CN117373024B - 标注图像生成方法、装置、电子设备和计算机可读介质 - Google Patents
标注图像生成方法、装置、电子设备和计算机可读介质 Download PDFInfo
- Publication number
- CN117373024B CN117373024B CN202311666991.2A CN202311666991A CN117373024B CN 117373024 B CN117373024 B CN 117373024B CN 202311666991 A CN202311666991 A CN 202311666991A CN 117373024 B CN117373024 B CN 117373024B
- Authority
- CN
- China
- Prior art keywords
- water color
- marine
- remote sensing
- image
- sensing image
- 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 40
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 284
- 238000002372 labelling Methods 0.000 claims abstract description 144
- 238000012549 training Methods 0.000 claims abstract description 98
- 238000005259 measurement Methods 0.000 claims abstract description 64
- 230000004044 response Effects 0.000 claims abstract description 39
- 238000012544 monitoring process Methods 0.000 claims abstract description 19
- 239000013598 vector Substances 0.000 claims description 20
- 239000013643 reference control Substances 0.000 claims description 18
- 238000010586 diagram Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000012937 correction Methods 0.000 claims description 4
- 239000013535 sea water Substances 0.000 abstract description 10
- 230000000295 complement effect Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 239000003086 colorant Substances 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000000153 supplemental effect Effects 0.000 description 2
- 239000000835 fiber Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/70—Labelling scene content, e.g. deriving syntactic or semantic representations
-
- 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
-
- 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
- G06V10/24—Aligning, centring, orientation detection or correction of the image
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- 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
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
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)
- Computational Linguistics (AREA)
- Image Analysis (AREA)
Abstract
本公开的实施例公开了标注图像生成方法、装置、电子设备和计算机可读介质。该方法的一具体实施方式包括:获取历史海洋遥感图像序列和历史海洋水色标注图像序列;利用历史海洋遥感图像序列和历史海洋水色标注图像序列,对初始海洋水色测定模型进行训练,得到训练海洋水色测定模型;响应于确定训练海洋水色测定模型满足预设训练条件,将训练海洋水色测定模型确定为目标海洋水色测定模型;获取目标海域的海洋遥感图像,得到海洋遥感图像;利用海洋遥感图像和目标海洋水色测定模型,生成海洋水色标注图像;将海洋水色标注图像发送至目标监控终端。该实施方式可以实现对海洋水色图像的自动标注,提高效率。
Description
技术领域
本公开的实施例涉及计算机技术领域,具体涉及标注图像生成方法、装置、电子设备和计算机可读介质。
背景技术
图像标注,是一项为图片添加标注,以对图像中不同的区域进行识别和标注的技术。目前,在对海洋遥感图像进行水色标注时,通常采用的方式为:人工标注,或根据海洋遥感图像中像元的像素值,对海洋遥感图像中的像元进行分类和标注。
然而,当采对海洋遥感图像进行水色标注时,经常会存在如下技术问题:
