1.一种基于深度学习算法的岸线智能识别方法，其特征在于,具体包括以下步骤：

S1、从网络获取海洋岸线原始遥感影像，并进行校正，消除因包括大气、地形、传感器姿态的因素产生的畸变，提高遥感数据的质量；

S2、使用包括阈值分割、边缘检测、多分辨分析、语义分割的四种方法进行岸线识别，并对已有方法进行改进；

其中，阈值分割方法采用多阈值的形态学方法，其灰度阈值设置为

T=(mean(I)+mean(II))/2

式中，mean(I)为图像灰度的一阶均值，mean(II)为图像灰度的二阶均值；

边缘检测方法结合一阶微分算子Sobel和二阶微分算子Laplacian进行全卷积神经网络，其中一阶微分算子权重为35%，二阶微分算子权重为65%；

多分辨分析方法采用可获取图像几何特征矢量场的Bandelet变换，并增加衍射效应分析；

语义分割方法采用改进的UNet，在网络模型处理过程中加入残差结构和注意力机制，可以改善图像权重进而重构图像细节；

S3、以四种改进的方法作为岸线识别的具体方法，分别建立LSTM深度学习模型作为岸线识别模型；人工对岸线进行标记，将人工标记好的遥感数据进行乱序重组，形成新的遥感数据集，并拆分为训练集和测试集，使用训练集进行模型训练；

S4、将测试集输入给步骤S3建立的岸线识别模型进行岸线识别，使用改进的潮沟原理进行潮位校正，并计算准确率，若未达到准确率要求，则重复步骤S3调整参数继续进行训练，直至获得准确率达到要求的岸线识别模型；

采用的改进的潮沟原理进行潮位校正，设潮沟末梢位置为b1,人工建筑物与潮滩的边界位置为b2，根据公式L1=（b2‑b1）/2计算所述潮位校正的距离L1，获取平均高潮线h2和低潮线h1，根据公式L2=（h2‑h1）/2计算所述潮位校正的距离L2；将由二值图提取的水边线向远离水体区域垂直移动距离L=a*（L2‑L1），系数a取0.5且可调节，即可得到潮位校正后海岸线；

S5、选择任意两种、三种和四种方法进行重新组合得到11种新方法，以融合后的11种新方法作为岸线识别的具体方法，再次建立11个LSTM深度学习模型，将测试集输入新建立的

11个模型进行岸线识别，并使用改进的潮沟原理进行潮位校正，计算准确率；

S6、结合步骤S4建立的4个模型和步骤S5建立的11个模型，共获得15个岸线识别模型；

选择准确率最高的模型作为最后使用的岸线智能识别模型。

2.根据权利要求1所述的一种基于深度学习算法的岸线智能识别方法，其特征在于，步骤S2中多阈值的形态学方法首先通过图像增强处理，提高图像对比度，得到背景图像灰度值的均值，使用该均值过滤目标体灰度值，然后对灰度进行一阶和二阶均值计算，最后使用设置的灰度阈值进行岸线识别，根据训练结果可调节图像对比度，进而自行调节灰度阈值。

3.根据权利要求1所述的一种基于深度学习算法的岸线智能识别方法，其特征在于，步骤S2中边缘检测方法在水平和垂直方向分别进行全卷积，全卷积过程中用卷积层代替全连接层，获得连续的海岸线边缘特征图，根据训练结果可调节一阶和二阶微分算子权重。

4.根据权利要求1所述的一种基于深度学习算法的岸线智能识别方法，其特征在于，步骤S2中Bandelet变换方法中增加衍射效应分析，识别并排除底物信息，并重新赋值给图像几何特征矢量场，根据训练结果可调节底物信息阈值，再次修改图像几何特征矢量场。

5.根据权利要求1所述的一种基于深度学习算法的岸线智能识别方法，其特征在于，步骤S2中改进的UNet对图像浅层特征赋予不同的权重，并使用残差块来代替原始UNet结构的卷积操作。

6.根据权利要求1所述的一种基于深度学习算法的岸线智能识别方法，其特征在于，所述步骤S3中的LSTM深度学习模型是一种改进的递归神经网络模型，包括三组Conv1D层和MaxPooling1D层、两层LSTM层和输出层，在每层LSTM后设置Dropout防止过拟合，将岸线识别方法融合到LSTM深度学习模型中，预测值在第九层输出，输入之间有一个很长的延迟和反馈，梯度既不会爆炸也不会消失。