CN115326722B - 基于高光谱遥感数据的海洋赤潮预警方法 - Google Patents
基于高光谱遥感数据的海洋赤潮预警方法 Download PDFInfo
- Publication number
- CN115326722B CN115326722B CN202210969391.2A CN202210969391A CN115326722B CN 115326722 B CN115326722 B CN 115326722B CN 202210969391 A CN202210969391 A CN 202210969391A CN 115326722 B CN115326722 B CN 115326722B
- Authority
- CN
- China
- Prior art keywords
- pixel point
- hyperspectral
- pixel points
- remote sensing
- pixel
- 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 48
- 230000000694 effects Effects 0.000 claims abstract description 85
- 238000012545 processing Methods 0.000 claims abstract description 18
- 238000013528 artificial neural network Methods 0.000 claims abstract description 9
- 230000003595 spectral effect Effects 0.000 claims description 68
- 239000013598 vector Substances 0.000 claims description 50
- 239000011159 matrix material Substances 0.000 claims description 25
- 238000001228 spectrum Methods 0.000 claims description 24
- 230000009467 reduction Effects 0.000 claims description 18
- 230000004927 fusion Effects 0.000 claims description 14
- 230000000877 morphologic effect Effects 0.000 claims description 7
- 238000012512 characterization method Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 claims description 2
- 230000000875 corresponding effect Effects 0.000 abstract 3
- 238000001514 detection method Methods 0.000 description 15
- 230000008569 process Effects 0.000 description 9
- 238000000513 principal component analysis Methods 0.000 description 6
- 238000003384 imaging method Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000005211 surface analysis Methods 0.000 description 2
- 241001270131 Agaricus moelleri Species 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- 238000009360 aquaculture Methods 0.000 description 1
- 244000144974 aquaculture Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 229960001948 caffeine Drugs 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000009364 mariculture Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- RYYVLZVUVIJVGH-UHFFFAOYSA-N trimethylxanthine Natural products CN1C(=O)N(C)C(=O)C2=C1N=CN2C RYYVLZVUVIJVGH-UHFFFAOYSA-N 0.000 description 1
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
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
-
- 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
- G01N21/84—Systems specially adapted for particular applications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Remote Sensing (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像数据处理技术领域，具体涉及基于高光谱遥感数据的海洋赤潮预警方法。方法包括：对待检测的海洋表面的高光谱遥感图像进行降维，得到对应的效果图；根据效果图中各像素点的高光谱幅值，得到任意两个像素点的第一关联系数和第二关联系数；根据第一关联系数、第二关联系数和空间距离，得到任意两个像素点的关联因子；根据任意两个像素点的关联因子，得到多个子块；根据任意两个子块像素点的关联度，对各子块进行合并处理得到多个连通域；将各连通域的特征参数输入到神经网络中，得到各连通域对应的类别；根据疑似赤潮类别对应的连通域中像素点的数量，判断是否出现赤潮现象。本发明提高了赤潮现象的预警精度。
Description
技术领域
本发明涉及图像数据处理技术领域，具体涉及基于高光谱遥感数据的海洋赤潮预警方法。
背景技术
近年来连续发生的海洋赤潮，面积大、周期长，严重破坏了海洋生态系统，给旅游业、渔业和水产养殖业造成了巨大损失。因此，对海洋赤潮发生子块及时进行监测预警，可以有助于政府和相关部门采取相应措施，减少赤潮带来的经济损失，对保护海洋生态环境也具有重要意义。赤潮检测预警是为了及时了解赤潮发展的现状和趋势，保护海洋生态系统，保障人体健康和生命安全，减轻和避免有害藻华对海水养殖、捕捞渔业、滨海旅游等海洋产业的损害，防止和减轻海洋赤潮灾害造成的损失，并为赤潮的预测、早期预警系统的建立提供服务。目前赤潮检测一般包括两种方法：检测人员现场检测以及遥感检测，人为检测不具有实时性，检测精度低；遥感检测具有大面积、同步、成像方便以及成本低等优势，但是具有重复观测周期长，空间分辨率低等难以克服的缺陷，因此，不能进行定量分析，无法对赤潮做出精确检测。
发明内容
为了解决现有方法对海洋赤潮进行检测时存在的检测精度低的问题，本发明的目的在于提供一种基于高光谱遥感数据的海洋赤潮预警方法，所采用的技术方案具体如下：
本发明提供了一种基于高光谱遥感数据的海洋赤潮预警方法，该方法包括以下步骤：
获取待检测的海洋表面的高光谱遥感图像；
根据所述海洋表面的高光谱遥感图像中像素点的光谱信息值，对所述海洋表面的高光谱遥感图像进行降维处理，得到预设维数的高光谱遥感图像；根据预设维数的高光谱遥感图像中各像素点的色彩分布特征、纹理特征向量和光谱信息值，对所述预设维数的高光谱遥感图像进行降维处理，得到待检测的海洋表面的效果图；
根据待检测的海洋表面的效果图中各像素点对应的高光谱幅值，计算所述效果图中任意两个像素点的第一关联系数；根据待检测的海洋表面的效果图中任意两个像素点的光谱差值，得到所述效果图中任意两个像素点的第二关联系数；根据任意两个像素点的第一关联系数、第二关联系数和空间距离，得到任意两个像素点的关联因子；根据任意两个像素点的关联因子，对所述效果图进行划分，得到多个子块；根据任意两个子块像素点的关联度，对各子块进行合并处理，得到多个连通域；
将各连通域对应的特征参数输入到训练好的目标神经网络中，得到各连通域对应的类别；所述类别包括疑似赤潮类别和正常类别；根据疑似赤潮类别对应的连通域中像素点的数量，判断待检测的海洋表面是否出现赤潮现象；所述特征参数是根据各像素点对应的光谱向量和各像素点的灰度值得到的。
优选的，所述根据预设维数的高光谱遥感图像中各像素点的色彩分布特征、纹理特征向量和光谱信息值，对所述预设维数的高光谱遥感图像进行降维处理，得到待检测的海洋表面的效果图，包括：
根据预设维数的高光谱遥感图像中像素点的灰度值，得到各维高光谱遥感图像中各像素点的色彩分布特征；
根据预设维数的高光谱遥感图像中各像素点对应的灰度共生矩阵，得到各维高光谱遥感图像中各像素点对应的能量值、熵值和对比度值；根据所述各像素点对应的能量值、熵值和对比度值，构建各维高光谱遥感图像中各像素点对应的纹理特征向量；
根据各维高光谱遥感图像中各像素点的色彩分布特征、各像素点对应的纹理特征向量和各像素点的光谱信息值，构建各像素点对应的多元组；根据所述各像素点对应的多元组，对所述预设维数的高光谱遥感图像进行降维处理，得到待检测的海洋表面的效果图；
所述各像素点对应的灰度共生矩阵为：以各像素点为中心，构建预设大小的窗口，根据窗口内的像素点的灰度值，构建各像素点对应的灰度共生矩阵。
优选的，采用如下公式计算所述效果图中任意两个像素点的第一关联系数：
其中，r1(c,k)为待检测的海洋表面的效果图中第c个像素点和第k个像素点的第一关联系数，F为待检测的海洋表面的效果图中所包含的高光谱波段数，xcf为第f个高光谱波段中第c个像素点对应的高光谱幅值，xkf为第f个高光谱波段中第k个像素点对应的高光谱幅值，
为第c个像素点对应的高光谱幅值的均值，/>
为第k个像素点对应的高光谱幅值的均值；
所述第c个像素点对应的高光谱幅值的均值，包括：
计算各高光谱波段中第c个像素点的高光谱幅值的均值，将所述均值记为第c个像素点对应的高光谱幅值的均值；
所述第k个像素点对应的高光谱幅值的均值，包括：
计算各高光谱波段中第k个像素点的高光谱幅值的均值，将所述均值记为第k个像素点对应的高光谱幅值的均值。
优选的，所述根据待检测的海洋表面的效果图中任意两个像素点的光谱差值，得到所述效果图中任意两个像素点的第二关联系数，包括：
对于待检测的海洋表面的效果图中的第c个像素点和第k个像素点：
根据各高光谱波段中第c个像素点和第k个像素点的光谱差值，拟合得到对应的形态差异曲线；
根据所述形态差异曲线中光谱差异值的总类数、各类中光谱差异值出现的次数和光谱差异值的方差，计算待检测的海洋表面的效果图中第c个像素点和第k个像素点的第二关联系数。
优选的，采用如下公式计算待检测的海洋表面的效果图中第c个像素点和第k个像素点的第二关联系数：
其中，r2(c,k)为待检测的海洋表面的效果图中第c个像素点和第k个像素点的第二关联系数，wd为第c个像素点和第k个像素点对应的形态差异曲线中光谱差异值d出现的次数，D为第c个像素点和第k个像素点对应的形态差异曲线中光谱差异值的总类数，δ为第c个像素点和第k个像素点对应的光谱差异值的方差，γ为大于零的模型参数。
优选的，采用如下公式计算任意两个像素点的关联因子：
其中，r(c,k)为待检测的海洋表面的效果图中第c个像素点和第k个像素点的关联因子，xc为待检测的海洋表面的效果图中第c个像素点对应的光谱向量，xk为待检测的海洋表面的效果图中第k个像素点对应的光谱向量，cos<xc,xk>为xc和xk的余弦相似度，R1(c,k)为待检测的海洋表面的效果图中第c个像素点和第k个像素点的第一关联系数的归一化后的值，R2(c,k)为待检测的海洋表面的效果图中第c个像素点和第k个像素点的第二关联系数的归一化后的值，Tc,k为待检测的海洋表面的效果图中第c个像素点和第k个像素点之间的空间距离，e为自然常数；
所述第c个像素点对应的光谱向量，包括：
获取各高光谱波段中第c个像素点的高光谱幅值；根据各高光谱波段中第c个像素点的高光谱幅值，构建该像素点对应的光谱向量；所述光谱向量中的各元素为各高光谱波段中第c个像素点的高光谱幅值。
优选的，所述根据任意两个像素点的关联因子，对所述效果图进行划分，得到多个子块，包括：
对任意两个像素点的关联因子进行归一化处理，得到归一化后的关联因子；
判断归一化后的关联因子是否大于关联阈值，若大于，则判定对应两个像素点属于同一子块。
优选的，所述根据任意两个子块像素点的关联度，对各子块进行合并处理，得到多个连通域，包括：
构建如下的子块融合模型：
其中，R(a,b)为子块a和子块b之间的融合指标，R(Za)为子块a内像素点的关联度，R(Zb)为子块b内像素点的关联度，R(Za,Zb)为子块a和子块b内像素点的关联度；所述子块a内像素点的关联度为：子块a内两两像素点的关联因子的均值；子块b内像素点的关联度为：子块b内两两像素点的关联因子的均值；子块a和子块b内像素点的关联度为：子块a和子块b中任意两个像素点的关联因子的均值；
判断两个子块之间的融合指标是否为1，若为1，则将两个子块进行合并处理；若不为1，则两个子块不进行合并处理。
优选的，特征参数的获取，包括：
对于任一连通域：
获取该连通域中各像素点对应的光谱向量；根据该连通域中各像素点对应的光谱向量，得到该连通域中各像素点对应的光谱向量的均值向量；将所述均值向量作为该连通域的光谱信息表征向量；
获取该连通域中像素点的灰度均值；
将所述光谱信息表征向量和灰度均值作为特征参数。
优选的，所述根据疑似赤潮类别对应的连通域中像素点的数量，判断待检测的海洋表面是否出现赤潮现象，包括：
统计待检测的海洋表面的高光谱遥感图像中疑似赤潮连通域中像素点的总个数；
判断所述总个数是否大于预设条件，若大于，则判定待检测的海洋表面出现赤潮现象；若小于等于，则判定待检测的海洋表面未出现赤潮现象。
本发明具有如下有益效果：本发明首先获取了待检测的海洋表面的高光谱遥感图像，对海洋表面的高光谱遥感图像进行降维处理，得到预设维数的高光谱遥感图像；然后再次对预设维数的高光谱遥感图像进行降维处理，得到待检测的海洋表面的效果图；根据待检测的海洋表面的效果图中各像素点对应的高光谱幅值，计算效果图中任意两个像素点的第一关联系数；根据待检测的海洋表面的效果图中任意两个像素点的光谱差值，得到效果图中任意两个像素点的第二关联系数；接着根据任意两个像素点的第一关联系数、第二关联系数和空间距离，得到任意两个像素点的关联因子，两个像素点的关联因子越大，说明这两个像素点的空间距离较近且这两个像素点的特征较相似，这两个像素点越应当分到一起，基于此，本发明根据任意两个像素点的关联因子，对图像进行初步划分，得到多个子块；考虑到初步划分结果可能会出现过分割现象，因此本发明对初步划分之后的各子块进行关联度分析，以防止子块的过分割现象，实现对图像的准确划分，即根据任意两个子块像素点的关联度，对各子块进行合并处理，得到多个连通域；将各连通域对应的特征参数输入到训练好的目标神经网络中，得到各连通域对应的类别；根据疑似赤潮类别对应的连通域中像素点的数量，判断待检测的海洋表面是否出现赤潮现象。本发明提供的方法能够提高赤潮现象的检测精度，实现对海洋表面的赤潮状况的预警，以便相关人员实时了解海洋表面的状况，及时采取相应的措施，避免大面积赤潮现象出现。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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它附图。
图1为本发明所提供的一种基于高光谱遥感数据的海洋赤潮预警方法的流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种基于高光谱遥感数据的海洋赤潮预警方法进行详细说明如下。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种基于高光谱遥感数据的海洋赤潮预警方法的具体方案。
基于高光谱遥感数据的海洋赤潮预警方法实施例
现有方法对海洋赤潮进行检测时存在检测精度低的问题。为了解决上述问题，本实施例提出了基于高光谱遥感数据的海洋赤潮预警方法，如图1所示，本实施例的基于高光谱遥感数据的海洋赤潮预警方法包括以下步骤：
步骤S1，获取待检测的海洋表面的高光谱遥感图像。
本实施例通过高光谱遥感成像采集系统获取海洋表面的高光谱遥感图像数据，本实施例中所述高光谱遥感成像采集系统安装在无人机上，实施者根据实际状况设置无人机飞行速度、飞行路线以及飞行高度，无人机根据设定的路线在海洋上方进行飞行，通过机载高光谱遥感成像采集系统采集海洋表面的高光谱遥感图像数据，用于后期对海洋表面的赤潮状况进行检测判定。
至此，采用上述方法获取待检测的海洋表面的高光谱遥感图像，用于对海洋表面状况进行检测分析，以便后续识别海洋的赤潮现象。
步骤S2，根据所述海洋表面的高光谱遥感图像中像素点的光谱信息值，对所述海洋表面的高光谱遥感图像进行降维处理，得到预设维数的高光谱遥感图像；根据预设维数的高光谱遥感图像中各像素点的色彩分布特征、纹理特征向量和光谱信息值，对所述预设维数的高光谱遥感图像进行降维处理，得到待检测的海洋表面的效果图。
获取待检测的海洋表面高光谱遥感图像后，本实施例将对待检测的海洋表面状况进行分析，对海洋表面高光谱遥感图像进行划分，建立海洋表面分析模型，以得到海洋表面的各子块，便于对赤潮像素点进行准确识别。
考虑到高光谱遥感成像采集系统所获取的待检测的海洋表面高光谱遥感图像数据是由无数波段组合得到的一个多维图像数据，也即高光谱遥感图像数据为多维度图像数据，本实施例将其维度记为n，多维高光谱遥感图像中存在较多的冗余信息，为降低无关因素的影响，减少系统的检测量，提高系统的分析速度，本实施例对采集的待检测的海洋表面高光谱遥感图像进行主成分分析，以对海洋高光谱遥感图像进行降维处理。
具体的，首先基于待检测的海洋表面高光谱遥感图像构建数据矩阵：
其中，X为待检测的海洋表面高光谱遥感图像对应的数据矩阵，n为待检测的海洋表面高光谱遥感图像的维数，也即数据矩阵的行数，N为待检测的海洋表面高光谱遥感图像中像素点的个数，也即数据矩阵的列数，xnN为待检测的海洋表面高光谱遥感图像第n维第N个像素点的光谱信息值。
获取所述数据矩阵之后，进一步通过主成分分析算法对所述数据矩阵进行降维处理，主成分分析算法是基于矩阵中的各元素对数据矩阵进行降维的，最后将求解得到的特征向量按对应特征值大小由上至下以行的形式排列成矩阵，本实施例中取前m行作为投影矩阵，其中，m<n。基于投影矩阵及数据矩阵获取主成分分析后的m维高光谱遥感图像。主成分分析算法为现有技术，此处不再阐述。
为实现对海洋表面特征的准确提取，防止噪声及冗余信息的影响，本实施例结合待检测的海洋表面实际结构特征信息对所述m维高光谱遥感图像更进一步分析。对于每个维度图像中的各像素点，本实施例将构建一个多元组，用于对该维度下像素点的特征进行表征。
对于第i维高光谱遥感图像中第j个像素点：
该像素点对应的多元组的构建过程为：
1、本实施例对m维高光谱遥感图像的色彩值进行等级划分，分为L个灰度等级，建立像素点色彩分布特征：
其中，
为第i维高光谱遥感图像中第j个像素点的灰度值所在灰度等级的像素点的数量，τij为第i维高光谱遥感图像中第j个像素点的色彩分布特征。
2、为实现对高光谱遥感图像中特征的准确表征，本实施例对各像素点的纹理特征描述子进行提取，对于该像素点：将其作为中心点建立p*p的窗口，基于所得到的窗口内的像素点的灰度值计算该像素点对应的灰度共生矩阵，并基于灰度共生矩阵得到对应的能量值ASM、熵值ENT以及对比度值Con，灰度共生矩阵、能量值、熵值和对比度值的具体计算过程为现有技术，此处不再阐述；根据得到的能量值、熵值和对比度值，构建该像素点对应的纹理特征向量h＝[ASM,ENT,Con]，本实施例将该像素点对应的纹理特征向量作为该像素点的纹理特征描述子，本实施例设置p的值为11，在具体应用中，实施者可自行设置。
3、本实施例基于该像素点的色彩分布特征、纹理特征向量以及光谱特征构建该像素点对应的多元组vij＝[τij,ij,xij]，其中，i＝1,2,…,n，j＝1,2,…,N，hij为待检测的海洋表面高光谱遥感图像第i维第j个像素点的纹理特征描述子，xij为待检测的海洋表面高光谱遥感图像第i维第j个像素点的光谱信息值。
至此，采用上述方法得到每个维度高光谱遥感图像中每个像素点对应的多元组。
本实施例根据每个维度高光谱遥感图像中每个像素点对应的多元组，构建图像对应的矩阵，根据构建的矩阵再次进行主成分分析(矩阵中的每个元素为二元组)，即对m维高光谱遥感图像进行降维处理，以获取s维的高光谱遥感图像(其中s<m)，将其记为待检测的海洋表面的效果图，用于对海洋表面的状况进行检测分析。待检测的海洋表面的效果图融合了海洋表面的光谱以及色彩分布、纹理结构信息，能够更加准确地表征待检测的海洋表面的特征信息，同时能够有效降低无关冗余特征的影响，提高后续海洋赤潮预警系统的精度。
步骤S3，根据待检测的海洋表面的效果图中各像素点对应的高光谱幅值，计算所述效果图中任意两个像素点的第一关联系数；根据待检测的海洋表面的效果图中任意两个像素点的光谱差值，得到所述效果图中任意两个像素点的第二关联系数；根据任意两个像素点的第一关联系数、第二关联系数和空间距离，得到任意两个像素点的关联因子；根据任意两个像素点的关联因子，对所述效果图进行划分，得到多个子块；根据任意两个子块像素点的关联度，对各子块进行合并处理，得到多个连通域。
本实施例对待检测的海洋表面的效果图进行划分，以获取各子块，用于对赤潮状况进行识别检测，本实施例对待检测的海洋表面的效果图(s维效果图)中像素点之间的相关程度进行分析，建立关联因子，用于对效果图进行子块划分。
所述关联因子构建过程具体为：
对于待检测的海洋表面的效果图中的任意两个像素点：
1、基于光谱波段特征信息对其进行相似程度的分析，建立第一关联系数：
其中，r1(c,k)为待检测的海洋表面的效果图中第c个像素点和第k个像素点的第一关联系数，F为待检测的海洋表面的效果图中所包含的高光谱波段数，xcf为第f个高光谱波段中第c个像素点对应的光谱信息(高光谱幅值)，xkf为第f个高光谱波段中第k个像素点对应的光谱信息(高光谱幅值)，
