CN117152490A - 一种海冰海水分类方法、系统、存储介质及电子设备 - Google Patents
一种海冰海水分类方法、系统、存储介质及电子设备 Download PDFInfo
- Publication number
- CN117152490A CN117152490A CN202310978838.7A CN202310978838A CN117152490A CN 117152490 A CN117152490 A CN 117152490A CN 202310978838 A CN202310978838 A CN 202310978838A CN 117152490 A CN117152490 A CN 117152490A
- Authority
- CN
- China
- Prior art keywords
- delay
- image
- doppler image
- doppler
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 60
- 239000013535 sea water Substances 0.000 title claims abstract description 54
- 239000005457 ice water Substances 0.000 title claims abstract description 35
- 238000004364 calculation method Methods 0.000 claims abstract description 36
- 230000008447 perception Effects 0.000 claims abstract description 28
- 239000013598 vector Substances 0.000 claims description 36
- 238000005516 engineering process Methods 0.000 claims description 30
- 238000012545 processing Methods 0.000 claims description 14
- 230000009467 reduction Effects 0.000 claims description 13
- 238000003908 quality control method Methods 0.000 claims description 12
- 238000010586 diagram Methods 0.000 claims description 11
- 230000002159 abnormal effect Effects 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 9
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims 1
- 230000008901 benefit Effects 0.000 abstract description 11
- 230000000694 effects Effects 0.000 abstract description 11
- 238000004422 calculation algorithm Methods 0.000 abstract description 8
- 238000013135 deep learning Methods 0.000 description 7
- 230000008859 change Effects 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000002679 ablation Methods 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 235000000332 black box Nutrition 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
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
- G06V10/70—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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration by the use of more than one image, e.g. averaging, subtraction
-
- 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
- G06V10/77—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
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
Abstract
