CN110188727A - 海洋溢油量估算方法及装置 - Google Patents

海洋溢油量估算方法及装置 Download PDF

Info

Publication number
CN110188727A
CN110188727A CN201910488831.0A CN201910488831A CN110188727A CN 110188727 A CN110188727 A CN 110188727A CN 201910488831 A CN201910488831 A CN 201910488831A CN 110188727 A CN110188727 A CN 110188727A
Authority
CN
China
Prior art keywords
oil film
oil
data
sorted
thickness
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
Application number
CN201910488831.0A
Other languages
English (en)
Other versions
CN110188727B (zh
Inventor
牛雁飞
姚春雨
王娜
李林林
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Coal Survey & Remote Sensing Group Co Ltd
Aerial Photogrammetry and Remote Sensing Co Ltd
Original Assignee
China Coal Survey & Remote Sensing Group Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China Coal Survey & Remote Sensing Group Co Ltd filed Critical China Coal Survey & Remote Sensing Group Co Ltd
Priority to CN201910488831.0A priority Critical patent/CN110188727B/zh
Publication of CN110188727A publication Critical patent/CN110188727A/zh
Application granted granted Critical
Publication of CN110188727B publication Critical patent/CN110188727B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • G01B11/02—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness
    • G01B11/06—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness for measuring thickness ; e.g. of sheet material
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • G01B11/28—Measuring arrangements characterised by the use of optical techniques for measuring areas
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/02—Agriculture; Fishing; Forestry; Mining
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/13—Satellite images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/194—Terrestrial scenes using hyperspectral data, i.e. more or other wavelengths than RGB

Landscapes

  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Business, Economics & Management (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Mining & Mineral Resources (AREA)
  • Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Primary Health Care (AREA)
  • Marketing (AREA)
  • Human Resources & Organizations (AREA)
  • General Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Animal Husbandry (AREA)
  • Agronomy & Crop Science (AREA)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Multimedia (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明提供一种海洋溢油量估算方法及装置，涉及海洋溢油量检测技术领域。该海洋溢油量估算方法包括：通过获取表示不同厚度的油膜所对应的信息的待分类数据，并将待分类数据输入支持向量机模型，得到油膜分类结果，最后根据油膜分类结果和第一预设规则，估算得到溢油量。通过支持向量机模型对待分类数据进行分类，得到油膜分类结果，再根据油膜分类结果和第一预设规则估算溢油量，避免了相关技术中，通过短波红外对不同厚度的油膜进行识别时，当油膜厚度变薄时，油膜在热红外的辐射能量逐渐减低，造成对于油膜厚度的分类不准确，导致计算的溢油量误差较大的问题，提高了估算溢油量时的精确度。

