CN116797941A - 一种高分辨率遥感影像的海上溢油风险源快速智能识别分类方法 - Google Patents

一种高分辨率遥感影像的海上溢油风险源快速智能识别分类方法 Download PDF

Info

Publication number
CN116797941A
CN116797941A CN202310857768.XA CN202310857768A CN116797941A CN 116797941 A CN116797941 A CN 116797941A CN 202310857768 A CN202310857768 A CN 202310857768A CN 116797941 A CN116797941 A CN 116797941A
Authority
CN
China
Prior art keywords
oil spill
remote sensing
risk source
suspected
target
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
CN202310857768.XA
Other languages
English (en)
Inventor
范剑超
韩振宇
刘川
郑丹晨
尚腾
崔广岩
隋子泰
张志慧
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.)
Dalian University of Technology
Original Assignee
Dalian University of Technology
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 Dalian University of Technology filed Critical Dalian University of Technology
Priority to CN202310857768.XA priority Critical patent/CN116797941A/zh
Publication of CN116797941A publication Critical patent/CN116797941A/zh
Pending legal-status Critical Current

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
    • G06V20/13—Satellite images
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G06V10/30—Noise filtering
    • 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
    • G06V10/764—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
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
    • 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

Landscapes

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

Abstract

一种高分辨率遥感影像的海上溢油风险源快速智能识别分类方法，属于海洋遥感与人工智能交叉技术领域，包括：1)石油平台与船只作为海上溢油主要风险源，具有像素值高于周围海水的特点，根据像素值梯度和斑点检测的方法，设计了结合高斯拉普拉斯算子和连通域控制器的挤压激励残差网络；2)利用像素梯度和目标尺寸等先验知识，进行疑似海上溢油风险源识别，对目标周围的多个响应点使用连通域控制器获得目标的中心位置和尺寸，3)最后通过深度学习分类网络对识别的疑似海上溢油风险源进行分类。本发明仅对影像中疑似海上溢油风险源目标图片进行分类，减少图片数量，提高运行时间，且训练集与实际预测图片尺寸一致，仅需要使用小规模图片而不需要使用整张遥感影像进行训练，更易训练和节约时间。

