CN114708145A - Goci水色图像洋流流场的确定方法和装置 - Google Patents

Goci水色图像洋流流场的确定方法和装置 Download PDF

Info

Publication number
CN114708145A
CN114708145A CN202210348076.8A CN202210348076A CN114708145A CN 114708145 A CN114708145 A CN 114708145A CN 202210348076 A CN202210348076 A CN 202210348076A CN 114708145 A CN114708145 A CN 114708145A
Authority
CN
China
Prior art keywords
goci
water color
color image
resolution
super
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
CN202210348076.8A
Other languages
English (en)
Inventor
徐昊
陈昕
易文娟
任昊冬
王芳
罗伦
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.)
Guojiao Space Information Technology Beijing Co ltd
Original Assignee
Guojiao Space Information Technology Beijing 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 Guojiao Space Information Technology Beijing Co ltd filed Critical Guojiao Space Information Technology Beijing Co ltd
Priority to CN202210348076.8A priority Critical patent/CN114708145A/zh
Publication of CN114708145A publication Critical patent/CN114708145A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/28—Determining representative reference patterns, e.g. by averaging or distorting; Generating dictionaries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
    • G06T7/248—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments involving reference images or patches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G06T7/74—Determining position or orientation of objects or cameras using feature-based methods involving reference images or patches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本公开提供了一种GOCI水色图像洋流流场的确定方法和装置，所述方法包括：获取第一时间点对应的第一GOCI水色图像和第二时间点对应的第二GOCI水色图像，所述第一时间点和第二时间点存在预设时间范围内的时间差；利用预先训练的超分辨率重建稀疏表示字典，分别对所述第一GOCI水色图像和所述第二GOCI水色图像进行超分辨率重建；根据超分辨率重建后的第一GOCI水色图像和第二GOCI水色图像确定对应区域的洋流流场。以此方式，能够在洋流流场计算中，提高计算效率，同时能够获得更高分辨率的洋流细节信息。

Description

GOCI水色图像洋流流场的确定方法和装置
技术领域
本公开的实施例一般涉及图像处理技术领域，并且更具体地，涉及GOCI水色图像洋流流场的确定方法和装置。
背景技术
洋流对气候发生虽然并非直接的，却是巨大的影响，许多沿海地区的温度和降水状况都与附近的洋流有关，同时，洋流也会产生较大的经济效益，寒暖流交汇的海域常常能形成大型渔场。
现有技术中心，通常是通过GOCI水色图像来确定目标区域的洋流流场，但是现有的计算方法，存在巨大冗余计算，导致流场估算过程需要花费较长的时间。此外，GOCI水色图像的分辨率为500m，该分辨率较粗糙，无法满足更精细的流场估算需求。
发明内容
根据本公开的实施例，提供了一种GOCI水色图像洋流流场的确定方案，通过稀疏表示超分辨率重建技术对给定的GOCI水色图像对进行超分辨率重建，并利用层级MCC对超分辨率重建图像进行流场计算，从而在洋流流场计算中，提高计算效率，同时能够获得更高分辨率的洋流细节信息。
在本公开的第一方面，提供一种GOCI水色图像洋流流场的确定方法，包括：
获取第一时间点对应的第一GOCI水色图像和第二时间点对应的第二GOCI水色图像，所述第一时间点和第二时间点存在预设时间范围内的时间差；
利用预先训练的超分辨率重建稀疏表示字典，分别对所述第一GOCI水色图像和所述第二GOCI水色图像进行超分辨率重建；
根据超分辨率重建后的第一GOCI水色图像和第二GOCI水色图像确定对应区域的洋流流场。
在一些实施例中，所述超分辨率重建稀疏表示字典通过以下方式训练得到：
以预设数量的GOCI水色图像对作为训练样本，其中，所述GOCI水色图像对包括高分辨率GOCI水色图像以及对对应的高分辨率GOCI水色图像进行降采样后得到的低分辨率GOCI水色图像，并以低分辨率GOCI水色图像作为所述超分辨率重建稀疏表示字典的输入，输出重建后的高分辨率GOCI水色图像，对预先构建的超分辨率重建稀疏表示字典进行训练；
将输出的重建后的高分辨率GOCI水色图像与训练样本中对应的高分辨率GOCI水色图像进行对比，计算损失函数，响应于损失函数大于预设阈值，对预先构建的超分辨率重建稀疏表示字典的参数进行调整；
重复上述过程，直到输出的重建后的高分辨率GOCI水色图像与训练样本中对应的高分辨率GOCI水色图像的损失函数小于预设阈值，完成对超分辨率重建稀疏表示字典的训练。
在一些实施例中，所述根据超分辨率重建后的第一GOCI水色图像和第二GOCI水色图像确定对应区域的洋流流场，包括：
根据预设缩放层级倍数对超分辨率重建后的第一GOCI水色图像和第二GOCI水色图像进行缩小，在缩小后的水色图像上进行初步MCC匹配，以预设步长为半径，确定对应的匹配区域；
在超分辨率重建后的第一GOCI水色图像和第二GOCI水色图像上对应所述匹配区域的区域内进行精确的MCC匹配，确定洋流流场。
在一些实施例中，所述MCC匹配包括以下步骤：
给定两个待计算的图像，将第一张图像作为模板图像，第二张图像作为待检索计算图像，对于模板图像中的匹配区域，在待检索计算图像中划定搜索范围作为检索窗口，选定初始匹配窗口，对检索窗口中的匹配窗口进行移动，通过比较MCC相关系数的大小确定最后的匹配窗口，匹配位置为MCC最大值的位置，其中，MCC相关系数的计算公式如下：
Figure BDA0003570724110000031
其中，(i,j)为匹配窗口的中心位置，p(i,j)为匹配窗口在模板图像中像素坐标为(i,j)的灰度值，M和N为窗口的大小，
Figure BDA0003570724110000032
为以(i,j)为中心的匹配窗口的灰度值平均值，(i+k,j+l)为初始匹配窗口的中心位置，q(i+k,j+l)为匹配窗口在待检索计算图像中像素坐标为(i+k,k+l)的灰度值，m和n为待检索计算图像中匹配窗口的检索范围大小。
在一些实施例中，所述确定洋流流场，包括：
计算得到对应区域每个像素点的流速值与方向：
其中，流速值通过以下公式确定：
Figure BDA0003570724110000033
方向值通过以下方式确定：
Figure BDA0003570724110000041
v为估算的流速值，x与y分别为x轴和y轴方向的估算位移，T为图像对的时序时长，s为图像的分辨率。
在一些实施例中，所述利用预先训练的超分辨率重建稀疏表示字典，分别对所述第一GOCI水色图像和所述第二GOCI水色图像进行超分辨率重建，包括：
采用预先训练的两个的缩放倍数不同的超分辨率重建稀疏表示字典对所述第一GOCI水色图像和所述第二GOCI水色图像进行超分辨率重建，生成与所述第一GOCI水色图像对应的中分辨率图像和高分图像，以及与所述第二GOCI水色图像对应的中分辨率图像和高分图像。
在一些实施例中，所述根据超分辨率重建后的第一GOCI水色图像和第二GOCI水色图像确定对应区域的洋流流场，包括：
根据预设缩放层级倍数对超分辨率重建后的第一GOCI水色图像和第二GOCI水色图像进行缩小，在缩小后的水色图像上进行初步MCC匹配，以预设步长为半径，确定对应的匹配区域；
在超分辨率重建后的第一GOCI水色图像和第二GOCI水色图像上对应的中分辨率图像上对应所述匹配区域的区域内进行第一次精确的MCC匹配，确定精确匹配区域；
在超分辨率重建后的第一GOCI水色图像和第二GOCI水色图像上对应的高分辨率图像上对应所述匹配区域的区域内进行第二次精确的MCC匹配，确定洋流流场。
在本公开的第二方面，提供一种GOCI水色图像洋流流场的确定装置，包括：
图像获取模块，用于获取第一时间点对应的第一GOCI水色图像和第二时间点对应的第二GOCI水色图像，所述第一时间点和第二时间点存在预设时间范围内的时间差；
超分辨率重建模块，用于利用预先训练的超分辨率重建稀疏表示字典，分别对所述第一GOCI水色图像和所述第二GOCI水色图像进行超分辨率重建；
洋流流场确定模块，用于根据超分辨率重建后的第一GOCI水色图像和第二GOCI水色图像确定对应区域的洋流流场。
在本公开的第三方面，提供了一种电子设备，包括存储器和处理器，所述存储器上存储有计算机程序，所述处理器执行所述程序时实现如以上所述的方法。
在本公开的第四方面，提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现如以上所述的方法。
通过本公开的GOCI水色图像洋流流场的确定方法，能够在洋流流场计算中，提高计算效率，同时能够获得更高分辨率的洋流细节信息。
发明内容部分中所描述的内容并非旨在限定本公开的实施例的关键或重要特征，亦非用于限制本公开的范围。本公开的其它特征将通过以下的描述变得容易理解。
附图说明
结合附图并参考以下详细说明，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。在附图中，相同或相似的附图标记表示相同或相似的元素，其中：
图1示出了本公开实施例一的GOCI水色图像洋流流场的确定方法的流程图；
图2示出了本公开实施例二的GOCI水色图像洋流流场的确定装置的结构示意图；
图3示出了本公开实施例三的GOCI水色图像洋流流场的确定设备的结构示意图。
具体实施方式
为使本公开实施例的目的、技术方案和优点更加清楚，下面将结合本公开实施例中的附图，对本公开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公开一部分实施例，而不是全部的实施例。基于本公开中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的全部其他实施例，都属于本公开保护的范围。
另外，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
本公开实施例的通过稀疏表示超分辨率重建技术对给定的GOCI水色图像对进行超分辨率重建，并利用层级MCC对超分辨率重建图像进行流场计算，从而在洋流流场计算中，提高计算效率，同时能够获得更高分辨率的洋流细节信息。
具体地，如图1所示，为本公开实施例一的GOCI水色图像洋流流场的确定方法的流程图。在本实施例中，所述GOCI水色图像洋流流场的确定方法，可以包括以下步骤：
S101：获取第一时间点对应的第一GOCI水色图像和第二时间点对应的第二GOCI水色图像，所述第一时间点和第二时间点存在预设时间范围内的时间差。
本公开实施例的GOCI水色图像洋流流场的确定方法，可以用于洋流流场的确定。本实施例中，在确定洋流流场时，可以通过两张存在时间差的同一区域的GOCI水色图像来确定。具体地，可以获取第一时间点对应的第一GOCI水色图像和第二时间点对应的第二GOCI水色图像，所述第一时间点和第二时间点存在预设时间范围内的时间差。本实施例中的时间差例如可以是1小时。
S102：利用预先训练的超分辨率重建稀疏表示字典，分别对所述第一GOCI水色图像和所述第二GOCI水色图像进行超分辨率重建。
在本实施例中，当获取到第一GOCI水色图像和第二GOCI水色图像后，可以对获取的第一GOCI水色图像和第二GOCI水色图像进行超分辨率重建。在本实施例中，可以通过预先训练的超分辨率重建稀疏表示字典对第一GOCI水色图像和第二GOCI水色图像进行超分辨率重建，以得到分别与第一GOCI水色图像和第二GOCI水色图像对应的高分辨率图像，从而提高洋流流场计算的分辨率。
其中，所述超分辨率重建稀疏表示字典通过以下方式训练得到：
以预设数量的GOCI水色图像对作为训练样本，其中，所述GOCI水色图像对包括高分辨率GOCI水色图像以及对对应的高分辨率GOCI水色图像进行降采样后得到的低分辨率GOCI水色图像，并以低分辨率GOCI水色图像作为所述超分辨率重建稀疏表示字典的输入，输出重建后的高分辨率GOCI水色图像，对预先构建的超分辨率重建稀疏表示字典进行训练；
将输出的重建后的高分辨率GOCI水色图像与训练样本中对应的高分辨率GOCI水色图像进行对比，计算损失函数，响应于损失函数大于预设阈值，对预先构建的超分辨率重建稀疏表示字典的参数进行调整；
重复上述过程，直到输出的重建后的高分辨率GOCI水色图像与训练样本中对应的高分辨率GOCI水色图像的损失函数小于预设阈值，完成对超分辨率重建稀疏表示字典的训练。
S103：根据超分辨率重建后的第一GOCI水色图像和第二GOCI水色图像确定对应区域的洋流流场。
在本实施例中，当利用预先训练的超分辨率重建稀疏表示字典对第一GOCI水色图像和第二GOCI水色图像进行重建后，根据重建后得到的高分辨率图像确定对应区域的洋流流场。
具体地，根据预设缩放层级倍数对超分辨率重建后的第一GOCI水色图像和第二GOCI水色图像进行缩小，在缩小后的水色图像上进行初步MCC匹配，以预设步长为半径，确定对应的匹配区域；
在超分辨率重建后的第一GOCI水色图像和第二GOCI水色图像上对应所述匹配区域的区域内进行精确的MCC匹配，确定洋流流场。
所述MCC匹配包括以下步骤：
给定两个待计算的图像，将第一张图像作为模板图像，第二张图像作为待检索计算图像，对于模板图像中的匹配区域，在待检索计算图像中划定搜索范围作为检索窗口，选定初始匹配窗口，对检索窗口中的匹配窗口进行移动，通过比较MCC相关系数的大小确定最后的匹配窗口，匹配位置为MCC最大值的位置，其中，MCC相关系数的计算公式如下：
Figure BDA0003570724110000091
其中，(i,j)为匹配窗口的中心位置，p(i,j)为匹配窗口在模板图像中像素坐标为(i,j)的灰度值，M和N为窗口的大小，
Figure BDA0003570724110000092
为以(i,j)为中心的匹配窗口的灰度值平均值，(i+k,j+l)为初始匹配窗口的中心位置，q(i+k,j+l)为匹配窗口在待检索计算图像中像素坐标为(i+k,k+l)的灰度值，m和n为待检索计算图像中匹配窗口的检索范围大小。
通常情况下，洋流流场可以表示为洋流的流速和方向，因此确定的洋流流场可以通过对应区域中每个像素点的流速值与方向来表示：
其中，流速值通过以下公式确定：
Figure BDA0003570724110000093
方向值通过以下方式确定：
Figure BDA0003570724110000094
v为估算的流速值，x与y分别为x轴和y轴方向的估算位移，T为图像对的时序时长，s为图像的分辨率。
本公开的GOCI水色图像洋流流场的确定方法，能够在洋流流场计算中，提高计算效率，同时能够获得更高分辨率的洋流细节信息。
此外，作为本公开的一个可选实施例，在上述实施例中，在利用预先训练的超分辨率重建稀疏表示字典，分别对所述第一GOCI水色图像和所述第二GOCI水色图像进行超分辨率重建时，可以采用预先训练的两个的缩放倍数不同的超分辨率重建稀疏表示字典对所述第一GOCI水色图像和所述第二GOCI水色图像进行超分辨率重建，生成与所述第一GOCI水色图像对应的中分辨率图像和高分图像，以及与所述第二GOCI水色图像对应的中分辨率图像和高分图像。
根据超分辨率重建后的第一GOCI水色图像和第二GOCI水色图像确定对应区域的洋流流场，包括：
根据预设缩放层级倍数对超分辨率重建后的第一GOCI水色图像和第二GOCI水色图像进行缩小，在缩小后的水色图像上进行初步MCC匹配，以预设步长为半径，确定对应的匹配区域；
在超分辨率重建后的第一GOCI水色图像和第二GOCI水色图像上对应的中分辨率图像上对应所述匹配区域的区域内进行第一次精确的MCC匹配，确定精确匹配区域；
在超分辨率重建后的第一GOCI水色图像和第二GOCI水色图像上对应的高分辨率图像上对应所述匹配区域的区域内进行第二次精确的MCC匹配，确定洋流流场。
通过上述方式，能够获得更高分辨率的洋流细节信息。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应所述知悉，本公开并不受所描述的动作顺序的限制，因为依据本公开，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应所述知悉，说明书中所描述的实施例均属于可选实施例，所涉及的动作和模块并不一定是本公开所必须的。
以上是关于方法实施例的介绍，以下通过装置实施例，对本公开所述方案进行进一步说明。
如图2所示，为本公开实施例二的GOCI水色图像洋流流场的确定装置的结构示意图。本实施例的GOCI水色图像洋流流场的确定装置，包括：
图像获取模块201，用于获取第一时间点对应的第一GOCI水色图像和第二时间点对应的第二GOCI水色图像，所述第一时间点和第二时间点存在预设时间范围内的时间差。
超分辨率重建模块202，用于利用预先训练的超分辨率重建稀疏表示字典，分别对所述第一GOCI水色图像和所述第二GOCI水色图像进行超分辨率重建。
洋流流场确定模块203，用于根据超分辨率重建后的第一GOCI水色图像和第二GOCI水色图像确定对应区域的洋流流场。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，所述描述的模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
图3示出了可以用来实施本公开的实施例的电子设备300的示意性框图。如图所示，设备300包括中央处理单元(CPU)301，其可以根据存储在只读存储器(ROM)302中的计算机程序指令或者从存储单元308加载到随机访问存储器(RAM)303中的计算机程序指令，来执行各种适当的动作和处理。在RAM 303中，还可以存储设备300操作所需的各种程序和数据。CPU 301、ROM 302以及RAM 303通过总线304彼此相连。输入/输出(I/O)接口305也连接至总线304。
设备300中的多个部件连接至I/O接口305，包括：输入单元306，例如键盘、鼠标等；输出单元307，例如各种类型的显示器、扬声器等；存储单元308，例如磁盘、光盘等；以及通信单元309，例如网卡、调制解调器、无线通信收发机等。通信单元309允许设备300通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理单元301执行上文所描述的各个方法和处理，其被有形地包含于机器可读介质，例如存储单元308。在一些实施例中，计算机程序的部分或者全部可以经由ROM 302和/或通信单元309而被载入和/或安装到设备300上。当计算机程序加载到RAM 703并由CPU301执行时，可以执行上文描述的方法的一个或多个步骤。备选地，在其他实施例中，CPU301可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行上述方法。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)等等。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
此外，虽然采用特定次序描绘了各操作，但是这应当理解为要求这样操作以所示出的特定次序或以顺序次序执行，或者要求所有图示的操作应被执行以取得期望的结果。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实现中。相反地，在单个实现的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实现中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。

Claims (10)

1.GOCI水色图像洋流流场的确定方法，其特征在于，包括：
获取第一时间点对应的第一GOCI水色图像和第二时间点对应的第二GOCI水色图像，所述第一时间点和第二时间点存在预设时间范围内的时间差；
利用预先训练的超分辨率重建稀疏表示字典，分别对所述第一GOCI水色图像和所述第二GOCI水色图像进行超分辨率重建；
根据超分辨率重建后的第一GOCI水色图像和第二GOCI水色图像确定对应区域的洋流流场。
2.根据权利要求1所述的GOCI水色图像洋流流场的确定方法，其特征在于，所述超分辨率重建稀疏表示字典通过以下方式训练得到：
以预设数量的GOCI水色图像对作为训练样本，其中，所述GOCI水色图像对包括高分辨率GOCI水色图像以及对对应的高分辨率GOCI水色图像进行降采样后得到的低分辨率GOCI水色图像，并以低分辨率GOCI水色图像作为所述超分辨率重建稀疏表示字典的输入，输出重建后的高分辨率GOCI水色图像，对预先构建的超分辨率重建稀疏表示字典进行训练；
将输出的重建后的高分辨率GOCI水色图像与训练样本中对应的高分辨率GOCI水色图像进行对比，计算损失函数，响应于损失函数大于预设阈值，对预先构建的超分辨率重建稀疏表示字典的参数进行调整；
重复上述过程，直到输出的重建后的高分辨率GOCI水色图像与训练样本中对应的高分辨率GOCI水色图像的损失函数小于预设阈值，完成对超分辨率重建稀疏表示字典的训练。
3.根据权利要求2所述的GOCI水色图像洋流流场的确定方法，其特征在于，所述根据超分辨率重建后的第一GOCI水色图像和第二GOCI水色图像确定对应区域的洋流流场，包括：
根据预设缩放层级倍数对超分辨率重建后的第一GOCI水色图像和第二GOCI水色图像进行缩小，在缩小后的水色图像上进行初步MCC匹配，以预设步长为半径，确定对应的匹配区域；
在超分辨率重建后的第一GOCI水色图像和第二GOCI水色图像上对应所述匹配区域的区域内进行精确的MCC匹配，确定洋流流场。
4.根据权利要求3所述的GOCI水色图像洋流流场的确定方法，其特征在于，所述MCC匹配包括以下步骤：
给定两个待计算的图像，将第一张图像作为模板图像，第二张图像作为待检索计算图像，对于模板图像中的匹配区域，在待检索计算图像中划定搜索范围作为检索窗口，选定初始匹配窗口，对检索窗口中的匹配窗口进行移动，通过比较MCC相关系数的大小确定最后的匹配窗口，匹配位置为MCC最大值的位置，其中，MCC相关系数的计算公式如下：
Figure FDA0003570724100000021
其中，(i,j)为匹配窗口的中心位置，p(i,j)为匹配窗口在模板图像中像素坐标为(i,j)的灰度值，M和N为窗口的大小，
Figure FDA0003570724100000022
为以(i,j)为中心的匹配窗口的灰度值平均值，(i+k,j+l)为初始匹配窗口的中心位置，q(i+k,j+l)为匹配窗口在待检索计算图像中像素坐标为(i+k,k+l)的灰度值，m和n为待检索计算图像中匹配窗口的检索范围大小。
5.根据权利要求4所述的GOCI水色图像洋流流场的确定方法，其特征在于，所述确定洋流流场，包括：
计算得到对应区域每个像素点的流速值与方向：
其中，流速值通过以下公式确定：
Figure FDA0003570724100000031
方向值通过以下方式确定：
Figure FDA0003570724100000032
v为估算的流速值，x与y分别为x轴和y轴方向的估算位移，T为图像对的时序时长，s为图像的分辨率。
6.根据权利要求3所述的GOCI水色图像洋流流场的确定方法，其特征在于，所述利用预先训练的超分辨率重建稀疏表示字典，分别对所述第一GOCI水色图像和所述第二GOCI水色图像进行超分辨率重建，包括：
采用预先训练的两个缩放倍数不同的超分辨率重建稀疏表示字典对所述第一GOCI水色图像和所述第二GOCI水色图像进行超分辨率重建，生成与所述第一GOCI水色图像对应的中分辨率图像和高分图像，以及与所述第二GOCI水色图像对应的中分辨率图像和高分图像。
7.根据权利要求6所述的GOCI水色图像洋流流场的确定方法，其特征在于，所述根据超分辨率重建后的第一GOCI水色图像和第二GOCI水色图像确定对应区域的洋流流场，包括：
根据预设缩放层级倍数对超分辨率重建后的第一GOCI水色图像和第二GOCI水色图像进行缩小，在缩小后的水色图像上进行初步MCC匹配，以预设步长为半径，确定对应的匹配区域；
在超分辨率重建后的第一GOCI水色图像和第二GOCI水色图像上对应的中分辨率图像上对应所述匹配区域的区域内进行第一次精确的MCC匹配，确定精确匹配区域；
在超分辨率重建后的第一GOCI水色图像和第二GOCI水色图像上对应的高分辨率图像上对应所述匹配区域的区域内进行第二次精确的MCC匹配，确定洋流流场。
8.GOCI水色图像洋流流场的确定装置，其特征在于，包括：
图像获取模块，用于获取第一时间点对应的第一GOCI水色图像和第二时间点对应的第二GOCI水色图像，所述第一时间点和第二时间点存在预设时间范围内的时间差；
超分辨率重建模块，用于利用预先训练的超分辨率重建稀疏表示字典，分别对所述第一GOCI水色图像和所述第二GOCI水色图像进行超分辨率重建；
洋流流场确定模块，用于根据超分辨率重建后的第一GOCI水色图像和第二GOCI水色图像确定对应区域的洋流流场。
9.一种电子设备，包括存储器和处理器，所述存储器上存储有计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1～7中任一项所述的方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1～7中任一项所述的方法。
CN202210348076.8A 2022-03-29 2022-03-29 Goci水色图像洋流流场的确定方法和装置 Pending CN114708145A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210348076.8A CN114708145A (zh) 2022-03-29 2022-03-29 Goci水色图像洋流流场的确定方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210348076.8A CN114708145A (zh) 2022-03-29 2022-03-29 Goci水色图像洋流流场的确定方法和装置

