CN113920445A - 基于多核分类模型决策融合的海面溢油检测方法 - Google Patents

基于多核分类模型决策融合的海面溢油检测方法 Download PDF

Info

Publication number
CN113920445A
CN113920445A CN202111169802.1A CN202111169802A CN113920445A CN 113920445 A CN113920445 A CN 113920445A CN 202111169802 A CN202111169802 A CN 202111169802A CN 113920445 A CN113920445 A CN 113920445A
Authority
CN
China
Prior art keywords
decision fusion
oil spill
classification
classification model
sea surface
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.)
Pending
Application number
CN202111169802.1A
Other languages
English (en)
Inventor
马毅
戴渝心
姜宗辰
杜凯
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.)
First Institute of Oceanography MNR
Original Assignee
First Institute of Oceanography MNR
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 First Institute of Oceanography MNR filed Critical First Institute of Oceanography MNR
Priority to CN202111169802.1A priority Critical patent/CN113920445A/zh
Publication of CN113920445A publication Critical patent/CN113920445A/zh
Pending legal-status Critical Current

Links

Images

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
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • 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
    • G06Q50/40—Business processes related to the transportation industry

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Medical Informatics (AREA)
  • Human Resources & Organizations (AREA)
  • Mathematical Physics (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)
  • Image Analysis (AREA)

Abstract

本公开的实施例公开了基于多核分类模型决策融合的海面溢油检测方法，该方法包括：获取目标海域的多光谱遥感图像，作为待检测图像；对待检测图像进行特征提取，得到特征信息；基于特征信息，构建输入数据；将输入数据分别输入多个单核函数的分类模型，得到多个分类结果；基于多个分类结果，得到决策融合结果，以区分出待检测图像中的溢油区域。本发明提供的海面溢油检测方法，将输入数据分别输入多个单核函数的分类模型中，得到多个分类结果，然后将多个分类结果进行决策性融合，得到决策融合结果，多核决策融合算法能够将各单核的优势互补，提高分类精度，有效地在复杂水色背景下进行溢油检测，进一步提高了海面溢油检测的准确性。