Description

海洋溢油量估算方法及装置
技术领域
本发明涉及海洋溢油量检测技术领域，具体而言，涉及一种海洋溢油量估算方法及装置。
背景技术
随着海底石油开采技术和海洋运输行业的发展，海洋溢油污染事件频发，严重威胁沿海经济的稳定发展和海洋环境的生态平衡，因此，对于海洋溢油量的估算变得越来越重要。
相关技术中，通过获取海洋溢油的高光谱影像，再通过短波红外技术，对高光谱影像中不同厚度的油膜进行识别，对不同厚度的油膜进行分类得到分类结果，最后根据不同厚度油膜的分类结果计算对应的溢油量。
但是，相关技术中，通过短波红外对不同厚度的油膜进行识别时，油膜厚度变薄时，油膜在热红外的辐射能量逐渐减低，造成对于油膜厚度的分类不准确，导致计算的溢油量误差较大的问题。
发明内容
本发明的目的在于，针对上述现有技术中的不足，提供一种海洋溢油量估算方法及装置，以便解决相关技术中，通过短波红外对不同厚度的油膜进行识别时，油膜厚度变薄时，油膜在热红外的辐射能量逐渐减低，造成对于油膜厚度的分类不准确，导致计算的溢油量误差较大的问题。
为实现上述目的，本发明实施例采用的技术方案如下：
第一方面，本发明实施例提供了一种海洋溢油量估算方法，该方法包括：获取待分类数据，所述待分类数据为不同厚度的油膜所对应的信息；
将所述待分类数据输入支持向量机模型，得到油膜分类结果，所述油膜分类结果用于表示不同厚度油膜的分类；
根据所述油膜分类结果和第一预设规则估算溢油量。
进一步地，在所述获取待分类数据之前，所述方法还包括：
获取原始影像中油膜所在区域对应的灰度信息，所述原始影像为高光谱影像；
对所述灰度信息进行辐射定标以及大气校正处理，得到反射率数据；
根据反射率数据构建多个油膜指数；
根据多个所述油膜指数构建指数特征空间，所述指数特征空间为多个所述油膜指数对应的波段数据集。
进一步地，在所述将所述待分类数据输入支持向量机模型之前，所述方法还包括：
将样本数据输入预先设置的初始支持向量机模型中，得到初始训练结果，所述样本数据是根据第二预设规则和预设油膜指数阈值从指数特征空间中筛选得到的；
判断所述初始训练结果是否大于预设阈值；
若所述初始训练结果小于所述预设阈值，则继续对所述初始支持向量机模型进行训练，直至所述初始支持向量机模型输出的目标训练结果不小于预设阈值。
进一步地，在所述获取待分类数据之前，所述方法还包括：
根据第二预设规则和预设油膜指数阈值，对所述指数特征空间中的波段数据集对应的像元进行选取，得到所述待分类数据；
所述获取待分类数据，包括：
将所述指数特征空间中除去所述样本数据之外的波段数据集对应的像元作为所述待分类数据。
进一步地，所述根据所述不同厚度的油膜分类结果和第一预设规则估算溢油量，包括：
根据所述不同厚度的油膜影像，确定各类油膜对应的厚度和面积；
根据所述各类油膜对应的厚度和面积，确定各类油膜所对应的体积；
根据所述各类油膜所对应的体积进行计算，得到所述待分类数据对应的溢油量。
第二方面，本发明实施例还提供了一种海洋溢油量估算装置，所述装置包括：
第一获取模块，用于获取待分类数据，所述待分类数据为不同厚度的油膜所对应的信息；
第一输入模块，用于将所述待分类数据输入支持向量机模型，得到油膜分类结果，所述油膜分类结果用于表示不同厚度油膜的分类；
估算模块，用于根据所述油膜分类结果和第一预设规则估算溢油量。
进一步地，所述装置还包括：
第二获取模块，用于获取原始影像中油膜所在区域对应的灰度信息，所述原始影像为高光谱影像；
处理模块，用于对所述灰度信息进行辐射定标以及大气校正处理，得到反射率数据；
第一构建模块，用于根据反射率数据构建多个油膜指数；
第二构建模块，根据多个所述油膜指数构建指数特征空间，所述指数特征空间为多个所述油膜指数对应的波段数据集。
进一步地，所述装置还包括：
第二输入模块，用于将样本数据输入预先设置的初始支持向量机模型中，得到初始训练结果，所述样本数据是根据第二预设规则和预设油膜指数阈值从指数特征空间中筛选得到的；
判断模块，用于判断所述初始训练结果是否大于预设阈值，若所述初始训练结果小于所述预设阈值，则继续对所述初始支持向量机模型进行训练，直至所述初始支持向量机模型输出的目标训练结果不小于预设阈值。
进一步地，所述装置还包括：
选取模块，用于根据第二预设规则和预设油膜指数阈值，对所述指数特征空间中的波段数据集对应的像元进行选取，得到样本数据；
所述第一获取模块，具体用于将所述指数特征空间中除去所述样本数据之外的波段数据集对应的像元作为所述待分类数据。
进一步地，所述估算模块，具体用于根据所述不同厚度的油膜影像，确定各类油膜对应的厚度和面积；根据所述各类油膜对应的厚度和面积，确定各类油膜所对应的体积；根据所述各类油膜所对应的体积进行计算，得到所述待分类数据对应的溢油量。
本发明的有益效果是：本发明实施例提供一种海洋溢油量估算方法及装置，通过获取表示不同厚度的油膜所对应的信息的待分类数据，并将待分类数据输入支持向量机模型，得到油膜分类结果，最后根据油膜分类结果和第一预设规则，估算得到溢油量。通过支持向量机模型对待分类数据进行分类，得到油膜分类结果，再根据油膜分类结果和第一预设规则估算溢油量，避免了相关技术中，通过短波红外对不同厚度的油膜进行识别时，油膜厚度变薄时，油膜在热红外的辐射能量逐渐减低，造成对于油膜厚度的分类不准确，导致计算的溢油量误差较大的问题，提高了估算溢油量时的精确度。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1为本发明实施例提供的一海洋溢油量估算方法的流程示意图；
