CN109359787A - 一种小范围海域多模态海浪预测系统及其预测方法 - Google Patents
一种小范围海域多模态海浪预测系统及其预测方法 Download PDFInfo
- Publication number
- CN109359787A CN109359787A CN201811487887.6A CN201811487887A CN109359787A CN 109359787 A CN109359787 A CN 109359787A CN 201811487887 A CN201811487887 A CN 201811487887A CN 109359787 A CN109359787 A CN 109359787A
- Authority
- CN
- China
- Prior art keywords
- wave
- image
- field
- monomer
- ariyoshi
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 29
- 239000000178 monomer Substances 0.000 claims abstract description 54
- 238000005259 measurement Methods 0.000 claims abstract description 14
- 238000001514 detection method Methods 0.000 claims description 27
- 238000000605 extraction Methods 0.000 claims description 20
- 238000012544 monitoring process Methods 0.000 claims description 13
- 230000000007 visual effect Effects 0.000 claims description 12
- 238000001228 spectrum Methods 0.000 claims description 10
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 238000012937 correction Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 4
- 238000006073 displacement reaction Methods 0.000 claims description 3
- 230000036244 malformation Effects 0.000 claims description 3
- 238000002156 mixing Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 239000003643 water by type Substances 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 13
- 238000010586 diagram Methods 0.000 description 8
- 238000009360 aquaculture Methods 0.000 description 3
- 244000144974 aquaculture Species 0.000 description 3
- 230000002860 competitive effect Effects 0.000 description 3
- 230000002195 synergetic effect Effects 0.000 description 3
- 241000209094 Oryza Species 0.000 description 2
- 235000007164 Oryza sativa Nutrition 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000001737 promoting effect Effects 0.000 description 2
- 235000009566 rice Nutrition 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000005352 clarification Methods 0.000 description 1
- 239000003653 coastal water Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30184—Infrastructure