本发明公开了一种海冰海水分类方法、系统、存储介质及电子设备,通过提取DDM图像的灰度直方分布以及图像感知哈希,作为DDM图像的特征,再与存储在系统数据库中的DDM图像做相似计算,达到判别海水海冰的作用,有效的提高了计算的速度同时降低了计算资源的消耗。本发明可以在减少对数据样本量依赖的前提下,提高对数据预测的准确性;本发明对算力的要求较低,不需要过多的计算资源也可以达到识别DDM图像海冰海水的效果;本发明算法复杂度较低,算法解释性强,图像的灰度直方分布以及感知哈希值作为在计算机上的二进制表示,可以有效地表示图像的信息,通过计算与系统数据库存储的参考DDM图像的相似度,可以达到判别海冰海水的效果。
Description
技术领域
本发明涉及数据处理技术领域,并且更具体地,涉及一种海冰海水分类方法、系统、存储介质及电子设备。
背景技术
海冰的变化情况与大气环境的气候变化紧密相关。海水结冰是高纬度海洋和极地圈独有的现象,是大气交换重要组成部分。海冰的生成、发展、消融反映了海洋与大气之间热交换的过程。海冰的存在影响了高纬度地区水文特征、洋流走向、大气循环、热量交换等。同时,也是最突出的海洋灾害之一。因此对海冰检测的研究具有重要的意义。全球导航卫星系统反射(GNSS-R)技术是一种新型的微波遥感技术。作为主动遥感和被动遥感的结合,它具有时空分辨率高、成本低的优点。时延多普勒图(Delay-Doppler Map,DDM)数据是对接收到的GNSS-R信号与本地复制信号进行互相关生成。DDM数据受反射表面粗糙度的影响,海冰表面一般比海水表面更加光滑,这就提供了利用DDM数据区分海冰和海水的基础。
目前基于星载GNSS-R多普勒时延图像进行海冰海水分类的方法,主要通过深度学习的方法进行分类识别,例如卷积神经网络方法、深度神经网络方法。虽然深度学习方法被广泛认为是一种优秀的技术,是遥感图像处理发展的新趋势,能够完全从数据中学习特征的表示,学习能力强。
然而,深度学习与传统的方法相比存在以下缺点:第一,深度学习方法高度依赖数据,当训练数据样本不平衡情况下会导致数据预测存在偏差;第二,需要消耗大量的计算资源,深度学习对算力的要求较高,对于硬件的配置成本比较高;第三,由于深度学习算法的复杂性和黑盒性,它的解释性相对较弱,很难看懂算法在内部是如何运作的。
发明内容
为了解决上述背景技术所述的至少一个问题,本发明提供一种海冰海水分类方法、系统、存储介质及电子设备。
根据本发明的一个方面,提供了一种海冰海水分类方法,包括:
获取全球导航卫星系统反射技术的L1级产品的目标时延多普勒图像;
确定目标时延多普勒图像的灰度直方分布向量图,计算目标时延多普勒图像的图像感知哈希值;
计算目标时延多普勒图像的灰度直方分布向量与预设数据库中存储的参考时延多普勒图像的相似度,计算目标时延多普勒图像的图像感知哈希值与预设数据库中存储的参考时延多普勒图像的图像感知哈希值之间的汉明距离;
根据相似度的计算结果从预设数据库中确定与目标时延多普勒图像的相似度大于第一阈值的多张参考时延多普勒图像,根据汉明距离的计算结果从预设数据库中确定与目标时延多普勒图像的汉明距离大于第二阈值的多张参考时延多普勒图像,得到与目标时延多普勒图像对应的参考时延多普勒图像集;
对参考时延多普勒图像集中的参考时延多普勒图像进行分类,根据分类的结果确定个数最多的参考时延多普勒图像对应的目标类型,并将目标类型确定为目标时延多普勒图像判别海冰海水的分类结果。
可选地,所述获取全球导航卫星系统反射技术的L1级产品的目标时延多普勒图像,包括:
收集一段时间范围内全球导航卫星系统反射技术的L1级产品的初始时延多普勒图像;
根据全球导航卫星系统反射技术提供的质量标志位,对初始时延多普勒图像进行质量控制,去除初始时延多普勒图像的异常图像,并对初始时延多普勒图像进行降噪处理;
根据用户的选择操作,从降噪处理后的初始时延多普勒图像中选择对应的一张时延多普勒图像作为目标时延多普勒图像。
可选地,所述计算目标时延多普勒图像的图像感知哈希值,包括:
计算目标时延多普勒图像的差异哈希值;
计算目标时延多普勒图像的初步感知哈希值;
基于差异哈希值和初步感知哈希值,确定目标时延多普勒图像的图像感知哈希值。
可选地,所述计算目标时延多普勒图像的灰度直方分布向量与预设数据库中存储的参考时延多普勒图像的相似度,包括:
通过以下公式计算目标时延多普勒图像的灰度直方分布向量与预设数据库中存储的参考时延多普勒图像的相似度:
式中,Pa代表目标时延多普勒图像的灰度直方分布向量;表示目标时延多普勒图像的灰度直方分布向量的平均值;Pi代表预设数据库中存储的第i张参考时延多普勒图像的灰度直方分布向量;/>表示预设数据库中存储的第i张参考时延多普勒图像的灰度直方分布向量的平均值。
可选地,该方法还包括通过以下方式制作预设数据库中的参考时延多普勒图像:
收集全球导航卫星系统反射技术的L1级产品的历史时延多普勒图像和OSISAF海冰数据,其中海冰数据包括海冰密集度以及海冰类型的数据;
根据全球导航卫星系统反射技术提供的质量标志位,对历史时延多普勒图像和OSISAF海冰数据进行质量控制,去除异常值;
将历史时延多普勒图像与OSISAF海冰数据进行时空匹配,选择匹配结果为海水的时延多普勒图像,选择匹配结果为一年冰的时延多普勒图像,选择匹配结果为多年冰的时延多普勒图像;
将海水的时延多普勒图像存放到预设数据库,按照预设比例将一年冰的时延多普勒图像和多年冰的时延多普勒图像存放到预设数据库,得到预设数据库中的参考时延多普勒图像。