图2为本发明实施例提供的另一海洋溢油量估算方法的流程示意图；
图3为本发明实施例提供的一海洋溢油量估算装置的结构示意图；
图4为本发明实施例提供的另一海洋溢油量估算装置的结构示意图；
图5为本发明实施例提供的又一海洋溢油量估算装置的结构示意图；
图6为本发明实施例提供的又一海洋溢油量估算装置的结构示意图；
图7为本发明实施例提供的又一海洋溢油量估算装置的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明一部分实施例，而不是全部的实施例。
图1为本发明实施例提供的一海洋溢油量估算方法的流程示意图；该海洋溢油量估算方法可由终端实现，例如，终端可以为电脑，也可以为手机，还可以为其他具备数据处理功能的设备，本发明对此不进行具体限制。如图1所示，该方法包括：
S101、获取待分类数据。
其中，待分类数据为不同厚度的油膜所对应的信息。
为了获取油膜信息所对应的溢油量，需要对不同厚度的油膜信息进行分类，因此，终端可以先获取待分类数据，以便在后续的步骤中，终端可以根据待分类数据对不同厚度的油膜信息进行分类。
另外，待分类数据可以为一个海洋区域内不同厚度的油膜信息，也可以为两个海洋区域内不同厚度的油膜信息，还可以为多个海洋区域内不同厚度的油膜信息，本发明实施例对此不进行具体限制。
需要说明的是，在实际应用中，待分类数据是通过光谱仪采集的原始影像并通过终端并对原始影像进行处理而得到的。
S102、将待分类数据输入支持向量机模型，得到油膜分类结果。
其中，油膜分类结果用于表示不同厚度油膜的分类，油膜分类结果中可以包括各类油膜的色彩特征、以及像素个数。
在获取待分类数据之后，终端可以通过支持向量机模型对待分类数据表示的不同厚度的油膜信息进行分类，因此，可以将待分类数据输入到支持向量机模型中，得到支持向量机模型输出的油膜分类结果。
在一种可能的实施方式中，将待分类数据输入支持向量机模型中，支持向量机模型可以根据分类特征以及相应的权重，对将待分类数据进行分类，支持向量机模型可以输出油膜分类结果。
S103、根据油膜分类结果和第一预设规则估算溢油量。
在得到油膜分类结果之后，可以根据油膜分类结果和第一预设规则进行估算溢油量，也即是可以对待分类数据所对应的溢油量进行估算，从而实现获取海洋区域所对应的溢油量。
其中，第一预设规则可以为终端根据各类油膜的色彩特征确定油膜对应的厚度。
具体地，根据油膜分类结果中各类油膜的色彩特征确定油膜对应的厚度，根据各类油膜的像素个数确定油膜对应的面积，根据各类油膜对应的厚度和面积计算各类油膜所对应的体积；根据各类油膜所对应的体积和密度计算待分类数据对应的溢油量。
例如，薄油膜像素的个数可以为m，每个像素所对应的油膜实际大小可以为n，薄油膜的厚度可以为k，预设的油膜密度可以为ρ，则薄油膜对应的溢油量为m*n*k*ρ。
综上所述，本发明实施例提供一种海洋溢油量估算方法，通过获取表示不同厚度的油膜所对应的信息的待分类数据，并将待分类数据输入支持向量机模型，得到油膜分类结果，最后根据油膜分类结果和第一预设规则，估算得到溢油量。通过支持向量机模型对待分类数据进行分类，得到油膜分类结果，再根据油膜分类结果和第一预设规则估算溢油量，避免了相关技术中，通过短波红外对不同厚度的油膜进行识别时，油膜厚度变薄时，油膜在热红外的辐射能量逐渐减低，造成对于油膜厚度的分类不准确，导致计算的溢油量误差较大的问题，提高了估算溢油量时的精确度。
图2为本发明实施例提供的另一海洋溢油量估算方法的流程示意图；如图2所示，该方法包括：
S201、获取原始影像中油膜所在区域对应的灰度信息。
其中，原始影像为高光谱影像，灰度信息为原始图像中油膜所在区域的各个像素所对应的参数。
终端需要获取原始影像中油膜所在区域对应的灰度信息，以便在后续的步骤中，对油膜的灰度信息进行相应的处理，得到反射率数据，并根据反射率数据构建指数特征空间。
在本发明实施例中，可以通过光谱仪采集目标区域的高光谱影像，该高光谱影像可以包括多个像元。其中，目标区域为需要进行溢油量估算的海洋区域。
S202、对灰度信息进行辐射定标以及大气校正处理，得到反射率数据。
为了更准确的获取油膜的光谱特征，在获取原始影像中油膜的灰度信息之后，终端需要对灰度信息进行辐射定标以及大气校正处理，以便可以得到更加准确的反射率数据。
具体地，对灰度信息转化为绝对的辐射亮度，也即是对灰度信息进行辐射定标处理，则可以得到辐射数据，采用FLAASH(Fast Line-of-sight Atmospheric Analysis ofSpectral Hypercubes，大气校正)模型对辐射值数据中对应的每个像素，消除相应的Smile效应及噪声，从而可以得到反射率数据。
例如，FLAASH模型可以为ENVI 5.2(The Environment for VisualizingImages5.2，遥感图像处理平台)软件内嵌的基于MODTRAN4(大气透过率计算软件)辐射传输模型的大气校正模块。
S203、根据反射率数据构建多个油膜指数。
其中，反射率数据可以为每个像元所对应的反射率，例如，一个像元对应的反射率可以为0.6。
在得到反射率数据之后，需要根据反射率数据构建多个油膜指数，以便后续的步骤中，终端可以在特征空间中对样本数据的进行选取，以及获取对应的待分类数据。
需要说明的是，多个油膜指数可以包括烃类指数(Hydrocarbon index，HI)、以蓝波段为比值的归一化差异指数(The normalized difference index of the blue bandas the ratio，NDBI)、油膜光谱旋转指数(Oil Spectral rotation index，OSRI)和油膜的归一化差异指数(The normalized difference index of oil，NDOI)。
其中，烃类指数HI的表达为：式中RA、RB和RC分别表示对应位置点的辐射亮度，λA、λB和λC分别表示对应位置点的波长。RA波长在1705nm(纳米)附近，RB波长在1730nm附近这块，RC波长在1741nm附近。当HI＝0时，表示烃类物质不存在。
以蓝波段为比值归一化差异指数NDBI的表达式为： 式中，B1、B2和B3表示不同的波段，B1波段的中心波长为469nm，B2波段的中心波长为555nm，B3波段的中心波长为645nm。通过归一化指数NDBI可以消除海洋生物对于海洋的溢油信息的影响。
油膜光谱旋转指数OSRI的表达式为：式中，NR(λ)为归一化后的反射率，R(λ)表示地表反射率，n表示选取的波段数，R1～R2为较短波段的积分区间，R2～R3属于较长波段的积分区间，一般R1～R3为426nm～925nm波段范围附近。
油膜的归一化差异指数NDOI的表达式为NDOI＝(Ra-Rb)/(Ra+Rb)，式中，Ra和Rb表示油膜对应的光谱影像在1073nm和996nm波段处对应的反射率值。
S204、根据多个油膜指数构建指数特征空间。
其中，指数特征空间为多个油膜指数对应的波段数据集。
在选取样本数据时，需要结合油膜的颜色特征选取不同厚度的油膜，对于中间色的油膜不能准确的获知对应的厚度，因此，为了更好的选取样本数据，需要通油膜指数构建指数特征空间。
可选的，对多个油膜指数进行归一化处理，得到多个归一化处理后的油膜指数，根据多个归一化处理后的油膜指数，构建指数特征空间。
在本发明实施例中，可以通过对各个指数进行归一化处理，式中，xijs可以为构建油膜指数后，所形成的油膜影像中的一个像元，i和j分别表示指数影像中像元的位置，xijsmax为一个指数影像中的最大值对应的像元，xijsmin为一个指数影像中的最小值对应的像元。
在本发明实施例中，对于构建多个油膜指数所形成的油膜指数影像进行组合，则可以得到指数特征空间。
S205、根据第二预设规则和预设油膜指数阈值，对指数特征空间中的波段数据集对应的像元进行选取，得到样本数据。
在根据多个油膜指数构建指数特征空间之后，终端可以从指数特征空间中的波段数据集对应的像元中选取样本数据，以便在后续的步骤中，终端可以通过样本数据得到支持向量机模型。
其中，第二预设规则可以为根据不同厚度的油膜的颜色特征，选择不同厚度的油膜作为样本数据。
具体地，不同厚度的油膜对应的颜色特征不同，终端可以根据不同厚度的油膜的颜色特征，选择不同厚度的油膜作为样本数据，当然，终端也可以结合多个油膜指数所对应的预设指数阈值选取样本数据。
S206、获取待分类数据。
其中，待分类数据为不同厚度的油膜所对应的信息。
在构建指数特征空间之后，可以从指数特征空间中的波段数据集对应的像元中选取待分类数据，以便后续的步骤中，可以将待分类数据输入到支持向量机模型，通过支持向量机模型对待分类数据进行分类。
可选的，将指数特征空间中除去样本数据之外的波段数据集对应的像元作为待分类数据。
需要说明的是，S205中从指数特征空间中选取了样本数据，S206中可以将指数特征空间中除去样本数据的波段数据集所对应的像元，作为待分类数据。
S207、将样本数据输入预先设置的初始支持向量机模型中，得到初始训练结果。
其中，样本数据是根据第二预设规则和预设油膜指数阈值从指数特征空间中筛选得到的。
具体地，将样本数据输入到与设置的初始支持向量机模型中，选取样本数据中的一部分数据作为标签数据，初始支持向量机模型可以根据标签数据对样本数据中除了标签数据的数据进行分类，得到初始训练结果。
例如，黑褐色的油膜厚度大于蓝色油膜的厚度，蓝色油膜的厚度大于银白色油膜的厚度，黑褐色的油膜可以选取作为厚油膜，蓝色油膜可以作为中厚油膜，银白色的油膜可以选取作为薄油膜，对于每个油膜指数设定对应的预设阈值，根据每个油膜指数中各个像元所对应的数据与预设阈值的大小关系，选取不同厚度的油膜作为样本数据。
S208、判断初始训练结果是否大于预设阈值。
为了获取支持向量机模型，在得到初始训练结果之后，需要判断初始训练结果是否大于预设阈值，以便后续的步骤中，根据初始结果对初始支持向量机模型进行训练，得到支持向量机模型。
在本发明实施例中，终端可以利用LIBSVM软件包，并选用径向基核函数采用交叉验证确定最佳参数，判断最佳参数是否大于预设阈值。其中，最佳参数可以包括惩罚系数C与gamma。
S209、若初始训练结果小于预设阈值，则继续对初始支持向量机模型进行训练，直至初始支持向量机模型输出的目标训练结果不小于预设阈值。
为了获取支持向量机模型，在判断初始训练结果是否大于预设阈值之后，可以根据判断的结果确定是否需要继续对初始支持向量机模型进行训练，从而达到支持向量机模型。
在一种可能的实施方式中，若最佳参数小于预设阈值，则继续对初始支持向量机模型进行训练，直至初始支持向量机模型输出的最佳参数不小于预设阈值，则得到支持向量机模型。当然若最佳参数不小于预设阈值，则直接得到支持向量机模型。
S210、将待分类数据输入支持向量机模型，得到油膜分类结果。
其中，油膜分类结果用于表示不同厚度油膜的分类。
在本发明实施例中，S210的过程与S102的过程类似，此处不再一一赘述。
S211、根据油膜分类结果和第一预设规则估算溢油量。
终端得到油膜的分类结果之后，可以根据油膜分类结果和第一预设规则估算溢油量，从而可以获取待分类数据对应的海洋区域的溢油量，相应的，终端可以向用户展示该溢油量，以使用户可以获知该估算的溢油量。
可选的，根据不同厚度的油膜影像，确定各类油膜对应的厚度和面积；根据各类油膜对应的厚度和面积，确定各类油膜所对应的体积；根据各类油膜所对应的体积进行计算，得到待分类数据对应的溢油量。
具体地，根据各类油膜的颜色特征，确定各类油膜所对应的厚度，根据各类油膜影像中像素对应的油膜的实际大小、像素个数确定各类油膜对应的面积，可以根据公式计算待分类数据对应的溢油量，式中G为溢油量，Si为各类油膜对应的面积，Hi为各类油膜对应的厚度，ρ为预设密度，n为油膜的分类个数。
其中，预设密度ρ的取值可以为0.889kg/m3(千克每立方米)，当然，用户也可以根据实际需求选取其他值作为预设密度，本发明对此不进行具体限制。
例如，油膜分类结果可以包括四个分类，各个分类的油膜对应的参数如表1所示，则溢油量可以为：a*e*w*ρ+b*f*x*ρ+c*g*y*ρ+d*h*z*ρ。
表1
综上所述，本发明的有益效果是：提供一种海洋溢油量估算方法，通过获取表示不同厚度的油膜所对应的信息的待分类数据，并将待分类数据输入支持向量机模型，得到油膜分类结果，最后根据油膜分类结果和第一预设规则，估算得到溢油量。通过支持向量机模型对待分类数据进行分类，得到油膜分类结果，再根据油膜分类结果和第一预设规则估算溢油量，避免了相关技术中，通过短波红外对不同厚度的油膜进行识别时，油膜厚度变薄时，油膜在热红外的辐射能量逐渐减低，造成对于油膜厚度的分类不准确，导致计算的溢油量误差较大的问题，提高了估算溢油量时的精确度。
图3为本发明实施例提供的一海洋溢油量估算装置的结构示意图，如图3所示：
第一获取模块301，用于获取待分类数据，待分类数据为不同厚度的油膜所对应的信息；
第一输入模块302，用于将待分类数据输入支持向量机模型，得到油膜分类结果，油膜分类结果用于表示不同厚度油膜的分类；
估算模块303，用于根据油膜分类结果和第一预设规则估算溢油量。
进一步地，如图4所示，装置还包括：
第二获取模块304，用于获取原始影像中油膜所在区域对应的灰度信息，原始影像为高光谱影像；
处理模块305，用于对灰度信息进行辐射定标以及大气校正处理，得到反射率数据；
第一构建模块306，用于根据反射率数据构建多个油膜指数；
第二构建模块307，根据多个油膜指数构建指数特征空间，指数特征空间为多个油膜指数对应的波段数据集。
进一步地，如图5所示，装置还包括：
第二输入模块308，用于将样本数据输入预先设置的初始支持向量机模型中，得到初始训练结果，样本数据是根据第二预设规则和预设油膜指数阈值从指数特征空间中筛选得到的；
判断模块309，用于判断初始训练结果是否大于预设阈值，若初始训练结果小于预设阈值，则继续对初始支持向量机模型进行训练，直至初始支持向量机模型输出的目标训练结果大于预设阈值。
进一步地，如图6所示，装置还包括：
选取模块310，用于根据第二预设规则和预设油膜指数阈值，对指数特征空间中的波段数据集对应的像元进行选取，得到样本数据；
第一获取模块301，具体用于将指数特征空间中除去样本数据之外的波段数据集对应的像元作为待分类数据。
进一步地，估算模块303，具体用于根据不同厚度的油膜影像，确定各类油膜对应的厚度和面积；根据各类油膜对应的厚度和面积，确定各类油膜所对应的体积；根据各类油膜所对应的体积进行计算，得到待分类数据对应的溢油量。
本发明的有益效果是：本发明实施例提供一种海洋溢油量估算装置，通过获取表示不同厚度的油膜所对应的信息的待分类数据，并将待分类数据输入支持向量机模型，得到油膜分类结果，最后根据油膜分类结果和第一预设规则，估算得到溢油量。通过支持向量机模型对待分类数据进行分类，得到油膜分类结果，再根据油膜分类结果和第一预设规则估算溢油量，避免了相关技术中，通过短波红外对不同厚度的油膜进行识别时，油膜厚度变薄时，油膜在热红外的辐射能量逐渐减低，造成对于油膜厚度的分类不准确，导致计算的溢油量误差较大的问题，提高了估算溢油量时的精确度。
上述装置用于执行前述实施例提供的方法，其实现原理和技术效果类似，在此不再赘述。
以上这些模块可以是被配置成实施以上方法的一个或多个集成电路，例如：一个或多个特定集成电路(Application Specific Integrated Circuit，简称ASIC)，或，一个或多个微处理器(digital singnal processor，简称DSP)，或，一个或者多个现场可编程门阵列(Field Programmable Gate Array，简称FPGA)等。再如，当以上某个模块通过处理元件调度程序代码的形式实现时，该处理元件可以是通用处理器，例如中央处理器(CentralProcessing Unit，简称CPU)或其它可以调用程序代码的处理器。再如，这些模块可以集成在一起，以片上系统(system-on-a-chip，简称SOC)的形式实现。
图7为本发明实施例提供的又一海洋溢油量估算装置的结构示意图，该装置可以集成于终端设备或者终端设备的芯片，该终端可以是具备数据处理功能的计算设备。
该装置包括：处理器701、存储器702。
存储器702用于存储程序，处理器701调用存储器702存储的程序，以执行上述方法实施例。具体实现方式和技术效果类似，这里不再赘述。
可选地，本发明还提供一种程序产品，例如计算机可读存储介质，包括程序，该程序在被处理器执行时用于执行上述方法实施例。
在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
上述以软件功能单元的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(英文：processor)执行本发明各个实施例所述方法的部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(英文：Read-Only Memory，简称：ROM)、随机存取存储器(英文：Random Access Memory，简称：RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
上仅为本申请的具体实施方式，但本申请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申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种海洋溢油量估算方法，其特征在于，所述方法包括：
获取待分类数据，所述待分类数据为不同厚度的油膜所对应的信息；
将所述待分类数据输入支持向量机模型，得到油膜分类结果，所述油膜分类结果用于表示不同厚度油膜的分类；
根据所述油膜分类结果和第一预设规则估算溢油量。
2.如权利要求1所述的方法，其特征在于，在所述获取待分类数据之前，所述方法还包括：
获取原始影像中油膜所在区域对应的灰度信息，所述原始影像为高光谱影像；
对所述灰度信息进行辐射定标以及大气校正处理，得到反射率数据；
根据反射率数据构建多个油膜指数；
根据多个所述油膜指数构建指数特征空间，所述指数特征空间为多个所述油膜指数对应的波段数据集。
3.如权利要求2所述的方法，其特征在于，在所述将所述待分类数据输入支持向量机模型之前，所述方法还包括：
将样本数据输入预先设置的初始支持向量机模型中，得到初始训练结果，所述样本数据是根据第二预设规则和预设油膜指数阈值从指数特征空间中筛选得到的；
判断所述初始训练结果是否大于预设阈值；
若所述初始训练结果小于所述预设阈值，则继续对所述初始支持向量机模型进行训练，直至所述初始支持向量机模型输出的目标训练结果不小于所述预设阈值。
4.如权利要求2所述的方法，其特征在于，在所述获取待分类数据之前，所述方法还包括：
根据第二预设规则和预设油膜指数阈值，对所述指数特征空间中的波段数据集对应的像元进行选取，得到样本数据；
所述获取待分类数据，包括：
将所述指数特征空间中除去所述样本数据之外的波段数据集对应的像元作为所述待分类数据。
5.如权利要求1所述的方法，其特征在于，所述根据所述不同厚度的油膜分类结果和第一预设规则估算溢油量，包括：
根据所述不同厚度的油膜影像，确定各类油膜对应的厚度和面积；
根据所述各类油膜对应的厚度和面积，确定各类油膜所对应的体积；
根据所述各类油膜所对应的体积进行计算，得到所述待分类数据对应的溢油量。
6.一种海洋溢油量估算装置，其特征在于，所述装置包括：
第一获取模块，用于获取待分类数据，所述待分类数据为不同厚度的油膜所对应的信息；
第一输入模块，用于将所述待分类数据输入支持向量机模型，得到油膜分类结果，所述油膜分类结果用于表示不同厚度油膜的分类；
估算模块，用于根据所述油膜分类结果和第一预设规则估算溢油量。
7.如权利要求6所述的装置，其特征在于，所述装置还包括：
第二获取模块，用于获取原始影像中油膜所在区域对应的灰度信息，所述原始影像为高光谱影像；
处理模块，用于对所述灰度信息进行辐射定标以及大气校正处理，得到反射率数据；
第一构建模块，用于根据反射率数据构建多个油膜指数；
第二构建模块，根据多个所述油膜指数构建指数特征空间，所述指数特征空间为多个所述油膜指数对应的波段数据集。
8.如权利要求7所述的装置，其特征在于，所述装置还包括：
第二输入模块，用于将样本数据输入预先设置的初始支持向量机模型中，得到初始训练结果，所述样本数据是根据第二预设规则和预设油膜指数阈值从指数特征空间中筛选得到的；
判断模块，用于判断所述初始训练结果是否大于预设阈值，若所述初始训练结果小于所述预设阈值，则继续对所述初始支持向量机模型进行训练，直至所述初始支持向量机模型输出的目标训练结果不小于所述预设阈值。
9.如权利要求8所述的装置，其特征在于，所述装置还包括：
选取模块，用于根据第二预设规则和预设油膜指数阈值，对所述指数特征空间中的波段数据集对应的像元进行选取，得到样本数据；
所述第一获取模块，具体用于将所述指数特征空间中除去所述样本数据之外的波段数据集对应的像元作为所述待分类数据。
10.如权利要求6所述的装置，其特征在于，所述估算模块，具体用于根据所述不同厚度的油膜影像，确定各类油膜对应的厚度和面积；根据所述各类油膜对应的厚度和面积，确定各类油膜所对应的体积；根据所述各类油膜所对应的体积进行计算，得到所述待分类数据对应的溢油量。
CN201910488831.0A 2019-06-05 2019-06-05 海洋溢油量估算方法及装置 Active CN110188727B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910488831.0A CN110188727B (zh) 2019-06-05 2019-06-05 海洋溢油量估算方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910488831.0A CN110188727B (zh) 2019-06-05 2019-06-05 海洋溢油量估算方法及装置

Publications (2)

Publication Number Publication Date
CN110188727A true CN110188727A (zh) 2019-08-30
CN110188727B CN110188727B (zh) 2021-11-05

Family

ID=67720601

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910488831.0A Active CN110188727B (zh) 2019-06-05 2019-06-05 海洋溢油量估算方法及装置

Country Status (1)

Country Link
CN (1) CN110188727B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111412844A (zh) * 2020-04-30 2020-07-14 重庆交通大学 基于溢油扩展实验的油膜厚度检测方法
CN111595247A (zh) * 2020-03-24 2020-08-28 自然资源部第一海洋研究所 基于自扩展卷积神经网络的原油油膜绝对厚度反演方法
CN112284619A (zh) * 2020-11-06 2021-01-29 重庆大唐国际彭水水电开发有限公司 一种漏油实时监测装置和检测方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101414009A (zh) * 2008-11-15 2009-04-22 大连海事大学 便携式机载海上溢油遥感监测系统
CN102997856A (zh) * 2012-12-12 2013-03-27 南京大学 一种基于参数查找表的海洋溢油油膜厚度高光谱遥感估算方法
CN106339796A (zh) * 2016-08-17 2017-01-18 国家海洋局北海环境监测中心 一种海洋溢油风险评估方法
CN106767454A (zh) * 2016-12-02 2017-05-31 大连海事大学 一种基于光谱反射率特征的水面油膜厚度测量系统及方法
CN108319913A (zh) * 2018-01-31 2018-07-24 大连海事大学 一种基于空谱联合的栈式自编码水上油膜提取方法及系统
CN108596104A (zh) * 2018-04-26 2018-09-28 安徽大学 一种带有病害特征预处理功能的小麦白粉病遥感监测方法
CN108830846A (zh) * 2018-06-12 2018-11-16 南京航空航天大学 一种高分辨率全波段超光谱遥感图像仿真方法
CN108956538A (zh) * 2018-06-28 2018-12-07 中国石油天然气股份有限公司 河流溢油量遥感检测方法及装置

