CN113780117B - 一种快速识别并提取河口羽状流轮廓相关参数的方法 - Google Patents
一种快速识别并提取河口羽状流轮廓相关参数的方法 Download PDFInfo
- Publication number
- CN113780117B CN113780117B CN202110987892.9A CN202110987892A CN113780117B CN 113780117 B CN113780117 B CN 113780117B CN 202110987892 A CN202110987892 A CN 202110987892A CN 113780117 B CN113780117 B CN 113780117B
- Authority
- CN
- China
- Prior art keywords
- plume
- estuary
- outline
- extracting
- remote sensing
- 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
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000012549 training Methods 0.000 claims abstract description 53
- 238000013075 data extraction Methods 0.000 claims abstract description 24
- 102100028717 Cytosolic 5'-nucleotidase 3A Human genes 0.000 claims abstract description 23
- 241000219745 Lupinus Species 0.000 claims abstract description 23
- 238000010586 diagram Methods 0.000 claims abstract description 13
- 238000007781 pre-processing Methods 0.000 claims abstract description 11
- 238000013528 artificial neural network Methods 0.000 claims abstract description 6
- 238000013145 classification model Methods 0.000 claims description 22
- 230000011218 segmentation Effects 0.000 claims description 20
- 238000002372 labelling Methods 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000012795 verification Methods 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 3
- 238000000605 extraction Methods 0.000 abstract description 9
- 238000009792 diffusion process Methods 0.000 description 9
- 238000013527 convolutional neural network Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 238000011160 research Methods 0.000 description 5
- 238000007405 data analysis Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 238000011065 in-situ storage Methods 0.000 description 3
- 239000013049 sediment Substances 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000013505 freshwater Substances 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000008278 dynamic mechanism Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 210000003746 feather Anatomy 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 239000013535 sea water Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- 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