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Biomedical Technology (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Game Theory and Decision Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种小范围海域多模态海浪预测系统,包含:若干个多光谱遥感仪,放置于海域视场中心,采集波浪大视场图像;流速流向仪和升沉加速度仪,均放置在海域视场中心,分别测量单体有义波实际推进至视场中心时的流速流向、波幅;上位机,信号连接所述若干个多光谱遥感仪、流速流向仪和升沉加速度仪,处理多光谱遥感仪采集的海浪图像,推算出视场范围内的单体有义波到达视场中心的用时及变化趋势;同时上位机还根据流速流向仪和升沉加速度仪实际测量视场中心的波速、波向、波高,优化波浪参数预测算法,提高预测精度。本发明还包含一种海浪预测方法。本发明为海洋活动提供及时有效的预警服务,预测精度高,具有很好的实用价值。
Description
技术领域
本发明涉及海浪灾害防范技术领域,具体涉及一种小范围海域多模态海浪预测方法。
背景技术
海浪灾害防范可直接用于海洋经济活动,当海洋运输、海洋科学考察、海洋石油开发、海上军事活动以及水产养殖活动受到海浪影响,会给海上活动造成严重灾害。高效可靠的海浪检测和预测技术,能够有效的预防海浪突发性灾害,是海洋经济、军事活动的重要保障。
目前海浪监测和预报技术主要以传统观测方式结合统计学理论进行海浪信息的获取和预报,所预报的海浪信息多为以大范围的统计数据所形成的海浪谱。然而,海上工作平台吊装作业、海上溢油应急、海上竞技运动等小范围海洋活动,对海浪信息的时空间精度要求较高,传统的海浪监测和预报提供的数据信息不能满足其需求。因此,研究小范围短时海浪监测和预报,提高海浪监测和预报结论的时空精度,以预防海浪灾害,具有重要的理论和应用价值。
发明内容
本发明提出一种基于多光谱遥感、流速流向传感和升沉加速度传感相结合的多模态预测方法,能够通过视场中心的多光谱遥感仪采集的海浪图像,推算出视场范围内的单体有义波到达视场中心的用时及变化趋势,能够有效的预防海浪突发性灾害,可直接用于海洋经济活动和海上军事活动。
为了达到上述目的,本发明提供了一种小范围海域多模态海浪预测系统,包含:
若干个多光谱遥感仪,放置于海域视场中心,全天候分向监测、采集海浪大视场图像;
流速流向仪,放置在海域视场中心,测量单体有义波实际推进至视场中心时的流速和流向;
升沉加速度仪,放置在海域视场中心,测量单体有义波实际推进至视场中心时的波幅及对应的周期;
上位机,信号连接所述若干个多光谱遥感仪、流速流向仪和升沉加速度仪,接收多光谱遥感仪采集的海浪图像,对图像进行拼接、去噪并提取图像中单体有义波的特征,并通过波浪参数预测算法建立预测模型,根据提取的特征分析进入视场的单体有义波的波长、波速、波向、波幅,推算出所分析的单体有义波到达视场中心的用时,及变化趋势;同时上位机还根据流速流向仪和升沉加速度仪实际测量视场中心的波速、波向、波高和波浪周期,结合实测参数与预测结果的偏差,通过协同匹配算法优化预测模型,提高预测精度。
一种小范围海域多模态海浪预测方法,采用本发明所述的小范围海域多模态海浪预测系统实现的,包含以下步骤:
S1、多个多光谱遥感仪全天候监测、采集波浪大视场图像并发送给上位机;
S2、上位机预处理采集的每一帧海浪图像;
S3、提取预处理后的图像中海浪的边缘信息,获取波高;
S4、利用matlab,对预处理后的海浪图像进行纹理提取,提取后的图像高亮部位为单体有义波波峰,获取单体有义波的波峰线;根据两个连续的单体有义波波峰线之间的距离测得单体有义波波长;采用相位相关算法,截取一定时差内的两帧图像,根据提取的单体有义波波峰纹理,找到同一波峰的在不同时刻的不同位置,根据波峰的位移,计算波速;
S5、采用基于形态分水岭变换的波面形态方向检测算法,根据步骤S4种提取的海浪图像,将波面按不同亮度进行分割;根据检测区域的图像纹理方向性,测得与波峰波谷带垂直的方向,即为波浪传播方向;
S6、上位机根据波浪参数预测算法建立预测模型,采用步骤S1~S5获取的视场范围内单体有义波的波速、波高、波向,预测出单体有义波到达视场中心时的波速、波高、波向;并结合流速流向仪和升沉加速度仪测量的视场中心单体有义波的波速、波高、波向,通过协同匹配算法优化预测模型,提高预测精度。
所述步骤S2具体为:
H1、对采集的海浪图像进行畸形矫正;
H2、采用改进的SIFT算法对矫正的多角度图像进行图像拼接;
H3、采用中值滤波方法对拼接的图像去噪。
S3中所述的波高还可以利用神经网络来提取,具体是由造波池拟造出不同高度的波浪,对神经网络进行训练;将检测之后的实际波高和造波池的图像输入到神经网络,得到训练的波高算法;通过将实际海浪图像输入训练的波高算法,便可得到相对应的海浪高度。
所述改进的SIFT算法包含具体步骤:
W1、采用SIFT算法对同一时间,不同方向提取的海浪图像进行特征点检测,获得各方向海浪图像的特征点描述子;
W2、根据每个海浪图像的特征点描述子生成图像中目标的特征点集;
W3、对每个海浪图像中的特征点集进行特征点匹配;
W4、采用RANSAC算法优化匹配点;
W5、根据匹配点对图像进行配准、融合,完成图像拼接。
步骤S3中具体采用prewitt检测和canny检测提取图像边缘信息。
波向还可以根据步骤S4中,找到同一波峰的在不同时刻的不同位置来确定。
所述预测模型为通过在各种海况的多尺度短时海浪谱,反演出的具有一般性的沿岸小范围水域海浪谱模型。