Description

一种高分辨率遥感影像的海上溢油风险源快速智能识别分类 方法
技术领域
本发明属于海洋遥感与人工智能交叉技术领域，提供一种高分辨率遥感影像的海上溢油风险源快速智能识别分类方法。
背景技术
石油平台的建设与开采、海上船只运输是海上人类活动的重要组成部分，且容易造成溢油事件，是海洋溢油事件的主要风险来源，及时准确地获取石油平台与船只位置，不仅有助于为溢油风险源的快速识别分类提供数据支持，还有助于为制定海洋发展战略提供思考，加强海洋建设。遥感影像覆盖面积大，获取方便，其用来识别分类海洋溢油风险源等更加快速高效。近年来，随着遥感卫星技术的不断发展，越来越多的高分辨率卫星成功发射，以及光学影像具有多波段，噪声干扰较低的特性，以光学卫星影像作为数据源的海上溢油风险源快速识别分类研究具有巨大优势。
现有的石油平台检测方法在光学影像上常用的是基于石油平台的位置不变性和大小不变性的特点利用多时相影像对比法来获取石油平台位置，但是多时相对比法需要数据量巨大，并且需要经过一系列预处理阶段，时间漫长，影像的不同成像条件对提取结果都会产生一定影响，同时该方法无法及时获得新建石油平台的位置信息。基于目标检测框架的海上目标检测算法在对大幅遥感影像进行运算时需要耗费非常高的硬件资源，并且往往需要对整张遥感影像进行滑窗预测，这种模式会浪费大量的时间在海上无目标的环境中，导致出现将大量的海洋干扰视为船只降低精度，并延长运算时间的问题。针对上述问题，本说明设计了一种高分辨率遥感影像的海上溢油风险源快速智能识别分类方法，首先提取海上溢油风险源疑似目标，再使用海上溢油风险源快速识别分类对疑似目标进行分类，快速识别分类出海上溢油风险源中的石油平台和船只。达到通过单张影像实现海上溢油风险源快速识别分类，减少对遥感影像中大面积海洋区域的无效运算，快速且高精度实现了海上溢油风险源识别分类的目的。
发明内容
本发明主要解决基于深度学习难以有效对溢油风险源进行识别分类，且需要对大面积的无效区域进行运算，导致计算时间过长的问题，提出了一种高分辨率遥感影像的海上溢油风险源智能识别分类方法，首先制作了溢油风险源样本数据集，用于训练和测试。在目标检测阶段，需要先对图像进行预处理，包括线性拉伸用来提高影像质量，使用下采样来减小影像尺寸，加快运行速度，利用阈值分割和掩膜处理除去一些大块的云和陆地的干扰。之后，对影像使用结合高斯拉普拉斯算子和连通域控制器的挤压激励残差网络(Laplacianof Gaussian operator connected domain controller squeeze excitation residualnetwork，LCSE-ResNet)实现疑似目标提取以及石油平台和船只目标筛选。
为了达到上述目的，本发明采用的技术方案为：
一种高分辨率遥感影像的海上溢油风险源快速智能识别分类方法，包括以下几个步骤：
第一步，对获得的待分类的遥感影像进行预处理，去除遥感影像中云和陆地的干扰，便于后续步骤对处理后的影响中的石油平台和船只进行分类。
所述预处理依次包括线性拉伸、下采样、阈值分割、掩模处理。
所述的掩模处理具体为：对于海洋石油平台和船只的检测，由于遥感影像的亮度值一般在0-65535之间，位深太大导致计算时间过长并且影像中大量的像素值往往分布在一小块亮度区域中，因此使用线性拉伸的方法将影像进行拉伸提高对比度，并使亮度值分布在0-255之间来加快运行时间。其次，遥感影像具有非常巨大的尺寸，有必要使用下采样的方式压缩影像尺寸节省资源。另外，影像中的云和陆地是非常重要的干扰因素，因此，采用最大类间方差的阈值分割法从较暗的背景中分割较亮的云和陆地，再用掩模处理从下采样后的影像中去除云和陆地的干扰。
第二步，海上溢油风险源疑似目标响应。由LCSE-ResNet中的高斯拉普拉斯算子(Laplacian of Gaussian operator，LoG)实现。LoG通过使用高斯滤波对图像进行降噪，再通过拉普拉斯二阶梯度算子获得图像中亮度变化明显的位置。根据溢油风险源中的船只和石油平台在海洋环境中具有明显的亮度特征，在疑似目标周围获得梯度变化响应点，即初步确定疑似目标。具体步骤如下：
2.1)由于石油平台和船只目标的灰度值明显高于周围海洋环境，对第一步预处理后的遥感影像进行微分运算获得梯度变化剧烈的像素，由于微分运算对遥感影像中的噪音敏感，且在求梯度的同时对遥感影像进行模糊处理，通过以上方法可以在疑似石油平台和船只的目标周围得到大量的响应点。