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明主要涉及海洋大数据领域,特别是河口‑陆架海区域河口羽状流相关数据收集及提取,具体说是一种快速识别并提取河口羽状流轮廓相关参数的方法。包括以下步骤:通过神经网络构建河口羽状流轮廓数据提取模型;对卫星遥感图像进行预处理;使用预处理后的卫星遥感图像对河口羽状流轮廓数据提取模型进行训练;将待识别的卫星图像输入到训练好的神经网络,得到羽状流轮廓灰度图,提取灰度图中的羽状流轮廓参数。本发明与传统羽状流数据获取方式相比,成功实现了基于卫星遥感数据的羽状流轮廓相关参数的大批量连续数据集提取。方法具有训练方便、处理迅速的特点。
Description
技术领域
本发明主要涉及海洋大数据领域,特别是河口-陆架海区域河口羽状流相关数据收集及提取,具体说是一种快速识别并提取河口羽状流轮廓相关参数的方法。
背景技术
当来自河口的水流进入海洋时,由密度差形成的淡水楔形浮力层区域被称为河口羽状流(River plume)。作为河流携带的陆源物质向海洋输送的关键通道,河口羽状流对于淡水、陆源沉积物、营养盐等河流物质在河口-陆架海附近的分布和输运具有重要参考价值。
随着计算机科学的迅猛发展,针对大数据开展的研究和讨论为关注多时空尺度的地球系统科学提供了全新的方法学和分析手段。目前,河口羽状流轮廓相关参数(主要包括扩散范围、面积等参数)主要来自原位数据和遥感数据数据,其中原位数据指利用船载CTD、浮标等,针对羽状流盐度小、密度低等特点在河口-陆架海区域进行测量所得到的数据;遥感数据主要指利用水色卫星等,针对羽状流沉积物含量高的特点所采集到的图像数据。但现有方法面临以下问题:第一,原位数据观测成本高、获取难度大,现有数据大多只针对某一河口开展以周为单位的观测工作,研究的时间和区域集中于短时局部区域;第二,遥感数据以卫星图像为主,现有的数据提取方法主要针对单张图片逐一处理,提取速度慢、效率低。目前,尚无系统的河口羽状流大批量参数数据提取方式,亦无法满足海洋大数据分析的要求。
因此,如何高效利用现有数据,建立迅速、方便、有针对性的相关参数提取方法,提供长时间尺度-广空间尺度的批量连续数据,并为基于海洋大数据分析的研究提供基础,已经成为目前羽状流研究亟需解决的一个重要问题。
发明内容
本发明提供了一种针对卫星遥感数据进行河口羽状流轮廓相关参数数据提取的方法,命名为“PlumeCatcher”。该方法基于卷积神经网络图像识别技术,经过数据预处理、分类模型、分割模型和数据提取模型,提供多时间尺度-广空间尺度下多个河口羽状流的大批量连续数据。
本发明为实现上述目的所采用的技术方案是:
一种快速识别并提取河口羽状流轮廓相关参数的方法,包括以下步骤:
通过神经网络构建河口羽状流轮廓数据提取模型;
对卫星遥感图像进行预处理;
使用预处理后的卫星遥感图像对河口羽状流轮廓数据提取模型进行训练;
将待识别的卫星图像输入到训练好的神经网络,得到羽状流轮廓灰度图,提取灰度图中的羽状流轮廓参数。
所述羽状流轮廓参数包括:羽状流面积、羽状流指向方向和羽状流扩散范围。
所述河口羽状流轮廓数据提取模型包括:
分类模型,用于对卫星遥感图像进行分类,输出分类结果即卫星遥感图像中是否含有河口羽状流;
分割模型,用于确定含有河口羽状流的卫星遥感图像中,河口羽状流的位置,并对其进行切割提取,输出表示河口羽状流完整结构的像素点矩阵;
数据提取模型,用于提取像素点矩阵中河口羽状流的轮廓,输出由像素点矩阵构成的羽状流轮廓灰度图。
所述分类模型由顺次连接的三个卷积层和两个全连接层构成,激活函数为ReLU函数。
所述分割模型使用SSD算法进行架构,即在VGG19结构的基础上,将原有结构中第六层和第七层的全连接层改为卷积层的同时,将其后面的所有结构替换为4个顺次连接的卷积层。
所述数据提取模型使用FCN算法进行架构,即在VGG19的基础上,将原有的全连接层全部改为卷积层。
所述对卫星遥感图像进行预处理,具体为:
获取卫星遥感图像,将其分割成设定尺寸,按照是否含有羽状流对其进行分类,形成分类模型训练数据集;
将分类模型训练数据集中含有羽状流的图像进行标注,分割出标注区域图像,将标注区域图像随机划分为训练集和验证集,形成分割模型训练数据集;
将分割模型训练数据集中含有清晰羽状流轮廓的图片进行标注,提取标注区域的灰度图像,同时,其标注区域对应的原图像由RGBA格式转变为RGB格式,将灰度图像和转换后的RGB图像构成的数据集随机划分为训练集和验证集,形成数据提取模型训练数据集。
所述将分类模型训练数据集中含有羽状流的图像进行标注,标注区域为囊括羽状流与周边海洋环境颜色存在区别的结构,以及部分河口所在区域,保持羽状流边界与标注边界相切以减少无关边界。
所述将分割模型训练数据集中含有羽状流轮廓的图片进行标注,标注区域为悬浮物含量高于阈值、与周围环境形成对比的水滴形区域。
所述提取灰度图中的羽状流轮廓参数。具体为:将羽状流轮廓抽象为三角形区域,并进行羽状流轮廓参数的提取,其中,羽状流面积为以灰度图内黑色像素点面积所占整张灰度图面积的比例,并按照待识别的卫星图像所对应的真实长度对结果进行换算;羽状流指向方向以河口位置到距离河口最远像素点所连向量指向方向为结果;羽状流扩散范围由羽状流面积与高计算得到。