与现有技术相比,本发明的小范围海域波浪多模态海浪预测系统和预测方法,实现了对小范围海浪的大视场全天候协同监测、单体有义波特征识别和参数预测、多尺度短时海浪谱生成及其模型反演,为海工平台吊装作业、海上溢油应急、海上竞技运动、海洋运输、海洋科学考察以及水产养殖活动等提供有效的预警服务。本发明的海浪预测结果高效可靠,具有很好的应用价值和推广价值。
附图说明
为了更清楚地说明本发明技术方案,下面将对描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一个实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图:
图1是本发明的小范围海域多模态海浪预测系统的结构示意图。
图2是本发明的海浪预测系统的工作流程图。
图3是本发明的改进的SIFT算法工作流程图。
图4是本发明的多光谱遥感仪采集图像经预处理后示意图。
图5是对预处理的采集图像的选区采用Sobel检测提取的单体有义波边缘信息示意图。
图6是对预处理的采集图像的选区采用Roberts检测提取的单体有义波边缘信息示意图。
图7是对预处理的采集图像的选区采用Laplace检测提取的单体有义波边缘信息示意图。
图8是对预处理的采集图像的选区采用Canny检测提取的单体有义波边缘信息示意图。
图中:1、多光谱遥感仪;2、流速流向仪;3、升沉加速度仪;4、上位机。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
海浪是不规则的,而且是一种随机过程,海浪的形成是由风引起的,海浪主要可以分为海洋近海波(主要受到岸型影响)、涌浪还有风浪(主要受海风影响)。海浪的形成过程复杂,而且尺寸变化很大,由于风速和地理形态不同,海浪在同一地点的形态都不具有固定性。海浪的浪高可以从几毫米到20余米,甚至更高。而且海浪的周期也是杂乱的,一般在0.5s到25s之间。波长也不等,小到几十厘米,大到几百米。当风力比较低的时候,海浪的传播的形式为涌浪,而且外形也是有规律可循的,波面比较光滑,波浪的周期较大。
对海浪的识别是非常复杂的工程,目前通过波长、波速、波高等参数描述海浪基本特征。波长是两个连续波峰或波谷之间的距离。波高是波谷和波峰之间的垂直高度。周期是某一点通过两个波峰或者波谷的时间间隔。频率是单位时间内通过某一点波峰或波谷的个数,即与周期呈倒数关系。
本发明提供一种基于多光谱遥感、流速流向传感和升沉加速度传感相结合的多模态预测方法,实现对小范围海浪的大视场全天候协同监测、单体有义波特征识别和参数预测、多尺度短时海浪谱生成及其模型反演。
为了达到上述目的,如图1所示,本发明提供了一种小范围海域多模态海浪预测系统,包含:
若干个多光谱遥感仪1,放置于海域视场中心,全天候分向监测、采集海浪大视场图像;
流速流向仪2,放置在海域视场中心,测量单体有义波实际推进至视场中心时的流速和流向;
升沉加速度仪3,放置在海域视场中心,测量单体有义波实际推进至视场中心时的波幅及对应的周期;
上位机4,信号连接所述若干个多光谱遥感仪1、流速流向仪2和升沉加速度仪3,接收多光谱遥感仪1采集的海浪图像,对图像进行拼接、去噪并提取图像中单体有义波的特征,并通过波浪参数预测算法建立预测模型,根据提取的特征分析进入视场的单体有义波的波长、波速、波向、波幅,推算出所分析的单体有义波到达视场中心的用时,及变化趋势;同时上位机4还根据流速流向仪2和升沉加速度仪3实际测量视场中心的波速、波向、波高和波浪周期,结合实测参数与预测结果的偏差,通过协同匹配算法优化预测模型,提高预测精度。
一种小范围海域多模态海浪预测方法,采用本发明所述的小范围海域多模态海浪预测系统实现的,如图2所示,包含以下步骤:
S1、多个多光谱遥感仪1全天候监测、采集波浪大视场图像并发送给上位机4;
S2、上位机4预处理采集的每一帧海浪图像;
S3、图4是本发明的多光谱遥感仪采集图像经预处理后示意图;对图4中选取的图像区域采用prewitt检测和canny检测提取预处理后的图像中海浪的边缘信息,获取波高;本发明采用prewitt检测和canny检测是实验比对sobel检测、prewitt检测、Robert检测、laplace检测、canny检测的结果;图5~图8分别是对预处理的采集图像的选区采用sobel检测、Roberts检测、Laplace检测、canny检测提取的单体有义波边缘信息示意图。从图5~图8的对比可以看出,Sobel算子和Robert算子提取的单体有义波边缘信息没有连续性,基本都是离散的,不能直接获得单体有义波的波峰信息;Laplace算子提取的单体有义波边缘信息明显信息要比Robert算子和Sobel算子丰富很多,也有连续的信息,但是跟原始图像对比可知,并没有获得足够多的具有研究意义单体有义波边缘信息,且提取的边缘信息的连续性还有待提高;Canny算子提取的图像边缘信息的效果是最理想的,有效信息含量很高,连续性也很高。
波高还可以利用神经网络来提取,具体是由造波池拟造出不同高度的波浪,对神经网络进行训练;将检测之后的实际波高和造波池的图像输入到神经网络,得到训练的波高算法;通过将实际海浪图像输入训练的波高算法,便可得到相对应的海浪高度;
