CN116109829A - 一种基于融合网络的珊瑚礁水域图像分割方法 - Google Patents
一种基于融合网络的珊瑚礁水域图像分割方法 Download PDFInfo
- Publication number
- CN116109829A CN116109829A CN202310378938.6A CN202310378938A CN116109829A CN 116109829 A CN116109829 A CN 116109829A CN 202310378938 A CN202310378938 A CN 202310378938A CN 116109829 A CN116109829 A CN 116109829A
- Authority
- CN
- China
- Prior art keywords
- representing
- coral reef
- image
- aperture radar
- optical
- 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.)
- Granted
Links
- 235000014653 Carica parviflora Nutrition 0.000 title claims abstract description 142
- 230000004927 fusion Effects 0.000 title claims abstract description 90
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 54
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000003709 image segmentation Methods 0.000 title claims abstract description 38
- 244000132059 Carica parviflora Species 0.000 title description 3
- 241000243321 Cnidaria Species 0.000 claims abstract description 139
- 230000003287 optical effect Effects 0.000 claims abstract description 99
- 238000012545 processing Methods 0.000 claims abstract description 82
- 230000011218 segmentation Effects 0.000 claims abstract description 62
- 238000010606 normalization Methods 0.000 claims description 24
- 238000004590 computer program Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000012937 correction Methods 0.000 claims description 7
- 230000009466 transformation Effects 0.000 claims description 7
- 230000008901 benefit Effects 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 11
- 238000005516 engineering process Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 239000003643 water by type Substances 0.000 description 1
Images
Classifications
-
- 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
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Processing (AREA)
Abstract