第一,采用人工标注的方式对海洋遥感图像进行水色标注,标注效率较低。
第二,导致海洋水色变化的因素较为复杂,依靠人工或根据海洋遥感图像中像元的像素值,对海洋遥感图像中的像元进行分类和标注,易导致标注结果不够精准。
发明内容
本公开的内容部分用于以简要的形式介绍构思,这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征,也不旨在用于限制所要求的保护的技术方案的范围。
本公开的一些实施例提出了标注图像生成方法、装置、电子设备和计算机可读介质,来解决以上背景技术部分提到的技术问题中的一项或多项。
第一方面,本公开的一些实施例提供了一种标注图像生成方法,该方法包括:获取目标海域的历史海洋遥感图像和历史海洋水色标注图像,得到历史海洋遥感图像序列和历史海洋水色标注图像序列,其中,上述历史海洋遥感图像序列中的历史海洋遥感图像由十个波段的遥感图像组成,上述历史海洋遥感图像序列中的历史海洋遥感图像和上述历史海洋水色标注图像序列中的历史海洋水色标注图像逐一对应;利用上述历史海洋遥感图像序列和上述历史海洋水色标注图像序列,对初始海洋水色测定模型进行训练,得到训练海洋水色测定模型;响应于确定上述训练海洋水色测定模型满足预设训练条件,将上述训练海洋水色测定模型确定为目标海洋水色测定模型;响应于到达目标时间点,获取上述目标海域的海洋遥感图像,得到海洋遥感图像;利用上述海洋遥感图像和上述目标海洋水色测定模型,生成海洋水色标注图像;将上述海洋水色标注图像发送至目标监控终端。
第二方面,本公开的一些实施例提供了一种标注图像生成装置,装置包括:第一获取单元,被配置成获取目标海域的历史海洋遥感图像和历史海洋水色标注图像,得到历史海洋遥感图像序列和历史海洋水色标注图像序列,其中,上述历史海洋遥感图像序列中的历史海洋遥感图像由十个波段的遥感图像组成,上述历史海洋遥感图像序列中的历史海洋遥感图像和上述历史海洋水色标注图像序列中的历史海洋水色标注图像逐一对应;训练单元,被配置成利用上述历史海洋遥感图像序列和上述历史海洋水色标注图像序列,对初始海洋水色测定模型进行训练,得到训练海洋水色测定模型;确定单元,被配置成响应于确定上述训练海洋水色测定模型满足预设训练条件,将上述训练海洋水色测定模型确定为目标海洋水色测定模型;第二获取单元,被配置成响应于到达目标时间点,获取上述目标海域的海洋遥感图像,得到海洋遥感图像;生成单元,被配置成利用上述海洋遥感图像和上述目标海洋水色测定模型,生成海洋水色标注图像;发送单元,被配置成将上述海洋水色标注图像发送至目标监控终端。
第三方面,本公开的一些实施例提供了一种电子设备,包括:一个或多个处理器;存储装置,其上存储有一个或多个程序,当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现上述第一方面任一实现方式所描述的方法。
第四方面,本公开的一些实施例提供了一种计算机可读介质,其上存储有计算机程序,其中,程序被处理器执行时实现上述第一方面任一实现方式所描述的方法。
本公开的上述各个实施例具有如下有益效果:通过本公开的一些实施例的标注图像发送方法得到,可以提高海洋水色标注效率。具体来说,造成标注效率较低的原因在于:采用人工标注的方式对海洋遥感图像进行水色标注。基于此,本公开的一些实施例的标注图像生成方法,首先,获取目标海域的历史海洋遥感图像和历史海洋水色标注图像,得到历史海洋遥感图像序列和历史海洋水色标注图像序列,其中,上述历史海洋遥感图像序列中的历史海洋遥感图像由十个波段的遥感图像组成,上述历史海洋遥感图像序列中的历史海洋遥感图像和上述历史海洋水色标注图像序列中的历史海洋水色标注图像逐一对应。然后,利用上述历史海洋遥感图像序列和上述历史海洋水色标注图像序列,对初始海洋水色测定模型进行训练,得到训练海洋水色测定模型。再然后,响应于确定上述训练海洋水色测定模型满足预设训练条件,将上述训练海洋水色测定模型确定为目标海洋水色测定模型。由此,可以利用历史图像训练得到目标海洋水色测定模型,便于后续利用目标海洋水色测定模型实现对海洋遥感图像自动的水色标注。接着,响应于到达目标时间点,获取上述目标海域的海洋遥感图像,得到海洋遥感图像。再接着,利用上述海洋遥感图像和上述目标海洋水色测定模型,生成海洋水色标注图像。最后,将上述海洋水色标注图像发送至目标监控终端。由此,可以实现对海洋水色图像的自动标注,提高效率。
附图说明
结合附图并参考以下具体实施方式,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中,相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的,元件和元素不一定按照比例绘制。
图1是根据本公开的标注图像生成方法的一些实施例的流程图;
图2是本公开的标注图像生成装置的一些实施例的结构示意图;
图3是适于用来实现本公开的一些实施例的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例。相反,提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。
需要注意,本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
下面将参考附图并结合实施例来详细说明本公开。
图1示出了根据本公开的标注图像生成方法的一些实施例的流程。该标注图像生成方法,包括以下步骤:
步骤101,获取目标海域的历史海洋遥感图像和历史海洋水色标注图像,得到历史海洋遥感图像序列和历史海洋水色标注图像序列。
在一些实施例中,标注图像生成方法的执行主体可以通过有线连接方式或者无线连接方式获取目标海域的历史海洋遥感图像和历史海洋水色标注图像,得到历史海洋遥感图像序列和历史海洋水色标注图像序列。其中,上述历史海洋遥感图像序列中的历史海洋遥感图像可以由十个波段的遥感图像组成。上述历史海洋遥感图像序列中的历史海洋遥感图像和上述历史海洋水色标注图像序列中的历史海洋水色标注图像逐一对应。上述历史海洋水色标注图像序列中的历史海洋水色标注图像中不同水色的区域的像元由不同颜色进行标注。