S4、利用matlab,对预处理后的海浪图像进行纹理提取,提取后的图像高亮部位为单体有义波波峰,除去波峰的位置,都是属于低亮部分,此时就可以获取单体有义波的波峰线;根据两个连续的单体有义波波峰线之间的距离测得单体有义波波长;同一帧图像的波峰位置存在差异,就代表了不同的单体有义波高度;采用相位相关算法,截取一定时差内的两帧图像,根据提取的单体有义波波峰纹理,找到同一波峰的在不同时刻的不同位置,根据波峰的位移,计算波速;还可以根据同一波峰的在不同时刻的不同位置来确定波向;
S5、采用基于形态分水岭变换的波面形态方向检测算法,根据步骤S4种提取的海浪图像,将波面按不同亮度进行分割;根据检测区域的图像纹理方向性,测得与波峰波谷带垂直的方向,即为波浪传播方向;
S6、上位机4根据波浪参数预测算法建立预测模型,所述预测模型为通过在各种海况的多尺度短时海浪谱,反演出的具有一般性的沿岸小范围水域海浪谱模型,并采用步骤S1~S5获取的视场范围内单体有义波的波速、波高、波向,预测出单体有义波到达视场中心时的波速、波高、波向;并结合流速流向仪2和升沉加速度仪3测量的视场中心单体有义波的波速、波高、波向,通过协同匹配算法优化预测模型,提高预测精度。
步骤S2所述的对海浪图像进行预处理具体为:
H1、对采集的海浪图像进行畸形矫正;
H2、采用改进的SIFT算法对矫正的多角度图像进行图像拼接;拼接的海浪图像使得观察海浪的视野拓宽,有利于全面的对海浪的特征进行研究;传统的图像拼接过程主要对不同图像进行配准和融合;目前有基于特征的配准和基于模型的配准;融合的方法也有很多种,包括基于颜色空间变换、加权平均、基于多尺度变换等;由于SIFT(Scale-invariant feature transform尺度不变特征变换)算法具有尺度不变性,可在图像中检测出关键点,而与影像的大小和旋转无关,且对于光线、噪声、微视角改变的容忍度也相当高,本发明采用SIFT算法进行图像拼接。但传统的SIFT算法对于本发明的海浪图像拼接效果不是很理想,如图3所示,本发明对SIFT算法做了进一步改进,所述改进的SIFT算法包含具体步骤:
W1、采用SIFT算法对同一时间,不同方向提取的海浪图像进行特征点检测,获得各方向海浪图像的特征点描述子;
W2、根据每个海浪图像的特征点描述子生成图像中海浪的特征点集;海浪图像常用的特征点有角点、边缘点、明亮区域的阴暗点或者是阴暗区域的明亮点;这些特征点不会因为视角的改变、噪音的干扰而消失;
W3、对每个海浪图像中的特征点集进行特征点匹配;
W4、采用RANSAC(Random Sample Consensus随机抽样一致)算法优化匹配点;
W5、根据匹配点对图像进行配准、融合,完成图像拼接;
H3、采用中值滤波方法对拼接的图像去噪,采取中值滤波去噪方法是本发明经过实验对比中值滤波、均值滤波和二维自适应滤波的结果。
与现有技术相比,本发明的小范围海域波浪多模态海浪预测系统和预测方法,实现了对小范围海浪的大视场全天候协同监测、单体有义波特征识别和参数预测、多尺度短时海浪谱生成及其模型反演,为海工平台吊装作业、海上溢油应急、海上竞技运动、海洋运输、海洋科学考察以及水产养殖活动等提供有效的预警服务。本发明的海浪预测结果高效可靠,具有很好的应用价值和推广价值。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (8)
1.一种小范围海域多模态海浪预测系统,其特征在于,包含:
若干个多光谱遥感仪,放置于海域视场中心,全天候分向监测、采集海浪大视场图像;
流速流向仪,放置在海域视场中心,测量单体有义波实际推进至视场中心时的流速和流向;
升沉加速度仪,放置在海域视场中心,测量单体有义波实际推进至视场中心时的波幅及对应的周期;
上位机,信号连接所述若干个多光谱遥感仪、流速流向仪和升沉加速度仪,接收多光谱遥感仪采集的海浪图像,对图像进行拼接、去噪并提取图像中单体有义波的特征,并通过波浪参数预测算法建立预测模型,根据提取的特征分析进入视场的单体有义波的波长、波速、波向、波幅,推算出所分析的单体有义波到达视场中心的用时,及变化趋势;同时上位机还根据流速流向仪和升沉加速度仪实际测量视场中心的波速、波向、波高和波浪周期,结合实测参数与预测结果的偏差,通过协同匹配算法优化预测模型,提高预测精度。
2.一种小范围海域多模态海浪预测方法,采用如权利要求1所述的小范围海域多模态海浪预测系统实现的,其特征在于,包含以下步骤:
S1、多个多光谱遥感仪全天候监测、采集波浪大视场图像并发送给上位机;
S2、上位机预处理采集的每一帧海浪图像;
S3、提取预处理后的图像中海浪的边缘信息,获取波高;
S4、利用matlab,对预处理后的海浪图像进行纹理提取,提取后的图像高亮部位为单体有义波波峰,获取单体有义波的波峰线;根据两个连续的单体有义波波峰线之间的距离测得单体有义波波长;采用相位相关算法,截取一定时差内的两帧图像,根据提取的单体有义波波峰纹理,找到同一波峰的在不同时刻的不同位置,根据波峰的位移,计算波速;
S5、采用基于形态分水岭变换的波面形态方向检测算法,根据步骤S4种提取的海浪图像,将波面按不同亮度进行分割;根据检测区域的图像纹理方向性,测得与波峰波谷带垂直的方向,即为波浪传播方向;
