CN113406006B - 一种用于探测第二模态凸型内孤立波振幅的方法 - Google Patents

一种用于探测第二模态凸型内孤立波振幅的方法 Download PDF

Info

Publication number
CN113406006B
CN113406006B CN202110655579.5A CN202110655579A CN113406006B CN 113406006 B CN113406006 B CN 113406006B CN 202110655579 A CN202110655579 A CN 202110655579A CN 113406006 B CN113406006 B CN 113406006B
Authority
CN
China
Prior art keywords
mode
wave
convex internal
solitary wave
internal solitary
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
Application number
CN202110655579.5A
Other languages
English (en)
Other versions
CN113406006A (zh
Inventor
王晶
李志鑫
张猛
苗洪利
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.)
Ocean University of China
Original Assignee
Ocean University of China
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 Ocean University of China filed Critical Ocean University of China
Priority to CN202110655579.5A priority Critical patent/CN113406006B/zh
Publication of CN113406006A publication Critical patent/CN113406006A/zh
Application granted granted Critical
Publication of CN113406006B publication Critical patent/CN113406006B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N2021/1765—Method using an image detector and processing of image signal
    • G01N2021/177—Detector of the video camera type
    • G01N2021/1772—Array detector
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N2021/1793—Remote sensing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明公开了一种用于探测第二模态凸型内孤立波振幅的方法，包括以下步骤，采集第二模态凸型内孤立波引起的水体表面变化图和波形图，获得第二模态凸型内孤立波的光学遥感图像以及光学遥感图像对应的第二模态凸型内孤立波振幅，构建样本库；基于样本库，通过选取卷积神经网络，构建第二模态凸型内孤立波振幅光学遥感探测模型，第二模态凸型内孤立波振幅光学遥感探测模型用于通过采集真实海洋第二模态凸型内孤立波的光学遥感图像，获得真实海洋第二模态凸型内孤立波的第二模态凸型内孤立波振幅；本发明填补了直接利用光学遥感图像探测第二模态凸型内孤立波振幅的技术空白，提高内孤立波振幅探测精度。

Description

一种用于探测第二模态凸型内孤立波振幅的方法
技术领域
本发明属于内孤立波的光学遥感探测技术领域，特别是涉及一种用于探测第二模态凸型内孤立波振幅的方法。
背景技术
内孤立波是海洋中常见的中小尺度动力过程，根据振幅垂向结构所拥有的极值点个数，可分为第一模态、第二模态和更高阶模态。第二模态内孤立波的流核位于海面之下，引发的流速剪切较第一模态内孤立波更大，对海上作业平台造成了严重威胁，因此对第二模态内孤立波的研究日益受到关注。海洋中的第二模态内孤立波分为凸型波和凹型波，凸型波的等密度面起伏在温跃层上下反位相凸起，凹型波则恰好相反。由于海洋的分层结构，现场观测到的大多数是第二模态凸型内孤立波。内孤立波对海洋的影响主要与其强度有关，振幅是衡量内孤立波强度的一个重要指标。因此，利用光学遥感图像探测第二模态凸型内孤立波振幅是急需解决的关键技术。
研究表明，内孤立波会引起海表层流场发生辐聚、辐散与海面凸起。对于第一模态内孤立波，目前主要利用合成孔径雷达(SAR)图像来进行振幅反演，通过从SAR图像中提取内孤立波条纹的亮暗间距一个参量，利用内孤立波传播方程，结合当地水深、层结、密度等参量得到亮暗间距与半波宽度的关系，进一步得到振幅，并且该方法被借用到光学遥感图像的振幅反演中。第二模态凸型内孤立波的尺度较小，利用高空间分辨率的光学遥感图像才能够清楚观测到，关于第二模态凸型内孤立波遥感探测的研究很少，至今未见报道利用光学遥感图像探测第二模态凸型内孤立波振幅的方法。
对于光学遥感来说，内孤立波经过时会在图像上形成亮暗相间的条纹，目前还没有定量描述光学传感器辐亮度与内孤立波波要素关系的研究，并且光学遥感图像本身包含了影响内孤立波的多种信息，这些信息目前在振幅探测方面没有得到充分利用。其次，由于内孤立波的发生具有随机性，光学遥感图像与现场实测数据很难达到时空匹配，从而限制了利用光学遥感图像探测第二模态凸型内孤立波振幅的研究。
发明内容
为了解决上述问题，本发明的目的是借助卷积神经网络在图像领域的优势，综合考虑了引起内孤立波光学遥感图像变化的各种因素，利用光学遥感图像条纹全部信息发展第二模态凸型内孤立波振幅探测的新方法。
为实现上述目的，本发明提供一种用于探测第二模态凸型内孤立波振幅的方法，包括以下步骤：
采集第二模态凸型内孤立波引起的水体表面变化图和波形图，获得第二模态凸型内孤立波的光学遥感图像以及光学遥感图像对应的第二模态凸型内孤立波振幅，构建样本库；
基于样本库，通过选取卷积神经网络，构建第二模态凸型内孤立波振幅光学遥感探测模型，第二模态凸型内孤立波振幅光学遥感探测模型用于通过采集真实海洋第二模态凸型内孤立波的光学遥感图像，获得真实海洋第二模态凸型内孤立波的振幅。
优选地，在采集第二模态凸型内孤立波引起的水体表面变化图和波形图的过程前，对第二模态凸型内孤立波进行模拟，模拟的过程包括：
通过设置溶液深度、上层溶液、下层溶液以及上层溶液与下层溶液的跃层偏移比、塌陷高度、成像角度，构建仿真模型，其中跃层偏移比用于表示由上层溶液和下层溶液的界面构成的密度跃层的偏移比，所述塌陷高度用于表示利用重力塌陷法造波时重力势能的强度，所述成像角度用于表示由所述模拟实验获取第二模态凸型内孤立波图像时的角度；
基于仿真模型，通过重力塌陷法，获得第二模态凸型内孤立波。
优选地，在构建仿真模型过程中，将密度999kg/m3的清水设置为所述上层溶液，将密度范围1020-1085kg/m3的盐水设置为所述下层溶液，所述跃层偏移比为0％-30％，所述的成像角度为10-90°，所述仿真模型的溶液深度为40-60cm。
优选地，在通过重力塌陷法获得第二模态凸型内孤立波的过程中，设置仿真模型的造波区长度为40cm，塌陷高度为5-25cm，其中，造波区长度用于表示生成第二模态凸型内孤立波的区域长度。
优选地，基于仿真模型，通过设置至少两台图像采集设备通过相同帧频以及刻度定标法的方式，采集水体表面变化图和波形图，其中，图像采集设备包括CCD相机。
优选地，在构建得到样本库的过程中，通过时序化处理、滤波处理、单根特征条纹裁剪处理的预处理方法，对水体表面变化图进行预处理，获得光学遥感图像，通过预处理方法对波形图进行预处理，获得第二模态凸型内孤立波振幅，其中，时序化处理用于通过设置取样线，将所述水体表面变化图基于时间顺序合并成第一时间序列图，将波形图合并成第二时间序列图，基于第一时间序列图构建光学遥感图像，基于第二时间序列图，获得第二模态凸型内孤立波振幅。
优选地，在获得第二模态凸型内孤立波振幅的过程中，采集上层溶液的水深、第二时间序列图的上边界高度差以及第二时间序列图的中心位置高度差，获得第二模态凸型内孤立波振幅，其中，
上边界高度差用于表示第二时间序列图中，水面与密度跃层的第一高度差；
中心位置高度差用于表示第二时间序列图中，第二模态凸型内孤立波振幅的垂向极值点中心位置与密度跃层的第二高度差。
优选地，在构建第二模态凸型内孤立波振幅光学遥感探测模型的过程中，通过依次设置输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、第一全连接层、第二全连接层、输出层，构建卷积神经网络。
优选地，基于卷积神经网络，通过样本库对卷积神经网络进行验证、测试，构建初始内孤立波振幅探测模型，其中，样本库的条纹包括若干张单根内孤立波特征条纹图像，单根内孤立波特征条纹图像作为卷积神经网络的输入样本；
通过采集真实海洋第二模态凸型内孤立波的光学遥感图像，对初始内孤立波振幅探测模型进行修正，获得第二模态凸型内孤立波振幅光学遥感探测模型。
优选地，在对初始内孤立波振幅探测模型进行修正的过程中，通过ENVI软件对真实海洋第二模态凸型内孤立波的光学遥感图像进行几何校正和单根特征条纹裁剪，获得校正样本，通过校正样本对初始内孤立波振幅探测模型进行修正，获得第二模态凸型内孤立波振幅光学遥感探测模型。
本发明的积极进步效果在于：
本发明利用内孤立波光学遥感仿真数据建立了第二模态凸型内孤立波振幅光学遥感探测模型，经过实测数据的校正，最终使其能够应用于真实海洋中，通过输入预处理后的第二模态凸型内孤立波光学遥感图像，直接得到振幅。在内孤立波的光学遥感图像受多种因素共同影响的情况下，充分利用了卷积神经网络在图像领域的优势，对内孤立波在光学遥感图像中产生的亮暗条纹包含的信息进行综合的特征提取与学习，通过输入预处理后的内孤立波光学遥感图像，能够直接得到振幅，填补了直接利用光学遥感图像探测第二模态凸型内孤立波振幅的技术空白，也弥补了之前只利用遥感图像提取亮暗间距这一单独参量进行振幅反演的不足，提高内孤立波振幅探测精度。
附图说明
图1为本发明的技术路线图。
图2为实施例1中预处理后的第二模态凸型内孤立波光学遥感图像示意图。
图3为实施例1中预处理后的第二模态凸型内孤立波的波形图及振幅的提取示意图。
图4为基于卷积神经网络的第二模态凸型内孤立波振幅的光学遥感探测方法示意图。
图5为实施例2中不同振幅的第二模态凸型内孤立波引起的光学遥感图像对比示意图。
图6为实施例3中不同跃层偏移比下的第二模态凸型内孤立波引起的光学遥感图像对比示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中附图，对本申请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申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。用于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
如图1-6所示，本实施例提供一种用于探测第二模态凸型内孤立波振幅的方法，包括以下步骤：
采集第二模态凸型内孤立波引起的水体表面变化图和波形图，获得第二模态凸型内孤立波的光学遥感图像以及光学遥感图像对应的第二模态凸型内孤立波振幅，构建样本库；
基于样本库，通过选取卷积神经网络，构建第二模态凸型内孤立波振幅光学遥感探测模型，第二模态凸型内孤立波振幅光学遥感探测模型用于通过采集真实海洋第二模态凸型内孤立波的光学遥感图像，获得真实海洋第二模态凸型内孤立波的振幅。
在采集第二模态凸型内孤立波引起的水体表面变化图和波形图的过程前，对第二模态凸型内孤立波进行模拟，模拟的过程包括：
通过设置溶液深度、上层溶液、下层溶液以及上层溶液与下层溶液的跃层偏移比、塌陷高度、成像角度，构建仿真模型，其中跃层偏移比用于表示由上层溶液和下层溶液的界面构成的密度跃层的偏移比，所述塌陷高度用于表示利用重力塌陷法造波时重力势能的强度，所述成像角度用于表示由所述模拟实验获取第二模态凸型内孤立波图像时的角度；
基于仿真模型，通过重力塌陷法，获得第二模态凸型内孤立波。
在构建仿真模型过程中，将密度999kg/m3的清水设置为所述上层溶液，将密度范围1020-1085kg/m3的盐水设置为所述下层溶液，所述跃层偏移比为0％-30％，所述的成像角度为10-90°，所述仿真模型的溶液深度为40-60cm。
在通过重力塌陷法获得第二模态凸型内孤立波的过程中，设置仿真模型的造波区长度为40cm，塌陷高度为5-25cm，其中，造波区长度用于表示生成第二模态凸型内孤立波的区域长度。
基于仿真模型，通过设置至少两台图像采集设备通过相同帧频以及刻度定标法的方式，采集水体表面变化图和波形图，其中，图像采集设备包括CCD相机。
在构建得到样本库的过程中，通过时序化处理、滤波处理、单根特征条纹裁剪处理的预处理方法，对水体表面变化图进行预处理，获得光学遥感图像，通过预处理方法对波形图进行预处理，获得第二模态凸型内孤立波振幅，其中，时序化处理用于通过设置取样线，将水体表面变化图基于时间顺序合并成第一时间序列图，将波形图合并成第二时间序列图，基于第一时间序列图构建光学遥感图像，基于第二时间序列图，获得第二模态凸型内孤立波振幅。
在获得第二模态凸型内孤立波振幅的过程中，采集上层溶液的水深、第二时间序列图的上边界高度差以及第二时间序列图的中心位置高度差，获得第二模态凸型内孤立波振幅，其中，
上边界高度差用于表示第二时间序列图中，水面与密度跃层的第一高度差；
中心位置高度差用于表示第二时间序列图中，第二模态凸型内孤立波振幅的垂向极值点中心位置与密度跃层的第二高度差。
在构建第二模态凸型内孤立波振幅光学遥感探测模型的过程中，通过依次设置输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、第一全连接层、第二全连接层、输出层，构建卷积神经网络。
基于卷积神经网络，通过样本库对卷积神经网络进行验证、测试，构建初始内孤立波振幅探测模型，其中，样本库的条纹包括若干张单根内孤立波特征条纹图像，单根内孤立波特征条纹图像作为卷积神经网络的输入样本；
通过采集真实海洋第二模态凸型内孤立波的光学遥感图像，对初始内孤立波振幅探测模型进行修正，获得第二模态凸型内孤立波振幅光学遥感探测模型。
在对初始内孤立波振幅探测模型进行修正的过程中，通过ENVI软件对真实海洋第二模态凸型内孤立波的光学遥感图像进行几何校正和单根特征条纹裁剪，获得校正样本，通过校正样本对初始内孤立波振幅探测模型进行修正，获得第二模态凸型内孤立波振幅光学遥感探测模型。
一种用于探测第二模态凸型内孤立波振幅的探测系统，包括：
数据采集模块，用于采集第二模态凸型内孤立波引起的水体表面变化图和波形图；
数据处理模块，用于根据水体表面变化图和波形图，获得第二模态凸型内孤立波的光学遥感图像以及光学遥感图像对应的第二模态凸型内孤立波振幅，构建样本库；
识别模块，用于基于样本库，通过选取卷积神经网络，构建第二模态凸型内孤立波振幅光学遥感探测模型，第二模态凸型内孤立波振幅光学遥感探测模型用于通过采集真实海洋第二模态凸型内孤立波的光学遥感图像，获得真实海洋第二模态凸型内孤立波的第二模态凸型内孤立波振幅。
一种用于探测第二模态凸型内孤立波振幅的探测装置，包括，
第二模态凸型内孤立波模拟装置，用于模拟第二模态凸型内孤立波；
第二模态凸型内孤立波振幅识别模块，与第二模态凸型内孤立波模拟装置连接，用于通过采集第二模态凸型内孤立波的图像数据并获得第二模态凸型内孤立波振幅；
显示模块，与所述第二模态凸型内孤立波振幅识别模块连接，用于显示第二模态凸型内孤立波振幅以及第二模态凸型内孤立波的图像数据。
本发明提供的方法包括以下步骤：
(1)在实验室进行第二模态凸型内孤立波系列综合实验，获取第二模态凸型内孤立波原始图像数据。
(2)对步骤(1)获取的第二模态凸型内孤立波原始图像数据进行预处理。
(3)将预处理后的第二模态凸型内孤立波光学遥感图像与对应的振幅数据建立样本库。
(4)选取卷积神经网络为模型，利用步骤(3)建立的样本库对模型进行训练与优化。
(5)收集现场实测数据与对应的真实海洋第二模态凸型内孤立波光学遥感图像，进行预处理后输入至模型中，对模型进行校正，形成第二模态凸型内孤立波振幅光学遥感探测模型。
进一步的，步骤(1)中，所述的第二模态凸型内孤立波系列综合实验是指在实验室中设计不同的溶液深度、上层溶液与下层溶液密度、跃层偏移比、塌陷高度以及成像角度等条件的第二模态凸型内孤立波光学遥感仿真实验，其中，所述的溶液深度范围是40-60cm，所述的上层溶液密度是999kg/m3，所述的下层溶液密度范围是1020-1085kg/m3，所述的跃层偏移比的范围是0％-30％，所述的塌陷高度范围是5-25cm，所述的成像角度范围是10-90°。
进一步的，步骤(1)中，所述的第二模态凸型内孤立波原始图像数据是指利用两台电荷耦合器件(CCD)分别代替光学遥感传感器与现场实测，分别获取第二模态凸型内孤立波传播过程中引起的水体表面的变化和波形的变化。
进一步的，步骤(2)中，所述的预处理是指对获取的第二模态凸型内孤立波引起的水体表面变化的图像数据进行时序化处理、滤波与单根特征条纹裁剪等处理，得到第二模态凸型内孤立波的光学遥感图像；对获取的第二模态凸型内孤立波传播过程中波形变化的图像数据进行时序化处理，得到波形图，同时利用波形图进行第二模态凸型内孤立波振幅的提取。
进一步的，步骤(4)中，所述卷积神经网络是一种包含卷积计算且具有深度结构的前馈神经网络，主要由卷积层、池化层和全连接层组成。
进一步的，步骤(5)中，所述的预处理包括对真实海洋第二模态凸型内孤立波光学遥感图像进行几何校正处理以及单根特征条纹裁剪，一般选择ENVI等专业软件进行处理。
实施例1：
如图1所示，本实施例提供一种针对第二模态凸型内孤立波振幅的光学遥感探测方法，包括以下步骤：
(1)光学遥感探测第二模态凸型内孤立波仿真实验
在实验室中进行有针对性、可重复的光学遥感探测第二模态凸型内孤立波仿真实验。将密度999kg/m3的清水设置为上层溶液，将密度1081kg/m3的盐水设置为下层溶液，跃层偏移比为12.5％，仿真模型的溶液深度为40cm。
在通过重力塌陷法获得第二模态凸型内孤立波的过程中，设置仿真模型的造波区长度为40cm，塌陷高度为7cm，其中，造波区长度用于表示生成第二模态凸型内孤立波的区域长度。
(2)获取待处理的第二模态凸型内孤立波图像
利用计算机控制两台CCD相机以相同帧率对第二模态凸型内孤立波经过时引起的水体表面变化和传播过程中的波形进行同步采集，连续拍摄数千张，得到第二模态凸型内孤立波原始图像数据。这里，为避免不同视角的CCD导致的视场不一致问题，采用刻度定标法对两台CCD相机的视场进行定标，所述的刻度定标法是利用两台CCD拍摄同一段刻度尺，利用刻度对视场进行定标，保证第二模态凸型内孤立波的光学遥感图像与波形图中的波要素信息一一对应。
(3)对所获取的第二模态凸型内孤立波图像进行预处理
对获取的第二模态凸型内孤立波原始图像数据进行预处理。具体地，对第二模态凸型内孤立波引起的水体表面变化的图像数据进行预处理是指时序化处理、滤波和单根特征条纹裁剪，其中，时序化处理是指在给定的采样频率下对第二模态凸型内孤立波传播过程进行观测的结果，本质上反映的是第二模态凸型内孤立波传播过程中随时间变化的趋势，具体地，是指在获取的原始图像的基础上，竖直地选定一条取样线，将数千张图像的该条取样线取出，按照时间先后顺序进行排列合并，得到第二模态凸型内孤立波的时序图，时序图的横轴代表时间，纵轴则代表了取样范围。滤波处理是为了滤掉由于各类因素造成的图像噪声，提升图像质量。单根特征条纹裁剪是由于第二模态凸型内孤立波传播较慢，去掉第二模态凸型内孤立波经过取样线位置的前后时间段过多的无关背景，提升图像检测的特征。经过上述预处理过程后，得到如图2所示的单根特征条纹，可见，第二模态凸型内孤立波在光学遥感图像上主要表现为亮暗相间的条纹，条纹的变化会引起图像中灰度的变化。对获取的第二模态凸型内孤立波传播过程中波形变化的图像数据进行预处理是指时序化处理，处理后得到第二模态凸型内孤立波的波形图。
(4)对所获取的第二模态凸型内孤立波振幅进行提取
基于时序化处理得到的波形图，对第二模态凸型内孤立波的振幅进行提取，如图3所示，已知实验设置的上层溶液深度为，根据波形图中水面与密度跃层上边界高度差、振幅垂向极值点的中心位置与密度跃层中心位置的高度差和，根据和能够分别得到第二模态凸型内孤立波上半部分的振幅与下半部分的振幅。
(5)样本库的建立
在实验室中设计包括溶液深度、上层溶液与下层溶液密度、跃层偏移比、塌陷高度以及成像角度等不同条件的第二模态凸型内孤立波光学遥感仿真实验，将实验得到的大量图像预处理后建立样本库。
(6)基于卷积神经网络的第二模态凸型内孤立波振幅光学遥感探测模型
建立基于卷积神经网络的深度学习模型，如图4所示，将样本库随机打乱后，以8：2的比例分为训练集和测试集，以提取的单根特征条纹图像作为输入，振幅作为输出。利用训练样本集，对卷积神经网络进行训练，利用测试集验证模型的效果并不断优化。收集与现场实测数据能够达到时空匹配的真实海洋第二模态凸型内孤立波光学遥感图像，利用ENVI等专业软件对图像进行几何校正和单根特征条纹裁剪，将振幅无量纲化后加入到样本库中对模型进行校正，得到针对第二模态凸型内孤立波振幅的光学遥感探测新方法。
实施例2：塌陷高度对第二模态凸型内孤立波光学遥感图像的影响
在仿真实验中，第二模态凸型内孤立波通常利用分层流体的重力塌陷产生，在其他实验条件相同的情况下，振幅会随塌陷高度的增大而增大。选取两组不同塌陷高度的实验中同一个取样位置对获取的图像进行预处理，如图5所示，塌陷高度设置为5cm时，灰度差为4.9，塌陷高度为7cm时，灰度差变为7.6，从光学遥感图像和灰度剖面曲线图中都显示出塌陷高度会影响第二模态凸型内孤立波光学遥感图像的条纹特征。
实施例3：跃层偏移比对第二模态凸型内孤立波光学遥感图像的影响
选取相同的溶液深度、密度、成像角度以及塌陷高度，不同跃层偏移比的两组实验进行对比，其中，跃层偏移比的计算公式为
，代表了溶液深度，代表跃层偏移比例，为溶液深度一半位置处与该跃层中心位置的垂向距离，跃层的正向偏移程度越大，代表在溶液深度相同情况下，上层溶液越薄。如图6所示，灰度差随跃层偏移比的变化而变化，可见跃层偏移比确实会影响第二模态凸型内孤立波光学遥感图像的条纹特征。
综上所述，本发明通过实验获取第二模态凸型内孤立波原始图像数据，保证了第二模态凸型内孤立波光学遥感图像与第二模态凸型内孤立波振幅的一一对应，通过对所获取的第二模态凸型内孤立波原始图像数据进行预处理，去除无关因素，确保了光学遥感图像的质量，通过建立样本库，对卷积神经网络进行训练与优化，再经过实测数据的校正，最终应用于真实海洋中，输入预处理后的真实海洋第二模态凸型内孤立波光学遥感图像，得到准确的振幅。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释，此外，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：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，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围。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所述以权利要求的保护范围为准。

Claims (4)

1.一种用于探测第二模态凸型内孤立波振幅的方法，其特征在于，包括以下步骤：
采集第二模态凸型内孤立波引起的水体表面变化图和波形图，获得所述第二模态凸型内孤立波的光学遥感图像以及所述光学遥感图像对应的第二模态凸型内孤立波振幅，构建样本库；
基于所述样本库，通过选取卷积神经网络，构建第二模态凸型内孤立波振幅光学遥感探测模型，所述第二模态凸型内孤立波振幅光学遥感探测模型用于通过采集真实海洋第二模态凸型内孤立波的所述光学遥感图像，获得所述真实海洋第二模态凸型内孤立波的所述第二模态凸型内孤立波振幅；
在采集所述第二模态凸型内孤立波引起的所述水体表面变化图和所述波形图的过程前，对所述第二模态凸型内孤立波进行模拟，模拟的过程包括：
通过设置溶液深度、上层溶液、下层溶液以及所述上层溶液与所述下层溶液的跃层偏移比、塌陷高度、成像角度，构建仿真模型，其中所述跃层偏移比用于表示由所述上层溶液和所述下层溶液的界面构成的密度跃层的偏移比，所述塌陷高度用于表示利用重力塌陷法造波时重力势能的强度，所述成像角度用于表示由所述模拟实验获取第二模态凸型内孤立波图像时的角度；
基于所述仿真模型，通过重力塌陷法，获得所述第二模态凸型内孤立波；
在构建所述仿真模型过程中，将密度999kg/m3的清水设置为所述上层溶液，将密度范围1081kg/m3的盐水设置为所述下层溶液，所述跃层偏移比为12.5％，所述的成像角度为10-90°，所述仿真模型的溶液深度为40cm；
在通过所述重力塌陷法获得所述第二模态凸型内孤立波的过程中，设置所述仿真模型的造波区长度为40cm，塌陷高度为7cm，其中，所述造波区长度用于表示生成所述第二模态凸型内孤立波的区域长度；
基于所述仿真模型，通过设置至少两台图像采集设备通过相同帧频以及刻度定标法的方式，采集所述水体表面变化图和所述波形图，其中，所述图像采集设备包括CCD相机；
在构建得到样本库的过程中，通过时序化处理、滤波处理、单根特征条纹裁剪处理的预处理方法，对所述水体表面变化图进行预处理，获得所述光学遥感图像，通过所述预处理方法对所述波形图进行预处理，获得所述第二模态凸型内孤立波振幅，其中，所述时序化处理用于通过设置取样线，将所述水体表面变化图基于时间顺序合并成第一时间序列图，将所述波形图合并成第二时间序列图，基于所述第一时间序列图构建所述光学遥感图像，基于所述第二时间序列图，获得所述第二模态凸型内孤立波振幅；
在获得所述第二模态凸型内孤立波振幅的过程中，采集所述上层溶液的水深、所述第二时间序列图的上边界高度差以及所述第二时间序列图的中心位置高度差，获得所述第二模态凸型内孤立波振幅，其中，
所述上边界高度差用于表示所述第二时间序列图中，水面与所述密度跃层的第一高度差；
所述中心位置高度差用于表示所述第二时间序列图中，所述第二模态凸型内孤立波振幅的垂向极值点中心位置与所述密度跃层的第二高度差。
2.如权利要求1所述一种用于探测第二模态凸型内孤立波振幅的方法，其特征在于，
在构建第二模态凸型内孤立波振幅光学遥感探测模型的过程中，通过依次设置输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、第一全连接层、第二全连接层、输出层，构建所述卷积神经网络。
3.如权利要求2所述一种用于探测第二模态凸型内孤立波振幅的方法，其特征在于，
基于所述卷积神经网络，通过所述样本库对所述卷积神经网络进行验证、测试，构建初始内孤立波振幅探测模型，其中，所述样本库的所述条纹包括若干张单根内孤立波特征条纹图像，所述单根内孤立波特征条纹图像作为所述卷积神经网络的输入样本；
通过采集所述真实海洋第二模态凸型内孤立波的所述光学遥感图像，对所述初始内孤立波振幅探测模型进行修正，获得所述第二模态凸型内孤立波振幅光学遥感探测模型。
4.如权利要求3所述一种用于探测第二模态凸型内孤立波振幅的方法，其特征在于，
在对所述初始内孤立波振幅探测模型进行修正的过程中，通过ENVI软件对所述真实海洋第二模态凸型内孤立波的所述光学遥感图像进行几何校正和单根特征条纹裁剪，获得校正样本，通过所述校正样本对所述初始内孤立波振幅探测模型进行修正，获得所述第二模态凸型内孤立波振幅光学遥感探测模型。
CN202110655579.5A 2021-06-11 2021-06-11 一种用于探测第二模态凸型内孤立波振幅的方法 Active CN113406006B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110655579.5A CN113406006B (zh) 2021-06-11 2021-06-11 一种用于探测第二模态凸型内孤立波振幅的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110655579.5A CN113406006B (zh) 2021-06-11 2021-06-11 一种用于探测第二模态凸型内孤立波振幅的方法

Publications (2)

Publication Number Publication Date
CN113406006A CN113406006A (zh) 2021-09-17
CN113406006B true CN113406006B (zh) 2022-07-01

Family

ID=77683801

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110655579.5A Active CN113406006B (zh) 2021-06-11 2021-06-11 一种用于探测第二模态凸型内孤立波振幅的方法

Country Status (1)

Country Link
CN (1) CN113406006B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117890080B (zh) * 2024-03-15 2024-05-28 中国海洋大学 一种百叶门转动式海洋内孤立波模拟造波方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109436197A (zh) * 2018-10-31 2019-03-08 中国海洋大学 内孤立波作用下海洋浮式结构的耦合运动及测力模拟实验系统
CN109556829A (zh) * 2019-01-30 2019-04-02 杭州电子科技大学 一种基于线谱识别的海洋内波声学实时检测方法
CN109932708A (zh) * 2019-03-25 2019-06-25 西北工业大学 一种基于干涉条纹和深度学习的水面水下分类目标的方法
CN110110654A (zh) * 2019-05-06 2019-08-09 中国科学院遥感与数字地球研究所 一种针对下降型海洋内孤立波的振幅反演方法及装置
CN111429365A (zh) * 2020-02-27 2020-07-17 自然资源部第一海洋研究所 一种海洋内孤立波的振幅反演装置及方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109436197A (zh) * 2018-10-31 2019-03-08 中国海洋大学 内孤立波作用下海洋浮式结构的耦合运动及测力模拟实验系统
CN109556829A (zh) * 2019-01-30 2019-04-02 杭州电子科技大学 一种基于线谱识别的海洋内波声学实时检测方法
CN109932708A (zh) * 2019-03-25 2019-06-25 西北工业大学 一种基于干涉条纹和深度学习的水面水下分类目标的方法
CN110110654A (zh) * 2019-05-06 2019-08-09 中国科学院遥感与数字地球研究所 一种针对下降型海洋内孤立波的振幅反演方法及装置
CN111429365A (zh) * 2020-02-27 2020-07-17 自然资源部第一海洋研究所 一种海洋内孤立波的振幅反演装置及方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Laboratory experiments on mass transport by large amplitude mode-2 internal solitary waves;A. Brandt 等;《PHYSICS OF FLUIDS》;20140401;第1-17页 *
Study on Inversion Amplitude of Internal Solitary Waves Applied to Shallow Sea in the Laboratory;Jing Wang 等;《IEEE GEOSCIENCE AND REMOTE SENSING LETTERS》;20210404;第577-581页 *

Also Published As

Publication number Publication date
CN113406006A (zh) 2021-09-17

Similar Documents

Publication Publication Date Title
US6725163B1 (en) Method for processing seismic measured data with a neuronal network
CN113392775B (zh) 一种基于深度神经网络的甘蔗幼苗自动识别与计数方法
CN105654121B (zh) 一种基于深度学习的复杂提花织物缺陷检测方法
CN110263705A (zh) 面向遥感技术领域两期高分辨率遥感影像变化检测方法
CN110533631A (zh) 基于金字塔池化孪生网络的sar图像变化检测方法
den Bieman et al. Deep learning video analysis as measurement technique in physical models
CN108875794A (zh) 一种基于迁移学习的图像能见度检测方法
CN106443701A (zh) 基于时序水范围遥感影像的洪涝灾前预警方法
KR100442503B1 (ko) 프랙탈 차원을 이용한 디스플레이 장치의 화질 분석 방법및 시스템
CN113406006B (zh) 一种用于探测第二模态凸型内孤立波振幅的方法
Lam Methodologies for mapping land cover/land use and its change
CN110503623A (zh) 一种基于卷积神经网络的识别输电线路上鸟巢缺陷的方法
CN105241428A (zh) 一种利用高光谱进行水深反演的方法
CN102254185B (zh) 基于对比度敏感函数的背景杂波量化方法
CN113902710A (zh) 基于异常检测算法进行工业零件表面缺陷检测方法及系统
CN112084860A (zh) 目标对象检测、火力发电厂检测方法和装置
CN109214292A (zh) 一种基于bp神经网络的人体屈体角度识别方法及设备
CN104298844B (zh) 获取点阵法测量光学遥感载荷在轨mtf测量精度的方法
CN111624606B (zh) 一种雷达图像降雨识别方法
CN106022354A (zh) 基于svm的图像mtf测量方法
CN110826691A (zh) 基于yolo和lstm的地震速度谱智能拾取方法
CN116091936A (zh) 一种融合点-地块-区域尺度数据的农情参数反演方法
CN114972153A (zh) 一种基于深度学习的桥梁振动位移视觉测量方法及系统
CN114066735A (zh) 基于最小一乘的稀疏采样傅里叶叠层成像人工神经网络重建方法
Dapkus et al. A study of supervised combined neural-network-based ultrasonic method for reconstruction of the spatial distribution of material properties

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