本发明涉及图像处理技术领域，公开了一种基于融合网络的珊瑚礁水域图像分割方法，包括：获取珊瑚礁水域的光学遥感图像和合成孔径雷达图像；将珊瑚礁水域光学遥感图像通过光学处理分支得到光学特征；将珊瑚礁水域合成孔径雷达图像通过合成孔径雷达处理分支得到孔径雷达特征；融合光学特征和孔径雷达特征后得到融合特征；将融合特征输入至珊瑚礁水域遥感分割网络，得到珊瑚礁水域分割图像。本发明可同时兼备光学遥感图像获取颜色、纹理等信息和SAR图像在全天时全天候观测的优势；通过使用融合网络，分别提取两种不同图像的特征，并进行融合，再对融合特征分割，得到高精度的珊瑚礁水域分割图像。
Description
技术领域
本发明属于图像处理技术领域，尤其涉及一种基于融合网络的珊瑚礁水域图像分割方法。
背景技术
珊瑚礁是地球上生物多样性和生产力最高的生态系统之一。这些重要的栖息地提供重要的生态和经济效益，包括粮食安全、海岸保护和旅游业。然而，珊瑚礁正受到一系列压力因素的威胁，包括过度捕捞、气候变化和水质差。监测珊瑚礁水域对于了解这些生态系统的健康状况和识别潜在威胁至关重要。遥感技术可以在高空间分辨率大面积监测珊瑚礁水域。光学遥感图像和合成孔径雷达（Synthetic Aperture Radar，SAR）图像是两种有前途的珊瑚礁水体监测遥感技术。光学遥感图像可以提供有关颜色、纹理的详细信息，而SAR图像可以穿透云层并提供有关信息。图像分割涉及将图像划分为有意义的区域或对象，是遥感图像分析中的关键步骤。深度学习技术的最新进展通过实现大型数据集的自动分割彻底改变了遥感图像分析。深度学习算法旨在从复杂和嘈杂的数据中学习特征，并且可以在分割遥感图像时实现高精度。将光学遥感图像和SAR图像与深度学习技术相结合，可以更全面地了解珊瑚礁生态系统的健康状况。
发明内容
本发明的目的在于克服上述一种或多种现有的技术问题，提供一种基于融合网络的珊瑚礁水域图像分割方法。
为实现上述目的，本发明提供的一种基于融合网络的珊瑚礁水域图像分割方法，包括：
获取珊瑚礁水域的光学遥感图像和合成孔径雷达图像；
将所述珊瑚礁水域光学遥感图像通过光学处理分支得到光学特征；
将所述珊瑚礁水域合成孔径雷达图像通过合成孔径雷达处理分支得到孔径雷达特征；
融合所述光学特征和所述孔径雷达特征后得到融合特征；
将所述融合特征输入至珊瑚礁水域遥感分割网络，得到珊瑚礁水域分割图像。
根据本发明的一个方面，所述光学处理分支包含5个光学处理模块，将所述珊瑚礁水域的光学遥感图像输入至所述光学处理分支，通过卷积、批规范化、修正线性单元和离散小波变换对所述珊瑚礁水域的光学遥感图像处理，得到输出特征，公式为，
；
其中，表示通过第个光学处理模块后的输出特征；
表示核尺寸为3×3的卷积；
表示批规范化；
表示修正线性单元；
表示离散小波变换；
表示所述珊瑚礁水域光学的遥感图像；
对通过光学处理模块后的输出进行卷积处理后得到所述光学特征，公式为，
；
；
其中，表示根据第一个光学处理模块后得到的光学特征；
表示核尺寸为3×3的卷积；
表示通过第一个光学处理模块后的输出特征。
根据本发明的一个方面，所述合成孔径雷达处理分支包括五个合成孔径雷达处理模块，将所述珊瑚礁水域的合成孔径雷达图像输入至所述合成孔径雷达处理分支，通过卷积、批规范化、修正线性单元和离散小波变换对所述珊瑚礁水域的合成孔径雷达图像处理，得到中间特征，公式为，
；
其中，表示通过第个合成孔径雷达处理模块后的中间特征；
表示核尺寸为3×3的卷积；
表示批规范化；
表示修正线性单元；
表示离散小波变换；
表示所述珊瑚礁水域的合成孔径雷达图像；
对通过合成孔径雷达处理模块后的输出进行卷积处理后得到所述孔径雷达特征，公式为，
；
；
其中，表示根据第一个合成孔径雷达处理模块后得到的孔径雷达特征；
表示通过第个合成孔径雷达处理模块后的输出；
表示核尺寸为1×1的卷积；
表示通过第一个合成孔径雷达处理模块后的中间特征。
根据本发明的一个方面，通过四个融合模块融合所述光学特征和所述孔径雷达特征得到所述融合特征，公式为，
；
；
；
其中，表示通过第个融合模块后的输出；
表示核尺寸为3×3的卷积；
表示批规范化；
表示修正线性单元；
表示离散小波变换；
表示根据第个融合模块输出的融合特征。
根据本发明的一个方面，所述珊瑚礁水域遥感分割网络包含四个分割模块，将所述融合特征输入至所述珊瑚礁水域遥感分割网络，得到所述珊瑚礁水域分割图像，公式为，
；
；
其中，表示通过第个分割模块后的输出；
表示根据第个融合模块输出的融合特征；
表示根据第个分割模块后得到的中间图像；
表示逆离散小波变换；
表示核尺寸为3×3的卷积；
表示批规范化；
表示修正线性单元；
表示离散小波变换；
表示所述珊瑚礁水域分割图像。
根据本发明的一个方面，使用交叉熵损失和骰子损失构成的总体损失对所述珊瑚礁水域遥感分割网络进行训练，公式为，
；
其中，表示与所述珊瑚礁水域分割图像对应的珊瑚礁水域分割标签图像；
表示所述珊瑚礁水域分割图像；
表示总体损失；
表示交叉熵计算操作；
表示骰子系数计算操作。