S6、上位机根据波浪参数预测算法建立预测模型,采用步骤S1~S5获取的视场范围内单体有义波的波速、波高、波向,预测出单体有义波到达视场中心时的波速、波高、波向;并结合流速流向仪和升沉加速度仪测量的视场中心单体有义波的波速、波高、波向,通过协同匹配算法优化预测模型,提高预测精度。
3.如权力要求2所述的小范围海域多模态海浪预测方法,其特征在于,所述步骤S2具体为:
H1、对采集的海浪图像进行畸形矫正;
H2、采用改进的SIFT算法对矫正的多角度图像进行图像拼接;
H3、采用中值滤波方法对拼接的图像去噪。
4.如权利要求3所述的小范围海域多模态海浪预测方法,其特征在于,所述改进的SIFT算法包含具体步骤:
W1、采用SIFT算法对同一时间,不同方向提取的海浪图像进行特征点检测,获得各方向海浪图像的特征点描述子;
W2、根据每个海浪图像的特征点描述子生成图像中海浪的特征点集;
W3、对每个海浪图像中的特征点集进行特征点匹配;
W4、采用RANSAC算法优化匹配点;
W5、根据匹配点对图像进行配准、融合,完成图像拼接。
5.如权力要求2所述的小范围海域多模态海浪预测方法,其特征在于,步骤S3中具体采用prewitt检测和canny检测提取图像边缘信息。
6.如权力要求2所述的小范围海域多模态海浪预测方法,其特征在于,步骤S3中所述的波高还可以利用神经网络来提取,具体是由造波池拟造出不同高度的波浪,对神经网络进行训练;将检测之后的实际波高和造波池的图像输入到神经网络,得到训练的波高算法;通过将实际海浪图像输入训练的波高算法,便可得到相对应的海浪高度。
7.如权利要求2所述的小范围海域多模态海浪预测方法,其特征在于,波向还可以根据步骤S4中,找到同一波峰的在不同时刻的不同位置来确定。
8.如权利要求2所述的小范围海域多模态海浪预测方法,其特征在于,步骤S6中所述的预测模型为通过在各种海况的多尺度短时海浪谱,反演出的具有一般性的沿岸小范围水域海浪谱模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811487887.6A CN109359787B (zh) | 2018-12-06 | 2018-12-06 | 一种小范围海域多模态海浪预测系统及其预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811487887.6A CN109359787B (zh) | 2018-12-06 | 2018-12-06 | 一种小范围海域多模态海浪预测系统及其预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109359787A true CN109359787A (zh) | 2019-02-19 |
CN109359787B CN109359787B (zh) | 2020-11-17 |
Family
ID=65331477
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811487887.6A Active CN109359787B (zh) | 2018-12-06 | 2018-12-06 | 一种小范围海域多模态海浪预测系统及其预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109359787B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109969350A (zh) * | 2019-03-28 | 2019-07-05 | 南京蒽天捷能源科技有限公司 | 可移动浮式液货过驳海工平台及过驳方法 |
CN110254645A (zh) * | 2019-06-25 | 2019-09-20 | 南京蒽天捷能源科技有限公司 | 可移动浮式双侧作业lng过驳海工平台及过驳方法 |
CN110674980A (zh) * | 2019-09-12 | 2020-01-10 | 中交疏浚技术装备国家工程研究中心有限公司 | 工程船实时波浪预测方法 |
CN113240697A (zh) * | 2021-05-13 | 2021-08-10 | 安徽大学 | 一种生菜多光谱图像前景分割方法 |
CN113514833A (zh) * | 2021-04-25 | 2021-10-19 | 南京信息工程大学 | 一种基于海浪图像的海面任意点波向的反演方法 |
CN114445634A (zh) * | 2022-02-28 | 2022-05-06 | 南京信息工程大学 | 一种基于深度学习模型的海浪波高预测方法及系统 |
CN114519806A (zh) * | 2022-01-29 | 2022-05-20 | 国家海洋环境预报中心 | 一种大洋浪级观测模型训练方法及系统 |
CN115526924A (zh) * | 2022-11-29 | 2022-12-27 | 湖南长理尚洋科技有限公司 | 一种蒙特卡洛模拟的水文环境建模方法及系统 |
CN116011852A (zh) * | 2022-12-13 | 2023-04-25 | 国网冀北电力有限公司物资分公司 | 一种大型装备的运输评级方法 |