根据本发明的又一个方面,提供了一种海冰海水分类系统,包括:
图像获取模块,用于获取全球导航卫星系统反射技术的L1级产品的目标时延多普勒图像;
第一计算模块,用于确定目标时延多普勒图像的灰度直方分布向量图,计算目标时延多普勒图像的图像感知哈希值;
第二计算模块,用于计算目标时延多普勒图像的灰度直方分布向量与预设数据库中存储的参考时延多普勒图像的相似度,计算目标时延多普勒图像的图像感知哈希值与预设数据库中存储的参考时延多普勒图像的图像感知哈希值之间的汉明距离;
第一确定模块,用于根据相似度的计算结果从预设数据库中确定与目标时延多普勒图像的相似度大于第一阈值的多张参考时延多普勒图像,根据汉明距离的计算结果从预设数据库中确定与目标时延多普勒图像的汉明距离大于第二阈值的多张参考时延多普勒图像,得到与目标时延多普勒图像对应的参考时延多普勒图像集;
第二确定模块,用于对参考时延多普勒图像集中的参考时延多普勒图像进行分类,根据分类的结果确定个数最多的参考时延多普勒图像对应的目标类型,并将目标类型确定为目标时延多普勒图像判别海冰海水的分类结果。
可选地,所述图像获取模块,具体用于:
收集一段时间范围内全球导航卫星系统反射技术的L1级产品的初始时延多普勒图像;
根据全球导航卫星系统反射技术提供的质量标志位,对初始时延多普勒图像进行质量控制,去除初始时延多普勒图像的异常图像,并对初始时延多普勒图像进行降噪处理;
根据用户的选择操作,从降噪处理后的初始时延多普勒图像中选择对应的一张时延多普勒图像作为目标时延多普勒图像。
可选地,所述第一计算模块,具体用于:
计算目标时延多普勒图像的差异哈希值;
计算目标时延多普勒图像的初步感知哈希值;
基于差异哈希值和初步感知哈希值,确定目标时延多普勒图像的图像感知哈希值。
根据本发明的又一个方面,提供了一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序用于执行本发明上述任一方面所述的方法。
根据本发明的又一个方面,提供了一种电子设备,所述电子设备包括:处理器;用于存储所述处理器可执行指令的存储器;所述处理器,用于从所述存储器中读取所述可执行指令,并执行所述指令以实现本发明上述任一方面所述的方法。
本发明基于图像灰度直方分布图和图像感知哈希方法提取输入DDM图像特征,分别计算输入的DDM图像与系统数据库存储的每张参考DDM图像的灰度分布相似度,同时,计算输入的DDM图像的感知哈希值,分别与系统数据库存储的每张参考DDM图像的感知哈希做汉明距离的计算。输出灰度直方分布相似的参考DDM图像以及汉明距离最近的参考DDM图像,统计每个类型的参考DDM图像个数,将个数最多的类型输出,作为DDM图像判别海冰海水的分类结果。本发明通过提取DDM图像的灰度直方分布以及图像感知哈希,作为DDM图像的特征,再与存储在系统数据库中的DDM图像做相似计算,达到判别海水海冰的作用,有效的提高了计算的速度同时降低了计算资源的消耗。本发明可以在减少对数据样本量依赖的前提下,提高对数据预测的准确性;本发明对算力的要求较低,不需要过多的计算资源也可以达到识别DDM图像海冰海水的效果;本发明算法复杂度较低,算法解释性强,图像的灰度直方分布以及感知哈希值作为在计算机上的二进制表示,可以有效地表示图像的信息,通过计算与系统数据库存储的参考DDM图像的相似度,可以达到判别海冰海水的效果。
附图说明
通过参考下面的附图,可以更为完整地理解本发明的示例性实施方式:
图1是本发明一示例性实施例提供的海冰海水分类方法的流程示意图;
图2是本发明一示例性实施例提供的海冰海水分类的整体流程图;
图3是本发明一示例性实施例提供的制作预设数据库中的参考DDM图像的流程图;
图4是本发明一示例性实施例提供的海冰海水分类系统的结构示意图;
图5是本发明一示例性实施例提供的电子设备的结构。
具体实施方式
下面,将参考附图详细地描述根据本发明的示例实施例。显然,所描述的实施例仅仅是本发明的一部分实施例,而不是本发明的全部实施例,应理解,本发明不受这里描述的示例实施例的限制。
应注意到:除非另外具体说明,否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。
图1示出了本发明所提供的海冰海水分类方法的流程示意图。如图1所示,海冰海水分类方法,包括:
步骤S101:获取全球导航卫星系统反射技术的L1级产品的目标时延多普勒图像;
可选地,所述获取全球导航卫星系统反射技术的L1级产品的目标时延多普勒图像,包括:收集一段时间范围内全球导航卫星系统反射技术的L1级产品的初始时延多普勒图像;根据全球导航卫星系统反射技术提供的质量标志位,对初始时延多普勒图像进行质量控制,去除初始时延多普勒图像的异常图像,并对初始时延多普勒图像进行降噪处理;根据用户的选择操作,从降噪处理后的初始时延多普勒图像中选择对应的一张时延多普勒图像作为目标时延多普勒图像。
在本发明实施例中,如图2所示,收集一段时间范围内的GNSS-R L1数据。然后根据GNSS-R L1数据提供的质量标志位进行质量控制,同时去除观测值Nan值或负值的数据。其次对DDM数据进行降噪处理。最后,用户从中选择一幅DDM图像数据作为输入判别系统的目标时延多普勒图像。
步骤S102:确定目标时延多普勒图像的灰度直方分布向量图,计算目标时延多普勒图像的图像感知哈希值;