步骤102,利用历史海洋遥感图像序列和历史海洋水色标注图像序列,对初始海洋水色测定模型进行训练,得到训练海洋水色测定模型。
在一些实施例中,上述历史海洋水色标注图像序列中的历史海洋水色标注图像中不同水色区域的像元由不同颜色进行标注。
上述执行主体利用上述历史海洋遥感图像序列和上述历史海洋水色标注图像序列,对初始海洋水色测定模型进行训练,得到训练海洋水色测定模型,可以包括以下步骤:
第一步,从上述历史海洋遥感图像序列中选取一个未被选取过的历史海洋遥感图像作为样本海洋遥感图像。
第二步,利用上述样本海洋遥感图像执行以下模型训练子步骤:
第一模型训练子步骤,将样本海洋遥感图像输入初始海洋水色测定模型,得到输出海洋水色标注图像。其中,输出海洋水色标注图像中不同水色区域的像元由不同颜色进行标注。上述初始海洋水色测定模型可以包括5层卷积层和3层全连接层。
第二模型训练子步骤,将上述历史海洋水色标注图像序列中与样本海洋遥感图像对应的历史海洋水色标注图像确定为样本海洋水色标注图像。
第三模型训练子步骤,确定输出海洋水色标注图像和样本海洋水色标注图像的相似性,得到相似性数值。其中,可以将输出海洋水色标注图像和样本海洋水色标注图像的像素值的平均值之间的差值确定为相似性数值。
第四模型训练子步骤,响应于确定相似性数值小于等于预设相似性数值,确定初始海洋水色测定模型训练完毕,以及将初始海洋水色测定模型确定为目标海洋水色测定模型。其中,相似性数值越小,则表明输出海洋水色标注图像和样本海洋水色标注图像之间的相似性越高。
实践中,可以根据实际应用需要设置上述预设相似性数值的大小,此处不做限定。
第三步,响应于确定相似性数值大于上述预设相似性数值,从上述历史海洋遥感图像序列中选取一个未被选取过的历史海洋遥感图像作为样本海洋遥感图像,以及继续执行上述模型训练子步骤。
在一些实施例的一些可选的实现方式中,上述执行主体确定输出海洋水色标注图像和样本海洋水色标注图像的相似性,得到相似性数值,可以包括以下步骤:
第一步,按照预设顺序,根据上述输出海洋水色标注图像和上述样本海洋水色标注图像中各个像元的像素值,生成输出图像向量和样本图像向量。其中,上述预设顺序可以是从左到右、从上到下的顺序。
第二步,确定上述输出图像向量和上述样本图像向量之间的距离值,得到向量距离值。
第三步,将上述输出海洋水色标注图像和上述样本海洋水色标注图像转换为灰度图像,得到输出海洋水色标注灰度图和样本海洋水色标注灰度图。
第四步,分别确定上述输出海洋水色标注灰度图和上述样本海洋水色标注灰度图中各个像元的像素值的平均值,得到输出平均值和样本平均值。
第五步,按照上述预设顺序,对于上述输出海洋水色标注灰度图中的每个像元,执行以下输出确定子步骤:
第一输出确定子步骤,确定上述像元的像素值与上述输出平均值之间的大小关系。
第二输出确定子步骤,响应于确定上述像元的像素值大于上述输出平均值,将第一预设数值加入输出数值序列。其中,上述输出数值序列初始可以为空。
作为示例,上述第一预设数值可以是1。
第三输出确定子步骤,响应于确定上述像元的像素值小于等于上述输出平均值,将第二预设数值加入上述输出数值序列。
作为示例,上述第一预设数值可以是2。
第六步,按照上述预设顺序,对于上述样本海洋水色标注灰度图中的每个像元,执行以下样本确定子步骤:
第一样本确定子步骤,确定上述像元的像素值与上述样本平均值之间的大小关系。
第二样本确定子步骤,响应于确定上述像元的像素值大于上述样本平均值,将上述第一预设数值加入样本数值序列。其中,上述样本数值序列初始可以为空。
第三样本确定子步骤,响应于确定上述像元的像素值小于等于上述样本平均值,将上述第二预设数值加入上述样本数值序列。
第七步,确定上述输出数值序列和上述样本数值序列之间的相似性,得到相似距离值。其中,上述输出数值序列和上述样本数值序列之间的相似性数值可以是将上述输出数值序列和上述样本数值序列作为向量后,两个向量之间的距离值。
第八步,将上述向量距离值和上述相似距离值的乘积值确定为相似性数值。
上述利用历史海洋遥感图像序列和历史海洋水色标注图像序列,对初始海洋水色测定模型进行训练,得到训练海洋水色测定模型的步骤以及扩展步骤作为本公开的实施例的一个发明点,进一步解决了背景技术提及的技术问题一“采用人工标注的方式对海洋遥感图像进行水色标注,标注效率较低”。导致上述技术问题的因素往往如下:采用人工标注的方式对海洋遥感图像进行水色标注。如果解决了上述因素,就能达到提高标注效率的效果。为了达到这一效果,本公开利用上述历史海洋遥感图像序列和上述历史海洋水色标注图像序列,对初始海洋水色测定模型进行训练,通过输出海洋水色标注图像和样本海洋水色标注图像之间的相似性确定初始海洋水色测定模型是否训练完毕。并利用输出海洋水色标注图像和样本海洋水色标注图像中各个像元的像素值之间的差异,确定输出海洋水色标注图像和样本海洋水色标注图像的相似性。由此,可以使用历史海洋水色标注图像序列中已经经过验证的历史海洋水色标注图像实现对初始海洋水色测定模型的训练。进而,可以利用训练完成的目标海洋水色测定模型实现高效、快速的海洋水色标注。
步骤103,响应于确定训练海洋水色测定模型满足预设训练条件,将训练海洋水色测定模型确定为目标海洋水色测定模型。
在一些实施例中,上述执行主体可以响应于确定上述训练海洋水色测定模型满足预设训练条件,将上述训练海洋水色测定模型确定为目标海洋水色测定模型。其中,上述预设训练条件可以是输出海洋水色标注图像和样本海洋水色标注图像之间相似性数值小于预设相似性数值。
在一些实施例的一些可选的实现方式中,上述执行主体还响应于确定上述训练海洋水色测定模型不满足上述预设训练条件,将上述训练海洋水色测定模型作为补充训练海洋水色测定模型以进行补充训练,可以包括以下步骤:
第一步,响应于到达目标时间点,获取上述目标海域的海洋遥感图像,得到待标注海洋遥感图像。其中,上述目标时间点可以是根据预设时间间隔设定的。
实践中,可以根据实际应用需求设置上述预设时间间隔,此处不做限定。
第二步,向上述目标监控终端发送上述待标注海洋遥感图像和标注请求。
第三步,获取上述目标监控终端返回的海洋水色人工标注图像。其中,上述海洋水色人工标注图像是由人工标注并经过实地校验后的海洋水色标注图像。