为实现上述目的，本发明提供的一种基于融合网络的珊瑚礁水域图像分割系统，系统包括：
图像获取模块，获取珊瑚礁水域光学遥感图像和珊瑚礁水域合成孔径雷达图像；
光学特征获取模块，将所述珊瑚礁水域光学遥感图像通过光学处理分支得到光学特征；
孔径雷达特征获取模块，将所述珊瑚礁水域合成孔径雷达图像通过合成孔径雷达处理分支得到孔径雷达特征；
融合特征获取模块，融合所述光学特征和所述孔径雷达特征后得到融合特征；
珊瑚礁水域分割图像获取模块，将所述融合特征输入至珊瑚礁水域遥感分割网络，得到珊瑚礁水域分割图像。
为实现上述目的，本发明提供一种电子设备，包括处理器、存储器及存储在存储器上并可在处理器上运行的计算机程序，计算机程序被处理器执行时实现上述针对一种基于融合网络的珊瑚礁水域图像分割方法。
为实现上述目的，本发明提供一种计算机可读存储介质，计算机可读存储介质上存储计算机程序，计算机程序被处理器执行时实现上述针对一种基于融合网络的珊瑚礁水域图像分割方法。
本发明的有益效果在于：（1）通过联合使用光学遥感图像和SAR图像进行珊瑚礁水域图像分割，可同时兼备光学遥感图像获取颜色、纹理等信息和SAR图像在全天时全天候观测的优势；
（2）通过使用融合网络，可分别提取两种不同图像的特征，并在不同特征尺度上进行融合，再将融合特征进行分割，从而得到高精度的珊瑚礁水域图像分割结果。
附图说明
图1示意性表示根据本发明的一种基于融合网络的珊瑚礁水域图像分割方法的流程示意图；
图2示意性表示本发明的一种基于融合网络的珊瑚礁水域图像分割方法的光学处理分支示意图；
图3示意性表示本发明的一种基于融合网络的珊瑚礁水域图像分割方法融合示意图；
图4示意性表示本发明的一种基于融合网络的珊瑚礁水域图像分割方法的分割网络示意图；
图5示意性表示本发明的一种基于融合网络的珊瑚礁水域图像分割方法的整体结构示意图；
图6示意性表示根据本发明的一种基于融合网络的珊瑚礁水域图像分割系统的结构示意图。
具体实施方式
现在将参照示例性实施例来论述本发明的内容，应当理解，论述的实施例仅是为了使得本领域普通技术人员能够更好地理解且因此实现本发明的内容，而不是暗示对本发明的范围的任何限制。
如本文中所使用的，术语“包括”及其变体要被解读为意味着“包括但不限于”的开放式术语。术语“基于”要被解读为“至少部分地基于”，术语“一个实施例”和“一种实施例”要被解读为“至少一个实施例”。
图1示意性表示根据本发明的一种基于融合网络的珊瑚礁水域图像分割方法的流程示意图，图5示意性表示本发明的一种基于融合网络的珊瑚礁水域图像分割方法的整体结构示意图；如图1和图5所示，本发明的一种基于融合网络的珊瑚礁水域图像分割方法，包括：
获取珊瑚礁水域的光学遥感图像和合成孔径雷达图像；
将珊瑚礁水域光学遥感图像通过光学处理分支得到光学特征；
将珊瑚礁水域合成孔径雷达图像通过合成孔径雷达处理分支得到孔径雷达特征；
融合光学特征和孔径雷达特征后得到融合特征；
将融合特征输入至珊瑚礁水域遥感分割网络，得到珊瑚礁水域分割图像。
根据本发明的一个实施方式，图2示意性表示本发明的一种基于融合网络的珊瑚礁水域图像分割方法的光学处理分支示意图，如图2所示，光学处理分支包含5个光学处理模块，将珊瑚礁水域的光学遥感图像输入至光学处理分支，通过卷积、批规范化、修正线性单元和离散小波变换对珊瑚礁水域的光学遥感图像处理，得到输出特征，公式为，
；
其中，表示通过第个光学处理模块后的输出特征；
表示核尺寸为3×3的卷积；
表示批规范化；
表示修正线性单元；
表示离散小波变换；
表示珊瑚礁水域光学的遥感图像；
对通过光学处理模块后的输出进行卷积处理后得到光学特征，公式为，
；
；
其中，表示根据第一个光学处理模块后得到的光学特征；
表示核尺寸为3×3的卷积；
表示通过第一个光学处理模块后的输出特征。
根据本发明的一个实施方式，图3示意性表示本发明的一种基于融合网络的珊瑚礁水域图像分割方法融合示意图，如图3所示，合成孔径雷达处理分支包括五个合成孔径雷达处理模块，将珊瑚礁水域的合成孔径雷达图像输入至合成孔径雷达处理分支，通过卷积、批规范化、修正线性单元和离散小波变换对珊瑚礁水域的合成孔径雷达图像处理，得到中间特征，公式为，
；
其中，表示通过第个合成孔径雷达处理模块后的中间特征；
表示核尺寸为3×3的卷积；
表示批规范化；
表示修正线性单元；
表示离散小波变换；
表示珊瑚礁水域的合成孔径雷达图像；
对通过合成孔径雷达处理模块后的输出进行卷积处理后得到孔径雷达特征，公式为，
；
；
其中，表示根据第一个合成孔径雷达处理模块后得到的孔径雷达特征；
表示通过第个合成孔径雷达处理模块后的输出；
表示核尺寸为1×1的卷积；
表示通过第一个合成孔径雷达处理模块后的中间特征。