本发明具有以下有益效果及优点:
1.本发明与传统羽状流数据获取方式相比,成功实现了基于卫星遥感数据的羽状流轮廓相关参数的大批量连续数据集提取。方法具有训练方便、处理迅速的特点,分类模型仅需个人电脑训练3-4小时,分割模型和数据提取模型也仅需服务器训练4-5天即可;每个模型对单张图片的处理时间均在2s以下,即单张图片的完整处理时间仅需4-5s。
2.由于提取自卫星图片,羽状流特征数据均伴随有明确的时间和季节信息,可以直接参与下一步的数据挖掘,并根据其时间特征进行相对应时间内环境因素的获取工作,为实现海洋大数据分析提供数据支持。
附图说明
图1为本发明的方法流程图;
图2为基于卷积神经网络算法构建的分类模型、分割模型和数据提取模型结构示意图;
图3为训练数据预处理及训练数据集制备示意图;
图4为目标图像数据提取示意图。
具体实施方式
下面结合附图及实施例对本发明做进一步的详细说明。
目前尚未有系统性针对河口羽状流轮廓及结构相关参数数据的快速提取方法,无法提供多尺度下的大批量连续性数据集,从而制约了河口羽状流扩散范围、动力机制、影响因素分析的进一步研究。为此,本发明提出基于卷积神经网络图像识别技术和卫星遥感数据开展的河口羽状流高效识别及提取方法,能够有效弥补现在大批量数据集的空白,并为海洋大数据分析领域提供坚实数据基础。
该方法命名为“PlumeCatcher”。首先,对数据进行必要预处理,根据不同河口羽状流形状和面积的区别将卫星数据原图片进行随机切割,突出羽状流位置,便于识别;其次,利用三层卷积神经网络结构搭建羽状流分类模型,针对随机切割的卫星图像片段进行含/不含羽状流图像的分类识别,从而自海量数据中准确识别含有清晰羽状流轮廓、可以开展下一步处理的卫星图片;之后,由于卫星图像所含数据复杂,基于SSD方法搭建羽状流图像分割模型,准确标定河口-羽状流结构所处位置并进行二次分割,排除不相干数据影响,有效保留完整范围及细节;最后,基于FCN方法搭建羽状流数据提取模型,针对羽状流轮廓进行提取,快速获得河口附近羽状流的完整结构,并得到包括面积、指向方向、河口处扩散范围等相关参数在内的羽状流数据集。
根据卫星图像数量少、含信息量多等特征,针对卷积神经网络进行了重新架构,在分类模型中使用了更多层卷积神经网络,并扩大输入图像尺寸;在分割模型和提取模型中利用VGG预训练模型进行迁移学习,以提高模型的识别效率并降低训练难度。方法训练主要利用了水色卫星在多条世界高输沙量河流处采集的数据,并利用服务器开展训练。方法处理速度高,每张图片只需大约6-7s即可识别成功,识别效率高。
该方法能够充分利用现有水色卫星遥感数据,数据获取相对简单、成本低,处理及识别效率高,能够有效提供多个河口羽状流的大批量连续数据集。
现以哥伦比亚Magdalena River Landsat水色卫星为例,步骤如下(图1):
步骤1:使用卷积神经网络进行“PlumeCatcher”模型的架构(图2),其中,白色立方体代表卷积层(Conv),黑色代表全连接层(FC)。
A.分类模型将进行含羽状流/不含羽状流的区分。使用三个卷积层,每层均使用5×5的滤波器,激活函数为ReLU函数,进行窗口为2×2的最大池化操作,滤波器的个数分别为20、40、70,并最终经过两个全连接层后输出分类结果。输入数据为300×300像素点构成的矩阵,第一个全连接层内节点数为500,最终模型输出种类为2种。
B.分割模型将主要用于确定羽状流位置,对图像进行二次切割和提取,以快速获得河口附近羽状流的完整结构。使用SSD算法进行架构,即在VGG19的基础上,将原有的第六层和第七层的全连接层改为卷积层的同时将其后面的所有结构替换为4个顺次连接的卷积层,在4、7、8、9、10、11层中均产生先验框大小不同的特征图像,特征图像输入最终判断模块中得到输出边界框,并沿边界框进行切割。输入数据为300×300像素点构成的矩阵。
C.数据提取模型将用于提取羽状流的轮廓,从而获取包括羽状流扩散角度、指向方向、面积在内的相关参数。使用FCN算法进行架构,即在VGG19的基础上,将原有的全连接层全部改为卷积层,之后依照最后一个卷积层产生的特征图像进行反卷积操作,并逐步将之前特征图像融合以提高精度,最终输出羽状流轮廓图像。输入数据为250×250像素点构成的矩阵。
依次使用A-B-C三个模型的主要目的是减少训练成本,提高识别精度。
步骤2:利用水色卫星图像进行数据预处理,预备模型训练数据集(图3),其中,a)分类模型训练数据预处理。将卫星图像按河口及羽状流尺寸随机切割为小块。b)分割模型训练数据预处理。使用LabelImg标注工具,将羽状流及一部分河口区域囊括在内,尽可能保持边界与羽状流边界相切。c)数据提取模型数据训练数据预处理。使用Labelme标注工具,沿浮物含量明显偏高、与周围环境形成明显对比的水滴形区域进行标注。
选取世界高含沙量大河的卫星图像,准备模型训练数据集。示例中主要使用的是Landsat 4-5、Landsat 7和Landsat 8卫星图像的自然彩色影像,原始图片覆盖面积大、环境组成复杂、标志物多,需要在保证河口、羽状流结构的同时进行随机切割,得到边长在300-1500像素之间的小块,并按是否含有羽状流分类后分别存于命名为含/不含的文件夹,从而形成分类模型训练数据集。