第四步,将上述待标注海洋遥感图像输入上述补充训练海洋水色测定模型,得到补充输出标注海洋遥感图像。
第五步,响应于确定上述补充输出标注海洋遥感图像和上述海洋水色人工标注图像之间的相似性数值小于等于上述预设相似性数值,将上述补充训练海洋水色测定模型确定为目标海洋水色测定模型。
第六步,响应于确定上述补充输出标注海洋遥感图像和上述海洋水色人工标注图像之间的相似性数值大于上述预设相似性数值,对上述补充训练海洋水色测定模型继续进行补充训练。
上述响应于确定上述训练海洋水色测定模型不满足上述预设训练条件,将上述训练海洋水色测定模型作为补充训练海洋水色测定模型以进行补充训练的步骤作为本公开的实施例的一个发明点,解决了背景技术提及的技术问题二“导致海洋水色变化的因素较为复杂,依靠人工易导致标注结果不够精准”。导致上述技术问题的因素往往如下:导致海洋水色变化的因素较为复杂。如果解决了上述因素,就能达到提高标注结果精确度的效果。为了达到这一效果,本公开将未训练完成的训练海洋水色测定模型作为补充训练海洋水色测定模型以进行补充训练,在目标时间点获取新的待标注海洋遥感图像之后,向目标监控终端发送上述待标注海洋遥感图像和标注请求,从而获得目标监控终端返回的由人工标注并经过实地校验后的海洋水色人工标注图像。进而,利用待标注海洋遥感图像和海洋水色人工标注图像对补充训练海洋水色测定模型进行训练。从而,使得最终的目标海洋水色测定模型经过充分的训练,在一定程度上确保目标海洋水色测定模型输出的海洋水色标注图像的精确度。
步骤104,响应于到达目标时间点,获取目标海域的海洋遥感图像,得到海洋遥感图像。
在一些实施例中,上述执行主体可以响应于到达目标时间点,获取上述目标海域的海洋遥感图像,得到海洋遥感图像。
步骤105,利用海洋遥感图像和目标海洋水色测定模型,生成海洋水色标注图像。
在一些实施例中,上述执行主体利用上述海洋遥感图像和上述目标海洋水色测定模型,生成海洋水色标注图像,可以包括以下步骤:
第一步,对上述海洋遥感图像进行预处理,得到预处理海洋遥感图像。其中,上述预处理可以是去噪处理。
第二步,将上述预处理海洋遥感图像作为历史海洋遥感图像进行存储。
第三步,将上述预处理海洋遥感图像输入上述目标海洋水色测定模型,得到上述目标海洋水色测定模型输出的海洋水色标注图像。
在一些实施例的一些可选的实现方式中,上述执行主体对上述海洋遥感图像进行预处理,得到预处理海洋遥感图像,可以包括以下步骤:
第一步,获取上述目标海域的参照控制点信息,得到参照控制点信息集合。其中,上述参照控制点信息集合中的参照控制点信息可以包括像素坐标。
第二步,将上述海洋遥感图像发送至上述目标监控终端以进行控制点标注。
第三步,接收上述目标监控终端返回的控制点标注海洋遥感图像。其中,上述控制点标注海洋遥感图像可以包括至少一个标注控制点。
第四步,对上述控制点信息集合中的控制点信息和上述控制点标注海洋遥感图中的标注控制点进行匹配,得到控制点匹配信息。其中,上述控制点匹配信息包括至少一组标注控制点信息和参照控制点信息,上述控制点匹配信息中的标注控制点信息包括像素坐标。
第五步,利用上述控制点匹配信息上述海洋遥感图像进行校正,得到第一校正海洋遥感图像。
可选地,上述执行主体对上述控制点信息集合中的控制点信息和上述控制点标注海洋遥感图中的标注控制点进行匹配,得到控制点匹配信息,可以包括以下步骤:
第一步,对于上述控制点信息集合中的每个控制点信息,执行以下匹配子步骤:
第一匹配子步骤,确定上述控制点信息中的像素坐标和上述控制点标注海洋遥感图中各个标注控制点的像素坐标之间的距离值,得到距离值集合。
第二匹配子步骤,将上述距离值集合中满足预设条件的距离值所对应的标注控制点确定为与上述控制点信息相匹配的标注控制点。其中,上述预设条件可以是距离值是上述距离值集合中最小的距离值。
可选地,上述执行主体利用上述控制点匹配信息上述海洋遥感图像进行校正,得到第一校正海洋遥感图像,可以包括以下步骤:
第一步,根据上述控制点匹配信息建立几何模型,得到目标几何模型。其中,上述目标几何模型可以是多项式模型,透视模型。
第二步,利用上述目标几何模型对上述海洋遥感图像中的每个像元进行校正,得到第一校正海洋遥感图像。其中,上述第一校正海洋遥感图像由十个波段的遥感图像组成。
第三步,对上述第一校正海洋遥感图像中每个波段的遥感图像执行以下校正子步骤:
第一校正子步骤,将上述遥感图像中亮度最小的像元的亮度值确定为目标亮度值。
第二校正子步骤,利用上述遥感图像中各个像元的亮度值与上述目标亮度值的差值,更新上述遥感图像中各个像元的亮度值,得到预处理遥感图像。
第四步,将得到的各个波段的预处理遥感图像进行组合,得到预处理海洋遥感图像。
步骤106,将海洋水色标注图像发送至目标监控终端。
在一些实施例中,上述执行主体可以将上述海洋水色标注图像发送至目标监控终端。
本公开的上述各个实施例具有如下有益效果:通过本公开的一些实施例的标注图像发送方法得到,可以提高海洋水色标注效率。具体来说,造成标注效率较低的原因在于:采用人工标注的方式对海洋遥感图像进行水色标注。基于此,本公开的一些实施例的标注图像生成方法,首先,获取目标海域的历史海洋遥感图像和历史海洋水色标注图像,得到历史海洋遥感图像序列和历史海洋水色标注图像序列,其中,上述历史海洋遥感图像序列中的历史海洋遥感图像由十个波段的遥感图像组成,上述历史海洋遥感图像序列中的历史海洋遥感图像和上述历史海洋水色标注图像序列中的历史海洋水色标注图像逐一对应。然后,利用上述历史海洋遥感图像序列和上述历史海洋水色标注图像序列,对初始海洋水色测定模型进行训练,得到训练海洋水色测定模型。再然后,响应于确定上述训练海洋水色测定模型满足预设训练条件,将上述训练海洋水色测定模型确定为目标海洋水色测定模型。由此,可以利用历史图像训练得到目标海洋水色测定模型,便于后续利用目标海洋水色测定模型实现对海洋遥感图像自动的水色标注。接着,响应于到达目标时间点,获取上述目标海域的海洋遥感图像,得到海洋遥感图像。再接着,利用上述海洋遥感图像和上述目标海洋水色测定模型,生成海洋水色标注图像。最后,将上述海洋水色标注图像发送至目标监控终端。由此,可以实现对海洋水色图像的自动标注,提高效率。