2.2)步骤2.1后，每个疑似目标周围都有大量的响应点，响应点的值反应了该处的梯度变化，由于海上目标尺寸不同以及海上环境的变化，保留疑似目标响应值在5到25之间的响应点，将这些响应点初步确认为疑似目标。
第三步，疑似目标定位。
由于实际的石油平台与船只目标尺寸较大，周围会出现多个响应点，直接使用这些响应点将会导致目标重复运算，增大计算量，并且无法准确定位目标以及确定目标尺寸。本发明使用连通域控制器将疑似目标周围的多个响应点进行聚合计算，获得该疑似目标的中心位置和尺寸，并对其进行裁剪，得到定位准确的疑似目标。具体如下：
3.1)计算每个疑似目标周围的所有响应点中，任意两点之间距离，并将某一个区域内，所有距离在30像素以内并且响应点数量大于50的点区域看作是同一个连通域，得到M个连通域。
3.2)计算每个连通域中，所有响应点的平均横纵坐标以及任意两个响应点之间的距离，取最大距离，并将平均横纵坐标所在的点和最大距离作为该连通域所指向疑似目标的中心点位置和尺寸。
3.3)最后根据疑似目标的中心点位置和尺寸从预处理前的原始遥感影像上将该疑似目标裁剪下来，最终得到M个裁剪后的疑似目标图片，多个疑似目标图片的大小可相同也可不同，根据实际情况确认。所述的疑似目标图片为正方形，某一连通域中得到的中心点位置为疑似目标图片的中心点，尺寸为任意两个响应点之间的最大距离。
第四步，溢油风险源分类。
采用溢油风险源分类网络对第三步裁剪后的M个疑似目标图片分类，保留海上溢油主要风险源石油平台和船只目标。具体步骤如下：
4.1)由于步骤3.3)中得到的M个疑似目标图片尺寸并不相同，对所有图片进行调整尺寸操作，得到尺寸相同的M个疑似目标图片。
4.2)得到训练好的溢油风险源分类网络
4.2.1)首先对溢油风险源分类网络的网络结构进行说明
LCSE-ResNet包括上述由LoG算子和连通域控制器组成的目标定位部分(包含LoG算子(第二步)和连通域控制器(第三步))和溢油风险源分类网络部分。所述的溢油风险源分类网络包含50层的卷积层，每两层卷积层为一个基本的网络块，在两层卷积操作之后，使用挤压激励操作对输出的不同通道内容进行权重再次分配，并使用短接方式将两个卷积操作之前的输入与进行权重再次分配后的输出相加，作为下一个网络块的输入。
4.2.2)通过对已确定船只、石油平台、云、其他人造目标、海上波纹和其他干扰信息的高分二光学卫星的全色影像进行裁剪处理，得到由多张图片组成的数据集，其中每张图片都为单通道灰度图，空间分辨率为1米，图片尺寸为201×201，图片中除海面之外，仅包含船只、石油平台、云、其他人造目标、波纹或噪声干扰中的一种。
4.2.3)将步骤4.2.2)得到的数据集划分为训练集和测试集。利用训练集对步骤4.1)的溢油风险源分类网络进行训练，利用测试集对其进行验证。具体过程：使用挤压激励网络模块和残差网络结合，构建分类网络模型。使用交叉熵损失函数将模型的输出与真实标签进行比较，衡量它们之间的差异。使用训练数据集来训练网络模，采用反向传播算法和梯度下降来更新模型的权重和偏置，以最小化损失函数。分类模型在训练过程中学习到了从输入图像到输出类别的映射关系。通过反向传播和优化算法，模型调整了自身的权重和偏置，使得在给定输入图像时，可以产生与真实标签相匹配的输出。即分类模型在训练过程中学习到了从输入图像到输出类别的映射关系。通过反向传播和优化算法，模型调整了自身的权重和偏置，使得在给定输入图像时，可以产生与真实标签相匹配的输出。
4.3)使用训练后的溢油风险源分类网络对步骤4.3)的疑似目标进行分类，该分类网络会根据训练时的训练集图片与标签的对应关系，输出与输入图片相对应的标签，以此来得出疑似目标的实际类别，并保留M个疑似目标中分类为船只和石油平台的目标。即将图片送入训练好的分类网络，可获得该图片对应的类别。
海洋目标具有高度的相似性，并且在裁剪的图像中，海上溢油风险源目标几乎占据图像的中心。每个图像几乎由亮度集中、大小相似的目标和周围的海洋环境组成。溢油风险源分类网络(也为深度学习分类模型)可以混合提取通道信息和空间信息，以便模型学习不同通道之间的关系，对海上溢油风险源目标进行快速识别分类。在溢油风险源分类网络的浅层，该溢油风险源分类网络在不同类之间表现出类无关的特性，其能够提高低层表示的质量。随着层数的增加，呈现出与类相关的特征，增强了每个通道之间更重要的特征，并使船只和石油平台的内部特征和轮廓特征更加区别与其他海洋干扰因素。
本发明的有益效果为：
本发明提供一种基于高分辨率光学卫星海洋遥感影像的海上溢油风险源快速智能识别分类方法，算法利用像素梯度和目标尺寸等先验知识，进行疑似目标检测，对目标周围的多个响应点使用连通域控制器获得目标的中心位置和尺寸，最后将目标进行分类筛选。
本发明只对影像中疑似目标图片进行分类，大大减少了图片数量，提高了运行时间。并且训练集与实际预测图片尺寸近似，仅需要使用小规模图片而不需要使用整张遥感影像进行训练，使算法更易训练同时更加节约时间。
附图说明
图1为一种高分辨率遥感影像的海上溢油风险源快速智能识别分类方法的整体框图；图1中的(a)表示线性拉伸；(b)表示降采样；(c)和(d)表示掩膜处理；(e)表示溢油风险源分类网络。
图2为影像的海上溢油风险源快速识别分类的结果图，圆形框是石油平台，方形框是船只。图2(a)表示海上雾状干扰较多的情况时石油平台和船只的识别分类结果；图2(b)表示云干扰较多的情况时石油平台和船只的识别分类结果；图2(c)和(d)表示海上波纹干扰较多的情况时石油平台和船只的识别分类结果；图2(e)和(f)表示海况较好同时石油平台和船只分布密集时的石油平台和船只的识别分类结果.
具体实施方式
为使本发明解决的方法问题、采用的方法方案和达到的方法效果更加清楚，下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部内容。
如图1所示，本发明实施例提供的一种高分辨率遥感影像的海上溢油风险源快速智能识别分类方法包括：
第一步，遥感影像预处理。
1.1)线性拉伸。遥感影像大多数位深都是16位，像素值范围为0-65535，但是每张影像像素值的实际上往往集中在很小的一个区间，导致对比度降低。另外，由于不同遥感影像的像素区间往往不一致，会对算法结果产生影响，并且16位的像素深度会导致数据量过大，加大运算难度，因此使用线性拉伸方法进行图像增强，可以提高遥感影像对比度和可见性，同时将像素区间映射到0-255，减少数据规模。
1.2)下采样。由于原始遥感图像数据规模大，计算速度慢，实时性能降低。因此，对图像使用长宽间隔5个像素点采样的方式处理，以减少图像的数据比例并提高计算速度。
1.3)阈值分割和掩模处理。对于海洋石油平台和船只的检测，影像中的云和陆地是非常重要的干扰因素。因此，使用阈值分割和掩模处理来去除云和陆地的干扰。使用基于最大类间方差的阈值分割法从较暗的背景中分割较亮的云和陆地。之后，使用形态学处理来细化阈值结果，形态学处理包括扩张、侵蚀、填充等。将形态学处理后的二值图像进行反转作为掩模图对下采样结果进行掩模。
例如对于GF2_PMS1_E124.9_N29.0_20191007_L1A00042影像，其像素范围集中在三万亮度值以下，导致不同的物体之间难以有效区分，通过线性拉伸，提高了对比度，有利于后续的疑似目标定位。该影像的尺寸为29200×27632，通过下采样之后的尺寸为5840×5526，大大减少了数据规模，提高了运行速度。
第二步，海上溢油风险源疑似目标响应。由LCSE-ResNet中的高斯拉普拉斯算子(Laplacian of Gaussian operator，LoG)实现。LoG通过使用高斯滤波对图像进行降噪，再通过拉普拉斯二阶梯度算子获得图像中亮度变化明显的位置。根据溢油风险源中的船只和石油平台在海洋环境中具有明显的亮度特征，在疑似目标周围获得梯度变化响应点，即初步确定疑似目标。具体步骤如下：
2.1)由于石油平台和船只目标的灰度值明显高于周围海洋环境，对第一步预处理后的遥感影像进行微分运算获得梯度变化剧烈的像素，由于微分运算对遥感影像中的噪音敏感，且在求梯度的同时对遥感影像进行模糊处理，通过以上方法可以在疑似石油平台和船只的目标周围得到大量的响应点。
2.2)步骤2.1后，每个疑似目标周围都有大量的响应点，响应点的值反应了该处的梯度变化，由于海上目标尺寸不同以后海上环境的变化，保留疑似目标响应值在5到25之间的响应点，将这些响应点初步确认为疑似目标。
该步骤会在船只、石油平台、云等目标的周围获得大量的响应点，例如对GF2_PMS1_E124.9_N29.0_20191007_L1A00042影像，共计获得了数千个响应点。
第三步，疑似目标定位。
由于响应点过多，直接使用这些响应点将会导致目标重复运算，增大计算量，并且无法准确定位目标以及确定目标尺寸。本发明使用连通域控制器将疑似目标周围的多个响应点进行聚合计算，获得该疑似目标的中心位置和尺寸，并对其进行裁剪，得到定位准确的疑似目标。具体如下：
3.1)计算每个疑似目标周围的所有响应点中，任意两点之间距离，并将某一个区域内，所有距离在30像素以内并且响应点数量大于50的点区域看作是同一个连通域，得到M个连通域。
3.2)计算每个连通域中，所有响应点的平均横纵坐标以及任意两个响应点之间的距离，取最大距离，并将平均横纵坐标所在的点和最大距离作为该连通域所指向疑似目标的中心点位置和尺寸。
3.3)最后根据疑似目标的中心点位置和尺寸从预处理前的原始遥感影像上将该疑似目标裁剪下来，最终得到M个裁剪后的疑似目标图片，多个疑似目标图片的大小可相同也可不同，根据实际情况确认。所述的疑似目标图片为正方形，某一连通域中得到的中心点位置为疑似目标图片的中心点，尺寸为任意两个响应点之间的最大距离。
例如GF2_PMS1_E124.9_N29.0_20191007_L1A00042影像中的疑似目标数量从数千个减少到141个。
第四步，溢油风险源分类。
采用溢油风险源分类网络对第三步裁剪后的M个疑似目标图片分类，保留海上溢油主要风险源石油平台和船只目标。具体步骤如下：
4.1)由于步骤3.3)中得到的M个疑似目标图片尺寸并不相同，对所有图片进行调整尺寸操作，得到尺寸相同的M个疑似目标图片。
4.2)得到训练好的溢油风险源分类网络
4.2.1)首先对溢油风险源分类网络的网络结构进行说明
LCSE-ResNet包括上述由LoG算子和连通域控制器组成的目标定位部分和溢油风险源分类网络部分。所述的溢油风险源分类网络包含50层的卷积层，每两层卷积层为一个基本的网络块，在两层卷积操作之后，使用挤压激励操作对输出的不同通道内容进行权重再次分配，并使用短接方式将两个卷积操作之前的输入与进行权重再次分配后的输出相加，作为下一个网络块的输入。
4.2.2)通过对已确定船只、石油平台、云、其他人造目标、海上波纹和其他干扰信息的高分二光学卫星的全色影像进行裁剪处理，得到由多张图片组成的数据集，其中每张图片都为单通道灰度图，空间分辨率为1米，图片尺寸为201×201，图片中除海面之外，仅包含船只、石油平台、云、其他人造目标、波纹或噪声干扰中的一种。
4.2.3)将步骤4.2.2)得到的数据集划分为训练集和测试集。利用训练集对步骤4.1)的溢油风险源分类网络进行训练，利用测试集对其进行验证。具体过程：使用挤压激励网络模块和残差网络结合，构建分类网络模型。使用交叉熵损失函数将模型的输出与真实标签进行比较，衡量它们之间的差异。使用训练数据集来训练网络模，采用反向传播算法和梯度下降来更新模型的权重和偏置，以最小化损失函数。分类模型在训练过程中学习到了从输入图像到输出类别的映射关系。通过反向传播和优化算法，模型调整了自身的权重和偏置，使得在给定输入图像时，可以产生与真实标签相匹配的输出。
4.4)使用训练后的溢油风险源分类网络对步骤4.3)的疑似目标进行分类，该分类网络会根据训练时的训练集图片与标签的对应关系，输出与输入图片相对应的标签，以此来得出疑似目标的实际类别，并保留M个疑似目标中分类为船只和石油平台的目标。
在GF2_PMS1_E124.9_N29.0_20191007_L1A0004292462影像中，成功在141个疑似目标中分类出9艘船只目标和3个石油平台目标，并与实际数量相吻合。
海洋目标具有高度的相似性，并且在裁剪的图像中，目标几乎占据图像的中心。每个图像几乎由亮度集中、大小相似的目标和周围的海洋环境组成。对于传统的卷积运算，大部分改进工作是为了改善感受野，融合更多的空间特征，或提取多尺度空间信息。当在多个通道之间执行特征融合时，卷积运算基本上融合了输入特征图的所有通道。但通道的重要性与卷积层捕获的空间相关性纠缠在一起，不能有效利用不同通道特征的重要性。对于船只、石油平台和其他类似目标，仅通过空间相关性很难有效区分。溢油风险源分类网络可以混合提取通道信息和空间信息，以便模型学习不同通道之间的关系，在网络的浅层，能够提高低层表示的质量，随着层数的增加，能够增强每个通道之间更重要的特征，并使船只和石油平台的内部特征和轮廓特征更加区别与其他海洋干扰因素。
溢油风险源分类网络使用挤压操作将每个通道的全局空间信息压缩到通道描述符中，以获得通道的全局特性。本说明使用全局平均池化来获得单个通道的描述信息。在获得信道信息后，该网络使用激励操作来学习每个通道之间的关系。此操作包括两个完全连接层。
最后应说明的是：以上各实施例仅用以说明本发明的方法方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通方法人员应当理解：其对前述各实施例所记载的方法方案进行修改，或者对其中部分或者全部方法特征进行等同替换，并不使相应方法方案的本质脱离本发明各实施例方法方案的范围。

Claims (5)

1.一种高分辨率遥感影像的海上溢油风险源快速智能识别分类方法，其特征在于，包括以下几个步骤：
第一步，对获得的待分类的遥感影像进行预处理，去除遥感影像中云和陆地的干扰；
第二步，海上溢油风险源疑似目标响应；
由LCSE-ResNet中的高斯拉普拉斯算子LoG实现，LoG通过使用高斯滤波对图像进行降噪，再通过拉普拉斯二阶梯度算子获得图像中亮度变化明显的位置；根据溢油风险源中的船只和石油平台在海洋环境中具有明显的亮度特征，在疑似目标周围获得梯度变化响应点，即初步确定疑似目标；
第三步，疑似目标定位；
使用连通域控制器将疑似目标周围的多个响应点进行聚合计算，获得该疑似目标的中心位置和尺寸，并对其进行裁剪，得到定位准确的疑似目标；
第四步，溢油风险源分类；
采用溢油风险源分类网络对第三步裁剪后的M个疑似目标图片分类，保留海上溢油主要风险源石油平台和船只目标。
2.根据权利要求1所述的一种高分辨率遥感影像的海上溢油风险源快速智能识别分类方法，其特征在于，所述的第一步中预处理依次包括线性拉伸、下采样、阈值分割、掩模处理。
3.根据权利要求1所述的一种高分辨率遥感影像的海上溢油风险源快速智能识别分类方法，其特征在于，所述的第二步具体步骤如下：
2.1)对第一步预处理后的遥感影像进行微分运算获得梯度变化剧烈的像素，由于微分运算对遥感影像中的噪音敏感，且在求梯度的同时对遥感影像进行模糊处理，可以在疑似石油平台和船只的目标周围得到大量的响应点；
2.2)步骤2.1后，每个疑似目标周围都有大量的响应点，保留疑似目标响应值在5到25之间的响应点，将这些响应点初步确认为疑似目标。
4.根据权利要求1所述的一种高分辨率遥感影像的海上溢油风险源快速智能识别分类方法，其特征在于，所述的第三步具体步骤如下：
3.1)计算每个疑似目标周围的所有响应点中，任意两点之间距离，并将某一个区域内，所有距离在30像素以内并且响应点数量大于50的点区域看作是同一个连通域，得到M个连通域；
3.2)计算每个连通域中，所有响应点的平均横纵坐标以及任意两个响应点之间的距离，取最大距离，并将平均横纵坐标所在的点和最大距离作为该连通域所指向疑似目标的中心点位置和尺寸；
3.3)根据疑似目标的中心点位置和尺寸从预处理前的原始遥感影像上将该疑似目标裁剪下来，最终得到M个裁剪后的疑似目标图片，多个疑似目标图片的大小可相同也可不同，根据实际情况确认；所述的疑似目标图片为正方形，某一连通域中得到的中心点位置为疑似目标图片的中心点，尺寸为任意两个响应点之间的最大距离。
5.根据权利要求1所述的一种高分辨率遥感影像的海上溢油风险源快速智能识别分类方法，其特征在于，所述的第四步具体步骤如下：
4.1)由于步骤3.3)中得到的M个疑似目标图片尺寸并不相同，对所有图片进行调整尺寸操作，得到尺寸相同的M个疑似目标图片；
4.2)得到训练好的溢油风险源分类网络
4.2.1)首先对溢油风险源分类网络的网络结构进行说明
LCSE-ResNet包括上述由LoG算子和连通域控制器组成的目标定位部分和溢油风险源分类网络部分；所述的溢油风险源分类网络包含50层的卷积层，每两层卷积层为一个基本的网络块，在两层卷积操作之后，使用挤压激励操作对输出的不同通道内容进行权重再次分配，并使用短接方式将两个卷积操作之前的输入与进行权重再次分配后的输出相加，作为下一个网络块的输入；
4.2.2)通过对已确定船只、石油平台、云、其他人造目标、海上波纹和其他干扰信息的高分二光学卫星的全色影像进行裁剪处理，得到由多张图片组成的数据集，其中每张图片都为单通道灰度图，图片中除海面之外，仅包含船只、石油平台、云、其他人造目标、波纹或噪声干扰中的一种；
4.2.3)将步骤4.2.2)得到的数据集划分为训练集和测试集；利用训练集对步骤4.1)的溢油风险源分类网络进行训练，利用测试集对其进行验证；具体过程：使用挤压激励网络模块和残差网络结合，构建分类网络模型；使用交叉熵损失函数将模型的输出与真实标签进行比较，衡量它们之间的差异；使用训练数据集来训练网络模，采用反向传播算法和梯度下降来更新模型的权重和偏置，以最小化损失函数；分类模型在训练过程中学习到了从输入图像到输出类别的映射关系；通过反向传播和优化算法，模型调整了自身的权重和偏置，使得在给定输入图像时，可以产生与真实标签相匹配的输出；
4.3)使用训练后的溢油风险源分类网络对步骤4.3)的疑似目标进行分类，该分类网络会根据训练时的训练集图片与标签的对应关系，输出与输入图片相对应的标签，以此来得出疑似目标的实际类别，并保留M个疑似目标中分类为船只和石油平台的目标。
CN202310857768.XA 2023-07-13 2023-07-13 一种高分辨率遥感影像的海上溢油风险源快速智能识别分类方法 Pending CN116797941A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310857768.XA CN116797941A (zh) 2023-07-13 2023-07-13 一种高分辨率遥感影像的海上溢油风险源快速智能识别分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310857768.XA CN116797941A (zh) 2023-07-13 2023-07-13 一种高分辨率遥感影像的海上溢油风险源快速智能识别分类方法

Publications (1)

Publication Number Publication Date
CN116797941A true CN116797941A (zh) 2023-09-22

Family

ID=88042097

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310857768.XA Pending CN116797941A (zh) 2023-07-13 2023-07-13 一种高分辨率遥感影像的海上溢油风险源快速智能识别分类方法

Country Status (1)

Country Link
CN (1) CN116797941A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117745799A (zh) * 2024-02-08 2024-03-22 广东海洋大学 近海海域油污染面积遥测方法及装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117745799A (zh) * 2024-02-08 2024-03-22 广东海洋大学 近海海域油污染面积遥测方法及装置
CN117745799B (zh) * 2024-02-08 2024-04-30 广东海洋大学 近海海域油污染面积遥测方法及装置

Similar Documents

Publication Publication Date Title
CN110310264B (zh) 一种基于dcnn的大尺度目标检测方法、装置
Cheng et al. FusionNet: Edge aware deep convolutional networks for semantic segmentation of remote sensing harbor images
CN108491854B (zh) 基于sf-rcnn的光学遥感图像目标检测方法
Zhu et al. Oil spill contextual and boundary-supervised detection network based on marine SAR images
CN109740460B (zh) 基于深度残差密集网络的光学遥感图像舰船检测方法
CN103049763B (zh) 一种基于上下文约束的目标识别方法
CN108647648A (zh) 一种基于卷积神经网络的可见光条件下的舰船识别系统及方法
CN109117802A (zh) 面向大场景高分遥感影像的舰船检测方法
CN109359661B (zh) 一种基于卷积神经网络的Sentinel-1雷达图像分类方法
CN111862143B (zh) 一种河堤坍塌自动监测方法
CN109766823A (zh) 一种基于深层卷积神经网络的高分辨率遥感船舶检测方法
CN113139528B (zh) 基于Faster_RCNN的无人机热红外图像堤坝险情检测方法
CN113920436A (zh) 一种基于改进YOLOv4算法的遥感图像海上船舶识别系统及其方法
CN107705313A (zh) 一种遥感图像舰船目标分割方法
Chen et al. Road damage detection and classification using mask R-CNN with DenseNet backbone
He et al. Ship detection without sea-land segmentation for large-scale high-resolution optical satellite images
CN116797941A (zh) 一种高分辨率遥感影像的海上溢油风险源快速智能识别分类方法
CN114764801A (zh) 基于多视觉显著特征的弱小舰船目标融合检测方法及装置
CN115861756A (zh) 基于级联组合网络的大地背景小目标识别方法
Yaohua et al. A SAR oil spill image recognition method based on densenet convolutional neural network
Al-Saad et al. Airbus ship detection from satellite imagery using frequency domain learning
CN118366052A (zh) 多物理可解释深度学习的sar溢油目标识别方法
CN115115863A (zh) 水面多尺度目标检测方法、装置及系统和存储介质
Widyantara et al. Gamma correction-based image enhancement and canny edge detection for shoreline extraction from coastal imagery
Qiu et al. Underwater sea cucumbers detection based on pruned SSD

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