将分类模型得到的含有羽状流的图像使用LabelImg进行标注,标准为为囊括羽状流清晰可见的与周边海洋环境颜色存在区别的结构,以及一小部分河口所在区域,尽量保持羽状流边界与标注边界相切以尽可能减少无关边界,标注区域命名为“plume”并保存为xml文件。将文件按照1:3的比例随机划分为训练集和验证集并统一生成TFRecord文件格式,从而形成分割模型训练数据集。
将分割模型得到的含有清晰羽状流轮廓的图片使用Labelme进行标注,区域为悬浮物含量明显偏高、与周围环境形成明显对比的水滴形区域,远处及边缘处的羽状流边界若不清晰则不计入讨论范围。标注区域被命名为“area”,统一储存为json文件并提取灰度图像。同时,其对应的原图文件由原先的RGBA格式转变为RGB格式,以便模型按三色彩通道进行训练。图像根据1:4的比例划分为训练集和验证集,从而形成羽状流数据提取模型训练集。
步骤3:利用服务器进行模型训练。
分类模型使用个人计算机进行训练,处理器参数为2.7GHz四核Intel Core i7。训练时,批次(Batch size)设定为50,时期(epoch)设定为200,学习率(learning rate)设定为1e-4,训练时间约4小时。训练中训练集和验证集损失均趋向于零,并最终在0附近振动,最终得到训练完成的分类模型,保存为model格式。
分割模型使用服务器进行训练,服务器共含32个CPU,处理器为IntelXeonE5-26402.6GHz。批次设定为16,学习率一开始设定为1e-4,训练4000步(step)。当损失下降变慢之后,将学习率更改为5e-5,再训练2000步。之后,学习率进一步降低为1e-5,继续训练1000步之后,损失曲线不再进一步下降,并在接近0的附近振荡,模型训练结束。模型进行训练时间共计43.5小时,最终得到训练完成的图片分割模型,保存为ckpt模式。
数据提取模型使用同样服务器进行训练。批次设定为4,学习率设置为5e-5进行25000步,改为1e-5再进行75000步,共计进行了100000步的训练,花费时间共计107小时,保证损失曲线在0附近振荡且不再进一步下降时结束训练,最终得到训练完成的羽状流中场数据提取模型,保存在ckpt模式。
步骤4:选取目标区域图片,进行参数提取(图4)。原图为Landsat自然彩色图像,随机切割后输入分类模型,判定为“含羽状流”,之后输入分割模型得到排除无关因素影响的羽状流图片,输入数据提取模型得到轮廓灰度图,并按示意图进行面积(Area)、指向方向(Direction)、扩散范围(Spreadingrange)的提取。
以哥伦比亚Magdalena River为例。选取Landsat图像,按照步骤1首步进行随机分割后,依次输入已经训练好的分类模型-分割模型-羽状流数据提取模型,得到最终结果。
输出结果为羽状流轮廓图像灰度图。需要提取的羽状流轮廓相关参数主要包括面积、指向方向和扩散范围,按图4所示,将羽状流轮廓抽象为河口附近的三角形区域,羽状流为卫星图像显示的,河口附近与周围海水有明显颜色区别的区域,并进行羽状流参数的提取。其中,面积为以图像内黑色像素点面积所占整张图片面积的比例,并按照测试集图像所对应的真实长度对结果进行换算,最终得到以km2为单位的羽状流面积结果;指向方向以河口位置到距离河口最远像素点所连向量指向方向为结果;扩散范围由面积与高计算得到,以图4中示意图为基准,以河口位置到距离河口最远处的距离作为高。扩散范围指河口处三角形的扩散角。面积(S)=0.5*高(h)*底(2R),则扩散角(θ)的计算公式为,tan(0.5θ)=R/h。
Claims (8)
1.一种快速识别并提取河口羽状流轮廓相关参数的方法,其特征在于,包括以下步骤:
通过神经网络构建河口羽状流轮廓数据提取模型;
对卫星遥感图像进行预处理;
使用预处理后的卫星遥感图像对河口羽状流轮廓数据提取模型进行训练;
将待识别的卫星图像输入到训练好的神经网络,得到羽状流轮廓灰度图,提取灰度图中的羽状流轮廓参数;
所述河口羽状流轮廓数据提取模型包括:
分类模型,用于对卫星遥感图像进行分类,输出分类结果即卫星遥感图像中是否含有河口羽状流;
分割模型,用于确定含有河口羽状流的卫星遥感图像中,河口羽状流的位置,并对其进行切割提取,输出表示河口羽状流完整结构的像素点矩阵;
数据提取模型,用于提取像素点矩阵中河口羽状流的轮廓,输出由像素点矩阵构成的羽状流轮廓灰度图;
所述提取灰度图中的羽状流轮廓参数,具体为:将羽状流轮廓抽象为三角形区域,并进行羽状流轮廓参数的提取,其中,羽状流面积为以灰度图内黑色像素点面积所占整张灰度图面积的比例,并按照待识别的卫星图像所对应的真实长度对结果进行换算;羽状流指向方向以河口位置到距离河口最远像素点所连向量指向方向为结果;羽状流扩散范围由羽状流面积与高计算得到。
2.根据权利要求1所述的一种快速识别并提取河口羽状流轮廓相关参数的方法,其特征在于,所述羽状流轮廓参数包括:羽状流面积、羽状流指向方向和羽状流扩散范围。
3.根据权利要求1所述的一种快速识别并提取河口羽状流轮廓相关参数的方法,其特征在于,所述分类模型由顺次连接的三个卷积层和两个全连接层构成,激活函数为ReLU函数。
4.根据权利要求1所述的一种快速识别并提取河口羽状流轮廓相关参数的方法,其特征在于,所述分割模型使用SSD算法进行架构,即在VGG19结构的基础上,将原有结构中第六层和第七层的全连接层改为卷积层的同时,将其后面的所有结构替换为4个顺次连接的卷积层。
5.根据权利要求1所述的一种快速识别并提取河口羽状流轮廓相关参数的方法,其特征在于,所述数据提取模型使用FCN算法进行架构,即在VGG19的基础上,将原有的全连接层全部改为卷积层。
6.根据权利要求1所述的一种快速识别并提取河口羽状流轮廓相关参数的方法,其特征在于,所述对卫星遥感图像进行预处理,具体为:
获取卫星遥感图像,将其分割成设定尺寸,按照是否含有羽状流对其进行分类,形成分类模型训练数据集;
将分类模型训练数据集中含有羽状流的图像进行标注,分割出标注区域图像,将标注区域图像随机划分为训练集和验证集,形成分割模型训练数据集;
将分割模型训练数据集中含有清晰羽状流轮廓的图片进行标注,提取标注区域的灰度图像,同时,其标注区域对应的原图像由RGBA格式转变为RGB格式,将灰度图像和转换后的RGB图像构成的数据集随机划分为训练集和验证集,形成数据提取模型训练数据集。
7.根据权利要求6所述的一种快速识别并提取河口羽状流轮廓相关参数的方法,其特征在于,所述将分类模型训练数据集中含有羽状流的图像进行标注,标注区域为囊括羽状流与周边海洋环境颜色存在区别的结构,以及部分河口所在区域,保持羽状流边界与标注边界相切以减少无关边界。
8.根据权利要求6所述的一种快速识别并提取河口羽状流轮廓相关参数的方法,其特征在于,所述将分割模型训练数据集中含有羽状流轮廓的图片进行标注,标注区域为悬浮物含量高于阈值、与周围环境形成对比的水滴形区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110987892.9A CN113780117B (zh) | 2021-08-26 | 2021-08-26 | 一种快速识别并提取河口羽状流轮廓相关参数的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110987892.9A CN113780117B (zh) | 2021-08-26 | 2021-08-26 | 一种快速识别并提取河口羽状流轮廓相关参数的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113780117A CN113780117A (zh) | 2021-12-10 |
CN113780117B true CN113780117B (zh) | 2024-02-23 |
Family
ID=78839490
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110987892.9A Active CN113780117B (zh) | 2021-08-26 | 2021-08-26 | 一种快速识别并提取河口羽状流轮廓相关参数的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113780117B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116087036B (zh) * | 2023-02-14 | 2023-09-22 | 中国海洋大学 | 一种深海采矿沉积物羽流图像识别的装置及图像分析方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108229425A (zh) * | 2018-01-29 | 2018-06-29 | 浙江大学 | 一种基于高分辨率遥感图像的水体识别方法 |
CN109598241A (zh) * | 2018-12-05 | 2019-04-09 | 武汉大学 | 基于Faster R-CNN的卫星图像海上舰船识别方法 |
WO2020232905A1 (zh) * | 2019-05-20 | 2020-11-26 | 平安科技(深圳)有限公司 | 基于超对象信息的遥感图像目标提取方法、装置、电子设备及介质 |
-
2021
- 2021-08-26 CN CN202110987892.9A patent/CN113780117B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108229425A (zh) * | 2018-01-29 | 2018-06-29 | 浙江大学 | 一种基于高分辨率遥感图像的水体识别方法 |
CN109598241A (zh) * | 2018-12-05 | 2019-04-09 | 武汉大学 | 基于Faster R-CNN的卫星图像海上舰船识别方法 |
WO2020232905A1 (zh) * | 2019-05-20 | 2020-11-26 | 平安科技(深圳)有限公司 | 基于超对象信息的遥感图像目标提取方法、装置、电子设备及介质 |
Non-Patent Citations (1)
Title |
---|
数据挖掘算法在河口羽状流数据分析中的应用;李昭颖 等;《中国海洋大学学报》;第51卷(第3期);第84-92页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113780117A (zh) | 2021-12-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103049763B (zh) | 一种基于上下文约束的目标识别方法 | |
CN109800736A (zh) | 一种基于遥感影像和深度学习的道路提取方法 | |
CN109598241A (zh) | 基于Faster R-CNN的卫星图像海上舰船识别方法 | |
WO2023039959A1 (zh) | 一种基于金字塔机制的遥感影像海洋与非海区域分割方法 | |
CN110866494B (zh) | 一种基于光学遥感影像的城镇群提取方法及系统 | |
CN111582218A (zh) | 一种基于深度学习的遥感影像岛礁提取方法 | |
CN111414954B (zh) | 一种岩石图像检索方法及其系统 | |
CN108921120A (zh) | 一种适应广泛零售场景下的香烟识别方法 | |
CN105447274A (zh) | 一种利用面向对象分类技术对中等分辨率遥感图像进行滨海湿地制图的方法 | |
Marochov et al. | Image classification of marine-terminating outlet glaciers in Greenland using deep learning methods | |
CN113780117B (zh) | 一种快速识别并提取河口羽状流轮廓相关参数的方法 | |
CN111639530A (zh) | 一种输电线路的输电塔和绝缘子的检测和识别方法及系统 | |
CN115861756A (zh) | 基于级联组合网络的大地背景小目标识别方法 | |
CN113469097B (zh) | 一种基于ssd网络的水面漂浮物多相机实时检测方法 | |
CN107886125A (zh) | 基于局部谱分解打分的modis卫星遥感图像标注方法 | |
CN114387446A (zh) | 一种高分率遥感影像水体自动提取方法 | |
Huang et al. | Urban Building Classification (UBC) V2-A Benchmark for Global Building Detection and Fine-grained Classification from Satellite Imagery | |
CN112801109A (zh) | 一种基于多尺度特征融合的遥感图像分割方法及系统 | |
CN116052110B (zh) | 一种路面标线缺损智能定位方法及系统 | |
Liu et al. | A Deep Learning Method for Offshore Raft Aquaculture Extraction Based on Medium Resolution Remote Sensing Images | |
CN117456287B (zh) | 一种使用遥感影像观测野生动物种群数量的方法 | |
CN112001359A (zh) | 基于模式识别和最优分配的启发式多叉线修补方法 | |
CN116824279B (zh) | 一种具有全局特征捕获能力的轻量级地基云图分类方法 | |
CN117853949B (zh) | 一种使用卫星云图识别冷锋的深度学习方法、系统 | |
CN117649635B (zh) | 狭窄水道场景影消点检测方法、系统及存储介质 |
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 | ||
CB02 | Change of applicant information |
Address after: 266000 Shandong Province, Qingdao city Laoshan District Songling Road No. 238 Applicant after: OCEAN University OF CHINA Applicant after: Qingdao Marine Science and Technology Center Address before: 266000 Shandong Province, Qingdao city Laoshan District Songling Road No. 238 Applicant before: OCEAN University OF CHINA Applicant before: QINGDAO NATIONAL LABORATORY FOR MARINE SCIENCE AND TECHNOLOGY DEVELOPMENT CENTER |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |