CN116721346B - 一种基于深度学习算法的岸线智能识别方法 - Google Patents

一种基于深度学习算法的岸线智能识别方法 Download PDF

Info

Publication number
CN116721346B
CN116721346B CN202310701698.9A CN202310701698A CN116721346B CN 116721346 B CN116721346 B CN 116721346B CN 202310701698 A CN202310701698 A CN 202310701698A CN 116721346 B CN116721346 B CN 116721346B
Authority
CN
China
Prior art keywords
shoreline
image
deep learning
identification
methods
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
Application number
CN202310701698.9A
Other languages
English (en)
Other versions
CN116721346A (zh
Inventor
邵玉宝
田壮才
黄兴龙
岳建华
张兆民
张明伟
宋宇
贾磊
李泗龙
田佳豪
谢超
王浩
曹立
单莉
赵智华
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.)
Shandong Coal Field Geological Planning And Investigation Institute
China University of Mining and Technology CUMT
Original Assignee
Shandong Coal Field Geological Planning And Investigation Institute
China University of Mining and Technology CUMT
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 Shandong Coal Field Geological Planning And Investigation Institute, China University of Mining and Technology CUMT filed Critical Shandong Coal Field Geological Planning And Investigation Institute
Priority to CN202310701698.9A priority Critical patent/CN116721346B/zh
Publication of CN116721346A publication Critical patent/CN116721346A/zh
Application granted granted Critical
Publication of CN116721346B publication Critical patent/CN116721346B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/182—Network patterns, e.g. roads or rivers
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • 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
    • G06N3/0455—Auto-encoder networks; Encoder-decoder 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G06V10/809—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of classification results, e.g. where the classifiers operate on the same input data
    • 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
    • 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
    • Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
    • Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Molecular Biology (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于深度学习算法的岸线智能识别方法，分别以阈值分割、边缘检测、多分辨分析、语义分割等四种改进的方法作为岸线识别的具体方法。首先对遥感数据进行预处理，然后人工对岸线进行标记，将标记好的数据进行重组，形成新的遥感数据集，并拆分为训练集和测试集。以四种改进的方法分别建立4个岸线识别模型，选择任意两种、三种和四种方法重新组合得到11种新方法，以融合后的11种新方法作为岸线识别的具体方法，再次建立11个岸线识别模型，共得到15个模型。经过训练和测试后，基于改进的潮沟原理进行潮位校正，并计算准确率，选择准确率最高的模型用于岸线识别。本发明可获得准确率最高的岸线识别模型，具有适用性强、速度快等优点。

Description

一种基于深度学习算法的岸线智能识别方法
技术领域
本发明涉及海岸线变化领域，具体而言，特别涉及一种基于深度学习算法的岸线智能识别方法。
背景技术
实地测量法和摄影测量法是主要的传统岸线提取方法，但其野外踏勘工作量大且耗时长，在海岸线监测的时效性、动态性及便利性上不具备优势。随着遥感技术的快速发展，前人积极研究和探索了多种基于遥感影像提取海岸线的方法。阈值分割方法简单、易于实现,但如何选取阈值具有较大的难度。边缘检测算子方法虽然对边缘的提取效果很好,但易受噪声影响,且易出现伪边缘。多分辨分析方法能够获得丰富的边缘信息,但现有应用于海岸线提取中的小波缺乏方向性。语义分割网络对边缘高频细节信息不敏感,边缘检测网络不能识别地物语义信息，把地物内部边缘误分为边界。
本发明提出一种融合阈值分割、边缘检测、多分辨分析、语义分割等方法的深度学习算法，属于一种新颖的端到端边缘提取神经网络，可用于对海岸线进行精准提取。该方法能自动获取阈值、提高信噪比、获取图像几何特征矢量场和细节特征，且自适应性强。岸线特征复杂多样，遥感技术可与如今热门的深度学习方法进行结合，弥补存在的缺陷。
发明内容
为了弥补现有海岸线变化识别方法的不足，本发明提供了一种基于深度学习算法的岸线智能识别方法。
本发明是通过如下技术方案实现的：一种基于深度学习算法的岸线智能识别方法，其特征在于,具体包括以下步骤：
S1、从网络获取海洋岸线原始遥感影像，并进行校正，消除因大气、地形、传感器姿态等因素产生的畸变，提高遥感数据的质量；
S2、使用阈值分割、边缘检测、多分辨分析、语义分割等四种方法进行岸线识别，并对已有方法进行改进。
其中，阈值分割方法采用多阈值的形态学方法，其灰度阈值设置为
T=(mean(I)+mean(II))/2
式中，mean(I)为图像灰度的一阶均值，mean(II)为图像灰度的二阶均值。
边缘检测方法结合一阶微分算子Sobel和二阶微分算子Laplacian进行全卷积神经网络，其中一阶微分算子权重为35%，二阶微分算子权重为65%。
多分辨分析方法采用可获取图像几何特征矢量场的Bandelet变换，并增加衍射效应分析。
语义分割方法采用改进的UNet，在网络模型处理过程中加入残差结构和注意力机制，可以改善图像权重进而重构图像细节。
S3、以四种改进的方法作为岸线识别的具体方法，分别建立LSTM深度学习模型作为岸线识别模型；人工对岸线进行标记，将人工标记好的遥感数据进行乱序重组，形成新的遥感数据集，并拆分为训练集和测试集，使用训练集进行模型训练。
S4、将测试集输入给步骤S3建立的岸线识别模型进行岸线识别，使用改进的潮沟原理进行潮位校正，并计算准确率，若未达到准确率要求，则重复步骤S3调整参数继续进行训练，直至获得准确率达到要求的岸线识别模型。
S5、选择任意两种、三种和四种方法进行重新组合得到11种新方法，以融合后的11种新方法作为岸线识别的具体方法，再次建立11个LSTM深度学习模型，将测试集输入新建立的11个模型进行岸线识别，并使用改进的潮沟原理进行潮位校正，计算准确率。
S6、结合步骤S4建立的4个模型和步骤S5建立的11个模型，共获得15个岸线识别模型。选择准确率最高的模型作为最后使用的岸线智能识别模型。
步骤S2中多阈值的形态学方法首先通过图像增强处理，提高图像对比度，得到背景图像灰度值的均值，使用该均值过滤目标体灰度值，然后对灰度进行一阶和二阶均值计算，最后使用设置的灰度阈值进行岸线识别，根据训练结果可调节图像对比度，进而自行调节灰度阈值。
步骤S2中边缘检测方法在水平和垂直方向分别进行全卷积，全卷积过程中用卷积层代替全连接层，获得连续的海岸线边缘特征图，根据训练结果可调节一阶和二阶微分算子权重。
步骤S2中Bandelet变换方法中增加衍射效应分析，识别并排除底物信息，并重新赋值给图像几何特征矢量场，根据训练结果可调节底物信息阈值，再次修改图像几何特征矢量场。
步骤S2中改进的UNet对图像浅层特征赋予不同的权重，并使用残差块来代替原始UNet结构的卷积操作。
步骤S3中的LSTM深度学习模型是一种改进的递归神经网络模型，包括三组Conv1D层和MaxPooling1D层、两层LSTM层和输出层，在每层LSTM后设置Dropout防止过拟合，将岸线识别方法融合到LSTM深度学习模型中，预测值在第九层输出，输入之间有一个很长的延迟和反馈，梯度既不会爆炸也不会消失。
步骤S4采用的改进的潮沟原理进行潮位校正，设潮沟末梢位置为b1,人工建筑物与潮滩的边界位置为b2，根据公式L1=（b2-b1）/2计算所述潮位校正的距离L1，获取该区域平均高潮线h2和低潮线h1，根据公式L2=（h2-h1）/2计算所述潮位校正的距离L2。将所述由二值图提取的水边线向远离水体区域垂直移动距离L=a*（L2-L1）,系数a一般取0.5且可调节，即可得到潮位校正后海岸线。
本发明由于采用了以上技术方案，与现有技术相比使其具有以下有益效果：本发明通过使用训练好的深度学习模型对岸线数据集进行智能识别，可通过自动实现岸线识别，且识别速度快、准确率高。本发明使岸线识别智能化，用人工智能替换人工，方便生产工作，在岸线调查中具有较大潜力。
本发明的附加方面和优点将在下面的描述部分中变得明显，或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
图1为本发明总体流程图；
图2是进行阈值分割后的二值化遥感影像。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
本发明是通过如下技术方案实现的：一种基于深度学习算法的岸线智能识别方法，其特征在于,具体包括以下步骤：
S1、从网络获取海洋岸线原始遥感影像，并进行校正，消除因大气、地形、传感器姿态等因素产生的畸变，提高遥感数据的质量；
S2、使用阈值分割、边缘检测、多分辨分析、语义分割等四种方法进行岸线识别，并对已有方法进行改进。
其中，阈值分割方法采用多阈值的形态学方法，其灰度阈值设置为
T=(mean(I)+mean(II))/2
式中，mean(I)为图像灰度的一阶均值，mean(II)为图像灰度的二阶均值。
边缘检测方法结合一阶微分算子Sobel和二阶微分算子Laplacian进行全卷积神经网络，其中一阶微分算子权重为35%，二阶微分算子权重为65%。
多分辨分析方法采用可获取图像几何特征矢量场的Bandelet变换，并增加衍射效应分析。
语义分割方法采用改进的UNet，在网络模型处理过程中加入残差结构和注意力机制，可以改善图像权重进而重构图像细节。
S3、以四种改进的方法作为岸线识别的具体方法，分别建立LSTM深度学习模型作为岸线识别模型；人工对岸线进行标记，将人工标记好的遥感数据进行乱序重组，形成新的遥感数据集，并拆分为训练集和测试集，使用训练集进行模型训练。
S4、将测试集输入给步骤S3建立的岸线识别模型进行岸线识别，使用改进的潮沟原理进行潮位校正，并计算准确率，若未达到准确率要求，则重复步骤S3调整参数继续进行训练，直至获得准确率达到要求的岸线识别模型。
S5、选择任意两种、三种和四种方法进行重新组合得到11种新方法，以融合后的11种新方法作为岸线识别的具体方法，再次建立11个LSTM深度学习模型，将测试集输入新建立的11个模型进行岸线识别，并使用改进的潮沟原理进行潮位校正，计算准确率。
S6、结合步骤S4建立的4个模型和步骤S5建立的11个模型，共获得15个岸线识别模型。选择准确率最高的模型作为最后使用的岸线智能识别模型。
步骤S2中多阈值的形态学方法首先通过图像增强处理，提高图像对比度，得到背景图像灰度值的均值，使用该均值过滤目标体灰度值，然后对灰度进行一阶和二阶均值计算，最后使用设置的灰度阈值进行岸线识别，根据训练结果可调节图像对比度，进而自行调节灰度阈值。
步骤S2中边缘检测方法在水平和垂直方向分别进行全卷积，全卷积过程中用卷积层代替全连接层，获得连续的海岸线边缘特征图，根据训练结果可调节一阶和二阶微分算子权重。
步骤S2中Bandelet变换方法中增加衍射效应分析，识别并排除底物信息，并重新赋值给图像几何特征矢量场，根据训练结果可调节底物信息阈值，再次修改图像几何特征矢量场。
步骤S2中改进的UNet对图像浅层特征赋予不同的权重，并使用残差块来代替原始UNet结构的卷积操作。
步骤S3中的LSTM深度学习模型是一种改进的递归神经网络模型，包括三组Conv1D层和MaxPooling1D层、两层LSTM层和输出层，在每层LSTM后设置Dropout防止过拟合，将岸线识别方法融合到LSTM深度学习模型中，预测值在第九层输出，输入之间有一个很长的延迟和反馈，梯度既不会爆炸也不会消失。
步骤S4采用的改进的潮沟原理进行潮位校正，设潮沟末梢位置为b1,人工建筑物与潮滩的边界位置为b2，根据公式L1=（b2-b1）/2计算所述潮位校正的距离L1，获取该区域平均高潮线h2和低潮线h1，根据公式L2=（h2-h1）/2计算所述潮位校正的距离L2。将所述由二值图提取的水边线向远离水体区域垂直移动距离L=a*（L2-L1）,系数a一般取0.5且可调节，即可得到潮位校正后海岸线。
在本发明的描述中，术语“多个”则指两个或两个以上，除非另有明确的限定，术语“上”、“下”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制；术语“连接”、“安装”、“固定”等均应做广义理解，例如，“连接”可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是直接相连，也可以通过中间媒介间接相连。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
在本说明书的描述中，术语“一个实施例”、“一些实施例”、“具体实施例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或实例。而且，描述的具体特征、结构、材料或特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。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)

1.一种基于深度学习算法的岸线智能识别方法，其特征在于,具体包括以下步骤：
S1、从网络获取海洋岸线原始遥感影像，并进行校正，消除因包括大气、地形、传感器姿态的因素产生的畸变，提高遥感数据的质量；
S2、使用包括阈值分割、边缘检测、多分辨分析、语义分割的四种方法进行岸线识别，并对已有方法进行改进；
其中，阈值分割方法采用多阈值的形态学方法，其灰度阈值设置为
T=(mean(I)+mean(II))/2
式中，mean(I)为图像灰度的一阶均值，mean(II)为图像灰度的二阶均值；
边缘检测方法结合一阶微分算子Sobel和二阶微分算子Laplacian进行全卷积神经网络，其中一阶微分算子权重为35%，二阶微分算子权重为65%；
多分辨分析方法采用可获取图像几何特征矢量场的Bandelet变换，并增加衍射效应分析；
语义分割方法采用改进的UNet，在网络模型处理过程中加入残差结构和注意力机制，可以改善图像权重进而重构图像细节；
S3、以四种改进的方法作为岸线识别的具体方法，分别建立LSTM深度学习模型作为岸线识别模型；人工对岸线进行标记，将人工标记好的遥感数据进行乱序重组，形成新的遥感数据集，并拆分为训练集和测试集，使用训练集进行模型训练；
S4、将测试集输入给步骤S3建立的岸线识别模型进行岸线识别，使用改进的潮沟原理进行潮位校正，并计算准确率，若未达到准确率要求，则重复步骤S3调整参数继续进行训练，直至获得准确率达到要求的岸线识别模型；
采用的改进的潮沟原理进行潮位校正，设潮沟末梢位置为b1,人工建筑物与潮滩的边界位置为b2，根据公式L1=（b2-b1）/2计算所述潮位校正的距离L1，获取平均高潮线h2和低潮线h1，根据公式L2=（h2-h1）/2计算所述潮位校正的距离L2；将由二值图提取的水边线向远离水体区域垂直移动距离L=a*（L2-L1），系数a取0.5且可调节，即可得到潮位校正后海岸线；
S5、选择任意两种、三种和四种方法进行重新组合得到11种新方法，以融合后的11种新方法作为岸线识别的具体方法，再次建立11个LSTM深度学习模型，将测试集输入新建立的11个模型进行岸线识别，并使用改进的潮沟原理进行潮位校正，计算准确率；
S6、结合步骤S4建立的4个模型和步骤S5建立的11个模型，共获得15个岸线识别模型；选择准确率最高的模型作为最后使用的岸线智能识别模型。
2.根据权利要求1所述的一种基于深度学习算法的岸线智能识别方法，其特征在于，步骤S2中多阈值的形态学方法首先通过图像增强处理，提高图像对比度，得到背景图像灰度值的均值，使用该均值过滤目标体灰度值，然后对灰度进行一阶和二阶均值计算，最后使用设置的灰度阈值进行岸线识别，根据训练结果可调节图像对比度，进而自行调节灰度阈值。
3.根据权利要求1所述的一种基于深度学习算法的岸线智能识别方法，其特征在于，步骤S2中边缘检测方法在水平和垂直方向分别进行全卷积，全卷积过程中用卷积层代替全连接层，获得连续的海岸线边缘特征图，根据训练结果可调节一阶和二阶微分算子权重。
4.根据权利要求1所述的一种基于深度学习算法的岸线智能识别方法，其特征在于，步骤S2中Bandelet变换方法中增加衍射效应分析，识别并排除底物信息，并重新赋值给图像几何特征矢量场，根据训练结果可调节底物信息阈值，再次修改图像几何特征矢量场。
5.根据权利要求1所述的一种基于深度学习算法的岸线智能识别方法，其特征在于，步骤S2中改进的UNet对图像浅层特征赋予不同的权重，并使用残差块来代替原始UNet结构的卷积操作。
6.根据权利要求1所述的一种基于深度学习算法的岸线智能识别方法，其特征在于，所述步骤S3中的LSTM深度学习模型是一种改进的递归神经网络模型，包括三组Conv1D层和MaxPooling1D层、两层LSTM层和输出层，在每层LSTM后设置Dropout防止过拟合，将岸线识别方法融合到LSTM深度学习模型中，预测值在第九层输出，输入之间有一个很长的延迟和反馈，梯度既不会爆炸也不会消失。
CN202310701698.9A 2023-06-14 2023-06-14 一种基于深度学习算法的岸线智能识别方法 Active CN116721346B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310701698.9A CN116721346B (zh) 2023-06-14 2023-06-14 一种基于深度学习算法的岸线智能识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310701698.9A CN116721346B (zh) 2023-06-14 2023-06-14 一种基于深度学习算法的岸线智能识别方法

Publications (2)

Publication Number Publication Date
CN116721346A CN116721346A (zh) 2023-09-08
CN116721346B true CN116721346B (zh) 2024-05-07

Family

ID=87871156

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310701698.9A Active CN116721346B (zh) 2023-06-14 2023-06-14 一种基于深度学习算法的岸线智能识别方法

Country Status (1)

Country Link
CN (1) CN116721346B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113628227A (zh) * 2021-08-02 2021-11-09 哈尔滨工业大学 一种基于深度学习的海岸线变化分析方法
WO2021258758A1 (zh) * 2020-06-22 2021-12-30 大连海洋大学 一种基于多因素的海岸线变化识别方法
CN114119630A (zh) * 2021-11-11 2022-03-01 陕西九州遥感信息技术有限公司 基于耦合图谱特征的海岸线深度学习遥感提取方法
WO2023039959A1 (zh) * 2021-09-17 2023-03-23 海南大学 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
CN116229069A (zh) * 2023-02-27 2023-06-06 湖南大学 一种黑暗条件下水面无人艇的红外岸线分割与目标检测融合方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021258758A1 (zh) * 2020-06-22 2021-12-30 大连海洋大学 一种基于多因素的海岸线变化识别方法
CN113628227A (zh) * 2021-08-02 2021-11-09 哈尔滨工业大学 一种基于深度学习的海岸线变化分析方法
WO2023039959A1 (zh) * 2021-09-17 2023-03-23 海南大学 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
CN114119630A (zh) * 2021-11-11 2022-03-01 陕西九州遥感信息技术有限公司 基于耦合图谱特征的海岸线深度学习遥感提取方法
CN116229069A (zh) * 2023-02-27 2023-06-06 湖南大学 一种黑暗条件下水面无人艇的红外岸线分割与目标检测融合方法

Also Published As

Publication number Publication date
CN116721346A (zh) 2023-09-08

Similar Documents

Publication Publication Date Title
CN109086824A (zh) 一种基于卷积神经网络的海底底质声呐图像分类方法
CN105069779B (zh) 一种建筑陶瓷表面花纹图案质量检测方法
CN109919070B (zh) 一种剖面形态自适应拟合的海岸线遥感推算方法
CN110378921B (zh) 基于浮泥流变特性与灰度共生矩阵的航道底质层界智能识别方法
CN108764186A (zh) 基于旋转深度学习的人物遮挡轮廓检测方法
CN101527043B (zh) 基于运动目标轮廓信息的视频对象分割方法
CN105741276A (zh) 一种船舶水线提取方法
CN107392929A (zh) 一种基于人眼视觉模型的智能化目标检测及尺寸测量方法
CN108764132B (zh) 一种湖泊湿地遥感图像误差检测方法
CN106372598A (zh) 一种基于图像特征检测的消除视频旋转和抖动的稳像方法
CN114863258B (zh) 海天线场景中基于视角转换检测小目标的方法
CN109740485A (zh) 基于光谱分析和深度卷积神经网络的水库或塘坝识别方法
CN103106658A (zh) 一种海岛、礁岸线快速提取方法
CN107247927A (zh) 一种基于缨帽变换的遥感图像海岸线信息提取方法及系统
CN109886170A (zh) 一种钉螺智能检测识别与统计系统
CN115147401B (zh) 一种基于数字图像处理的土石坝坝料合格性智能检测方法
CN113469097A (zh) 一种基于ssd网络的水面漂浮物多相机实时检测方法
CN112508851A (zh) 一种基于cnn分类算法的泥岩岩性识别系统
CN113887624A (zh) 一种基于双目视觉的改进特征立体匹配方法
CN114743103A (zh) 基于Deeplabv3+网络模型的海岛礁遥感影像地质分类方法
CN103325123A (zh) 一种基于自适应神经模糊推理系统的图像边缘检测方法
CN116721346B (zh) 一种基于深度学习算法的岸线智能识别方法
CN117593601A (zh) 一种基于深度学习的水尺验潮方法
CN103632373B (zh) 一种三帧差分高阶统计量结合otsu算法的絮体检测方法
CN112801021A (zh) 基于多级语义信息的车道线检测方法及系统

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
GR01 Patent grant
GR01 Patent grant