根据本发明的一个实施方式，通过四个融合模块融合光学特征和孔径雷达特征得到融合特征，公式为，
；
；
；
其中，表示通过第个融合模块后的输出；
表示核尺寸为3×3的卷积；
表示批规范化；
表示修正线性单元；
表示离散小波变换；
表示根据第个融合模块输出的融合特征。
根据本发明的一个实施方式，图4示意性表示本发明的一种基于融合网络的珊瑚礁水域图像分割方法的分割网络示意图，如图4所示，珊瑚礁水域遥感分割网络包含四个分割模块，将融合特征输入至珊瑚礁水域遥感分割网络，得到珊瑚礁水域分割图像，公式为，
；
；
其中，表示通过第个分割模块后的输出；
表示根据第个融合模块输出的融合特征；
表示根据第个分割模块后得到的中间图像；
表示逆离散小波变换；
表示核尺寸为3×3的卷积；
表示批规范化；
表示修正线性单元；
表示离散小波变换；
表示珊瑚礁水域分割图像。
根据本发明的一个实施方式，使用交叉熵损失和骰子损失构成的总体损失对珊瑚礁水域遥感分割网络进行训练，公式为，
；
其中，表示与珊瑚礁水域分割图像对应的珊瑚礁水域分割标签图像；
表示珊瑚礁水域分割图像；
表示总体损失；
表示交叉熵计算操作；
表示骰子系数计算操作。
不仅如此，为实现上述发明目的，本发明还提供一种基于融合网络的珊瑚礁水域图像分割系统，图6示意性表示根据本发明的一种基于融合网络的珊瑚礁水域图像分割系统的流程图，如图6所示，根据本发明的一种基于融合网络的珊瑚礁水域图像分割系统，该系统包括：
图像获取模块，获取珊瑚礁水域光学遥感图像和珊瑚礁水域合成孔径雷达图像；
光学特征获取模块，将珊瑚礁水域光学遥感图像通过光学处理分支得到光学特征；
孔径雷达特征获取模块，将珊瑚礁水域合成孔径雷达图像通过合成孔径雷达处理分支得到孔径雷达特征；
融合特征获取模块，融合光学特征和孔径雷达特征后得到融合特征；
珊瑚礁水域分割图像获取模块，将融合特征输入至珊瑚礁水域遥感分割网络，得到珊瑚礁水域分割图像。
根据本发明的一个实施方式，图2示意性表示本发明的一种基于融合网络的珊瑚礁水域图像分割方法的光学处理分支示意图，如图2所示，光学特征获取模块中的光学处理分支包含5个光学处理模块，将珊瑚礁水域的光学遥感图像输入至光学处理分支，通过卷积、批规范化、修正线性单元和离散小波变换对珊瑚礁水域的光学遥感图像处理，得到输出特征，公式为，
；
其中，表示通过第个光学处理模块后的输出特征；
表示核尺寸为3×3的卷积；
表示批规范化；
表示修正线性单元；
表示离散小波变换；
表示珊瑚礁水域光学的遥感图像；
对通过光学处理模块后的输出进行卷积处理后得到光学特征，公式为，
；
；
其中，表示根据第一个光学处理模块后得到的光学特征；
表示核尺寸为3×3的卷积；
表示通过第一个光学处理模块后的输出特征。
根据本发明的一个实施方式，图3示意性表示本发明的一种基于融合网络的珊瑚礁水域图像分割方法融合示意图，如图3所示，孔径雷达特征获取模块中合成孔径雷达处理分支包括五个合成孔径雷达处理模块，将珊瑚礁水域的合成孔径雷达图像输入至合成孔径雷达处理分支，通过卷积、批规范化、修正线性单元和离散小波变换对珊瑚礁水域的合成孔径雷达图像处理，得到中间特征，公式为，
；
其中，表示通过第个合成孔径雷达处理模块后的中间特征；
表示核尺寸为3×3的卷积；
表示批规范化；
表示修正线性单元；
表示离散小波变换；
表示珊瑚礁水域的合成孔径雷达图像；
对通过合成孔径雷达处理模块后的输出进行卷积处理后得到孔径雷达特征，公式为，
；
；
其中，表示根据第一个合成孔径雷达处理处理模块后得到的孔径雷达特征；
表示通过第个合成孔径雷达处理处理模块后的输出；
表示核尺寸为1×1的卷积；
表示通过第一个合成孔径雷达处理模块后的中间特征。
根据本发明的一个实施方式，通过四个融合模块融合光学特征和孔径雷达特征得到融合特征，公式为，
；
；
；
其中，表示通过第个融合模块后的输出；
表示核尺寸为3×3的卷积；
表示批规范化；
表示修正线性单元；
表示离散小波变换；
表示根据第个融合模块输出的融合特征。
根据本发明的一个实施方式，图4示意性表示本发明的一种基于融合网络的珊瑚礁水域图像分割方法的分割网络示意图，如图4所示，珊瑚礁水域分割图像获取模块中的珊瑚礁水域遥感分割网络包含四个分割模块，将融合特征输入至珊瑚礁水域遥感分割网络，得到珊瑚礁水域分割图像，公式为，
；
；
其中，表示通过第个分割模块后的输出；
表示根据第个融合模块输出的融合特征；
表示根据第个分割模块后得到的中间图像；
表示逆离散小波变换；
表示核尺寸为3×3的卷积；
表示批规范化；
表示修正线性单元；
表示离散小波变换；
表示珊瑚礁水域分割图像。
根据本发明的一个实施方式，使用交叉熵损失和骰子损失构成的总体损失对珊瑚礁水域遥感分割网络进行训练，公式为，
；
其中，表示与珊瑚礁水域分割图像对应的珊瑚礁水域分割标签图像；
表示珊瑚礁水域分割图像；
表示总体损失；
表示交叉熵计算操作；
表示骰子系数计算操作。
为实现上述发明目的，本发明还提供一种电子设备，该电子设备包括：处理器、存储器及存储在存储器上并可在处理器上运行的计算机程序，计算机程序被处理器执行时实现上述一种基于融合网络的珊瑚礁水域图像分割方法。
为实现上述发明目的，本发明还提供一种计算机可读存储介质，计算机可读存储介质上存储计算机程序，计算机程序被处理器执行时实现上述一种基于融合网络的珊瑚礁水域图像分割方法。
基于此，本发明的有益效果在于，（1）通过联合使用光学遥感图像和SAR图像进行珊瑚礁水域图像分割，可同时兼备光学遥感图像获取颜色、纹理等信息和SAR图像在全天时全天候观测的优势；
（2）通过使用融合网络，可分别提取两种不同图像的特征，并在不同特征尺度上进行融合，再将融合特征进行分割，从而得到高精度的珊瑚礁水域图像分割结果。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的模块及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
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，上述描述的装置和设备的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个模块或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本发明实施例方案的目的。
另外，在本发明实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例节能信号发送/接收的方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离所述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
应理解，本发明的发明内容及实施例中各步骤的序号的大小并不绝对意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
Claims (9)
1.一种基于融合网络的珊瑚礁水域图像分割方法，其特征在于，所述方法包括：
获取珊瑚礁水域的光学遥感图像和合成孔径雷达图像；
将所述珊瑚礁水域光学遥感图像通过光学处理分支得到光学特征；
将所述珊瑚礁水域合成孔径雷达图像通过合成孔径雷达处理分支得到孔径雷达特征；
融合所述光学特征和所述孔径雷达特征后得到融合特征；
将所述融合特征输入至珊瑚礁水域遥感分割网络，得到珊瑚礁水域分割图像。
2.根据权利要求1所述的方法，其特征在于，所述光学处理分支包含5个光学处理模块，将所述珊瑚礁水域的光学遥感图像输入至所述光学处理模块，通过卷积、批规范化、修正线性单元和离散小波变换对所述珊瑚礁水域的光学遥感图像处理，得到输出特征，公式为，
；
其中，表示通过第个光学处理模块后的输出特征；
表示核尺寸为3×3的卷积；
表示批规范化；
表示修正线性单元；
表示离散小波变换；
表示所述珊瑚礁水域光学的遥感图像；
对通过光学处理模块后的输出特征进行卷积处理后得到所述光学特征，公式为，
；
；
其中，表示根据第一个光学处理模块后得到的光学特征；
表示核尺寸为3×3的卷积；
表示通过第一个光学处理模块后的输出特征。
3.根据权利要求1所述的方法，其特征在于，所述合成孔径雷达处理分支包括五个合成孔径雷达处理模块，将所述珊瑚礁水域的合成孔径雷达图像输入至所述合成孔径雷达处理分支，通过卷积、批规范化、修正线性单元和离散小波变换对所述珊瑚礁水域的合成孔径雷达图像处理，得到中间特征，公式为，
；
其中，表示通过第个合成孔径雷达处理模块后的中间特征；
表示核尺寸为3×3的卷积；
表示批规范化；
表示修正线性单元；
表示离散小波变换；
表示所述珊瑚礁水域的合成孔径雷达图像；
对通过合成孔径雷达处理模块后的输出进行卷积处理后得到所述孔径雷达特征，公式为，
；
；
其中，表示根据第一个合成孔径雷达处理模块后得到的孔径雷达特征；
表示通过第个合成孔径雷达处理模块后的输出；
表示核尺寸为1×1的卷积；
表示通过第一个合成孔径雷达处理模块后的中间特征。
4.根据权利要求3所述的方法，其特征在于，通过四个融合模块融合所述光学特征和所述孔径雷达特征得到所述融合特征，公式为，
；
；
；
其中，表示通过第个融合模块后的输出；
表示核尺寸为3×3的卷积；
表示批规范化；
表示修正线性单元；
表示离散小波变换；
表示根据第个融合模块输出的融合特征。
5.根据权利要求3所述的方法，其特征在于，所述珊瑚礁水域遥感分割网络包含四个分割模块，将所述融合特征输入至所述珊瑚礁水域遥感分割网络，得到所述珊瑚礁水域分割图像，公式为，
；
；
其中，表示通过第个分割模块后的输出；
表示根据第个融合模块输出的融合特征；
表示根据第个分割模块后得到的中间图像；
表示逆离散小波变换；
表示核尺寸为3×3的卷积；
表示批规范化；
表示修正线性单元；
表示离散小波变换；
表示所述珊瑚礁水域分割图像。
6.根据权利要求1所述的方法，其特征在于，使用交叉熵损失和骰子损失构成的总体损失对所述珊瑚礁水域遥感分割网络进行训练，公式为，
；
其中，表示与所述珊瑚礁水域分割图像对应的珊瑚礁水域分割标签图像；
表示所述珊瑚礁水域分割图像；
表示总体损失；
表示交叉熵计算操作；
表示骰子系数计算操作。
7.一种基于融合网络的珊瑚礁水域图像分割系统，其特征在于，所述系统包括：
图像获取模块，获取珊瑚礁水域光学遥感图像和珊瑚礁水域合成孔径雷达图像；
光学特征获取模块，将所述珊瑚礁水域光学遥感图像通过光学处理分支得到光学特征；
孔径雷达特征获取模块，将所述珊瑚礁水域合成孔径雷达图像通过合成孔径雷达处理分支得到孔径雷达特征；
融合特征获取模块，融合所述光学特征和所述孔径雷达特征后得到融合特征；
珊瑚礁水域分割图像获取模块，将所述融合特征输入至珊瑚礁水域遥感分割网络，得到珊瑚礁水域分割图像。
8.一种电子设备，其特征在于，包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如权利要求1至6中任一项所述的一种基于融合网络的珊瑚礁水域图像分割方法。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储计算机程序，所述计算机程序被处理器执行时实现如权利要求1至6中任一项所述的一种基于融合网络的珊瑚礁水域图像分割方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310378938.6A CN116109829B (zh) | 2023-04-11 | 2023-04-11 | 一种基于融合网络的珊瑚礁水域图像分割方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310378938.6A CN116109829B (zh) | 2023-04-11 | 2023-04-11 | 一种基于融合网络的珊瑚礁水域图像分割方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116109829A true CN116109829A (zh) | 2023-05-12 |
| CN116109829B CN116109829B (zh) | 2023-06-16 |
Family
ID=86256461
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310378938.6A Active CN116109829B (zh) | 2023-04-11 | 2023-04-11 | 一种基于融合网络的珊瑚礁水域图像分割方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116109829B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117392539A (zh) * | 2023-10-13 | 2024-01-12 | 哈尔滨师范大学 | 一种基于深度学习的河流水体识别方法、电子设备及存储介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102170260B1 (ko) * | 2019-05-03 | 2020-10-26 | 건국대학교 산학협력단 | 합성 개구 레이더 영상 및 다중분광영상의 융합 장치, 방법 및 그를 이용한 변화 검출 방법 |
| CN112489108A (zh) * | 2020-12-24 | 2021-03-12 | 中国科学院南海海洋研究所 | 一种远海珊瑚礁水下表面积反演重建的方法及装置 |
| CN115546076A (zh) * | 2022-12-05 | 2022-12-30 | 耕宇牧星(北京)空间科技有限公司 | 一种基于卷积网络的遥感图像薄云去除方法 |
| CN115546351A (zh) * | 2022-12-02 | 2022-12-30 | 耕宇牧星(北京)空间科技有限公司 | 一种基于卷积网络的合成孔径雷达图像着色方法 |
| CN115620149A (zh) * | 2022-12-05 | 2023-01-17 | 耕宇牧星(北京)空间科技有限公司 | 一种基于遥感图像的道路检测方法 |
| CN115641442A (zh) * | 2022-12-02 | 2023-01-24 | 耕宇牧星(北京)空间科技有限公司 | 一种基于融合网络的山体图像山脊线分割方法 |
-
2023
- 2023-04-11 CN CN202310378938.6A patent/CN116109829B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102170260B1 (ko) * | 2019-05-03 | 2020-10-26 | 건국대학교 산학협력단 | 합성 개구 레이더 영상 및 다중분광영상의 융합 장치, 방법 및 그를 이용한 변화 검출 방법 |
| CN112489108A (zh) * | 2020-12-24 | 2021-03-12 | 中国科学院南海海洋研究所 | 一种远海珊瑚礁水下表面积反演重建的方法及装置 |
| CN115546351A (zh) * | 2022-12-02 | 2022-12-30 | 耕宇牧星(北京)空间科技有限公司 | 一种基于卷积网络的合成孔径雷达图像着色方法 |
| CN115641442A (zh) * | 2022-12-02 | 2023-01-24 | 耕宇牧星(北京)空间科技有限公司 | 一种基于融合网络的山体图像山脊线分割方法 |
| CN115546076A (zh) * | 2022-12-05 | 2022-12-30 | 耕宇牧星(北京)空间科技有限公司 | 一种基于卷积网络的遥感图像薄云去除方法 |
| CN115620149A (zh) * | 2022-12-05 | 2023-01-17 | 耕宇牧星(北京)空间科技有限公司 | 一种基于遥感图像的道路检测方法 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117392539A (zh) * | 2023-10-13 | 2024-01-12 | 哈尔滨师范大学 | 一种基于深度学习的河流水体识别方法、电子设备及存储介质 |
| CN117392539B (zh) * | 2023-10-13 | 2024-04-09 | 哈尔滨师范大学 | 一种基于深度学习的河流水体识别方法、电子设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116109829B (zh) | 2023-06-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Gharbia et al. | Multi-spectral and panchromatic image fusion approach using stationary wavelet transform and swarm flower pollination optimization for remote sensing applications. | |
| CN112184577B (zh) | 基于多尺度自注意生成对抗网络的单幅图像去雾方法 | |
| Xiao et al. | Segmentation of multispectral high-resolution satellite imagery using log Gabor filters | |
| CN116109829B (zh) | 一种基于融合网络的珊瑚礁水域图像分割方法 | |
| Touati et al. | A reliable mixed-norm-based multiresolution change detector in heterogeneous remote sensing images | |
| Xiao et al. | Deep learning-based spatiotemporal fusion of unmanned aerial vehicle and satellite reflectance images for crop monitoring | |
| CN110765912A (zh) | 一种基于统计约束和Mask R-CNN的SAR图片船舶目标检测方法 | |
| Singh et al. | A review of image fusion: Methods, applications and performance metrics | |