CN116933152A (zh) * | 2023-06-07 | 2023-10-24 | 哈尔滨工业大学(威海) | 一种基于多维emd-pso-lstm神经网络的海浪信息预测方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH05119088A (ja) * | 1991-10-29 | 1993-05-14 | Takayoshi Hirata | 複合正弦波による波形データの予測法 |
CN104021434A (zh) * | 2014-06-20 | 2014-09-03 | 河海大学 | 基于ERA-Interim预测海浪有效波高的方法 |
CN107607092A (zh) * | 2017-08-22 | 2018-01-19 | 哈尔滨工程大学 | 一种基于无人机遥感的波浪与浮体运动预报系统 |
CN108334987A (zh) * | 2018-02-08 | 2018-07-27 | 山东汇贸电子口岸有限公司 | 一种基于小波分解-神经网络的海浪波高预测方法 |
-
2018
- 2018-12-06 CN CN201811487887.6A patent/CN109359787B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH05119088A (ja) * | 1991-10-29 | 1993-05-14 | Takayoshi Hirata | 複合正弦波による波形データの予測法 |
CN104021434A (zh) * | 2014-06-20 | 2014-09-03 | 河海大学 | 基于ERA-Interim预测海浪有效波高的方法 |
CN107607092A (zh) * | 2017-08-22 | 2018-01-19 | 哈尔滨工程大学 | 一种基于无人机遥感的波浪与浮体运动预报系统 |
CN108334987A (zh) * | 2018-02-08 | 2018-07-27 | 山东汇贸电子口岸有限公司 | 一种基于小波分解-神经网络的海浪波高预测方法 |
Non-Patent Citations (1)
Title |
---|
严蕾: "基于三维图像测量技术的远距离海浪测量", 《中国优秀硕士学位论文全文数据库基础科学辑》 * |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109969350A (zh) * | 2019-03-28 | 2019-07-05 | 南京蒽天捷能源科技有限公司 | 可移动浮式液货过驳海工平台及过驳方法 |
CN110254645A (zh) * | 2019-06-25 | 2019-09-20 | 南京蒽天捷能源科技有限公司 | 可移动浮式双侧作业lng过驳海工平台及过驳方法 |
CN110254645B (zh) * | 2019-06-25 | 2020-06-19 | 南京蒽天捷能源科技有限公司 | 可移动浮式双侧作业lng过驳海工平台及过驳方法 |
CN110674980A (zh) * | 2019-09-12 | 2020-01-10 | 中交疏浚技术装备国家工程研究中心有限公司 | 工程船实时波浪预测方法 |
CN110674980B (zh) * | 2019-09-12 | 2023-01-03 | 中交疏浚技术装备国家工程研究中心有限公司 | 工程船实时波浪预测方法 |
CN113514833A (zh) * | 2021-04-25 | 2021-10-19 | 南京信息工程大学 | 一种基于海浪图像的海面任意点波向的反演方法 |
CN113514833B (zh) * | 2021-04-25 | 2023-10-27 | 南京信息工程大学 | 一种基于海浪图像的海面任意点波向的反演方法 |
CN113240697B (zh) * | 2021-05-13 | 2022-10-18 | 安徽大学 | 一种生菜多光谱图像前景分割方法 |
CN113240697A (zh) * | 2021-05-13 | 2021-08-10 | 安徽大学 | 一种生菜多光谱图像前景分割方法 |
CN114519806B (zh) * | 2022-01-29 | 2022-10-11 | 国家海洋环境预报中心 | 一种大洋浪级观测模型训练方法及系统 |
CN114519806A (zh) * | 2022-01-29 | 2022-05-20 | 国家海洋环境预报中心 | 一种大洋浪级观测模型训练方法及系统 |
CN114445634A (zh) * | 2022-02-28 | 2022-05-06 | 南京信息工程大学 | 一种基于深度学习模型的海浪波高预测方法及系统 |
CN115526924A (zh) * | 2022-11-29 | 2022-12-27 | 湖南长理尚洋科技有限公司 | 一种蒙特卡洛模拟的水文环境建模方法及系统 |
CN115526924B (zh) * | 2022-11-29 | 2023-06-23 | 湖南长理尚洋科技有限公司 | 一种蒙特卡洛模拟的水文环境建模方法及系统 |
CN116011852A (zh) * | 2022-12-13 | 2023-04-25 | 国网冀北电力有限公司物资分公司 | 一种大型装备的运输评级方法 |