可选地,所述计算目标时延多普勒图像的图像感知哈希值,包括:计算目标时延多普勒图像的差异哈希值;计算目标时延多普勒图像的初步感知哈希值;基于差异哈希值和初步感知哈希值,确定目标时延多普勒图像的图像感知哈希值。
在本发明实施例中,经研究发现,图像直方图是描述图像纹理信息的重要特征之一,它用来表现图像中亮度分布的直方图,给出的是图像中某个亮度或者某个范围亮度下共有几个像素,即统计一幅图某个亮度像素数量。图像直方图由于其计算代价较小,且具有图像平移、旋转、缩放不变性等众多优点,广泛地应用于图像分类等图像处理的各个领域。
图像感知哈希技术目前被广泛的应用于图像检索领域等多媒体信息安全领域,因此它也可以用来描述图像的信息,将图像的特征数据映射到一个简短的字符串编码,如二进制字符串,是基于图像内容的一种紧凑表示,它使视觉上相同的图像映射到相同或相似的哈希值,不同的图像映射成不同的哈希值,具有强鲁棒性和区分性强的优点。
因此,本发明采用传统的图像理解与识别方法,受反射面介质影响,海冰与海水的DDM图像有明显的区别,因此可以提取图像直方图分布向量、图像感知哈希等信息,作为描述图像细表征信息。
在本发明实施例中,灰度直方分布是描述图像纹理特征的重要工具之一,计算输入的DDM图像的灰度直方向量如下:统计灰度值在[0,255]的个数,得到一个255*1的向量,每个值代表图像对应灰度值的个数。
在本发明实施例中,计算输入的目标DDM图像的图像哈希值二进制序列的具体步骤包括:
1)计算图像差异哈希;首先,将图像大小调整为9列*8行;其次,进行灰度化处理;第三,遍历9列*8行的像素点,分别比较当前像素点与左边、右边像素点的大小,如果当前像素点左边的像素值大于右边的像素值,则标记当前像素点的位置的值为1,否则为0。每行共有9个像素点,可以比对得出8个值,因此8行的像素点可以得到8*8个比对值,此时的差异哈希值为64位的二进制序列,记为hash1。
2)计算图像感知哈希;首先,将图像大小调整为32列*32行;第二,进行灰度化处理;第三,对图像进行离散余弦变换(DCT),并保留变换后矩阵的左上角的8列*8行,记为D8*8。计算D8*8的平均值,记为dmean;第四,遍历D8*8矩阵,将将每个像素值,与dmean进行比较。大于或等于dmean,记为1,小于平均值,记为0,因此可以得到8*8比对值,此时的感知哈希值为64位的二进制序列,记为hash2。
3)将计算得到的hash1和hash2拼接在一起,作为目标DDM图像的图像哈希值二进制序列。
步骤S103:计算目标时延多普勒图像的灰度直方分布向量与预设数据库中存储的参考时延多普勒图像的相似度,计算目标时延多普勒图像的图像感知哈希值与预设数据库中存储的参考时延多普勒图像的图像感知哈希值之间的汉明距离;
可选地,所述计算目标时延多普勒图像的灰度直方分布向量与预设数据库中存储的参考时延多普勒图像的相似度,包括:通过以下公式计算目标时延多普勒图像的灰度直方分布向量与预设数据库中存储的参考时延多普勒图像的相似度:
式中,Pa代表目标时延多普勒图像的灰度直方分布向量;表示目标时延多普勒图像的灰度直方分布向量的平均值;Pi代表预设数据库中存储的第i张参考时延多普勒图像的灰度直方分布向量;/>表示预设数据库中存储的第i张参考时延多普勒图像的灰度直方分布向量的平均值。
在本发明实施例中,将输入的DDM图像与系统数据库存储的参考DDM图像进行比对,首先分别计算输入的DDM图像的灰度直方分布与所有的参考DDM图像的灰度直方分布的相似度,并输出与该DDM最相似的多张(例如但不限于前10张)参考DDM图像,计算灰度直方分布相似度的公式如下:
其中,Pa代表目标时延多普勒图像的灰度直方分布向量,大小为256*1;表示目标时延多普勒图像的灰度直方分布向量的平均值;Pi代表预设数据库中存储的第i张参考时延多普勒图像的灰度直方分布向量;/>表示预设数据库中存储的第i张参考时延多普勒图像的灰度直方分布向量的平均值;
其次,计算输入的DDM图像的图像哈希值与所有的参考DDM图像的图像感知哈希值之间的汉明距离,若汉明距离越小,证明两张图像越相似,从而输出与该DDM汉明距离最近的多张(例如但不限于为10张)参考DDM图像。
其中,下表1示出了海水/海冰DDM图像感知哈希的平均汉明距离:
表1
海水DDM | 海冰DDM | |
海水DDM | 12.03305785123967 | 24.9 |
海冰DDM | 24.9 | 15.82 |
可选地,该方法还包括通过以下方式制作预设数据库中的参考时延多普勒图像:收集全球导航卫星系统反射技术的L1级产品的历史时延多普勒图像和OSISAF海冰数据,其中海冰数据包括海冰密集度以及海冰类型的数据;根据全球导航卫星系统反射技术提供的质量标志位,对历史时延多普勒图像和OSISAF海冰数据进行质量控制,去除异常值;将历史时延多普勒图像与OSISAF海冰数据进行时空匹配,选择匹配结果为海水的时延多普勒图像,选择匹配结果为一年冰的时延多普勒图像,选择匹配结果为多年冰的时延多普勒图像;将海水的时延多普勒图像存放到预设数据库,按照预设比例将一年冰的时延多普勒图像和多年冰的时延多普勒图像存放到预设数据库,得到预设数据库中的参考时延多普勒图像。
在本发明实施例中,制作预设数据库中的参考时延多普勒图像的具体步骤如图3所示,包括:
1)GNSS-R L1级的DDM图像和OSISAF海冰数据的收集,OSISAF海冰数据包括海冰密集度以及海冰类型的数据。