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101414009A (zh) * 2008-11-15 2009-04-22 大连海事大学 便携式机载海上溢油遥感监测系统
CN102997856A (zh) * 2012-12-12 2013-03-27 南京大学 一种基于参数查找表的海洋溢油油膜厚度高光谱遥感估算方法
CN106339796A (zh) * 2016-08-17 2017-01-18 国家海洋局北海环境监测中心 一种海洋溢油风险评估方法
CN106767454A (zh) * 2016-12-02 2017-05-31 大连海事大学 一种基于光谱反射率特征的水面油膜厚度测量系统及方法
CN108319913A (zh) * 2018-01-31 2018-07-24 大连海事大学 一种基于空谱联合的栈式自编码水上油膜提取方法及系统
CN108596104A (zh) * 2018-04-26 2018-09-28 安徽大学 一种带有病害特征预处理功能的小麦白粉病遥感监测方法
CN108830846A (zh) * 2018-06-12 2018-11-16 南京航空航天大学 一种高分辨率全波段超光谱遥感图像仿真方法
CN108956538A (zh) * 2018-06-28 2018-12-07 中国石油天然气股份有限公司 河流溢油量遥感检测方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
丁金钊等: "《海上石油开发溢油污染风险分析与防范对策》", 31 May 2016 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111595247A (zh) * 2020-03-24 2020-08-28 自然资源部第一海洋研究所 基于自扩展卷积神经网络的原油油膜绝对厚度反演方法
CN111595247B (zh) * 2020-03-24 2021-11-02 自然资源部第一海洋研究所 基于自扩展卷积神经网络的原油油膜绝对厚度反演方法
CN111412844A (zh) * 2020-04-30 2020-07-14 重庆交通大学 基于溢油扩展实验的油膜厚度检测方法
CN111412844B (zh) * 2020-04-30 2021-06-15 重庆交通大学 基于溢油扩展实验的油膜厚度检测方法
CN112284619A (zh) * 2020-11-06 2021-01-29 重庆大唐国际彭水水电开发有限公司 一种漏油实时监测装置和检测方法

Also Published As

Publication number Publication date
CN110188727B (zh) 2021-11-05

Similar Documents

Publication Publication Date Title
CN110188727A (zh) 海洋溢油量估算方法及装置
CN108920580A (zh) 图像匹配方法、装置、存储介质及终端
CN107358260B (zh) 一种基于表面波cnn的多光谱图像分类方法
US20100074523A1 (en) Image classification apparatus
CN113239830B (zh) 一种基于全尺度特征融合的遥感图像云检测方法
CN109726705B (zh) 红树林信息的提取方法、装置及电子设备
MX2007000274A (es) Filtros adaptables y aparato, metodos y sistemas para el procesamiento de imagenes.
CN106295613A (zh) 一种无人机目标定位方法及系统
CN114220001A (zh) 基于双注意力神经网络的遥感影像云与云阴影检测方法
Avestruz et al. Automated lensing learner: automated strong lensing identification with a computer vision technique
CN116595208B (zh) 高光谱图像的分类方法、装置及电子设备
CN113901900A (zh) 一种同源或异源遥感图像用无监督变化检测方法及系统
CN107578439A (zh) 生成目标图像的方法、装置及设备
WO2016062259A1 (zh) 基于透明度的抠图方法和装置
CN107079095A (zh) 图像处理装置、滤波器获取装置、图像处理方法、滤波器获取方法、程序及记录介质
US8805111B2 (en) System and method for fusing images
CN107844541A (zh) 图像查重的方法及装置
CN106664370A (zh) 图像处理装置、滤波器获取装置、图像处理方法、滤波器获取方法、程序及记录介质
CN114170526A (zh) 基于轻量化网络的遥感影像多尺度目标检测识别方法
Zhou et al. A two‐stage hue‐preserving and saturation improvement color image enhancement algorithm without gamut problem
CN106537460B (zh) 针对多阶段像素着色的自动划分技术
CN106770007A (zh) 一种针对最小二乘支持向量机模型的近红外光谱特征波长选择方法
CN115825667A (zh) 绝缘子串检测方法、电子设备及存储介质
CN113284066B (zh) 遥感影像自动云检测方法和装置
Liu et al. Hyperspectral Real-time Online Processing Local Anomaly Detection via Multi-Line Multi-Band Progressing

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