进一步参考图2,作为对上述各图所示方法的实现,本公开提供了一种标注图像生成装置的一些实施例,这些装置实施例与图1所示的那些方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图2所示,一些实施例的标注图像生成装置包括:第一获取单元201、训练单元202、确定单元203、第二获取单元204、生成单元205和发送单元206。其中,第一获取单元201,被配置成获取目标海域的历史海洋遥感图像和历史海洋水色标注图像,得到历史海洋遥感图像序列和历史海洋水色标注图像序列,其中,上述历史海洋遥感图像序列中的历史海洋遥感图像由十个波段的遥感图像组成,上述历史海洋遥感图像序列中的历史海洋遥感图像和上述历史海洋水色标注图像序列中的历史海洋水色标注图像逐一对应;训练单元202,被配置成利用上述历史海洋遥感图像序列和上述历史海洋水色标注图像序列,对初始海洋水色测定模型进行训练,得到训练海洋水色测定模型;确定单元203,被配置成响应于确定上述训练海洋水色测定模型满足预设训练条件,将上述训练海洋水色测定模型确定为目标海洋水色测定模型;第二获取单元204,被配置成响应于到达目标时间点,获取上述目标海域的海洋遥感图像,得到海洋遥感图像;生成单元205,被配置成利用上述海洋遥感图像和上述目标海洋水色测定模型,生成海洋水色标注图像;发送单元206,被配置成将上述海洋水色标注图像发送至目标监控终端。
可以理解的是,标注图像生成装置中记载的诸单元与参考图1描述的方法中的各个步骤相对应。由此,上文针对方法描述的操作、特征以及产生的有益效果同样适用于标注图像生成装置及其中包含的单元,在此不再赘述。
下面参考图3,其示出了适于用来实现本公开的一些实施例的电子设备的结构示意图。图3示出的电子设备仅仅是一个示例,不应对本公开的实施例的功能和使用范围带来任何限制。
如图3所示,电子设备可以包括处理装置(例如中央处理器、图形处理器等)301,其可以根据存储在只读存储器(ROM)302中的程序或者从存储装置308加载到随机访问存储器(RAM)303中的程序而执行各种适当的动作和处理。在RAM 303中,还存储有电子设备操作所需的各种程序和数据。处理装置301、ROM 302以及RAM 303通过总线304彼此相连。输入/输出(I/O)接口305也连接至总线304。
通常,以下装置可以连接至I/O接口305:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置306;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置307;以及通信装置309。通信装置309可以允许电子设备与其他设备进行无线或有线通信以交换数据。虽然图3示出了具有各种装置的电子设备,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图3中示出的每个方框可以代表一个装置,也可以根据需要代表多个装置。
特别地,根据本公开的一些实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的一些实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的一些实施例中,该计算机程序可以通过通信装置309从网络上被下载和安装,或者从存储装置308被安装,或者从ROM 302被安装。在该计算机程序被处理装置301执行时,执行本公开的一些实施例的方法中限定的上述功能。
需要说明的是,本公开的一些实施例中记载的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的一些实施例中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。而在本公开的一些实施例中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
在一些实施方式中,客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol,超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信,并且可以与任意形式或介质的数字数据通信(例如,通信网络)互连。通信网络的示例包括局域网(“LAN”),广域网(“WAN”),网际网(例如,互联网)以及端对端网络(例如,ad hoc端对端网络),以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:获取目标海域的历史海洋遥感图像和历史海洋水色标注图像,得到历史海洋遥感图像序列和历史海洋水色标注图像序列,其中,上述历史海洋遥感图像序列中的历史海洋遥感图像由十个波段的遥感图像组成,上述历史海洋遥感图像序列中的历史海洋遥感图像和上述历史海洋水色标注图像序列中的历史海洋水色标注图像逐一对应;利用上述历史海洋遥感图像序列和上述历史海洋水色标注图像序列,对初始海洋水色测定模型进行训练,得到训练海洋水色测定模型;响应于确定上述训练海洋水色测定模型满足预设训练条件,将上述训练海洋水色测定模型确定为目标海洋水色测定模型;响应于到达目标时间点,获取上述目标海域的海洋遥感图像,得到海洋遥感图像;利用上述海洋遥感图像和上述目标海洋水色测定模型,生成海洋水色标注图像;将上述海洋水色标注图像发送至目标监控终端。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例的操作的计算机程序代码,上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,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机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开的一些实施例中的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括第一获取单元、训练单元、确定单元、第二获取单元、生成单元和发送单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,发送单元还可以被描述为“发送图像的单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上***(SOC)、复杂可编程逻辑设备(CPLD)等等。
Claims (10)
1.一种标注图像生成方法,包括:
获取目标海域的历史海洋遥感图像和历史海洋水色标注图像,得到历史海洋遥感图像序列和历史海洋水色标注图像序列,其中,所述历史海洋遥感图像序列中的历史海洋遥感图像由十个波段的遥感图像组成,所述历史海洋遥感图像序列中的历史海洋遥感图像和所述历史海洋水色标注图像序列中的历史海洋水色标注图像逐一对应;
利用所述历史海洋遥感图像序列和所述历史海洋水色标注图像序列,对初始海洋水色测定模型进行训练,得到训练海洋水色测定模型;
响应于确定所述训练海洋水色测定模型满足预设训练条件,将所述训练海洋水色测定模型确定为目标海洋水色测定模型;
响应于到达目标时间点,获取所述目标海域的海洋遥感图像,得到海洋遥感图像;
利用所述海洋遥感图像和所述目标海洋水色测定模型,生成海洋水色标注图像;
将所述海洋水色标注图像发送至目标监控终端;
其中,所述利用所述历史海洋遥感图像序列和所述历史海洋水色标注图像序列,对初始海洋水色测定模型进行训练,得到训练海洋水色测定模型,包括:
从所述历史海洋遥感图像序列中选取一个未被选取过的历史海洋遥感图像作为样本海洋遥感图像;
利用所述样本海洋遥感图像执行以下模型训练子步骤:
将样本海洋遥感图像输入初始海洋水色测定模型,得到输出海洋水色标注图像;
将所述历史海洋水色标注图像序列中与样本海洋遥感图像对应的历史海洋水色标注图像确定为样本海洋水色标注图像;
确定输出海洋水色标注图像和样本海洋水色标注图像的相似性,得到相似性数值;
响应于确定相似性数值小于等于预设相似性数值,确定初始海洋水色测定模型训练完毕,以及将初始海洋水色测定模型确定为目标海洋水色测定模型;
响应于确定相似性数值大于所述预设相似性数值,从所述历史海洋遥感图像序列中选取一个未被选取过的历史海洋遥感图像作为样本海洋遥感图像,以及继续执行所述模型训练子步骤;
其中,所述确定输出海洋水色标注图像和样本海洋水色标注图像的相似性,得到相似性数值,包括:
按照预设顺序,根据所述输出海洋水色标注图像和所述样本海洋水色标注图像中各个像元的像素值,生成输出图像向量和样本图像向量;
确定所述输出图像向量和所述样本图像向量之间的距离值,得到向量距离值;
将所述输出海洋水色标注图像和所述样本海洋水色标注图像转换为灰度图像,得到输出海洋水色标注灰度图和样本海洋水色标注灰度图;
分别确定所述输出海洋水色标注灰度图和所述样本海洋水色标注灰度图中各个像元的像素值的平均值,得到输出平均值和样本平均值;
按照所述预设顺序,对于所述输出海洋水色标注灰度图中的每个像元,执行以下输出确定子步骤:
确定所述像元的像素值与所述输出平均值之间的大小关系;
响应于确定所述像元的像素值大于所述输出平均值,将第一预设数值加入输出数值序列;
响应于确定所述像元的像素值小于等于所述输出平均值,将第二预设数值加入所述输出数值序列;
按照所述预设顺序,对于所述样本海洋水色标注灰度图中的每个像元,执行以下样本确定子步骤:
确定所述像元的像素值与所述样本平均值之间的大小关系;
响应于确定所述像元的像素值大于所述样本平均值,将所述第一预设数值加入样本数值序列;
响应于确定所述像元的像素值小于等于所述样本平均值,将所述第二预设数值加入所述样本数值序列;
确定所述输出数值序列和所述样本数值序列之间的相似性,得到相似距离值;
将所述向量距离值和所述相似距离值的乘积值确定为相似性数值。
2.根据权利要求1所述的方法,其中,所述利用所述海洋遥感图像和所述目标海洋水色测定模型,生成海洋水色标注图像,包括:
对所述海洋遥感图像进行预处理,得到预处理海洋遥感图像;
将所述预处理海洋遥感图像作为历史海洋遥感图像进行存储;
将所述预处理海洋遥感图像输入所述目标海洋水色测定模型,得到所述目标海洋水色测定模型输出的海洋水色标注图像。
3.根据权利要求2所述的方法,其中,所述对所述海洋遥感图像进行预处理,得到预处理海洋遥感图像,包括:
获取所述目标海域的参照控制点信息,得到参照控制点信息集合,其中,所述参照控制点信息集合中的参照控制点信息包括像素坐标;
将所述海洋遥感图像发送至所述目标监控终端以进行控制点标注;
接收所述目标监控终端返回的控制点标注海洋遥感图像,其中,所述控制点标注海洋遥感图像包括至少一个标注控制点;
对所述参照控制点信息集合中的参照控制点信息和所述控制点标注海洋遥感图像中的标注控制点进行匹配,得到控制点匹配信息,其中,所述控制点匹配信息包括至少一组标注控制点信息和参照控制点信息,所述控制点匹配信息中的标注控制点信息包括像素坐标;
利用所述控制点匹配信息对所述海洋遥感图像进行校正,得到第一校正海洋遥感图像。
4.根据权利要求3所述的方法,其中,所述对所述参照控制点信息集合中的参照控制点信息和所述控制点标注海洋遥感图像中的标注控制点进行匹配,得到控制点匹配信息,包括:
对于所述参照控制点信息集合中的每个参照控制点信息,执行以下匹配子步骤:
确定所述参照控制点信息中的像素坐标和所述控制点标注海洋遥感图中各个标注控制点的像素坐标之间的距离值,得到距离值集合;
将所述距离值集合中满足预设条件的距离值所对应的标注控制点确定为与所述参照控制点信息相匹配的标注控制点,其中,所述预设条件是距离值是所述距离值集合中最小的距离值。
5.根据权利要求4所述的方法,其中,所述利用所述控制点匹配信息对所述海洋遥感图像进行校正,得到第一校正海洋遥感图像,包括:
根据所述控制点匹配信息建立几何模型,得到目标几何模型;
利用所述目标几何模型对所述海洋遥感图像中的每个像元进行校正,得到第一校正海洋遥感图像。
6.根据权利要求5所述的方法,其中,所述第一校正海洋遥感图像由十个波段的遥感图像组成;以及