2)数据预处理;该步骤包括对GNSS-R L1级数据进行质量控制与参考海冰数据时空匹配。质量控制根据L1级提供的质量标志位进行筛除,主要剔除航天器具有较大的姿态误差或姿态异常、发射器功率或天线增益具有较高的不确定性、DDM无效或具有异常、仪器数据传输和校准问题的L1级观测数据以及观测值为Nan或者为负数的数据;时空匹配的原则是GNSS-R镜面反射点经纬度和时间与参考海冰数据基于双线性插值的方法进行时空匹配。
3)筛选出匹配到OSISAF数据为海水的数据,将对应的GNSS-R L1 DDM图像存放到判别海冰海水系统的数据库中。筛选出匹配到OSISAF为一年冰的数据,同时筛选出匹配到OSISAF为多年冰的数据,将这两个类型对应的GNSS-R L1 DDM图像数据按照1:1的比例存放到判别海冰海水系统的数据库中。
步骤S104:根据相似度的计算结果从预设数据库中确定与目标时延多普勒图像的相似度大于第一阈值的多张参考时延多普勒图像,根据汉明距离的计算结果从预设数据库中确定与目标时延多普勒图像的汉明距离大于第二阈值的多张参考时延多普勒图像,得到与目标时延多普勒图像对应的参考时延多普勒图像集;
步骤S105:对参考时延多普勒图像集中的参考时延多普勒图像进行分类,根据分类的结果确定个数最多的参考时延多普勒图像对应的目标类型,并将目标类型确定为目标时延多普勒图像判别海冰海水的分类结果。
本发明基于图像灰度直方分布图和图像感知哈希提取输入DDM图像特征,通过将图像的特征数据映射到一个简短的字符串编码,作为图像内容的一种紧凑表示,而不是将整张DDM图像作为输入,可以有效的减少系统的计算资源消耗。
本发明优势在于,在面对海量的卫星遥感数据,尤其是星载GNSS-R数据,可以快速地识别海冰和海水的DDM图像;图像感知哈希技术是将图像的特征数据映射到一个简短的字符串编码,是基于图像内容的一种紧凑表示,它使视觉上相同的图像映射到相同或相似的哈希,不同的图像映射成不同的哈希。在实际应用中,用图像哈希来代表图像本身,将图像本身映射为短小的数字序列,可以有效降低了图像存储代价和计算复杂度,在面对海量的DDM数据,实现数据的高效处理。输入一张DDM图像,计算该图像的灰度直方分布图和图像感知哈希,然后与判别系统数据库中存储的每张参考海冰海水DDM图像计算灰度分布图的相似度和图像感知哈希的汉明距离,分别输出相似度较大以及汉明距离最近的多张图像,统计输出的参考DDM图像,统计每类DDM图像的类型,将统计类型最多的结果输出,从而实现对海冰海水的DDM图像进行判别。
综上所述,本发明基于图像灰度直方分布图和图像感知哈希方法提取输入DDM图像特征,分别计算输入的DDM图像与系统数据库存储的每张参考DDM图像的灰度分布相似度,同时,计算输入的DDM图像的感知哈希值,分别与系统数据库存储的每张参考DDM图像的感知哈希做汉明距离的计算。输出灰度直方分布相似的参考DDM图像以及汉明距离最近的参考DDM图像,统计每个类型的参考DDM图像个数,将个数最多的类型输出,作为DDM图像判别海冰海水的分类结果。本发明通过提取DDM图像的灰度直方分布以及图像感知哈希,作为DDM图像的特征,再与存储在系统数据库中的DDM图像做相似计算,达到判别海水海冰的作用,有效的提高了计算的速度同时降低了计算资源的消耗。本发明可以在减少对数据样本量依赖的前提下,提高对数据预测的准确性;本发明对算力的要求较低,不需要过多的计算资源也可以达到识别DDM图像海冰海水的效果;本发明算法复杂度较低,算法解释性强,图像的灰度直方分布以及感知哈希值作为在计算机上的二进制表示,可以有效地表示图像的信息,通过计算与系统数据库存储的参考DDM图像的相似度,可以达到判别海冰海水的效果。
示例性系统
图4是本发明一示例性实施例提供的海冰海水分类系统的结构示意图。如图4所示,系统400包括:
图像获取模块410,用于获取全球导航卫星系统反射技术的L1级产品的目标时延多普勒图像;
第一计算模块420,用于确定目标时延多普勒图像的灰度直方分布向量图,计算目标时延多普勒图像的图像感知哈希值;
第二计算模块430,用于计算目标时延多普勒图像的灰度直方分布向量与预设数据库中存储的参考时延多普勒图像的相似度,计算目标时延多普勒图像的图像感知哈希值与预设数据库中存储的参考时延多普勒图像的图像感知哈希值之间的汉明距离;
第一确定模块440,用于根据相似度的计算结果从预设数据库中确定与目标时延多普勒图像的相似度大于第一阈值的多张参考时延多普勒图像,根据汉明距离的计算结果从预设数据库中确定与目标时延多普勒图像的汉明距离大于第二阈值的多张参考时延多普勒图像,得到与目标时延多普勒图像对应的参考时延多普勒图像集;
第二确定模块450,用于对参考时延多普勒图像集中的参考时延多普勒图像进行分类,根据分类的结果确定个数最多的参考时延多普勒图像对应的目标类型,并将目标类型确定为目标时延多普勒图像判别海冰海水的分类结果。
可选地,所述图像获取模块410,具体用于:
收集一段时间范围内全球导航卫星系统反射技术的L1级产品的初始时延多普勒图像;
根据全球导航卫星系统反射技术提供的质量标志位,对初始时延多普勒图像进行质量控制,去除初始时延多普勒图像的异常图像,并对初始时延多普勒图像进行降噪处理;
根据用户的选择操作,从降噪处理后的初始时延多普勒图像中选择对应的一张时延多普勒图像作为目标时延多普勒图像。
可选地,所述第一计算模块420,具体用于:
计算目标时延多普勒图像的差异哈希值;
计算目标时延多普勒图像的初步感知哈希值;
基于差异哈希值和初步感知哈希值,确定目标时延多普勒图像的图像感知哈希值。
本发明的实施例的海冰海水分类系统与本发明的另一个实施例的海冰海水分类方法相对应,在此不再赘述。
示例性电子设备
图5是本发明一示例性实施例提供的电子设备的结构。如图5所示,电子设备50包括一个或多个处理器51和存储器52。
处理器51可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元,并且可以控制电子设备中的其他组件以执行期望的功能。
存储器52可以包括一个或多个计算机程序产品,所述计算机程序产品可以包括各种形式的计算机可读存储介质,例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令,处理器51可以运行所述程序指令,以实现上文所述的本发明的各个实施例的软件程序的对历史变更记录进行信息挖掘的方法以及/或者其他期望的功能。在一个示例中,电子设备还可以包括:输入装置53和输出装置54,这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。
此外,该输入装置53还可以包括例如键盘、鼠标等等。
该输出装置54可以向外部输出各种信息。该输出装置54可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然,为了简化,图5中仅示出了该电子设备中与本发明有关的组件中的一些,省略了诸如总线、输入/输出接口等等的组件。除此之外,根据具体应用情况,电子设备还可以包括任何其他适当的组件。
示例性计算机程序产品和计算机可读存储介质
除了上述方法和设备以外,本发明的实施例还可以是计算机程序产品,其包括计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本发明各种实施例的方法中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本发明实施例操作的程序代码,所述程序设计语言包括面向对象的程序设计语言,诸如Java、C++等,还包括常规的过程式程序设计语言,诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外,本发明的实施例还可以是计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本发明各种实施例的对历史变更记录进行信息挖掘的方法中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、系统或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
以上结合具体实施例描述了本发明的基本原理,但是,需要指出的是,在本发明中提及的优点、优势、效果等仅是示例而非限制,不能认为这些优点、优势、效果等是本发明的各个实施例必须具备的。另外,上述公开的具体细节仅是为了示例的作用和便于理解的作用,而非限制,上述细节并不限制本发明为必须采用上述具体的细节来实现。
本说明书中各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其它实施例的不同之处,各个实施例之间相同或相似的部分相互参见即可。对于系统实施例而言,由于其与方法实施例基本对应,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本发明中涉及的器件、系统、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的,可以按任意方式连接、布置、配置这些器件、系统、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇,指“包括但不限于”,且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”,且可与其互换使用,除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”,且可与其互换使用。
可能以许多方式来实现本发明的方法和系统。例如,可通过软件、硬件、固件或者软件、硬件、固件的任何组合来实现本发明的方法和系统。用于所述方法的步骤的上述顺序仅是为了进行说明,本发明的方法的步骤不限于以上具体描述的顺序,除非以其它方式特别说明。此外,在一些实施例中,还可将本发明实施为记录在记录介质中的程序,这些程序包括用于实现根据本发明的方法的机器可读指令。因而,本发明还覆盖存储用于执行根据本发明的方法的程序的记录介质。
还需要指出的是,在本发明的系统、设备和方法中,各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本发明的等效方案。提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本发明。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的,并且在此定义的一般原理可以应用于其他方面而不脱离本发明的范围。因此,本发明不意图被限制到在此示出的方面,而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外,此描述不意图将本发明的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例,但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (10)