Description

基于多核分类模型决策融合的海面溢油检测方法
技术领域
本发明涉及海洋探测领域，特别涉及一种基于多核分类模型决策融合的海面溢油检测方法。
背景技术
随着海洋运输业的发展，溢油事故频繁发生，油品在海洋中扩散会对生态环境、经济建设、海洋工业、沿岸居民生活等方面造成损失与危害。无论是自然因素还是人为原因引起的溢油事故绝大部分具有突发性和动态性，这使得相关部门分析事件性质、部署应急措施更加困难，遥感技术对此可发挥重要作用。
支持向量机(Support Vector Machine,SVM)在遥感图像研究中具有良好的计算性能，仅需少量样本即可对目标进行高精度检测。SVM核函数与其他参数的选择会对检测效果产生影响，而传统的单核SVM需要根据研究目标的特性设定核函数，具有局限性。
发明内容
有鉴于此，本发明提供一种基于多核分类模型决策融合的海面溢油检测方法，以解决现有技术中单核分类模型需要根据研究目标的特性设定核函数，具有局限性的问题。
本发明提供的一种基于多核分类模型决策融合的海面溢油检测方法的技术方案是：
一种基于多核分类模型决策融合的海面溢油检测方法，所述方法包括：
获取目标海域的多光谱遥感图像，作为待检测图像；
对所述待检测图像进行特征提取，得到特征信息；
基于所述特征信息，构建输入数据；
将所述输入数据分别输入多个单核函数的分类模型，得到多个分类结果；
基于所述多个分类结果，得到决策融合结果，以区分出待检测图像中的溢油区域。
在一些实施例中，所述特征信息包括光谱特征和纹理特征。
在一些实施例中，所述光谱特征的提取方法包括：
在所述待检测图像中选取多个预设波段初始数据；
对多个预设波段初始数据进行预处理，得到处理后的多个预设波段数据；
基于最佳指数法，在所述多个预设波段数据中选取预定数量的波段组合；
将所述多个预设波段数据以及所述预定数量的波段组合确定为所述光谱特征。
在一些实施例中，所述纹理特征的提取方法包括：
对所述待检测图像进行主成分分析，提取出第一主成分；
基于所述第一主成分，确定所述纹理特征。
在一些实施例中，基于灰度共生矩阵分别在多个方向上得到第一主成分的多个特征，对每个特征的多个方向取平均值，得到所述纹理特征。
在一些实施例中，分别采用多个不同尺寸的窗口计算灰度共生矩阵，以提取所述纹理特征。
在一些实施例中，基于所述特征信息，构建输入数据的方法包括：
计算所述特征信息中每个特征的油-水巴氏距离；
筛选出油-水巴氏距离较大的特征作为最佳溢油空谱特征数据集；
将所述最佳溢油空谱特征数据集确定为所述输入数据。
在一些实施例中，基于所述多个分类结果，得到决策融合结果的方法包括：
基于模糊隶属度，逐像元地判定融合后各像元的所属类别。
在一些实施例中，对于多个分类结果中同一位置的像元，判定融合后该像元的所属类别的方法包括：
若多个分类结果在该像元的所属类别相同，则将这一类别赋予该像元的决策融合结果；
若多个分类结果在该像元的所属类别不同，则获取多个分类结果在该像元周围预定窗口中最多的类别，如果一分类结果在该像元的所属类别与其他分类结果在所述预定窗口中最多的类别相同，则将这一类别赋予该像元的决策融合结果，否则，计算该像元在各分类结果中属于各类别的隶属度，将隶属度高的类别作为该像元的决策融合结果。
在一些实施例中，所述多个单核函数的分类模型包括RBF核函数的SVM分类模型、Linear核函数的SVM分类模型、Polynomial核函数的SVM分类模型和Sigmoid核函数的SVM分类模型。
本发明提供的基于多核分类模型决策融合的海面溢油检测方法，将输入数据分别输入多个单核函数的分类模型中，得到多个分类结果，然后将多个分类结果进行决策性融合，得到决策融合结果，多核决策融合算法能够将各单核的优势互补，提高分类精度，有效地在复杂水色背景下进行溢油检测，进一步提高了海面溢油检测的准确性。
附图说明
附图用于更好地理解本发明，不构成对本发明的不当限定。其中：
图1是本发明具体实施例提供的基于多核分类模型决策融合的海面溢油检测方法的流程图；
图2是本发明具体实施例提供的基于多个分类结果得到决策融合结果的原理示意图；
图3是本发明具体实施例提供的真彩色合成影像；
图4是本发明具体实施例提供的基于多核分类模型决策融合的海面溢油检测方法的原理图；
图5a至图5e依次示出RBF核函数的SVM分类模型、Linear核函数的SVM分类模型、Polynomial核函数的SVM分类模型Sigmoid核函数的SVM分类模型、多核分类模型的溢油检测分类结果图；
图6多核决策融合与精度最高/低的单核精度对比图。
具体实施方式
下面结合实施例对本发明作进一步说明。
针对现有技术中单核分类模型需要根据研究目标的特性设定核函数，具有局限性的问题，本实施例提供了一种基于多核分类模型决策融合的海面溢油检测方法，如图1所示，其包括如下步骤：
S100、获取目标海域的多光谱遥感图像，作为待检测图像。
作为示例，可以采用Sentinel-2高分辨率多光谱成像卫星采集的目标海域的多光谱遥感图像，作为待检测图像。Sentinel-2目前共有2A和 2B两颗卫星，覆盖13个光谱波段，地面分辨率最高可达10m。
S200、对待检测图像进行特征提取，得到特征信息。
作为示例，特征信息为光谱信息。在一优选实施例中，特征信息包括光谱特征和纹理特征，从而更加全面地考虑目标特征，进一步提高分类精度，有效地在复杂水色背景下进行溢油检测。
一实施例中，光谱特征的提取方法包括：
S210、在待检测图像中选取多个预设波段初始数据。
作为示例，选取蓝、绿、红、近红外(宽)、短波红外2和短波红外3波段这6个波段作为预设波段初始数据。
S220、对多个预设波段初始数据进行预处理，得到处理后的多个预设波段数据。
作为示例，预处理包括大气校正、重采样、反射率归一化等。
S230、基于最佳指数法，在多个预设波段数据中选取预定数量的波段组合。
作为示例，采用如下公式计算各波段组合的OIF(Optimum Index Factor，最佳指数因子)指数：
Figure BDA0003292684110000041
其中，Sk表示第k波段的标准差；
rk,l表示k波段和l波段的相关系数。
标准差越大，相关系数越小，则OIF指数就越大，波段组合所包含的信息量越多。本实施例对OIF指数最高的前4组波段进行组合，得到油-水光谱差异性更强的光谱特征数据。
S240、将多个预设波段数据以及所述预定数量的波段组合确定为光谱特征。
本实施例中，将单一光谱波段与多波段组合结合得到光谱特征，能够得到更多的油水信息。
一实施例中，纹理特征的提取方法包括：
S201、对待检测图像进行主成分分析，提取出第一主成分；
S202、基于第一主成分，确定纹理特征。
通过主成分分析提取第一主成分用于获取纹理特征，降低数据维数，减少噪声干扰。
进一步地，步骤S202具体为：基于灰度共生矩阵(Gray-level Co-occurrenceMatrix，GLCM)分别在多个方向上得到第一主成分的多个特征，对每个特征的多个方向取平均值，得到所述纹理特征。
作为示例，基于灰度共生矩阵(Gray-level Co-occurrence Matrix， GLCM)分别在8个方向上得到第一主成分的8个特征(均值、方差、协同性、对比度、相异性、熵、角二阶矩和相关性)，并对每个特征的 8个方向取平均值。
由于窗口大小决定了纹理的真实性和计算速度，基于此，分别采用多个不同尺寸的窗口计算灰度共生矩阵。作为示例，进行了窗口大小为 3×3和5×5的两组计算，共得到16个纹理特征。
本实施例将所得光谱特征数据与空间纹理数据相结合，构建对溢油检测更加有效的特征数据集。
S300、基于特征信息，构建输入数据。
然而并非特征越多越有利于模型检测，特征冗余不仅会造成过大的计算量，降低计算效率，而且易造成模型过拟合，影响检测精度。
基于此，优选地，步骤S300进一步包括：
S310、计算特征信息中每个特征的油-水巴氏距离。
巴氏距离(Bhattacharyya Distance,BD)在分类中被用来评估类间可分离性，其公式如下：
Figure BDA0003292684110000051
其中，μi表示第i类样本的均值；
σi表示第i类样本的标准差。
S320、筛选出油-水巴氏距离较大的特征作为最佳溢油空谱特征数据集；
S330、将最佳溢油空谱特征数据集确定为输入数据。
步骤S320中筛选的特征数量不限，为了确定最佳空谱特征数据集的特征数量，本实施例进行了不同特征量的溢油检测对比试验。按照 BD从大到小的顺序选择前5、10、15、20和25个特征量进行叠加，选取总样本的10％用于训练，90％用于测试，以RBF为核函数的SVM作为分类模型，通过精度对比得出特征量为20时检测结果最好。所以本实施例最终选择BD从大到小排列的前20个特征量作为最佳溢油空谱特征数据集。
本实施例以RBF为核函数的SVM作为分类模型，将单波段光谱特征、光谱指数特征和纹理特征分别叠加，相互组合，共得到7个涵盖不同类型与特征数量的特征数据集分别进行溢油检测。所得精度结果如下表所示，实验结果表明本发明所建立的最佳空谱特征数据集进行溢油检测的OA、Kappa系数和F1分数均高于其他特征数据集，展现出更高的精度与一致性，这也验证了并非特征的数量越多分类效果越好。
Figure BDA0003292684110000061
S400、将输入数据分别输入多个单核函数的分类模型，得到多个分类结果；
S500、基于多个分类结果，得到决策融合结果，以区分出待检测图像中的溢油区域。
作为示例，如图2所示，多个单核函数的分类模型包括RBF核函数的SVM分类模型、Linear核函数的SVM分类模型、Polynomial核函数的SVM分类模型和Sigmoid核函数的SVM分类模型。各个核函数的表达式如下表所示：
Figure BDA0003292684110000071
基于模糊隶属度，逐像元地判定融合后各像元的所属类别，即，计算各个像元的隶属度，根据各个像元的隶属度确定各个像元的类别，最后将各像元判定的融合后的所属类别合并得到最终的决策融合结果图。
在进行海面溢油检测方法之前，首先对各个单核函数的分类模型进行训练，例如，基于Sentinel-2于2021年5月18日对研究区拍摄的L1C 级产品，对其中6个适用于溢油检测的波段数据进行大气校正、重采样和反射率归一化等预处理。Sentinel-2的蓝、绿、红、近红外(宽)、短波红外2和短波红外3波段有利于区分油水特征，所以选择该6个波段进行光谱分析。图3为真彩色合成影像，红、绿、蓝三个通道分别对应664.5nm、560nm和496.6nm。训练数据共选取16325个像素，测试数据选取152837个像素，比例约为1：9，包含油膜与海水两个类别。
对于多个分类结果中同一位置的像元，判定融合后该像元的所属类别的方法包括：
若多个分类结果在该像元的所属类别相同，则将这一类别赋予该像元的决策融合结果；
若多个分类结果在该像元的所属类别不同，则获取多个分类结果在该像元周围预定窗口(例如像元周围3×3窗口)中最多的类别，如果一分类结果在该像元的所属类别与其他分类结果在所述预定窗口中最多的类别相同，则将这一类别赋予该像元的决策融合结果，否则(即不符合上述情况)，计算该像元在各分类结果中属于各类别的隶属度，将隶属度高的类别作为该像元的决策融合结果。
作为示例，隶属度的计算公式如下：
Figure BDA0003292684110000072
其中，Pi为第i类别的隶属度；
Wj为目标特征的权重；
Figure BDA0003292684110000081
为单核分类图中m像素属于n类别的隶属度。
图4示出基于多核分类模型决策融合的海面溢油检测方法的原理图，如图4所示，首先基于最佳指数因子(OIF)构建光谱特征指数提取海面溢油光谱特征，基于灰度共生矩阵(GLCM)提取海面溢油纹理特征，利用巴氏距离法进行特征选择，构建海面溢油空谱特征数据集，以单核SVM为分类模型对研究区进行溢油检测，最后基于决策融合算法实现海面溢油检测结果的多核融合，实验结果表明本实施例所提出的基于多核分类模型决策融合的海面溢油检测方法能够更加全面地考虑目标特征，提高分类精度，有效地在复杂水色背景下进行溢油检测。经过对比分析，多核决策融合的OA、Kappa系数和F1分数均高于单核模型，OA提高了1.0～8.2％，Kappa系数提高了0.013～0.122，F1分数提高了0.009～0.097。多核决策融合算法将各单核的优势互补，进一步提高了海面溢油检测的准确性。
下面对本发明提供的基于多核分类模型决策融合的海面溢油检测方法进行性能验证。
将确定的最佳空谱特征数据集应用到不同的单核SVM模型中，并引入多核SVM决策融合溢油检测。图5a至图5e为单核与多核SVM溢油检测分类结果图。图6为多核决策融合与精度最高/低的单核精度对比图，精度评价如下表所示：
Figure BDA0003292684110000082
如图5a至图5e所示，不同的核函数所得出的分类结果均不一致，从整体上看，RBF、Linear和Polynomial核函数相差不大，差别主要在研究区左上与右侧边缘处。Polynomial的碎斑较少，但对于左上油水分布复杂的区域并没有得到较好的处理。Sigmoid核函数分类错误较多，初步分析,由于没有进行详细调参、训练集中存在混合像元、过拟合现象等因素，使得Sigmoid核函数没有正确区分出某些纹理特征中易被混淆的像元。多核SVM决策融合后的图像并没有遗留Sigmoid中错误分类的问题，克服了RBF的噪声问题，保留了研究区中央溢油较多区域的分类细节。从上表与图6中单核与多核决策融合的精度数据可以看出：在单核SVM溢油检测中，RBF、Linear和Polynomial均有很好的分类表现，其中RBF的OA最高，达到89.25％，而Polynomial的F1分数最高，达到0.890；Sigmoid的各评价指标均为最低，与分类图的效果一致；多核决策融合的OA、Kappa系数和F1分数均高于单核模型，OA 提高了1.0～8.2％，Kappa系数提高了0.013～0.122，F1分数提高了 0.009～0.097。本发明所提出的多核决策融合算法将各单核的优势互补，进一步提高了海面溢油检测的准确性。
本领域内的技术人员应明白，本公开的实施例可提供为方法、系统、或计算机程序产品。因此，本公开可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本公开可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本公开是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(RandomAccessMemory，RAM)等。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本公开保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本公开的保护范围以内。

