 吴小娟, 肖晨超, 崔振营, 刘肖姬. 2015. " 高分二号”卫星数据面向对象的海岸线提取法. 航天返回与遥感, 36 (4): 84–92. [DOI: 10.3969/j.issn.1009-8518.2015.04.011] )
  • Wu X L, Liu C X and Wu G F. 2018. Spatial-temporal analysis and stability investigation of coastline changes: a case study in Shenzhen, China. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 11 (1): 45–56. [DOI: 10.1109/JSTARS.2017.2755444]
  • Wu Y Q, Meng T L and Wu S H. 2015. Research progress of image thresholding methods in recent 20 years (1994-2014). Journal of Data Acquisition and Processing, 30 (1): 1–23. [DOI: 10.16337/j.1004-9037.2015.01.001] ( 吴一全, 孟天亮, 吴诗婳. 2015. 图像阈值分割方法研究进展20年(1994-2014). 数据采集与处理, 30 (1): 1–23. [DOI: 10.16337/j.1004-9037.2015.01.001] )
  • Xia G S, Hu J W, Hu F, Shi B G, Bai X, Zhong Y F, Zhang L P and Lu X Q. 2017. AID: a benchmark data set for performance evaluation of aerial scene classification. IEEE Transactions on Geoscience and Remote Sensing, 55 (7): 3965–3981. [DOI: 10.1109/TGRS.2017.2685945]
  • Xie M H, Zhang Y F and Fu K. 2007. Algorithm of detection coastline from SAR images based on seeds growing. Journal of Graduate School of the Chinese Academy of Sciences, 24 (1): 93–98. [DOI: 10.3969/j.issn.1002-1175.2007.01.014] ( 谢明鸿, 张亚飞, 付琨. 2007. 基于种子点增长的SAR图像海岸线自动提取算法. 中国科学院研究生院学报, 24 (1): 93–98. [DOI: 10.3969/j.issn.1002-1175.2007.01.014] )
  • Xu C Y and Prince J L. 1997. Gradient vector flow: a new external force for snakes//Proceedings of IEEE Computer Society Conference on Computer Vision and Pattern Recognition. San Juan, Puerto Rico, USA: IEEE: 66-71 [DOI: 10.1109/CVPR.1997.609299]
  • Xu H Q. 2005. A study on information extraction of water body with the modified normalized difference water index (MNDWI). Journal of Remote Sensing, 9 (5): 589–595. [DOI: 10.3321/j.issn:1007-4619.2005.05.012] ( 徐涵秋. 2005. 利用改进的归一化差异水体指数(MNDWI)提取水体信息的研究. 遥感学报, 9 (5): 589–595. [DOI: 10.3321/j.issn:1007-4619.2005.05.012] )
  • Yan H B, Li B B and Chen M D. 2009. Progress of researches in coastline extraction based on RS technique. Areal Research and Development, 28 (1): 101–105. [DOI: 10.3969/j.issn.1003-2363.2009.01.021] ( 严海兵, 李秉柏, 陈敏东. 2009. 遥感技术提取海岸线的研究进展. 地域研究与开发, 28 (1): 101–105. [DOI: 10.3969/j.issn.1003-2363.2009.01.021] )
  • Yang H, Guo H D and Wang C L. 2001. Coast line dynamic inspect and land cover classification at Yellow River mouth using TM-SAR data fusion method. Geography and Territorial Research, 17 (4): 15–19. [DOI: 10.3969/j.issn.1672-0504.2001.04.004] ( 杨虎, 郭华东, 王长林. 2001. TM-SAR数据融合在黄河口沙咀动态监测中的应用研究. 地理学与国土研究, 17 (4): 15–19. [DOI: 10.3969/j.issn.1672-0504.2001.04.004] )
  • Yin J Z and He F Q. 2011. Researching the method of coastline extracted by remote sensing image//Proceedings of 2011 International Conference on Remote Sensing, Environment and Transportation Engineering. Nanjing, China: IEEE: 3441-3444 [DOI: 10.1109/RSETE.2001.5965052]
  • Yousef A and Iftekharuddin K. 2014. Shoreline extraction from the fusion of LiDAR DEM data and aerial images using mutual information and genetic algrithms//Proceedings of 2014 International Joint Conference on Neural Networks. Beijing, China: IEEE: 1007-1014 [DOI: 10.1109/IJCNN.2014.6889863]
  • Yu C X, Wang J Y, Bao J Y, Xu J and Chen H R. 2015a. A binary image optimization method of extracting coastline based on LiDAR data. Journal of Geomatics Science and Technology, 32 (2): 187–191, 196. [DOI: 10.3969/j.issn.1673-6338.2015.02.016] ( 于彩霞, 王家耀, 暴景阳, 许军, 陈惠荣. 2015a. 一种基于LiDAR点云栅格化的海岸线提取方法. 测绘科学技术学报, 32 (2): 187–191, 196. [DOI: 10.3969/j.issn.1673-6338.2015.02.016] )
  • Yu C X, Wang J Y, Huang W Q and Xu J. 2017. An improved binary image method of extracting shoreline based on LiDAR data. Geomatics and Information Science of Wuhan University, 42 (7): 897–903. [DOI: 10.13203/j.whugis20150103] ( 于彩霞, 王家耀, 黄文骞, 许坚. 2017. 基于LiDAR点云提取海岸线的二值图像化改进方法. 武汉大学学报(信息科学版), 42 (7): 897–903. [DOI: 10.13203/j.whugis20150103] )
  • Yu C X, Wang J Y, Xu J, Peng R C, Cheng Y and Wang M. 2014. Advance of coastline extraction technology. Journal of Geomatics Science and Technology, 31 (3): 305–309. [DOI: 10.3969/j.issn.1673-6338.2014.03.018] ( 于彩霞, 王家耀, 许军, 彭认灿, 成毅, 王沫. 2014. 海岸线提取技术研究进展. 测绘科学技术学报, 31 (3): 305–309. [DOI: 10.3969/j.issn.1673-6338.2014.03.018] )
  • Yu C X, Xu J, Xu J, Zheng Y D and Li G X. 2015. A new method of extracting coastlines from LiDAR point clouds. Bulletin of Surveying and Mapping, (5): 66–68. [DOI: 10.13474/j.cnki.11-2246.2015.0147] ( 于彩霞, 许军, 许坚, 郑义东, 李改肖. 2015. 一种从LiDAR点云中提取海岸线的新方法. 测绘通报, (5): 66–68. [DOI: 10.13474/j.cnki.11-2246.2015.0147] )
  • Yu J, Chen P M, Jia X P, Tang Z C and Qin C X. 2012. Research progress on coastline extraction based on remote sensing and GIS technique. Journal of Anhui Agricultural Sciences, 40 (32): 15989–15991. [DOI: 10.13989/j.cnki.0517-6611.2012.32.010] ( 余景, 陈丕茂, 贾晓平, 唐振朝, 秦传新. 2012. 基于遥感和GIS技术的水边线提取方法研究进展. 安徽农业科学, 40 (32): 15989–15991. [DOI: 10.13989/j.cnki.0517-6611.2012.32.010] )
  • Yu J, Du F Y, Chen G B, Huang H H and Li Y Z. 2009. Research on coastline change of Daya Bay using remote sensing technology. Remote Sensing Technology and Application, 24 (4): 512–516. [DOI: 10.11873/j.issn.1004-0323.2009.4.512] ( 于杰, 杜飞雁, 陈国宝, 黄洪辉, 李永振. 2009. 基于遥感技术的大亚湾海岸线的变迁研究. 遥感技术与应用, 24 (4): 512–516. [DOI: 10.11873/j.issn.1004-0323.2009.4.512] )
  • Yu J T, Guo H T, Li C G, Lu J and Jiang C X. 2016. A waterline extraction method from remote sensing image based on quad-tree and multiple active contour model. Acta Geodaetica et Cartographica Sinica, 45 (9): 1104–1114. [DOI: 10.11947/j.AGCS.2016.20160037] ( 喻金桃, 郭海涛, 李传广, 卢俊, 姜春雪. 2016. 四叉树与多种活动轮廓模型相结合的遥感影像水边线提取方法. 测绘学报, 45 (9): 1104–1114. [DOI: 10.11947/j.AGCS.2016.20160037] )
  • Yu L S, Li Z Y, Wen G J and Du C. 2011. Application of intertidal zone extraction based on remote sensing images fusion technique. Acta Geodaetica et Cartographica Sinica, 40 (5): 551–554, 562. ( 余连生, 李智勇, 文贡坚, 杜春. 2011. 遥感图像融合技术在潮间带地形提取中的应用. 测绘学报, 40 (5): 551–554, 562. )
  • Yu Y and Acton S T. 2004. Automated delineation of coastline from polarimetric SAR imagery. International Journal of Remote Sensing, 25 (17): 3423–3438. [DOI: 10.1080/0143116032000160444]
  • Zhan Y T, Zhu L, Sun Y H, Su X B and Hou H Q. 2017. Automatic extraction of coastline via spectral angle-distance similarity growth model. Journal of Remote Sensing, 21 (3): 458–469. [DOI: 10.11834/jrs.20176157] ( 詹雅婷, 朱利, 孙永华, 苏晓蓓, 侯海倩. 2017. 海岸线遥感光谱角度—距离相似度生长模型自动化提取. 遥感学报, 21 (3): 458–469. [DOI: 10.11834/jrs.20176157] )
  • Zhang M, Jiang X Z, Zhang J R and Tian B. 2008. Progress of study on characteristic collection of coastline through remote sensing images. Yellow River, 30 (6): 7–9. [DOI: 10.3969/j.issn.1000-1379.2008.06.004] ( 张明, 蒋雪中, 张俊儒, 田波. 2008. 遥感影像海岸线特征提取研究进展. 人民黄河, 30 (6): 7–9. [DOI: 10.3969/j.issn.1000-1379.2008.06.004] )
  • Zhang P. 2010. Coastline Detection in SAR Images Based on Stationary Wavelet Transform. Qingdao: Ocean University of China (张鹏. 2010. 基于平稳小波变换的SAR图像海岸线提取. 青岛: 中国海洋大学)
  • Zhang X, Zhuang Z, Zhang X K and Yang B H. 2014. Coastline extraction and change monitoring by remote sensing technology in Qinhuangdao city. Remote Sensing Technology and Application, 29 (4): 625–630. [DOI: 10.11873/j.issn.1004-0323.2014.4.0625] ( 张霞, 庄智, 张旭凯, 杨邦会. 2014. 秦皇岛市海岸线遥感提取及变化监测. 遥感技术与应用, 29 (4): 625–630. [DOI: 10.11873/j.issn.1004-0323.2014.4.0625] )
  • Zhang X K, Zhang X, Lan Q Q and Baig M H A. 2012. Automated detection of coastline using Landsat TM based on water index and edge detection methods//Proceedings of 2012 Second International Workshop on Earth Observation and Remote Sensing Applications. Shanghai, China: IEEE: 153-156 [DOI: 10.1109/EORSA.2012.6261155]
  • Zhang X K, Zhang X, Yang B H, Zhuang Z and Shang K. 2013. Coastline extraction using remote sensing based on coastal type and tidal correction. Remote Sensing for Land and Resources, 25 (4): 91–97. [DOI: 10.6046/gtzyyg.2013.04.15] ( 张旭凯, 张霞, 杨邦会, 庄智, 尚坤. 2013. 结合海岸类型和潮位校正的海岸线遥感提取. 国土资源遥感, 25 (4): 91–97. [DOI: 10.6046/gtzyyg.2013.04.15] )
  • Zhang Z Y, Feng W F and Zhang J H. 2005. A coastline-detection method based on the color difference for the RS image. Journal of Institute of Surveying and Mapping, 22 (4): 259–262. [DOI: 10.3969/j.issn.1673-6338.2005.04.008] ( 张朝阳, 冯伍法, 张俊华. 2005. 基于色差的遥感影像海岸线提取. 测绘学院学报, 22 (4): 259–262. [DOI: 10.3969/j.issn.1673-6338.2005.04.008] )
  • Zhao Y L. 2017. Remote sensing dynamic monitoring of the shoreline and the mangrove wetland in the Lingdingyang Estuary in the past 40 years. Remote Sensing for Land and Resources, 29 (1): 136–142. [DOI: 10.6046/gtzyyg.2017.01.21] ( 赵玉灵. 2017. 近40年来伶仃洋海岸线与红树林遥感调查与演变分析. 国土资源遥感, 29 (1): 136–142. [DOI: 10.6046/gtzyyg.2017.01.21] )
  • Zhou Y N, Zhu Z W, Shen Z F and Cheng X. 2012. Automatic extraction of coastline from TM image integrating texture and spatial relationship. Acta Scientiarum Naturalium Universitatis Pekinensis, 48 (2): 273–279. [DOI: 10.13209/j.0479-8023.2012.036] ( 周亚男, 朱志文, 沈占锋, 程熙. 2012. 融合纹理特征和空间关系的TM影像海岸线自动提取. 北京大学学报(自然科学版), 48 (2): 273–279. [DOI: 10.13209/j.0479-8023.2012.036] )
  • Zhu C M, Zhang X, Luo J C, Li W Q and Yang J W. 2013. Automatic extraction of coastline by remote sensing technology based on SVM and auto-selection of training samples. Remote Sensing for Land and Resources, 25 (2): 69–74. [DOI: 10.6046/gtzyyg.2013.02.13] ( 朱长明, 张新, 骆剑承, 李万庆, 杨纪伟. 2013. 基于样本自动选择与SVM结合的海岸线遥感自动提取. 国土资源遥感, 25 (2): 69–74. [DOI: 10.6046/gtzyyg.2013.02.13] )
  • Zhu J F, Wang G M, Zhang J L and Huang T L. 2013. Remote sensing investigation and recent evolution analysis of Pearl River delta coastline. Remote Sensing for Land and Resources, 25 (3): 130–137. [DOI: 10.6046/gtzyyg.2013.03.22] ( 朱俊凤, 王耿明, 张金兰, 黄铁兰. 2013. 珠江三角洲海岸线遥感调查和近期演变分析. 国土资源遥感, 25 (3): 130–137. [DOI: 10.6046/gtzyyg.2013.03.22] )
  • Zhu X G. 2002. Remote sensing monitoring of coastline changes in Pearl River Estuary. Marine Environmental Science, 21 (2): 19–22. [DOI: 10.3969/j.issn.1007-6336.2002.02.005] ( 朱小鸽. 2002. 珠江口海岸线变化的遥感监测. 海洋环境科学, 21 (2): 19–22. [DOI: 10.3969/j.issn.1007-6336.2002.02.005] )
  • Zhuang C R. 2009. Remote-sensing dynamic monitoring of Xiamen coastline. Marine Geology Letters, 25 (4): 13–17. [DOI: 10.3969/j.issn.1009-2722.2009.04.003] ( 庄翠蓉. 2009. 厦门海岸线遥感动态监测研究. 海洋地质动态, 25 (4): 13–17. [DOI: 10.3969/j.issn.1009-2722.2009.04.003] )
数据专区
  • 目录 目录
  • 文章信息 文章信息
  • 引用格式 引用格式
  • 地图 地图
  • 评论 评论
  • 图 图
  • 表 表
  • 二维码 二维码
  • 参考文献 参考文献
  • 多媒体 多媒体