为第c个像素点对应的高光谱幅值的均值，/>
为第k个像素点对应的高光谱幅值的均值；所述第c个像素点对应的高光谱幅值的均值的获取过程为：计算所有高光谱波段中第c个像素点的高光谱幅值的和，然后再求平均，得到的均值即为第c个像素点对应的高光谱幅值的均值；所述第k个像素点对应的高光谱幅值的均值的获取过程为：计算所有高光谱波段中第k个像素点的高光谱幅值的和，然后再求平均，得到的均值即为第k个像素点对应的高光谱幅值的均值。
本实施例对第一关联系数进行归一化处理，保证函数值处于[0,1]，归一化处理后的第一关联系数的值越大，则说明这两个像素点的光谱特征信息相似程度越高。
2、为实现对像素点之间的关联程度进行准确分析，本实施例进一步基于两个像素点对应的光谱向量的形态特征对像素点之间的相似程度进行分析，所述形态特征具体为：对于第c个像素点和第k个像素点，本实施例获取各高光谱波段中第c个像素点和第k个像素点的光谱差值，并基于各高光谱波段中第c个像素点和第k个像素点的光谱差值拟合一条曲线，记为形态差异曲线，本实施例基于所述形态差异曲线对像素点之间的关联程度进行分析，建立第二关联系数：
其中，r2(c,k)为待检测的海洋表面的效果图中第c个像素点和第k个像素点的第二关联系数，wd为第c个像素点和第k个像素点对应的形态差异曲线中光谱差异值d出现的次数，D为第c个像素点和第k个像素点对应的形态差异曲线中光谱差异值的总类数，相同的光谱差异值为同一类，δ为第c个像素点和第k个像素点对应的光谱差异值的方差，γ为大于零的模型参数，本实施例设置γ＝3，在具体应用中，实施者可自行设置。
第二关联系数的值越大，则说明这两个像素点对应的光谱向量的形态相似程度越高。
3、本实施例基于第一关联系数、第二关联系数以及像素点之间的空间分布关系，对像素点之间的关联因子进行构建，以便海洋表面高光谱遥感图像进行子块划分，所述关联因子具体为：
其中，r(c,k)为待检测的海洋表面的效果图中第c个像素点和第k个像素点的关联因子，xc为待检测的海洋表面的效果图中第c个像素点对应的光谱向量，xk为待检测的海洋表面的效果图中第k个像素点对应的光谱向量，cos<xc,xk>为xc和xk的余弦相似度，R1(c,k)为待检测的海洋表面的效果图中第c个像素点和第k个像素点的第一关联系数的归一化后的值，R2(c,k)为待检测的海洋表面的效果图中第c个像素点和第k个像素点的第二关联系数的归一化后的值，e为自然常数，Tc,k为待检测的海洋表面的效果图中第c个像素点和第k个像素点之间的空间距离，空间距离方法有很多，本实施例将两点之间的欧式距离作为其空间距离；待检测的海洋表面的效果图中第c个像素点对应的光谱向量的获取过程为：获取所有高光谱波段中第c个像素点的高光谱幅值，根据所有高光谱波段中第c个像素点的高光谱幅值，构建该像素点对应的光谱向量xc，即xc＝(xc1,xc2,…,xcF)，其中，xc1为第1个高光谱波段中第c个像素点的高光谱幅值，xc2为第2个高光谱波段中第c个像素点的高光谱幅值，xcF为第F个高光谱波段中第c个像素点的高光谱幅值；同理，采用上述方法能够得到待检测的海洋表面的效果图中第k个像素点对应的光谱向量xk，即xk＝(xk1,xk2,…,xkF)，其中，xk1为第1个高光谱波段中第k个像素点的高光谱幅值，xk2为第2个高光谱波段中第k个像素点的高光谱幅值，xkF为第F个高光谱波段中第k个像素点的高光谱幅值。
对得到的关联因子进行归一化处理，保证其值始终处于[0,1]，后续提到的关联因子均为归一化处理后的关联因子。
利用上述方法得到待检测的海洋表面的效果图中任意两个像素点的关联因子，用于对待检测的海洋表面的高光谱遥感图像进行子块划分。
对于待检测的海洋表面的效果图，本实施例基于像素点之间的关联因子对图像进行子块划分，归一化处理后的关联因子的值越大，说明两个像素点之间的关联性越高，则这两个像素点越可能被分为一个子块，本实施例设置关联阈值r0，对图像进行初步划分，初步得到特征相似的像素点组成的各子块，当两个像素点的关联因子大于r0时，则判定这两个像素点属于同一子块，至此，即可实现对待检测的海洋表面的效果图进行初步划分，也可实现对待检测的海洋表面的高光谱遥感图像的划分；本实施例设置关联阈值r0为0.7，在具体应用中，r0的取值实施者可自行设置。
考虑到初步划分结果可能会出现过分割现象，因此本实施例对初步划分之后的各子块进行关联度分析，以防止子块的过分割现象，实现对图像的准确划分，对于初步获取的各子块，本实施例构建子块融合模型：
其中，R(a,b)为子块a和子块b之间的融合指标，R(Za)为子块a内像素点的关联度，R(Zb)为子块b内像素点的关联度，R(Za,Zb)为子块a和子块b内像素点的关联度。子块a内像素点的关联度为：子块a内两两像素点的关联因子的均值；子块b内像素点的关联度为：子块b内两两像素点的关联因子的均值；子块a和子块b内像素点的关联度为：子块a和子块b中任意两个像素点的关联因子的均值。
当两个子块之间的融合指标为1时，则说明两个子块的关联程度较高，将两个子块进行合并处理；当两个子块之间的融合指标为0时，则说明两个子块的关联程度较低，不进行子块之间的融合。
根据所述方法对各子块进行融合合并处理，并对融合后的各子块进行迭代融合，直至各子块之间不再满足融合模型，至此，即可实现对高光谱遥感图像进行精确划分，得到多个连通域。
采用上述方法，实现对待检测的海洋表面图像数据的分割处理，得到最终的海洋表面分析图，也即子块划分的最终图像，以便对待检测的海洋表面的赤潮现象进行检测识别。
步骤S4，将各连通域对应的特征参数输入到训练好的目标神经网络中，得到各连通域对应的类别；所述类别包括疑似赤潮类别和正常类别；根据疑似赤潮类别对应的连通域中像素点的数量，判断待检测的海洋表面是否出现赤潮现象；所述特征参数是根据各像素点对应的光谱向量和各像素点的灰度值得到的。
现有方法判断待检测的海洋表面是否出现赤潮现象时，往往是将待检测的海洋表面的高光谱遥感图像输入到目标神经网络中，利用目标神经网络判断待检测的海洋表面是否出现赤潮现象，考虑到这种方法可能会将正常像素点判定为赤潮像素点，也可能会将赤潮像素点判定为正常像素点，影响后续的检测精度，本实施例在上述步骤中得到了划分好的多个连通域的图像，每个连通域内像素点的特征相似，因此，本实施例将基于连通域进行分析，利用神经网络判断各连通域的类别，判断结果会更加准确，提高后续的检测精度。基于此，本实施例对各连通域进行识别，以检测海洋表面的赤潮状况。
对于任一连通域，其识别过程具体为：
获取该连通域对应的光谱信息表征值，本实施例将该连通域内所有像素点光谱向量的均值向量作为该连通域的光谱信息表征向量u；同时，本实施例获取该连通域内所有像素点的灰度均值
将所述光谱信息表征向量以及灰度均值作为特征参数对连通域进行识别。
具体的，基于该连通域的特征参数，本实施例利用分类网络对该连通域进行识别，现有分类网络模型有很多种，本实施例采用的是全连接分类网络，在具体应用中，实施者可自行选取；网络的输入为连通域的特征参数，网络输出为连通域的类别，网络训练过程中需要对连通域的类别进行人为标注，所述类别包括正常类别和疑似赤潮类别，网络训练的损失函数为均方差损失函数，网络的训练过程为现有技术，此处不再赘述。将该连通域的特征参数输入到训练好的神经网络中，得到该连通域的类别。
至此，即可采用上述方法，得到所有连通域的类别。
接下来本实施例基于各连通域的类别，统计所有疑似赤潮连通域中像素点的总个数Q，判断
是否成立，若成立，则判定待检测的海洋表面出现赤潮现象，系统将给予红灯闪烁预警，提示相关管理人员及时采取相应的措施，以防止海洋表面发生大量的赤潮状况；若不成立，则系统处于绿灯常亮状态；其中，/>
为向下取整，T为预设阈值，在具体应用中，实施者可根据海洋表面赤潮大数据以及实际情况进行设置。
至此，即可通过本实施例提供的方法实现对待检测的海洋表面的赤潮状况进行检测。若待检测的海洋表面出现赤潮现象，则给予预警以便相关人员实时了解海洋表面的状况，及时采取相应的措施，避免大面积赤潮现象出现。
本实施例首先获取了待检测的海洋表面的高光谱遥感图像，对海洋表面的高光谱遥感图像进行降维处理，得到预设维数的高光谱遥感图像；然后再次对预设维数的高光谱遥感图像进行降维处理，得到待检测的海洋表面的效果图；根据待检测的海洋表面的效果图中各像素点对应的高光谱幅值，计算效果图中任意两个像素点的第一关联系数；根据待检测的海洋表面的效果图中任意两个像素点的光谱差值，得到效果图中任意两个像素点的第二关联系数；接着根据任意两个像素点的第一关联系数、第二关联系数和空间距离，得到任意两个像素点的关联因子，两个像素点的关联因子越大，说明这两个像素点的空间距离较近且这两个像素点的特征较相似，这两个像素点越应当分到一起，基于此，本实施例根据任意两个像素点的关联因子，对图像进行初步划分，得到多个子块；考虑到初步划分结果可能会出现过分割现象，因此本实施例对初步划分之后的各子块进行关联度分析，以防止子块的过分割现象，实现对图像的准确划分，即根据任意两个子块像素点的关联度，对各子块进行合并处理，得到多个连通域；将各连通域对应的特征参数输入到训练好的目标神经网络中，得到各连通域对应的类别；根据疑似赤潮类别对应的连通域中像素点的数量，判断待检测的海洋表面是否出现赤潮现象。本实施例提供的方法能够提高赤潮现象的检测精度，实现对海洋表面的赤潮状况的预警，以便相关人员实时了解海洋表面的状况，及时采取相应的措施，避免大面积赤潮现象出现。
需要说明的是：以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于高光谱遥感数据的海洋赤潮预警方法，其特征在于，该方法包括以下步骤：
获取待检测的海洋表面的高光谱遥感图像；
根据所述海洋表面的高光谱遥感图像中像素点的光谱信息值，对所述海洋表面的高光谱遥感图像进行降维处理，得到预设维数的高光谱遥感图像；根据预设维数的高光谱遥感图像中各像素点的色彩分布特征、纹理特征向量和光谱信息值，对所述预设维数的高光谱遥感图像进行降维处理，得到待检测的海洋表面的效果图；
根据待检测的海洋表面的效果图中各像素点对应的高光谱幅值，计算所述效果图中任意两个像素点的第一关联系数；根据待检测的海洋表面的效果图中任意两个像素点的光谱差值，得到所述效果图中任意两个像素点的第二关联系数；根据任意两个像素点的第一关联系数、第二关联系数和空间距离，得到任意两个像素点的关联因子；根据任意两个像素点的关联因子，对所述效果图进行划分，得到多个子块；根据任意两个子块像素点的关联度，对各子块进行合并处理，得到多个连通域；
将各连通域对应的特征参数输入到训练好的目标神经网络中，得到各连通域对应的类别；所述类别包括疑似赤潮类别和正常类别；根据疑似赤潮类别对应的连通域中像素点的数量，判断待检测的海洋表面是否出现赤潮现象；所述特征参数是根据各像素点对应的光谱向量和各像素点的灰度值得到的；
采用如下公式计算所述效果图中任意两个像素点的第一关联系数：
其中，
为待检测的海洋表面的效果图中第c个像素点和第k个像素点的第一关联系数，/>
为待检测的海洋表面的效果图中所包含的高光谱波段数，/>
为第f个高光谱波段中第c个像素点对应的高光谱幅值，/>
为第f个高光谱波段中第k个像素点对应的高光谱幅值，/>
为第c个像素点对应的高光谱幅值的均值，/>
为第k个像素点对应的高光谱幅值的均值；
所述第c个像素点对应的高光谱幅值的均值，包括：
计算各高光谱波段中第c个像素点的高光谱幅值的均值，将所述均值记为第c个像素点对应的高光谱幅值的均值；
所述第k个像素点对应的高光谱幅值的均值，包括：
计算各高光谱波段中第k个像素点的高光谱幅值的均值，将所述均值记为第k个像素点对应的高光谱幅值的均值；
所述根据待检测的海洋表面的效果图中任意两个像素点的光谱差值，得到所述效果图中任意两个像素点的第二关联系数，包括：
对于待检测的海洋表面的效果图中的第c个像素点和第k个像素点：
根据各高光谱波段中第c个像素点和第k个像素点的光谱差值，拟合得到对应的形态差异曲线；
根据所述形态差异曲线中光谱差异值的总类数、各类中光谱差异值出现的次数和光谱差异值的方差，采用如下公式计算待检测的海洋表面的效果图中第c个像素点和第k个像素点的第二关联系数：
其中，
为待检测的海洋表面的效果图中第c个像素点和第k个像素点的第二关联系数，/>
为第c个像素点和第k个像素点对应的形态差异曲线中光谱差异值d出现的次数，/>
为第c个像素点和第k个像素点对应的形态差异曲线中光谱差异值的总类数，/>
为第c个像素点和第k个像素点对应的光谱差异值的方差，/>
为大于零的模型参数；
采用如下公式计算任意两个像素点的关联因子：
其中，
为待检测的海洋表面的效果图中第c个像素点和第k个像素点的关联因子，
为待检测的海洋表面的效果图中第c个像素点对应的光谱向量，/>
为待检测的海洋表面的效果图中第k个像素点对应的光谱向量，/>
为/>
和/>
的余弦相似度，/>
为待检测的海洋表面的效果图中第c个像素点和第k个像素点的第一关联系数的归一化后的值，
为待检测的海洋表面的效果图中第c个像素点和第k个像素点的第二关联系数的归一化后的值，/>
为待检测的海洋表面的效果图中第c个像素点和第k个像素点之间的空间距离，/>
为自然常数；
所述第c个像素点对应的光谱向量，包括：
获取各高光谱波段中第c个像素点的高光谱幅值；根据各高光谱波段中第c个像素点的高光谱幅值，构建该像素点对应的光谱向量；所述光谱向量中的各元素为各高光谱波段中第c个像素点的高光谱幅值。
2.根据权利要求1所述的基于高光谱遥感数据的海洋赤潮预警方法，其特征在于，所述根据预设维数的高光谱遥感图像中各像素点的色彩分布特征、纹理特征向量和光谱信息值，对所述预设维数的高光谱遥感图像进行降维处理，得到待检测的海洋表面的效果图，包括：
根据预设维数的高光谱遥感图像中像素点的灰度值，得到各维高光谱遥感图像中各像素点的色彩分布特征；
根据预设维数的高光谱遥感图像中各像素点对应的灰度共生矩阵，得到各维高光谱遥感图像中各像素点对应的能量值、熵值和对比度值；根据所述各像素点对应的能量值、熵值和对比度值，构建各维高光谱遥感图像中各像素点对应的纹理特征向量；
根据各维高光谱遥感图像中各像素点的色彩分布特征、各像素点对应的纹理特征向量和各像素点的光谱信息值，构建各像素点对应的多元组；根据所述各像素点对应的多元组，对所述预设维数的高光谱遥感图像进行降维处理，得到待检测的海洋表面的效果图；
所述各像素点对应的灰度共生矩阵为：以各像素点为中心，构建预设大小的窗口，根据窗口内的像素点的灰度值，构建各像素点对应的灰度共生矩阵。
3.根据权利要求1所述的基于高光谱遥感数据的海洋赤潮预警方法，其特征在于，所述根据任意两个像素点的关联因子，对所述效果图进行划分，得到多个子块，包括：
对任意两个像素点的关联因子进行归一化处理，得到归一化后的关联因子；
判断归一化后的关联因子是否大于关联阈值，若大于，则判定对应两个像素点属于同一子块。
4.根据权利要求1所述的基于高光谱遥感数据的海洋赤潮预警方法，其特征在于，所述根据任意两个子块像素点的关联度，对各子块进行合并处理，得到多个连通域，包括：
构建如下的子块融合模型：
其中，
为子块a和子块b之间的融合指标，/>
为子块a内像素点的关联度，
为子块b内像素点的关联度，/>
为子块a和子块b内像素点的关联度；所述子块a内像素点的关联度为：子块a内两两像素点的关联因子的均值；子块b内像素点的关联度为：子块b内两两像素点的关联因子的均值；子块a和子块b内像素点的关联度为：子块a和子块b中任意两个像素点的关联因子的均值；
判断两个子块之间的融合指标是否为1，若为1，则将两个子块进行合并处理；若不为1，则两个子块不进行合并处理。
5.根据权利要求1所述的基于高光谱遥感数据的海洋赤潮预警方法，其特征在于，特征参数的获取，包括：
对于任一连通域：
获取该连通域中各像素点对应的光谱向量；根据该连通域中各像素点对应的光谱向量，得到该连通域中各像素点对应的光谱向量的均值向量；将所述均值向量作为该连通域的光谱信息表征向量；
获取该连通域中像素点的灰度均值；
将所述光谱信息表征向量和灰度均值作为特征参数。
6.根据权利要求1所述的基于高光谱遥感数据的海洋赤潮预警方法，其特征在于，所述根据疑似赤潮类别对应的连通域中像素点的数量，判断待检测的海洋表面是否出现赤潮现象，包括：
统计待检测的海洋表面的高光谱遥感图像中疑似赤潮连通域中像素点的总个数；
判断所述总个数是否大于预设条件，若大于，则判定待检测的海洋表面出现赤潮现象；若小于等于，则判定待检测的海洋表面未出现赤潮现象。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210969391.2A CN115326722B (zh) | 2022-08-12 | 2022-08-12 | 基于高光谱遥感数据的海洋赤潮预警方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210969391.2A CN115326722B (zh) | 2022-08-12 | 2022-08-12 | 基于高光谱遥感数据的海洋赤潮预警方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115326722A CN115326722A (zh) | 2022-11-11 |
| CN115326722B true CN115326722B (zh) | 2023-03-28 |
Family
ID=83924750
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210969391.2A Active CN115326722B (zh) | 2022-08-12 | 2022-08-12 | 基于高光谱遥感数据的海洋赤潮预警方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115326722B (zh) |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103868865B (zh) * | 2014-02-24 | 2016-03-02 | 北京空间机电研究所 | 一种基于高光谱数据信息极大化的物质最优分类识别方法 |
| CN108256419B (zh) * | 2017-12-05 | 2018-11-23 | 交通运输部规划研究院 | 一种利用多光谱解译提取港口码头图像的方法 |
| CN108195771A (zh) * | 2017-12-18 | 2018-06-22 | 河海大学 | 一种海洋高光谱遥感影像目标识别方法 |
| CN110765941B (zh) * | 2019-10-23 | 2022-04-26 | 北京建筑大学 | 一种基于高分遥感影像的海水污染区域识别方法和设备 |
| CN111881953B (zh) * | 2020-07-14 | 2022-04-22 | 安徽大学 | 基于局部二值模式和knn分类器的遥感高光谱图像分类方法 |
| CN113092383A (zh) * | 2021-04-06 | 2021-07-09 | 宁波市测绘和遥感技术研究院 | 一种近海岸海洋赤潮识别方法 |
-
2022
- 2022-08-12 CN CN202210969391.2A patent/CN115326722B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN115326722A (zh) | 2022-11-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109978822B (zh) | 一种基于机器视觉的香蕉成熟度评判建模方法和评判方法 | |
| CN102842032B (zh) | 基于多模式组合策略的移动互联网色情图像识别方法 | |
| CN109325431B (zh) | 草原放牧绵羊采食路径中植被覆盖度的检测方法及其装置 | |
| CN108564085B (zh) | 一种自动读取指针式仪表读数的方法 | |
| CN111639587B (zh) | 基于多尺度谱空卷积神经网络的高光谱图像分类方法 | |
| CN106295124A (zh) | 利用多种图像检测技术综合分析基因子图相似概率量的方法 | |
| CN115994907B (zh) | 用于食品检测机构综合信息的智能处理系统及方法 | |
| CN103034838A (zh) | 一种基于图像特征的特种车辆仪表类型识别与标定方法 | |
| CN108960142B (zh) | 基于全局特征损失函数的行人再识别方法 | |
| CN109886146B (zh) | 基于机器视觉检测的洪灾信息遥感智能采集方法及设备 | |
| CN112241692B (zh) | 基于航拍图超像素纹理的渠道异物智能检测与分类方法 | |
| CN111291818B (zh) | 一种面向云掩膜的非均匀类别的样本均衡化方法 | |
| CN106951863A (zh) | 一种基于随机森林的变电站设备红外图像变化检测方法 | |
| CN109191467A (zh) | 一种细胞自噬表型的预测方法及装置 | |
| CN116468935A (zh) | 一种基于多核卷积网络的交通标志阶梯式分类识别方法 | |
| CN111882573A (zh) | 一种基于高分辨率影像数据的耕地地块提取方法及系统 | |
| Chou et al. | SHM data anomaly classification using machine learning strategies: A comparative study | |
| CN111046838A (zh) | 一种湿地遥感信息的识别方法及装置 | |
| Ji et al. | Apple color automatic grading method based on machine vision | |
| CN115326722B (zh) | 基于高光谱遥感数据的海洋赤潮预警方法 | |
| CN117115675A (zh) | 一种跨时相轻量化空谱特征融合高光谱变化检测方法、系统、设备及介质 | |
| CN116563889A (zh) | 一种基于机器视觉的蛋鸡体重预估设备及方法 | |
| CN107341456B (zh) | 一种基于单幅户外彩色图像的天气晴阴分类方法 | |
| CN114140698A (zh) | 一种基于FasterR-CNN的水系信息提取算法 | |
| CN112613371A (zh) | 一种基于密集连接卷积神经网络高光谱图像道路提取方法 |
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 |