Claims (10)

1.一种基于多核分类模型决策融合的海面溢油检测方法，其特征在于，所述方法包括：
获取目标海域的多光谱遥感图像，作为待检测图像；
对所述待检测图像进行特征提取，得到特征信息；
基于所述特征信息，构建输入数据；
将所述输入数据分别输入多个单核函数的分类模型，得到多个分类结果；
基于所述多个分类结果，得到决策融合结果，以区分出待检测图像中的溢油区域。
2.根据权利要求1所述的基于多核分类模型决策融合的海面溢油检测方法，其特征在于，所述特征信息包括光谱特征和纹理特征。
3.根据权利要求2所述的基于多核分类模型决策融合的海面溢油检测方法，其特征在于，所述光谱特征的提取方法包括：
在所述待检测图像中选取多个预设波段初始数据；
对多个预设波段初始数据进行预处理，得到处理后的多个预设波段数据；
基于最佳指数法，在所述多个预设波段数据中选取预定数量的波段组合；
将所述多个预设波段数据以及所述预定数量的波段组合确定为所述光谱特征。
4.根据权利要求2所述的基于多核分类模型决策融合的海面溢油检测方法，其特征在于，所述纹理特征的提取方法包括：
对所述待检测图像进行主成分分析，提取出第一主成分；
基于所述第一主成分，确定所述纹理特征。
5.根据权利要求4所述的基于多核分类模型决策融合的海面溢油检测方法，其特征在于，基于灰度共生矩阵分别在多个方向上得到第一主成分的多个特征，对每个特征的多个方向取平均值，得到所述纹理特征。
6.根据权利要求4所述的基于多核分类模型决策融合的海面溢油检测方法，其特征在于，分别采用多个不同尺寸的窗口计算灰度共生矩阵，以提取所述纹理特征。
7.根据权利要求1至6任一项所述的基于多核分类模型决策融合的海面溢油检测方法，其特征在于，基于所述特征信息，构建输入数据的方法包括：
计算所述特征信息中每个特征的油-水巴氏距离；
筛选出油-水巴氏距离较大的特征作为最佳溢油空谱特征数据集；
将所述最佳溢油空谱特征数据集确定为所述输入数据。
8.根据权利要求1至6任一项所述的基于多核分类模型决策融合的海面溢油检测方法，其特征在于，基于所述多个分类结果，得到决策融合结果的方法包括：
基于模糊隶属度，逐像元地判定融合后各像元的所属类别。
9.根据权利要求1至6任一项所述的基于多核分类模型决策融合的海面溢油检测方法，其特征在于，对于多个分类结果中同一位置的像元，判定融合后该像元的所属类别的方法包括：
若多个分类结果在该像元的所属类别相同，则将这一类别赋予该像元的决策融合结果；
若多个分类结果在该像元的所属类别不同，则获取多个分类结果在该像元周围预定窗口中最多的类别，如果一分类结果在该像元的所属类别与其他分类结果在所述预定窗口中最多的类别相同，则将这一类别赋予该像元的决策融合结果，否则，计算该像元在各分类结果中属于各类别的隶属度，将隶属度高的类别作为该像元的决策融合结果。
10.根据权利要求1至6任一项所述的基于多核分类模型决策融合的海面溢油检测方法，其特征在于，所述多个单核函数的分类模型包括RBF核函数的SVM分类模型、Linear核函数的SVM分类模型、Polynomial核函数的SVM分类模型和Sigmoid核函数的SVM分类模型。
CN202111169802.1A 2021-10-08 2021-10-08 基于多核分类模型决策融合的海面溢油检测方法 Pending CN113920445A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111169802.1A CN113920445A (zh) 2021-10-08 2021-10-08 基于多核分类模型决策融合的海面溢油检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111169802.1A CN113920445A (zh) 2021-10-08 2021-10-08 基于多核分类模型决策融合的海面溢油检测方法