| Topouzelis et al. | The use of Sentinel-2 imagery for seagrass mapping: Kalloni Gulf (Lesvos Island, Greece) case study | |
| CN113553973A (zh) | 一种基于双向注意力的伪装物体检测方法 | |
| Liu et al. | Haze removal for a single inland waterway image using sky segmentation and dark channel prior | |
| Wang et al. | An ensemble multi-scale residual attention network (EMRA-net) for image Dehazing | |
| CN116543165B (zh) | 一种基于双通道复合深度网络的遥感图像果树分割方法 | |
| Pande-Chhetri et al. | Filtering high-resolution hyperspectral imagery in a maximum noise fraction transform domain using wavelet-based de-striping | |
| Lei et al. | Convolution neural network with edge structure loss for spatiotemporal remote sensing image fusion | |
| CN115546351A (zh) | 一种基于卷积网络的合成孔径雷达图像着色方法 | |
| Gladkova et al. | SST pattern test in ACSPO clear-sky mask for VIIRS | |
| CN112016441B (zh) | 基于Radon变换多特征融合的Sentinel-1图像海岸带养殖池提取方法 | |
| SHAKER et al. | The impact of image enhancement and transfer learning techniques on marine habitat mapping | |
| CN109949383B (zh) | 一种高动态光学投影层析成像方法及装置 | |
| CN113379658A (zh) | 一种无人机观测目标特征双光融合方法及系统 | |
| Sharma | DSP in image processing | |
| CN116168302B (zh) | 一种基于多尺度残差融合网络的遥感图像岩脉提取方法 | |
| Cao et al. | Single-frame remote sensing image defogging network based on attention residual blocks and contrast learning | |
| Zhang et al. | Segmentation of typhoon cloud image by combining a discrete stationary wavelet transform with a continuous wavelet transform |
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 | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A Method of Coral Reef Waters Image Segmentation Based on Fusion Networks Effective date of registration: 20230911 Granted publication date: 20230616 Pledgee: Bank of Nanjing Limited by Share Ltd. Beijing branch Pledgor: Genyu muxing (Beijing) Space Technology Co.,Ltd. Registration number: Y2023110000385 |
|
| PE01 | Entry into force of the registration of the contract for pledge of patent right |