所述对所述海洋遥感图像进行预处理,得到预处理海洋遥感图像,还包括:
对所述第一校正海洋遥感图像中每个波段的遥感图像执行以下校正子步骤:
将所述遥感图像中亮度最小的像元的亮度值确定为目标亮度值;
利用所述遥感图像中各个像元的亮度值与所述目标亮度值的差值,更新所述遥感图像中各个像元的亮度值,得到预处理遥感图像;
将得到的各个波段的预处理遥感图像进行组合,得到预处理海洋遥感图像。
7.根据权利要求1所述的方法,其中,所述方法还包括:
响应于确定所述训练海洋水色测定模型不满足所述预设训练条件,将所述训练海洋水色测定模型作为补充训练海洋水色测定模型以进行补充训练。
8.一种标注图像生成装置,包括:
第一获取单元,被配置成获取目标海域的历史海洋遥感图像和历史海洋水色标注图像,得到历史海洋遥感图像序列和历史海洋水色标注图像序列,其中,所述历史海洋遥感图像序列中的历史海洋遥感图像由十个波段的遥感图像组成,所述历史海洋遥感图像序列中的历史海洋遥感图像和所述历史海洋水色标注图像序列中的历史海洋水色标注图像逐一对应;
训练单元,被配置成利用所述历史海洋遥感图像序列和所述历史海洋水色标注图像序列,对初始海洋水色测定模型进行训练,得到训练海洋水色测定模型;
确定单元,被配置成响应于确定所述训练海洋水色测定模型满足预设训练条件,将所述训练海洋水色测定模型确定为目标海洋水色测定模型;
第二获取单元,被配置成响应于到达目标时间点,获取所述目标海域的海洋遥感图像,得到海洋遥感图像;
生成单元,被配置成利用所述海洋遥感图像和所述目标海洋水色测定模型,生成海洋水色标注图像;
发送单元,被配置成将所述海洋水色标注图像发送至目标监控终端;
其中,所述训练单元,进一步被配置成:
从所述历史海洋遥感图像序列中选取一个未被选取过的历史海洋遥感图像作为样本海洋遥感图像;
利用所述样本海洋遥感图像执行以下模型训练子步骤:
将样本海洋遥感图像输入初始海洋水色测定模型,得到输出海洋水色标注图像;
将所述历史海洋水色标注图像序列中与样本海洋遥感图像对应的历史海洋水色标注图像确定为样本海洋水色标注图像;
确定输出海洋水色标注图像和样本海洋水色标注图像的相似性,得到相似性数值;
响应于确定相似性数值小于等于预设相似性数值,确定初始海洋水色测定模型训练完毕,以及将初始海洋水色测定模型确定为目标海洋水色测定模型;
响应于确定相似性数值大于所述预设相似性数值,从所述历史海洋遥感图像序列中选取一个未被选取过的历史海洋遥感图像作为样本海洋遥感图像,以及继续执行所述模型训练子步骤;
其中,所述确定输出海洋水色标注图像和样本海洋水色标注图像的相似性,得到相似性数值,包括:
按照预设顺序,根据所述输出海洋水色标注图像和所述样本海洋水色标注图像中各个像元的像素值,生成输出图像向量和样本图像向量;
确定所述输出图像向量和所述样本图像向量之间的距离值,得到向量距离值;
将所述输出海洋水色标注图像和所述样本海洋水色标注图像转换为灰度图像,得到输出海洋水色标注灰度图和样本海洋水色标注灰度图;
分别确定所述输出海洋水色标注灰度图和所述样本海洋水色标注灰度图中各个像元的像素值的平均值,得到输出平均值和样本平均值;
按照所述预设顺序,对于所述输出海洋水色标注灰度图中的每个像元,执行以下输出确定子步骤:
确定所述像元的像素值与所述输出平均值之间的大小关系;
响应于确定所述像元的像素值大于所述输出平均值,将第一预设数值加入输出数值序列;
响应于确定所述像元的像素值小于等于所述输出平均值,将第二预设数值加入所述输出数值序列;
按照所述预设顺序,对于所述样本海洋水色标注灰度图中的每个像元,执行以下样本确定子步骤:
确定所述像元的像素值与所述样本平均值之间的大小关系;
响应于确定所述像元的像素值大于所述样本平均值,将所述第一预设数值加入样本数值序列;
响应于确定所述像元的像素值小于等于所述样本平均值,将所述第二预设数值加入所述样本数值序列;
确定所述输出数值序列和所述样本数值序列之间的相似性,得到相似距离值;
将所述向量距离值和所述相似距离值的乘积值确定为相似性数值。
9.一种电子设备,包括:
一个或多个处理器;
存储装置,其上存储有一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-7中任一所述的方法。
10.一种计算机可读介质,其上存储有计算机程序,其中,所述程序被处理器执行时实现如权利要求1-7中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311666991.2A CN117373024B (zh) | 2023-12-07 | 2023-12-07 | 标注图像生成方法、装置、电子设备和计算机可读介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311666991.2A CN117373024B (zh) | 2023-12-07 | 2023-12-07 | 标注图像生成方法、装置、电子设备和计算机可读介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117373024A CN117373024A (zh) | 2024-01-09 |
CN117373024B true CN117373024B (zh) | 2024-03-08 |
Family
ID=89404412
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311666991.2A Active CN117373024B (zh) | 2023-12-07 | 2023-12-07 | 标注图像生成方法、装置、电子设备和计算机可读介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117373024B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108428220A (zh) * | 2018-03-05 | 2018-08-21 | 武汉大学 | 静止轨道卫星序列遥感影像海岛礁区域自动几何校正方法 |
CN110866900A (zh) * | 2019-11-05 | 2020-03-06 | 江河瑞通(北京)技术有限公司 | 水体颜色识别方法及装置 |
CN111307727A (zh) * | 2020-03-13 | 2020-06-19 | 生态环境部卫星环境应用中心 | 基于时序遥感影像的水体水色异常识别方法和装置 |
CN113177183A (zh) * | 2021-06-29 | 2021-07-27 | 广东海洋大学 | 一种基于海洋遥感图像的海水污染监测预警方法及*** |
CN117111092A (zh) * | 2023-07-19 | 2023-11-24 | 苏州梦伯乐信息科技有限公司 | 一种基于机器学习的高空间分辨率遥感水质检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5254893B2 (ja) * | 2009-06-26 | 2013-08-07 | キヤノン株式会社 | 画像変換方法及び装置並びにパターン識別方法及び装置 |
-
2023
- 2023-12-07 CN CN202311666991.2A patent/CN117373024B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108428220A (zh) * | 2018-03-05 | 2018-08-21 | 武汉大学 | 静止轨道卫星序列遥感影像海岛礁区域自动几何校正方法 |
CN110866900A (zh) * | 2019-11-05 | 2020-03-06 | 江河瑞通(北京)技术有限公司 | 水体颜色识别方法及装置 |
CN111307727A (zh) * | 2020-03-13 | 2020-06-19 | 生态环境部卫星环境应用中心 | 基于时序遥感影像的水体水色异常识别方法和装置 |
CN113177183A (zh) * | 2021-06-29 | 2021-07-27 | 广东海洋大学 | 一种基于海洋遥感图像的海水污染监测预警方法及*** |
CN117111092A (zh) * | 2023-07-19 | 2023-11-24 | 苏州梦伯乐信息科技有限公司 | 一种基于机器学习的高空间分辨率遥感水质检测方法 |
Non-Patent Citations (1)
Title |
---|
海洋水色卫星遥感算法综述;陈淼;《中国优秀博硕士学位论文全文数据库 (硕士) 基础科学辑》;20051215;第2005年卷(第08期);A010-2 * |
Also Published As
Publication number | Publication date |
---|---|
CN117373024A (zh) | 2024-01-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11417014B2 (en) | Method and apparatus for constructing map | |
CN113487608B (zh) | 内窥镜图像检测方法、装置、存储介质及电子设备 | |
CN113469295B (zh) | 生成模型的训练方法、息肉识别方法、装置、介质及设备 | |
CN116182878B (zh) | 道路曲面信息生成方法、装置、设备和计算机可读介质 | |
CN114708150A (zh) | 一种扫描数据处理方法、装置、电子设备及介质 | |
CN115578570A (zh) | 图像处理方法、装置、可读介质及电子设备 | |
EP4318398A1 (en) | Calibration and verification method and apparatus for intrinsic camera parameter, device, and medium | |
CN113592033B (zh) | 油罐图像识别模型训练方法、油罐图像识别方法和装置 | |
CN117114306A (zh) | 信息生成方法、装置、电子设备和计算机可读介质 | |
CN115272667B (zh) | 农田图像分割模型训练方法、装置、电子设备和介质 | |
CN115620264B (zh) | 车辆定位方法、装置、电子设备和计算机可读介质 | |
CN117373024B (zh) | 标注图像生成方法、装置、电子设备和计算机可读介质 | |
CN115546769B (zh) | 道路图像识别方法、装置、设备、计算机可读介质 | |
CN113808134B (zh) | 油罐布局信息生成方法、装置、电子设备、介质 | |
CN112418233B (zh) | 图像处理方法、装置、可读介质及电子设备 | |
CN111680754B (zh) | 图像分类方法、装置、电子设备及计算机可读存储介质 | |
CN112597788B (zh) | 目标测定方法、装置、电子设备和计算机可读介质 | |
CN115187510A (zh) | 回环检测方法、装置、电子设备及介质 | |
CN116630436B (zh) | 相机外参修正方法、装置、电子设备和计算机可读介质 | |
CN112862110B (zh) | 模型生成方法、装置和电子设备 | |
CN113542800B (zh) | 视频画面定标方法、装置、终端设备 | |
CN115345931B (zh) | 物体姿态关键点信息生成方法、装置、电子设备和介质 | |
CN116010289B (zh) | 自动驾驶仿真场景测试方法、装置、电子设备和可读介质 | |
CN115170674B (zh) | 基于单张图像的相机主点标定方法、装置、设备和介质 | |
CN114554108B (zh) | 图像处理方法、装置和电子设备 |
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 |