Publications (1)

Publication Number Publication Date
CN113920445A true CN113920445A (zh) 2022-01-11

Family

ID=79238316

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111169802.1A Pending CN113920445A (zh) 2021-10-08 2021-10-08 基于多核分类模型决策融合的海面溢油检测方法

Country Status (1)

Country Link
CN (1) CN113920445A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114669508A (zh) * 2022-03-01 2022-06-28 常州大学 一种退役电池梯次利用单体筛选方法
CN115457297A (zh) * 2022-08-23 2022-12-09 中国航空油料集团有限公司 航油油库漏油检测方法、装置及航油安全运维系统
CN117688514A (zh) * 2024-02-04 2024-03-12 广东格绿朗节能科技有限公司 基于多源数据的遮阳篷健康状况检测方法及系统

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114669508A (zh) * 2022-03-01 2022-06-28 常州大学 一种退役电池梯次利用单体筛选方法
CN115457297A (zh) * 2022-08-23 2022-12-09 中国航空油料集团有限公司 航油油库漏油检测方法、装置及航油安全运维系统
CN115457297B (zh) * 2022-08-23 2023-09-26 中国航空油料集团有限公司 航油油库漏油检测方法、装置及航油安全运维系统
CN117688514A (zh) * 2024-02-04 2024-03-12 广东格绿朗节能科技有限公司 基于多源数据的遮阳篷健康状况检测方法及系统
CN117688514B (zh) * 2024-02-04 2024-04-30 广东格绿朗节能科技有限公司 基于多源数据的遮阳篷健康状况检测方法及系统

Similar Documents

Publication Publication Date Title
CN113920445A (zh) 基于多核分类模型决策融合的海面溢油检测方法
CN111160311B (zh) 基于多注意力机制双流融合网络的黄河冰凌语义分割方法
CN109584248B (zh) 基于特征融合和稠密连接网络的红外面目标实例分割方法
CN110097554B (zh) 基于密集卷积和深度可分离卷积的视网膜血管分割方法
CN109584209B (zh) 血管壁斑块识别设备、系统、方法及存储介质
CN111914924B (zh) 一种快速舰船目标检测方法、存储介质及计算设备
CN114663346A (zh) 一种基于改进YOLOv5网络的带钢表面缺陷检测方法
CN111652213A (zh) 一种基于深度学习的船舶水尺读数识别方法
CN112861690A (zh) 多方法融合的遥感影像变化检测方法及系统
CN110703215B (zh) 一种基于支持向量机的机载sar成像质量评估方法
CN113298086A (zh) 基于U-Net网络的赤潮多光谱检测方法
CN109191418A (zh) 一种基于收缩自编码器特征学习的遥感图像变化检测方法
CN113408340A (zh) 基于增强型特征金字塔的双极化sar小型船只检测方法
CN114972759A (zh) 基于分级轮廓代价函数的遥感图像语义分割方法
CN113486819A (zh) 一种基于YOLOv4算法的船舶目标检测方法
CN115829942A (zh) 基于非负性约束稀疏自编码器的电子电路缺陷检测方法
CN116385819A (zh) 基于神经网络模型的水质评价方法、装置以及设备
CN115546187A (zh) 基于YOLO v5的农业病虫害检测方法及装置
CN110490061B (zh) 一种遥感影像特征的不确定性建模与度量方法
CN112488983A (zh) 缺陷识别网络的获得方法、缺陷识别方法和等级确定方法
CN112819731B (zh) 灰度图像增强方法、装置、计算机设备及存储介质
CN1472634A (zh) 高光谱遥感图像联合加权随机分类方法
CN114863223B (zh) 结合去噪自编码器与场景增强的高光谱弱监督分类方法
CN115620132A (zh) 一种无监督的对比学习冰湖提取方法
CN114913092A (zh) 一种在线铁谱反射光图像增强方法及系统

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