Publications (1)

Publication Number Publication Date
CN114708145A true CN114708145A (zh) 2022-07-05

Family

ID=82173114

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210348076.8A Pending CN114708145A (zh) 2022-03-29 2022-03-29 Goci水色图像洋流流场的确定方法和装置

Country Status (1)

Country Link
CN (1) CN114708145A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116597085A (zh) * 2023-05-18 2023-08-15 中山大学 一种三维流场重构方法、系统、电子设备及存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116597085A (zh) * 2023-05-18 2023-08-15 中山大学 一种三维流场重构方法、系统、电子设备及存储介质
CN116597085B (zh) * 2023-05-18 2023-12-12 中山大学 一种三维流场重构方法、系统、电子设备及存储介质

Similar Documents

Publication Publication Date Title
US11321593B2 (en) Method and apparatus for detecting object, method and apparatus for training neural network, and electronic device
CN111488985B (zh) 深度神经网络模型压缩训练方法、装置、设备、介质
CN111627015B (zh) 小样本缺陷识别方法、装置、设备及存储介质
CN110544214A (zh) 一种图像修复方法、装置及电子设备
CN107111786B (zh) 用于预测信息的系统、方法
CN113139543A (zh) 目标对象检测模型的训练方法、目标对象检测方法和设备
CN113205041A (zh) 结构化信息提取方法、装置、设备和存储介质
CN117152554A (zh) 基于ViT模型的病理切片数据识别方法及系统
CN115375999A (zh) 应用于危化品车检测的目标检测模型、方法及装置
CN113963009B (zh) 基于可形变划块的局部自注意力的图像处理方法和系统
CN114708145A (zh) Goci水色图像洋流流场的确定方法和装置
CN114202648B (zh) 文本图像矫正方法、训练方法、装置、电子设备以及介质
CN107977980B (zh) 一种目标跟踪方法、设备以及可读介质
CN112861940A (zh) 双目视差估计方法、模型训练方法以及相关设备
CN113128446A (zh) 一种基于信念图增强网络的人体姿态估计方法
CN115482248B (zh) 图像分割方法、装置、电子设备及存储介质
CN116596750A (zh) 一种点云处理方法、装置、电子设备及存储介质
CN116188917A (zh) 缺陷数据生成模型训练方法、缺陷数据生成方法及装置
CN112686882A (zh) 用于已架设在管道支撑架上的管道的稳定情况的检测方法
CN117372261B (zh) 基于卷积神经网络的分辨率重建方法、装置、设备及介质
CN112669212B (zh) 人脸图像超分辨率重建方法、装置、计算机设备及介质
CN115131401B (zh) 基于多尺度多方向核相关滤波的遥感视频目标跟踪方法
CN117237380B (zh) 一种图像分割方法、装置及电子设备
CN118172286B (zh) 车牌图像去模糊方法、模型训练方法、装置、设备及介质
CN116664399A (zh) 基于零样本学习的图像超分辨率处理方法、装置及设备

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