CN116011852B (zh) * | 2022-12-13 | 2023-07-07 | 国网冀北电力有限公司物资分公司 | 一种大型装备的运输评级方法 |
CN116933152A (zh) * | 2023-06-07 | 2023-10-24 | 哈尔滨工业大学(威海) | 一种基于多维emd-pso-lstm神经网络的海浪信息预测方法及系统 |
CN116933152B (zh) * | 2023-06-07 | 2024-05-03 | 哈尔滨工业大学(威海) | 一种基于多维emd-pso-lstm神经网络的海浪信息预测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN109359787B (zh) | 2020-11-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109359787A (zh) | 一种小范围海域多模态海浪预测系统及其预测方法 | |
Zhao et al. | A coupled convolutional neural network for small and densely clustered ship detection in SAR images | |
Chen et al. | Ship detection from coastal surveillance videos via an ensemble Canny-Gaussian-morphology framework | |
CN102609701B (zh) | 基于最佳尺度的高分辨率合成孔径雷达遥感检测方法 | |
CN101915910B (zh) | 利用航海雷达识别海上溢油目标的方法及系统 | |
Graziano et al. | Ship heading and velocity analysis by wake detection in SAR images | |
CN104297758B (zh) | 一种基于2d脉冲式激光雷达的辅助靠泊装置及其方法 | |
CN102279973B (zh) | 基于高梯度关键点的海天线检测方法 | |
Ma et al. | An algorithm for power line detection and warning based on a millimeter-wave radar video | |
CN109886217A (zh) | 一种基于卷积神经网络从近岸海浪视频中检测浪高的方法 | |
Bao et al. | Detection of ocean internal waves based on Faster R-CNN in SAR images | |
CN112766221B (zh) | 基于船舶方向和位置多任务的sar图像船舶目标检测方法 | |
CN108229342A (zh) | 一种海面舰船目标自动检测方法 | |
CN111323756B (zh) | 一种基于深度学习的航海雷达目标检测方法及装置 | |
CN107239755A (zh) | 基于高分卫星遥感数据的海上油气平台提取系统 | |
CN110910448A (zh) | 一种海上溢油漂移轨迹溯源方法 | |
Huang et al. | Wave height estimation from X-band nautical radar images using temporal convolutional network | |
CN111323757B (zh) | 一种航海雷达目标检测方法及装置 | |
Xue et al. | Rethinking automatic ship wake detection: state-of-the-art CNN-based wake detection via optical images | |
CN115184915A (zh) | 基于杂波随机徘徊行为的海杂波抑制方法及系统 | |
Ramos et al. | Determination of internal wave properties from X-band radar observations | |
Kong et al. | Lightweight algorithm for multi-scale ship detection based on high-resolution SAR images | |
Gao | Design and implementation of marine automatic target recognition system based on visible remote sensing images | |
CN115993602A (zh) | 一种基于前视声呐的水下目标检测及定位方法 | |
Hasan et al. | Observation of a stormy wave field with X-band radar and its linear aspects |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |