CN109872358B - 一种基于活动轮廓模型的船载雷达图像海上油膜识别方法 - Google Patents
一种基于活动轮廓模型的船载雷达图像海上油膜识别方法 Download PDFInfo
- Publication number
- CN109872358B CN109872358B CN201910099580.7A CN201910099580A CN109872358B CN 109872358 B CN109872358 B CN 109872358B CN 201910099580 A CN201910099580 A CN 201910099580A CN 109872358 B CN109872358 B CN 109872358B
- Authority
- CN
- China
- Prior art keywords
- oil film
- image
- model
- contour model
- active contour
- 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.)
- Active
Links
Images
Abstract
本发明公开了一种基于活动轮廓模型的船载雷达图像海上油膜识别方法，包括步骤有：对含有海杂波的船载雷达原始图像进行降噪预处理；应用基于区域的活动轮廓模型—LBF模型，进行油膜的初步识别；及应用斑点噪声阈值与最小可识别油膜面积阈值法，对海上油膜进行准确识别。本发明通过对原始图像进行降噪预处理，降低了误判海上溢油的概率，提高了活动轮廓模型在雷达图像油膜识别过程中的工作效率。通过调整设置LBF模型参数使活动轮廓模型溢油监测速度更快，使船载雷达图像油膜识别过程的及时性大为提高。通过采用斑点噪声阈值法与最小可识别油膜面积阈值法，使海上油膜识别过程的准确性得到了改进。
Description
技术领域
本发明涉及一种海上油膜识别方法，尤其是一种基于船载雷达图像的海上油膜识别方法。
背景技术
溢油污染是一个重大的海洋环境灾难[1]，它给沿海生态系统和经济带来巨大危害[2]。在遥感传感器中，船载雷达对海上溢油的实时精确观测和跟踪具有重要的作用。在船载雷达图像中探测溢油仍处于初级阶段。自1988年以来，Tennyson与Atanasov等人已证明在适当的海洋条件下，应用船载雷达探测和跟踪来自后向散射强度图像中溢油的能力[3-4]。基于这一特性，出现了一些商业监测产品，如Miros、Seadarq、Furuno和Shira[5-7]。由于商业政策的保密性，其技术未被公开。它们的应用也没有得到很好的验证。在大连716溢油事件发生后，Zhu、Liu、Xu等人公开发布了一些基于阈值技术的船载雷达溢油监测方法[8-10]。活动轮廓模型由于具有精确定位目标轮廓的能力，在遥感图像分割中得到了广泛的应用，但在船载雷达图像的溢油检测中却鲜有应用。
根据不同的轮廓表达形式，活动轮廓模型可分为参数活动轮廓模型和几何活动轮廓模型[11]。第一个活动轮廓模型，Snake模型，是一个参数化活动轮廓模型[12]。Snake活动轮廓模型的思想是预先设定一个参数化的能量曲线，在内外力的控制下移动到目标轮廓。内力代表曲线本身的力，它控制弯曲和拉伸。外力由图像特征决定，并吸引轮廓向所需目标移动。许多学者通过设计新的外力来改进Snake模型。Xu和Prince提出了梯度矢量流蛇模型，成为活动轮廓模型的里程碑参数[13]。在模型中引入了一种新的静力梯度矢量流作为外力，利用扩散方程展开模型的捕获区域，将梯度外力扩展到远离目标边界的区域，解决了初始轮廓的敏感缺陷。但是，梯度矢量流蛇模型很难分割狭长的凹边界，也不能解决曲线的拓扑变化问题。然而，这一缺点可以通过几何活动轮廓模型来解决。
几何活动轮廓模型的理论基础是曲线演化理论和水平集理论。一般认为，平面闭合曲线隐式表示为高维曲面函数的零级集。通过将能量函数最小化，将曲线的演化方程转化为高维表面水平集函数的偏微分方程。然后，进行迭代演化，使零位集向目标轮廓移动[14]，测地活动轮廓模型是基于边缘信息的几何活动轮廓模型里程碑模型[15]。当图像边界不明显或不弱时，测地活动轮廓模型分割效果不理想。基于区域的活动轮廓模型的出现解决了这个问题。CV模型[16]是基于Mumford-Shah[17]最优分割的经典区域活动轮廓模型，被视为第一代主流几何活动轮廓模型。但是，CV模型不能有效分割不均匀区域，需要大量的计算时间。为了解决这一问题，提出了局部二元拟合(Local Binary Fitting，LBF)模型[18](第二代主流几何活动轮廓模型)。在LBF模型中，引入高斯核函数提取局部灰度信息。由水平集演化可以得到非均匀灰度图像中的目标轮廓。在迭代过程中不需要对水平集函数进行重新初始化。一些学者从不同角度对LBF模型进行了改进，并提出了几种改进算法。Wang[19]提出了局部高斯分布拟合模型，将CV模型和LBF模型的能量项相加，在医学图像处理中取得了积极的效果。局部高斯分布拟合模型是通过修改带有高斯分布的LBF模型的局部区域拟合函数而提出的。
目前，一些学者采用活动轮廓模型对船载雷达图像溢油识别进行了初步研究。针对灰度分布比较均匀的船载雷达图像，其方法识别效果较好，但针对灰度分布不均匀的船载雷达图像识别效果较差，常伴有斑点噪声和非油膜目标的识别结果。而活动轮廓模型在船载雷达原始图像中油膜提取的准确性与及时性是非常重要的技术指标，提高其准确性与及时性能够直接提高海上溢油清污治理的效率，在船载雷达图像海上油膜识别及海上溢油清污治理领域有着现实需要。
参考文献
[1]Boehm,P.,Gundlach,E.,Page,D.,2013.Oil in the Environment:Legaciesand Lessons of the Exxon Valdez Oil Spill.Cambridge University Press,Cambridge.
[2]Tzannatos,E.,Xirouchakis,A.,2013.Techno-economic assessment ofhull-mounted sonar for oil-spill risk Control.Journal of Navigation.66(4),625-636.
[3]Tennyson,E.J.,1988.Shipboard navigational radar as an oil spilltracking tool-a preliminary assessment.Proceedings of the OCEANS 1988,pp.857-859.
[4]Atanassov,V.,Mladenov L.,Rangelov R.,Savchenko,A.,1991.Observationof oil slicks on the sea surface by using marine navigation radar.Proceedingsof the IGARSS 1991,pp.1323-1326.
[5]Gangeskar,R.,2004.Automatic oil-spill detection by marine X-bandradars.Sea Technology.45(8),40–45.
[6]Chu,X.L.,Ming,X.U.,Wang,F.,Wang,J.,2011.Analysis of the waveinformation extracted by X-band radar.Period.Ocean Univ.China.41(5),110–113.
[7]Nost,E.,Egset.C.N.,2006.Oil spill detection system-Results fromfield trials.Proceedings of the OCEANS 2006.https://doi.org/10.1109/OCEANS.2006.306905.
[8]Zhu,X.,Li,Y.,Feng,H.,Liu,B.,Xu,J.,2015.Oil spill detection methodusing X-band marine radar imagery.Journal of Applied Remote Sensing.9(1),095985.
[9]Liu,P.,Li,Y.,Xu,J.,Zhu,X.,2017.Adaptive enhancement of X-bandmarine radar imagery to detect oil spill segments.Sensors.17(10),2349.
[10]Xu,J.,Liu,P.,Wang,H.,Lian,J.,Li,B.,2018.Marine radar oil spillmonitoring technology based on Dual-threshold and C–V level setmethods.Indian Society of Remote Sensing.46(12),1949-1961.
[11]Zhang,X.,Xiong,B.,Dong,G.,Kuang,G.,2018.Ship segmentation in SARimages by improved nonlocal active contour model.Sensors.18(12),4220.
[12]Kass,M.,Witkin,A.,Terzopoulos,D.,1988.Snakes:active contourmodels.Int.J.Comput.Vis.1,321–331.
[13]Xu C.,Prince J.L.,1998.Snakes，shapes,and gradient vectorflow.IEEE Transactions on Image Processing.1998,7(3),359-369.
[14]Zhang,X.,Xiong,B.,Dong,G.,Kuang,G.,2018.Ship segmentation in SARimages by improved nonlocal active contour model.Sensors.18(12),4220.
[15]Caselles,V.,Kimmel,R.,Sapiro,G.,1997.Geodesic activecontours.Int.J.Comput.Vis.22(1),61–79.
[16]Chan T.F.,Vese L.A.,2001.Active contours without edges.IEEETransactions on Image Processing.10(2),266-277.
[17]Mumford,D.,Shah,J.,1989.Optimal approximation by piecewise smoothfunction and associated variational problems.Communication on Pure andApplied Mathematics.42(5):577-685.
[18]Li,C.,Kao,C.Y.,Gore J.C.,Ding,Z.,2008.Minimization ofregionscalable fitting energy for image segmentation.IEEE Transactions onImage Processing.17(10):1940-1949.
[19]Wang,L.,Li,C.,Sun,Q.,Xia,D.,Kao,C.,2009.Active contours driven bylocal and global intensity fitting energy with application to brain MR imagesegmentation.Computerized Medical Imaging&Graphics.33(7),520–531.
发明内容
针对现有技术存在的缺陷，本发明要解决的技术问题是提出一套快速、准确、完整的基于活动轮廓模型的船载雷达图像海上油膜识别方法，通过船载雷达图像预处理和基于区域的活动轮廓模型，以及斑点噪声阈值与最小可识别油膜面积阈值法，实现对船载雷达原始图像中油膜的及时准确识别。
本发明的技术方案是这样实现的：
一种基于活动轮廓模型的船载雷达图像海上油膜识别方法，包括以下步骤：
A、对含有海杂波的船载雷达原始图像进行降噪预处理；
B、应用基于区域的活动轮廓模型—LBF模型，进行油膜的初步识别；
C、应用斑点噪声阈值法与最小可识别油膜面积阈值法，对海上油膜进行准确识别。
进一步的，步骤A包括：
A1、将船载雷达图像从极坐标系统转换至信号抽象世界的平面直角坐标系统；
A2、采用拉普拉斯算子对转换后的图像进行卷积运算，计算公式如下：
其中，x代表图像中的行号，y代表图像中的列号，f(x,y)代表图像中x行y列位置的灰度值；
A3、对卷积处理后的图像，采用Otsu算法，进行图像分割值；
A4、采用均值滤波器，对分割出的同频干扰进行降噪处理，均值滤波器计算公式如下：
其中，m是噪声点左边最近的非噪声点与噪声之间的距离，n是右边对应的距离；
A5、将降噪后的图像投影回直角坐标系统下。
进一步的，步骤B中所述LBF活动轮廓模型在每次迭代时，定义如下的局部拟合能量泛函来驱动水平集的演化:
εLBF(φ,f1,f2)＝λ1∫[∫Kσ(x-y)|I(y)-f1(x)|2H(φ(y))dy]dx+λ2∫[∫Kσ(x-y)|Iy-f2(x)|2(1-H(φ(y))dy]dx
其中，λ1与λ2是预先设定的常量，Kσ为高斯核函数，σ为高斯核标准差，f1(x)与f2(x)代表目标轮廓内外的灰度强度常数，I(y)是在目标点y附近的局部窗口内所有像素点的灰度值集合。
更进一步的，所述局部拟合能量泛函中的最佳参数设置为λ1＝1,λ2＝2，σ＝3，迭代次数为10次。
进一步的，步骤C包括：
C1、应用斑点噪声面积阈值法，对初步识别的油膜区域进行斑点噪声降噪；
C2、应用最小可识别油膜面积阈值法，剔除疑似油膜目标，对海上油膜进行准确识别
C3、将识别的油膜轮廓映射到预处理后的图像中。
更进一步的，步骤C1和步骤C2中所述斑点噪声面积阈值和油膜面积阈值均设为“30”。
本发明的有益效果在于：
1.通过对原始图像进行降噪预处理，降低了误判海上溢油的概率，提高了活动轮廓模型在雷达图像油膜识别过程中的工作效率。
2.通过调整设置LBF模型参数使活动轮廓模型溢油监测速度更快，使船载雷达图像油膜识别过程的及时性大为提高。
3.通过采用斑点噪声阈值法与最小可识别油膜面积阈值法，使海上油膜识别过程的准确性得到了改进。
附图说明
图1为本发明所述油膜识别方法工作流程图；
图2为本发明所述油膜识别方法中船载雷达原始图像(极坐标系统)；
图3为本发明所述油膜识别方法中船载雷达原始图像(平面直角坐标系统)；
图4为本发明所述油膜识别方法中拉普拉斯算子卷积图像；
图5为本发明所述油膜识别方法中Otsu图像二值化分割图像；
图6为本发明所述油膜识别方法中均值滤波降噪图像；
图7为本发明所述油膜识别方法中预处理结果图像；
图8a为本发明所述油膜识别方法中预处理图像放大示意图；
图8b为本发明所述油膜识别方法中LBF模型预设窗口图像；
图8c为本发明所述油膜识别方法中初始轮廓图像；
图9a为本发明所述油膜识别方法中初始识别的油膜图像；
图9b为本发明所述油膜识别方法中剔除内部斑点噪声后的图像；
图10为本发明所述油膜识别方法中最终识别的油膜区域图像；
图11为本发明所述油膜识别方法中最终的识别结果。
具体实施方式
下面结合附图详述本发明具体实施方式：
如图1所示，一种基于活动轮廓模型的船载雷达图像海上油膜识别方法，包括以下步骤：
A、对含有海杂波的船载雷达原始图像进行降噪预处理；
B、应用基于区域的活动轮廓模型—LBF模型，进行油膜的初步识别；
C、应用斑点噪声阈值法与最小可识别油膜面积阈值法，对海上油膜进行准确识别。
进一步的，步骤A包括：
A1、将船载雷达图像从极坐标系统转换至信号抽象世界的平面直角坐标系统；
A2、采用拉普拉斯算子对转换后的图像进行卷积运算，计算公式如下：
其中，x代表图像中的行号，y代表图像中的列号，f(x,y)代表图像中x行y列位置的灰度值；
A3、对卷积处理后的图像，采用Otsu算法，进行图像分割值；
A4、采用均值滤波器，对分割出的同频干扰进行降噪处理，均值滤波器计算公式如下：
其中，m是噪声点左边最近的非噪声点与噪声之间的距离，n是右边对应的距离；
A5、将降噪后的图像投影回直角坐标系统下。
进一步的，步骤B中所述LBF活动轮廓模型在每次迭代时，定义如下的局部拟合能量泛函来驱动水平集的演化:
εLBF(φ,f1,f2)＝λ1∫[∫Kσ(x-y)|I(y)-f1(x)|2H(φ(y))dy]dx+λ2∫[∫Kσ(x-y)|Iy-f2(x)|2(1-H(φ(y))dy]dx
其中，λ1与λ2是预先设定的常量，Kσ为高斯核函数，σ为高斯核标准差，f1(x)与f2(x)代表目标轮廓内外的灰度强度常数，I(y)是在目标点y附近的局部窗口内所有像素点的灰度值集合。
更进一步的，所述局部拟合能量泛函中的最佳参数设置为λ1＝1,λ2＝2，σ＝3，迭代次数为10次。
进一步的，步骤C包括：
C1、应用斑点噪声面积阈值法，对初步识别的油膜区域进行斑点噪声降噪；
C2、应用最小可识别油膜面积阈值法，剔除疑似油膜目标，对海上油膜进行准确识别
C3、将识别的油膜轮廓映射到预处理后的图像中。
更进一步的，步骤C1和步骤C2中所述斑点噪声面积阈值和油膜面积阈值均设为“30”。
参照图2-11，上述实施方式中，船载雷达原始图像是采用极坐标系统表现的灰度图像，如图2所示。步骤A1中将船载雷达原始图像转换至以方位角为横轴，以距离为纵轴的平面直角坐标系统，如图3所示。步骤A2中采用拉普拉斯算子，对图3进行卷积运算，运算结果如图4所示。步骤A3中采用Otsu算法对图4进行二值化，提取同频干扰噪声，结果如图5所示。步骤A4中采用均值滤波器对图5进行降噪处理，得到图6。步骤A5将降噪后的图像转换为极坐标系统，如图7所示。
步骤B中将油膜区域的图像进行放大，如图8a所示。采用LBF活动轮廓模型，参数设置为λ1＝1,λ2＝2，σ＝3，iteration＝10，对油膜进行初步识别。如图8b表示LBF模型的专家预设轮廓，如图8c表示经过识别后得到的初步油膜轮廓。
步骤C中将图8c得到的油膜表现为图9a，再采用班点噪声面积阈值30，对斑点进行剔除，得到图9b。再采用最小油膜面积阈值30，对9b中的小目标进行剔除，得到图10。最后，将识别的油膜边界标识在雷达图像中，如图11所示。
以上所述，仅为本发明较佳的具体实施方式，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，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。
Claims (4)
1.一种基于活动轮廓模型的船载雷达图像海上油膜识别方法，其特征在于，包括以下步骤：
A、对含有海杂波的船载雷达原始图像进行降噪预处理；
B、应用基于区域的活动轮廓模型—LBF模型，进行油膜的初步识别；
C、应用斑点噪声阈值法与最小可识别油膜面积阈值法，对海上油膜进行准确识别；
其中，步骤B中所述LBF活动轮廓模型在每次迭代时，定义如下的局部拟合能量泛函来驱动水平集的演化:
εLBF(φ,f1,f2)＝λ1∫[∫Kσ(x-y)|I(y)-f1(x)|2H(φ(y))dy]dx+λ2∫[∫Kσ(x-y)|Iy-f2(x)|2(1-H(φ(y))dy]dx
其中，λ1与λ2是预先设定的常量，Kσ为高斯核函数，σ为高斯核标准差，f1(x)与f2(x)代表目标轮廓内外的灰度强度常数，I(y)是在目标点y附近的局部窗口内所有像素点的灰度值集合；
其中，步骤C包括：
C1、应用斑点噪声面积阈值法，对初步识别的油膜区域进行斑点噪声降噪；
C2、应用最小可识别油膜面积阈值法，剔除疑似油膜目标，对海上油膜进行准确识别；
C3、将识别的油膜轮廓映射到预处理后的图像中。
2.根据权利要求1所述的油膜识别方法，其特征在于，步骤A包括：
A1、将船载雷达图像从极坐标系统转换至信号抽象世界的平面直角坐标系统；
A2、采用拉普拉斯算子对转换后的图像进行卷积运算，计算公式如下：
其中，x代表图像中的行号，y代表图像中的列号，f(x,y)代表图像中x行y列位置的灰度值；
A3、对卷积处理后的图像，采用Otsu算法，进行图像分割值；
A4、采用均值滤波器，对分割出的同频干扰进行降噪处理，均值滤波器计算公式如下：
其中，m是噪声点左边最近的非噪声点与噪声之间的距离，n是右边对应的距离；
A5、将降噪后的图像投影回直角坐标系统下。
3.根据权利要求1所述的油膜识别方法，其特征在于，所述局部拟合能量泛函中的最佳参数设置为λ1＝1,λ2＝2，σ＝3，迭代次数为10次。
4.根据权利要求1所述的油膜识别方法，其特征在于，步骤C1和步骤C2中所述斑点噪声面积阈值和油膜面积阈值均设为“30”。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910099580.7A CN109872358B (zh) | 2019-01-31 | 2019-01-31 | 一种基于活动轮廓模型的船载雷达图像海上油膜识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910099580.7A CN109872358B (zh) | 2019-01-31 | 2019-01-31 | 一种基于活动轮廓模型的船载雷达图像海上油膜识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109872358A CN109872358A (zh) | 2019-06-11 |
| CN109872358B true CN109872358B (zh) | 2022-12-13 |
Family
ID=66918483
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910099580.7A Active CN109872358B (zh) | 2019-01-31 | 2019-01-31 | 一种基于活动轮廓模型的船载雷达图像海上油膜识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109872358B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110348442B (zh) * | 2019-07-17 | 2022-09-30 | 大连海事大学 | 一种基于支持向量机的船载雷达图像海上油膜识别方法 |
| CN113222956B (zh) * | 2021-05-25 | 2023-09-15 | 南京大学 | 基于超声图像识别血管中斑块的方法 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108460781A (zh) * | 2018-02-09 | 2018-08-28 | 河南师范大学 | 一种基于改进spf的活动轮廓图像分割方法及装置 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10420523B2 (en) * | 2016-03-21 | 2019-09-24 | The Board Of Trustees Of The Leland Stanford Junior University | Adaptive local window-based methods for characterizing features of interest in digital images and systems for practicing same |
-
2019
- 2019-01-31 CN CN201910099580.7A patent/CN109872358B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108460781A (zh) * | 2018-02-09 | 2018-08-28 | 河南师范大学 | 一种基于改进spf的活动轮廓图像分割方法及装置 |