1.一种海冰海水分类方法,其特征在于,包括:
获取全球导航卫星系统反射技术的L1级产品的目标时延多普勒图像;
确定目标时延多普勒图像的灰度直方分布向量图,计算目标时延多普勒图像的图像感知哈希值;
计算目标时延多普勒图像的灰度直方分布向量与预设数据库中存储的参考时延多普勒图像的相似度,计算目标时延多普勒图像的图像感知哈希值与预设数据库中存储的参考时延多普勒图像的图像感知哈希值之间的汉明距离;
根据相似度的计算结果从预设数据库中确定与目标时延多普勒图像的相似度大于第一阈值的多张参考时延多普勒图像,根据汉明距离的计算结果从预设数据库中确定与目标时延多普勒图像的汉明距离大于第二阈值的多张参考时延多普勒图像,得到与目标时延多普勒图像对应的参考时延多普勒图像集;
对参考时延多普勒图像集中的参考时延多普勒图像进行分类,根据分类的结果确定个数最多的参考时延多普勒图像对应的目标类型,并将目标类型确定为目标时延多普勒图像判别海冰海水的分类结果。
2.根据权利要求1所述的方法,其特征在于,所述获取全球导航卫星系统反射技术的L1级产品的目标时延多普勒图像,包括:
收集一段时间范围内全球导航卫星系统反射技术的L1级产品的初始时延多普勒图像;
根据全球导航卫星系统反射技术提供的质量标志位,对初始时延多普勒图像进行质量控制,去除初始时延多普勒图像的异常图像,并对初始时延多普勒图像进行降噪处理;
根据用户的选择操作,从降噪处理后的初始时延多普勒图像中选择对应的一张时延多普勒图像作为目标时延多普勒图像。
3.根据权利要求1所述的方法,其特征在于,所述计算目标时延多普勒图像的图像感知哈希值,包括:
计算目标时延多普勒图像的差异哈希值;
计算目标时延多普勒图像的初步感知哈希值;
基于差异哈希值和初步感知哈希值,确定目标时延多普勒图像的图像感知哈希值。
4.根据权利要求1所述的方法,其特征在于,所述计算目标时延多普勒图像的灰度直方分布向量与预设数据库中存储的参考时延多普勒图像的相似度,包括:
通过以下公式计算目标时延多普勒图像的灰度直方分布向量与预设数据库中存储的参考时延多普勒图像的相似度:
式中,Pa代表目标时延多普勒图像的灰度直方分布向量;表示目标时延多普勒图像的灰度直方分布向量的平均值;Pi代表预设数据库中存储的第i张参考时延多普勒图像的灰度直方分布向量;/>表示预设数据库中存储的第i张参考时延多普勒图像的灰度直方分布向量的平均值。
5.根据权利要求1所述的方法,其特征在于,还包括通过以下方式制作预设数据库中的参考时延多普勒图像:
收集全球导航卫星系统反射技术的L1级产品的历史时延多普勒图像和OSISAF海冰数据,其中海冰数据包括海冰密集度以及海冰类型的数据;
根据全球导航卫星系统反射技术提供的质量标志位,对历史时延多普勒图像和OSISAF海冰数据进行质量控制,去除异常值;
将历史时延多普勒图像与OSISAF海冰数据进行时空匹配,选择匹配结果为海水的时延多普勒图像,选择匹配结果为一年冰的时延多普勒图像,选择匹配结果为多年冰的时延多普勒图像;
将海水的时延多普勒图像存放到预设数据库,按照预设比例将一年冰的时延多普勒图像和多年冰的时延多普勒图像存放到预设数据库,得到预设数据库中的参考时延多普勒图像。
6.一种海冰海水分类系统,其特征在于,包括:
图像获取模块,用于获取全球导航卫星系统反射技术的L1级产品的目标时延多普勒图像;
第一计算模块,用于确定目标时延多普勒图像的灰度直方分布向量图,计算目标时延多普勒图像的图像感知哈希值;
第二计算模块,用于计算目标时延多普勒图像的灰度直方分布向量与预设数据库中存储的参考时延多普勒图像的相似度,计算目标时延多普勒图像的图像感知哈希值与预设数据库中存储的参考时延多普勒图像的图像感知哈希值之间的汉明距离;
第一确定模块,用于根据相似度的计算结果从预设数据库中确定与目标时延多普勒图像的相似度大于第一阈值的多张参考时延多普勒图像,根据汉明距离的计算结果从预设数据库中确定与目标时延多普勒图像的汉明距离大于第二阈值的多张参考时延多普勒图像,得到与目标时延多普勒图像对应的参考时延多普勒图像集;
第二确定模块,用于对参考时延多普勒图像集中的参考时延多普勒图像进行分类,根据分类的结果确定个数最多的参考时延多普勒图像对应的目标类型,并将目标类型确定为目标时延多普勒图像判别海冰海水的分类结果。
7.根据权利要求6所述的系统,其特征在于,所述图像获取模块,具体用于:
收集一段时间范围内全球导航卫星系统反射技术的L1级产品的初始时延多普勒图像;
根据全球导航卫星系统反射技术提供的质量标志位,对初始时延多普勒图像进行质量控制,去除初始时延多普勒图像的异常图像,并对初始时延多普勒图像进行降噪处理;
根据用户的选择操作,从降噪处理后的初始时延多普勒图像中选择对应的一张时延多普勒图像作为目标时延多普勒图像。
8.根据权利要求6所述的系统,其特征在于,所述第一计算模块,具体用于:
计算目标时延多普勒图像的差异哈希值;
计算目标时延多普勒图像的初步感知哈希值;
基于差异哈希值和初步感知哈希值,确定目标时延多普勒图像的图像感知哈希值。
9.一种计算机可读存储介质,其特征在于,所述存储介质存储有计算机程序,所述计算机程序用于执行上述权利要求1-5任一所述的方法。
10.一种电子设备,其特征在于,所述电子设备包括:
处理器;
用于存储所述处理器可执行指令的存储器;
所述处理器,用于从所述存储器中读取所述可执行指令,并执行所述指令以实现上述权利要求1-5任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310978838.7A CN117152490A (zh) | 2023-08-04 | 2023-08-04 | 一种海冰海水分类方法、系统、存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310978838.7A CN117152490A (zh) | 2023-08-04 | 2023-08-04 | 一种海冰海水分类方法、系统、存储介质及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117152490A true CN117152490A (zh) | 2023-12-01 |
Family
ID=88905194
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310978838.7A Pending CN117152490A (zh) | 2023-08-04 | 2023-08-04 | 一种海冰海水分类方法、系统、存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117152490A (zh) |
-
2023
- 2023-08-04 CN CN202310978838.7A patent/CN117152490A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xia et al. | Infrared small target detection based on multiscale local contrast measure using local energy factor | |
CN107784288B (zh) | 一种基于深度神经网络的迭代定位式人脸检测方法 | |
US9224066B2 (en) | Object detection via validation with visual search | |
US8948517B2 (en) | Landmark localization via visual search | |
CN112016638B (zh) | 一种钢筋簇的识别方法、装置、设备及存储介质 | |
CN113592786B (zh) | 一种基于深度学习的海洋中尺度涡检测方法 | |
CN111373393B (zh) | 图像检索方法和装置以及图像库的生成方法和装置 | |
CN111814821A (zh) | 深度学习模型的建立方法、样本处理方法及装置 | |
US20140247996A1 (en) | Object detection via visual search | |
CN111738319A (zh) | 一种基于大规模样本的聚类结果评价方法及装置 | |
CN114332870A (zh) | 水位识别方法、装置、设备及可读存储介质 | |
CN112668662B (zh) | 基于改进YOLOv3网络的野外山林环境目标检测方法 | |
CN112270285B (zh) | 一种基于稀疏表示和胶囊网络的sar图像变化检测方法 | |
CN112990792A (zh) | 一种侵权风险自动化检测方法、装置和电子设备 | |
CN114255381B (zh) | 图像识别模型的训练方法、图像识别方法、装置及介质 | |
CN117152490A (zh) | 一种海冰海水分类方法、系统、存储介质及电子设备 | |
CN115359468A (zh) | 一种目标网站识别方法、装置、设备及介质 | |
CN116051885A (zh) | 用于海洋中尺度涡样本数据的处理及中尺度涡识别方法 | |
WO2023273337A1 (zh) | 一种基于代表特征的遥感图像中的密集目标检测方法 | |
Zhang et al. | Edge detection from RGB-D image based on structured forests | |
CN114663760A (zh) | 模型训练的方法、目标检测方法、存储介质及计算设备 | |
CN108710920B (zh) | 示功图识别方法及装置 | |
CN116071658B (zh) | 一种基于深度学习的sar图像小目标检测识别方法及设备 | |
CN110728615B (zh) | 基于序贯假设检验的隐写分析方法、终端设备及存储介质 | |
Mirmehdi et al. | Optimising the complete image feature extraction chain |
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 |