Non-Patent Citations (2)
| Title |
|---|
| Tsallis熵和改进CV模型的海面溢油SAR图像分割;吴一全等;《遥感学报》;20120725(第04期);全文 * |
| 用于海上溢油监测的航海雷达图像降噪技术研究;徐进等;《测绘与空间地理信息》;20180825(第08期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109872358A (zh) | 2019-06-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107145874B (zh) | 复杂背景sar图像中的舰船目标检测与鉴别方法 | |
| Modava et al. | Integration of spectral histogram and level set for coastline detection in SAR images | |
| CN110443806B (zh) | 一种基于目标增强处理的水面透明漂浮危化品图像分割方法 | |
| CN107808161B (zh) | 一种基于光视觉的水下目标识别方法 | |
| CN108229342B (zh) | 一种海面舰船目标自动检测方法 | |
| CN107808383B (zh) | 一种强海杂波下sar图像目标快速检测方法 | |
| CN103942803A (zh) | 基于sar图像的水域自动检测方法 | |
| CN116152115B (zh) | 基于计算机视觉的垃圾图像去噪处理方法 | |
| CN103996017B (zh) | 一种基于Hu不变矩和支持向量机的舰船检测方法 | |
| CN112734761B (zh) | 工业品图像边界轮廓提取方法 | |
| CN104021553B (zh) | 一种基于像素点分层的声纳图像目标检测方法 | |
| CN109118453B (zh) | 一种背景抑制的图像处理方法 | |
| CN109829858B (zh) | 一种基于局部自适应阈值的船载雷达图像溢油监测方法 | |
| CN105787886A (zh) | 一种基于多波束图像声纳的实时图像处理方法 | |
| CN109872358B (zh) | 一种基于活动轮廓模型的船载雷达图像海上油膜识别方法 | |
| CN106845347A (zh) | 海上油膜识别提取方法及系统 | |
| CN114764801A (zh) | 基于多视觉显著特征的弱小舰船目标融合检测方法及装置 | |
| CN109063669B (zh) | 一种基于图像识别的桥区船舶航行态势分析方法及装置 | |
| CN110348442B (zh) | 一种基于支持向量机的船载雷达图像海上油膜识别方法 | |
| Li et al. | Automatic infrared ship target segmentation based on structure tensor and maximum histogram entropy | |
| CN114140412A (zh) | 一种基于激光雷达的高鲁棒性无人船提取水面可通行区域的方法 | |
| CN113222898B (zh) | 基于多元统计量和深度学习的双航过sar图像痕迹检测方法 | |
| Xu et al. | Marine radar oil spill monitoring technology based on dual-threshold and c–v level set methods | |
| CN111860534A (zh) | 一种基于图像显著性分析的sar图像溢油检测方法 | |
| CN113689449B (zh) | 一种中尺度涡特征参数的反演方法及系统 |
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 | ||
| CB03 | Change of inventor or designer information |
Inventor after: Xu Jin Inventor after: Zhang Yunpeng Inventor after: Wang Haixia Inventor before: Xu Jin Inventor before: Wang Haixia Inventor before: Zhang Yunpeng |
|
| CB03 | Change of inventor or designer information | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |