CN117975255A - 一种多光谱遥感影像浅海底质类型识别方法 - Google Patents
一种多光谱遥感影像浅海底质类型识别方法 Download PDFInfo
- Publication number
- CN117975255A CN117975255A CN202410389950.1A CN202410389950A CN117975255A CN 117975255 A CN117975255 A CN 117975255A CN 202410389950 A CN202410389950 A CN 202410389950A CN 117975255 A CN117975255 A CN 117975255A
- Authority
- CN
- China
- Prior art keywords
- sea bottom
- shallow sea
- image data
- shallow
- remote sensing
- 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
- 238000000034 method Methods 0.000 title claims abstract description 39
- 239000000758 substrate Substances 0.000 claims abstract description 62
- 230000003595 spectral effect Effects 0.000 claims abstract description 27
- 239000000463 material Substances 0.000 claims abstract description 21
- 238000009826 distribution Methods 0.000 claims abstract description 20
- 238000013135 deep learning Methods 0.000 claims abstract description 17
- 238000005457 optimization Methods 0.000 claims abstract description 12
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000001228 spectrum Methods 0.000 claims description 23
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 20
- 238000005070 sampling Methods 0.000 claims description 17
- 238000002310 reflectometry Methods 0.000 claims description 16
- 238000012937 correction Methods 0.000 claims description 14
- 238000002372 labelling Methods 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 10
- 230000004927 fusion Effects 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- 239000010410 layer Substances 0.000 claims description 4
- 238000000926 separation method Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 239000002344 surface layer Substances 0.000 claims description 3
- 238000000985 reflectance spectrum Methods 0.000 claims description 2
- 238000003860 storage Methods 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 abstract description 4
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000004422 calculation algorithm Methods 0.000 description 12
- 238000001514 detection method Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 8
- 239000013535 sea water Substances 0.000 description 7
- 238000005259 measurement Methods 0.000 description 4
- 230000011218 segmentation Effects 0.000 description 4
- 230000035945 sensitivity Effects 0.000 description 4
- 238000010521 absorption reaction Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 239000013049 sediment Substances 0.000 description 3
- 239000004793 Polystyrene Substances 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000004069 differentiation Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005728 strengthening Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 235000014653 Carica parviflora Nutrition 0.000 description 1
- 241000243321 Cnidaria Species 0.000 description 1
- 241000195493 Cryptophyta Species 0.000 description 1
- 238000004873 anchoring Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 229920002223 polystyrene Polymers 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000000452 restraining effect Effects 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Landscapes
- Image Processing (AREA)
Abstract
本发明提供了一种多光谱遥感影像浅海底质类型识别方法,包括:对获取的影像数据进行预处理,得到预处理后的影像数据;利用所述预处理后的影像数据对底质分布区域粗定位,得到粗定位后的影像数据;基于光谱特征对得到的粗定位后的影像数据识别,得到基于光谱特征的浅海底质类型识别结果;利用得到的粗定位后的数据生成浅海底质类型识别模型,得到基于深度学习的浅海底质类型识别结果;对得到的基于光谱特征的浅海底质类型识别结果和基于深度学习的浅海底质类型识别结果联合优化,获取最终的浅海底质识别结果。本发明有益效果:提高底质识别的普适性和监测频率。
Description
技术领域
本发明属于数据处理技术领域,尤其是涉及一种多光谱遥感影像浅海底质类型识别方法。
背景技术
陆地与岛礁浅海区域是人类活动活跃区,同时也是充满活力的自然***,被认为是最受威胁的环境之一,浅海海域底质类型复杂,描述了浅海区域沉积物的分布状况,需要进行长期监测。浅海底质识别可以为海底资源的开发,海岸带工程,绘制海图,航海等提供有效手段,在军事上可以辅助潜艇选择安全的位置坐底,布设沉底水雷以及锚雷,登陆作战中舰船的锚泊,还可用于水下目标及水下作战环境的探测等等。
浅海底质可能是无机物(如岩石、砂子等),也可能是有机物(如各种生物:藻类、珊瑚等),各种底质的反射特征在可见光波段存在着明显的差异。浅海底质探测是个经典课题,也有多种手段,目前浅海底质探测的方法主要有直接探测法和介质探测法。早期的底质探测是采用直接探测法,是通过采样船在野外对浅海海底进行采样,然后带回实验室进行分析和底质鉴定。直接探测法虽然可以精确识别底质类型,但是耗时长、成本高,无法以面为单位进行大范围的探测;介质探测法最常用的是声学探测。通过向海底发射声波并进行观察、记录和分析海底沉积物对声波的不同反应,可以确定沉积物的类型。声学探测虽然易于控制,但是只能在船上进行定点测量,测量效率低、测量成本高。
随着遥感技术的快速发展,遥感技术为海底底质分类领域拓展了新道路。遥感底质分类方法具有覆盖面大、全面、精度相对统一的明显优势。但是目前大多用高光谱数据来进行识别,如微分法、支持向量机、人工神经网络等算法,四波段的多光谱遥感影像相较于高光谱数据用途广泛,历史数据丰富,因此,亟需探索采用多光谱数据进行浅海底质识别的方法,提高底质识别的普适性和监测频率。
发明内容
有鉴于此,本发明旨在提出一种多光谱遥感影像浅海底质类型识别方法,以至少解决背景技术中的问题。
为达到上述目的,本发明的技术方案是这样实现的:
一种多光谱遥感影像浅海底质类型识别方法,包括:
对获取的影像数据进行预处理,得到预处理后的影像数据;
利用所述预处理后的影像数据对底质分布区域粗定位,得到粗定位后的影像数据;
基于光谱特征对得到的粗定位后的影像数据识别,得到基于光谱特征的浅海底质类型识别结果;
利用得到的粗定位后的数据生成浅海底质类型识别模型,得到基于深度学习的浅海底质类型识别结果;
对得到的基于光谱特征的浅海底质类型识别结果和基于深度学习的浅海底质类型识别结果联合优化,获取最终的浅海底质识别结果。
进一步的,所述对获取的影像数据进行预处理,包括:
针对获取的影像数据依次进行太阳耀光校正和大气进行校正;
针对校正后的影像数据,进行全色、多光谱数据配准;
针对配准后的影像数据进行影像超分重建;
针对得到的超分重建影像数据,进行全色图像和多光谱图像融合;
依次针对融合后的影像数据进行调色和去噪。
进一步的,所述利用所述预处理后的影像数据对底质分布区域粗定位,包括:
对浅海底质存在的区域进行初步界定,完成水陆分离以及并对深水区剔除。
进一步的,所述基于光谱特征对得到的粗定位后的影像数据识别,包括:
根据粗定位后的影像数据,结合预设的采样区可分离度标准,对不同的浅海底质类型进行采样,得到采样点,统计各类浅海底质反射率光谱;
利用预设模型计算预先选取的目标区水体的海表层下表面遥感反射比,模拟不同浅海海底底质反射率光谱,进行比对;目标区水体指的是粗定位的底质分布区;此处的比对包括与公开库中的地物波谱曲线和野外实测的光谱数据进行对比;
对采样点和模拟的光谱数据进行四阶微分计算,用以突出不同底质类型光谱特征差异;
分别计算并比对采样点和模拟的光谱数据的相邻波段的斜率,根据比对确定确定浅海海底底质类型。
进一步的,所述利用得到的粗定位后的数据生成浅海底质类型识别模型,包括:
针对获取的到粗定位后的影像数据,在粗定位的底质分布区对底质进行涂鸦式标注,使用部分标注的像素进行训练,对模型进行初始化,并对得到的模型迭代优化。
进一步的,所述联合优化,包括:
计算基于光谱特征底质识别结果和基于深度学习底质识别结果的独立合集,获取边界模糊区;
以边界模糊区外层边界为初始轮廓,对初始轮廓优化,获取精修后的模糊区;
结合精修后的模糊区、基于光谱特征的浅海底质类型识别结果以及基于深度学习的浅海底质类型识别结果,获取完整的识别结果。
进一步的,本方案公开了一种电子设备,包括处理器以及与处理器通信连接,且用于存储所述处理器可执行指令的存储器,所述处理器用于执行一种多光谱遥感影像浅海底质类型识别方法。
进一步的,本方案公开了一种服务器,包括至少一个处理器,以及与所述处理器通信连接的存储器,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述处理器执行,以使所述至少一个处理器执行一种多光谱遥感影像浅海底质类型识别方法。
进一步的,本方案公开了一种计算机可读取存储介质,存储有计算机程序,所述计算机程序被处理器执行时实现一种多光谱遥感影像浅海底质类型识别方法。
相对于现有技术,本发明所述的一种多光谱遥感影像浅海底质类型识别方法具有以下有益效果:
本发明所述的一种多光谱遥感影像浅海底质类型识别方法,提高底质识别的普适性和监测频率。
附图说明
构成本发明的一部分的附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1为本发明实施例所述的一种多光谱遥感影像浅海底质类型识别方法整体流程示意图;
图2为本发明实施例所述的混合网络结构示意图;
图3为本发明实施例所述的Scribble2Label网络结构示意图。
具体实施方式
需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
下面将参考附图并结合实施例来详细说明本发明。
本发明针对多光谱遥感数据,提出了一种结合深度学习和遥感技术的浅海底质识别方法,主要包括以下几个模块:
(1)数据预处理。为避免辐射和几何失真的影响,消除噪声,提高影像显示清晰度和色彩,提升底质识别精度,需要对数据进行预处理操作。首先对影像进行耀光校正、大气校正,消除信号干扰;然后对影像进行超分重建和融合,提高低分影像分辨率和清晰度;最后对影像进行调色和去噪,提高影像色彩视觉效果,去除噪声。
(2)底质分布区域粗定位。根据浅海底质的分布区域光谱特征,对浅海底质存在的区域进行初步界定,剔除陆地以及深海的干扰。首先采用海水敏感指数进行水陆分离,剔除陆地地物;然后利用传感器接收浅海底质反射信息原理,结合海水漫反射衰减系数和海底辐照度反射率分离深水区,对底质分布区域进行粗定位。
(3)基于光谱特征的浅海底质类型识别。对浅海底质光谱信息进行分析,利用浅海底质对不同波段波长的敏感性差异,对底质进行识别。首先在多光谱影像上进行底质采样,计算可分离度,统计光谱信息;然后采用半理论半经验模型模拟底质反射率光谱信息,并对有公开库的光谱数据进行对比修正;最后计算两种光谱信息的四阶微分及相邻波段的斜率,根据斜率相似度识别浅海底质类型,所述半理论半经验模型是理论解析模型结合经验参数进行的水深反演,是一种常用的浅海水深反演方法。
(4)基于深度学***均值;然后对预测平均值进行一致性判别,对符合条件的像素加入模型训练中迭代优化,得到浅海底质类型识别最优模型。
(5)底质识别结果联合优化。结合基于光谱特征和基于深度学习浅海底质识别结果进行联合优化,优化边缘,提高提取准确度和精度。首先构建边界模糊区,界定浅海底质修正区域;然后采用深度学习算法,调整边界形状,获取精修后的边界模糊区;最后将精修后的边界模糊区与两种方法识别结果交集合并,得到完整的浅海底质识别结果。总流程见附图1。
步骤:
1.数据预处理。对影像进行耀光校正、大气校正、配准、超分重建、调色等操作,消除传感器收到的信号的多种干扰,提高影像的清晰度,增强影像色彩效果。
1-1:耀光校正和大气校正。
第一步:对收集到的多光谱数据进行耀光校正,消除太阳耀光干扰,消除太阳耀光
之后的表面反射率如下公式所示。
其中,是大气顶部反射率,是近红外波段反射率,是近红外波
段反射率最小值,是线性系数,是各个波段中心波长。
第二步:采用FLASSH算法对耀光校正后的影像进行大气校正,消除大气散射和吸收的影响。
1-2:全色、多光谱数据配准。首先采用尺度不变特征变化方法进行粗配准,然后采用基于相位结构相似性度量的误配点剔除和特征点调整策略实现精配准。
1-3:影像超分重建。对于全色影像,采用结合对抗学习和记忆力机制的方法来进行超分重建,通过引入对抗训练策略,联合边缘强化机制,构建基于对抗学习的边缘强化网络重建影像。对于多光谱影像,采用深度学习模型SRNTT对多光谱真彩色图像进行超分辨率重建。
1-4:影像融合。对超分重建后的全色和多光谱影像,采用自适应光谱空间梯度稀疏正则化算法进行全色图像和多光谱图像融合。
1-5:影像调色。
第一步:对融合后的影像,挑选地物、色彩目视差异大的影像作为候选参考影像[x1,x2,……,xn],n为候选参考影像数量。计算其余影像[y1,y2,……,ym],m为其余影像数量,计算其余影像和候选参考影像的相似性S。
其中,为候选参考影像中第i个影像,为其余影像中第j个影像,、分别是、的平均值,、分别是、的方差,是、的协方差,、是维持稳定的常
数。
对影像进行分组归类,S≥0.8的归类为一组,将未分组的影像归类为候选参考影像。
第二步:采用PS等调色软件对候选参考影像进行色彩调整得到真彩色影像,生成参考影像库。
第三步:借助参考影像库内的影像对该组其他影像利用直方图匹配算法进行调色,调色结果与真彩色偏差大的情况下则将该影像作为候选参考影像再次调色入库。
1-6:影像去噪。对调色后的影像,采用transformer与CNN结合的混合网络进行云、浪识别、去除。transformer与CNN结合的混合网络采用U型结构设计,上半部分由不同尺度的U形CNN块组成,下半部分由三种尺度的关键采样Transfomer组成,在1/2、1/4、1/8维度上捕获远程全局信息,使用不同频率的正弦和余弦函数来获取空间信息,混合网络结构见附图2。
2.底质分布区域粗定位。
2-1:水陆分离。由于大部分浅海底质在绿光波段存在反射峰,而且在中红外波段反射率很低,所以使用NDWI分类进行水陆分离时底质分布区域的浅海容易与陆地地物混淆,使用海水敏感指数SI来进行水陆分离可以有效避免陆地地物干扰,SI<0则为海水。SI公式为:
SI=2G-R-B
式中R,G,B分别为红光、绿光、蓝光波段的光谱反射率。
2-2:深水区剔除。只有传感器接收的离水信号中包括了海底反射信息的水体才能从测量的离水信号中反演浅海底质。底质分布区应满足以下条件:
其中,为海水漫反射衰减系数,H为水深,ρ为海底辐照度反射率。通过约束底质
分布区对底质分布范围进行粗定位。
3.基于光谱特征的浅海底质类型识别。由于水体的反射率随波长增加而不断衰减,尤其是在近红外波段水体吸收强烈,对于在水下的底质来说,在近红外和短波红外波段反射率极低,因此对于底质识别可见光波段的光谱特征最为重要,不同底质在不同可见光波长间的敏感性各有差异,使各种底质之间具有可分性。
3-1:在遥感影像上对不同的浅海底质类型进行采样,计算采样区可分离度P,P>1.9则采样点合格,否则重新采集采样点,根据采样点统计各类浅海底质反射率光谱。
3-2:采用半理论半经验模型计算目标区水体的海表层下表面遥感反射比,模拟
不同浅海海底底质反射率光谱,与公开库中的地物波谱曲线和野外实测的光谱数据进行对
比,确保模拟的光谱信息在反射峰和吸收谷等特殊波段点的变化基本一致。
其中,为深水区海表层下表面遥感反射比,、、、、、为常数,分别
为:1.032、0.309、1.03、2.4、1.04、5.4,为传播方向夹角,H为水深,a为海水总吸收系数,b
为后向散射系数,=b/(a+b)。
3-3:对采样点和模拟的光谱数据进行四阶微分计算,突出不同底质类型光谱特征差异,确定光谱弯曲点以及最大最小反射率波长位置。
其中,表示第i个波段的波长,表示一阶微分,表示四阶微分。
3-4:分别计算采样点和模拟光谱数据的相邻波段的斜率,两者进行比对,根据
斜率相似度确定浅海海底底质类型。
4.基于深度学习的浅海底质类型识别。浅海环境复杂,底质样本数量少,分布区域无规则,主流语义分割算法需要依赖大量、精细的标注数据,难以满足浅海底质类型识别需求。为有效提高底质分割精度,减少标注成本,采用弱监督分割算法Scribble2Label来实现底质分类,Scribble2Label结构见附图3。
4-1:在粗定位的底质分布区对底质进行涂鸦式标注,使用部分标注的像素进行训
练,对模型进行初始化,训练使用的基础网络为带有ResNet-50的U-net,训练所用的损失函
数为:
其中,x表示输入的影像,s表示标注的一个像素,表示标注像素集合,i表示迭代
的次数,j表示像素集合中的第j个标注像素,表示在第i次迭代的预测值。
对每一步预测结果计算预测平均值,在训练过程中反复迭代计算直到训练停止。
其中,是权值,n是预测值被平均计算的次数,y是预测平均值。
4-2:对预测像素概率大于阈值的像素作为新的标注像素,迭代优化模型,预测像
素的损失函数为:
其中,是预测像素集合,是一致性阈值,为指示函数。总的损失函数为和相加。
5.底质识别结果联合优化
计算基于光谱特征和基于深度学习识别结果的边界模糊区,对边界模糊区进行分析,结合两种算法结果对底质识别结果进行联合优化,确定浅海底质边界位置。
5-1:计算基于光谱特征底质识别结果和基于深度学习底质识别结果的独立
合集,获取边界模糊区。
5-2:以边界模糊区外层边界为初始轮廓,使用deepsnake算法优化初始轮廓。Deepsnake采用圆卷积抽取边界点图像特征,利用1×1卷积层预测边界点与目标轮廓间的偏移量,使用偏移量调整轮廓形状不断逼近目标,获取精修后的模糊区。
5-3:合并精修后的模糊区与两种算法结果的交集,重新组合作为完整的识别结果。
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各示例的单元及方法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。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。
在本申请所提供的几个实施例中,应该理解到,所揭露的方法和***,可以通过其它的方式实现。例如,以上所述单元的划分,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,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。上述单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,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,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围,其均应涵盖在本发明的权利要求和说明书的范围当中。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,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 (9)
1.一种多光谱遥感影像浅海底质类型识别方法,其特征在于,包括:
对获取的影像数据进行预处理,得到预处理后的影像数据;
利用所述预处理后的影像数据对底质分布区域粗定位,得到粗定位后的影像数据;
基于光谱特征对得到的粗定位后的影像数据识别,得到基于光谱特征的浅海底质类型识别结果;
利用得到的粗定位后的数据生成浅海底质类型识别模型,得到基于深度学习的浅海底质类型识别结果;
对得到的基于光谱特征的浅海底质类型识别结果和基于深度学习的浅海底质类型识别结果联合优化,获取最终的浅海底质识别结果。
2.根据权利要求1所述的一种多光谱遥感影像浅海底质类型识别方法,其特征在于,所述对获取的影像数据进行预处理,包括:
针对获取的影像数据依次进行太阳耀光校正和大气进行校正;
针对校正后的影像数据,进行全色、多光谱数据配准;
针对配准后的影像数据进行影像超分重建;
针对得到的超分重建影像数据,进行全色图像和多光谱图像融合;
依次针对融合后的影像数据进行调色和去噪。
3.根据权利要求1所述的一种多光谱遥感影像浅海底质类型识别方法,其特征在于,所述利用所述预处理后的影像数据对底质分布区域粗定位,包括:
对浅海底质存在的区域进行初步界定,完成水陆分离以及对深水区剔除。
4.根据权利要求1所述的一种多光谱遥感影像浅海底质类型识别方法,其特征在于,所述基于光谱特征对得到的粗定位后的影像数据识别,包括:
根据粗定位后的影像数据,结合预设的采样区可分离度标准,对不同的浅海底质类型进行采样,得到采样点,统计各类浅海底质反射率光谱;
利用预设模型计算预先选取的目标区水体的海表层下表面遥感反射比,模拟不同浅海海底底质反射率光谱,进行比对;
对采样点和模拟的光谱数据进行四阶微分计算,用以突出不同底质类型光谱特征差异;
分别计算并比对采样点和模拟的光谱数据的相邻波段的斜率,根据比对确定确定浅海海底底质类型。
5.根据权利要求1所述的一种多光谱遥感影像浅海底质类型识别方法,其特征在于,所述利用得到的粗定位后的数据生成浅海底质类型识别模型,包括:
针对获取的到粗定位后的影像数据,在粗定位的底质分布区对底质进行涂鸦式标注,使用部分标注的像素进行训练,对模型进行初始化,并对得到的模型迭代优化。
6.根据权利要求1所述的一种多光谱遥感影像浅海底质类型识别方法,其特征在于,所述联合优化,包括:
计算基于光谱特征底质识别结果和基于深度学习底质识别结果的独立合集,获取边界模糊区;
以边界模糊区外层边界为初始轮廓,对初始轮廓优化,获取精修后的模糊区;
结合精修后的模糊区、基于光谱特征的浅海底质类型识别结果以及基于深度学习的浅海底质类型识别结果,获取完整的识别结果。
7.一种电子设备,包括处理器以及与处理器通信连接,且用于存储所述处理器可执行指令的存储器,其特征在于:所述处理器用于执行上述权利要求1-6任一所述的一种多光谱遥感影像浅海底质类型识别方法。
8.一种服务器,其特征在于:包括至少一个处理器,以及与所述处理器通信连接的存储器,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述处理器执行,以使所述至少一个处理器执行如权利要求1-6任一所述的一种多光谱遥感影像浅海底质类型识别方法。
9.一种计算机可读取存储介质,存储有计算机程序,其特征在于:所述计算机程序被处理器执行时实现权利要求1-6任一项所述的一种多光谱遥感影像浅海底质类型识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410389950.1A CN117975255B (zh) | 2024-04-02 | 2024-04-02 | 一种多光谱遥感影像浅海底质类型识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410389950.1A CN117975255B (zh) | 2024-04-02 | 2024-04-02 | 一种多光谱遥感影像浅海底质类型识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117975255A true CN117975255A (zh) | 2024-05-03 |
CN117975255B CN117975255B (zh) | 2024-06-21 |
Family
ID=90851901
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410389950.1A Active CN117975255B (zh) | 2024-04-02 | 2024-04-02 | 一种多光谱遥感影像浅海底质类型识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117975255B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021243743A1 (zh) * | 2020-06-04 | 2021-12-09 | 青岛理工大学 | 基于深度卷积神经网络的沉底油声呐探测图像识别方法 |
CN113988224A (zh) * | 2021-12-01 | 2022-01-28 | 中国自然资源航空物探遥感中心 | 一种珊瑚礁底质分类模型的训练、应用方法及装置 |
CN114297938A (zh) * | 2021-12-31 | 2022-04-08 | 厦门大学 | 一种基于神经网络的光学浅水水底深度的反演方法 |
CN115856925A (zh) * | 2022-10-26 | 2023-03-28 | 中国科学院西安光学精密机械研究所 | 基于海图数据的多光谱遥感影像水深反演方法、介质、设备 |
CN116295285A (zh) * | 2023-02-14 | 2023-06-23 | 国家海洋信息中心 | 基于区域自适应的浅海水深遥感反演方法 |
CN117152636A (zh) * | 2023-10-29 | 2023-12-01 | 自然资源部第二海洋研究所 | 一种基于双波段关系的浅海底质反射率遥感监测方法 |
CN117237256A (zh) * | 2023-09-27 | 2023-12-15 | 中国自然资源航空物探遥感中心 | 一种浅海珊瑚礁监测数据采集方法、装置及设备 |
CN117649607A (zh) * | 2024-01-23 | 2024-03-05 | 南京信息工程大学 | 基于SegNet深度学习模型的海草床遥感识别方法、装置 |
-
2024
- 2024-04-02 CN CN202410389950.1A patent/CN117975255B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021243743A1 (zh) * | 2020-06-04 | 2021-12-09 | 青岛理工大学 | 基于深度卷积神经网络的沉底油声呐探测图像识别方法 |
CN113988224A (zh) * | 2021-12-01 | 2022-01-28 | 中国自然资源航空物探遥感中心 | 一种珊瑚礁底质分类模型的训练、应用方法及装置 |
CN114297938A (zh) * | 2021-12-31 | 2022-04-08 | 厦门大学 | 一种基于神经网络的光学浅水水底深度的反演方法 |
CN115856925A (zh) * | 2022-10-26 | 2023-03-28 | 中国科学院西安光学精密机械研究所 | 基于海图数据的多光谱遥感影像水深反演方法、介质、设备 |
CN116295285A (zh) * | 2023-02-14 | 2023-06-23 | 国家海洋信息中心 | 基于区域自适应的浅海水深遥感反演方法 |
CN117237256A (zh) * | 2023-09-27 | 2023-12-15 | 中国自然资源航空物探遥感中心 | 一种浅海珊瑚礁监测数据采集方法、装置及设备 |
CN117152636A (zh) * | 2023-10-29 | 2023-12-01 | 自然资源部第二海洋研究所 | 一种基于双波段关系的浅海底质反射率遥感监测方法 |
CN117649607A (zh) * | 2024-01-23 | 2024-03-05 | 南京信息工程大学 | 基于SegNet深度学习模型的海草床遥感识别方法、装置 |
Non-Patent Citations (2)
Title |
---|
孙立宁等: "《特种移动机器人建模与控制》", vol. 1, 31 May 2022, 哈尔滨工业大学出版社, pages: 17 * |
李珏东: "高光谱数据在浅海底质分类及水深反演中的应用", 《中国优秀硕士学位论文全文数据库 基础科学辑》, no. 2, 15 February 2012 (2012-02-15), pages 22 - 26 * |
Also Published As
Publication number | Publication date |
---|---|
CN117975255B (zh) | 2024-06-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Mather et al. | Classification methods for remotely sensed data | |
CN106228201B (zh) | 一种基于阴影特性的合成孔径雷达抗欺骗式干扰方法 | |
Ji et al. | Seabed sediment classification using multibeam backscatter data based on the selecting optimal random forest model | |
CN110472658B (zh) | 一种动目标多源探测的层次融合与提取方法 | |
Holmes et al. | Textural analysis and real-time classification of sea-ice types using digital SAR data | |
CN104613944B (zh) | 一种基于gwr和bp神经网络的分布式水深预测方法 | |
CN109871902B (zh) | 一种基于超分辨率对抗生成级联网络的sar小样本识别方法 | |
Ai et al. | Convolutional neural network to retrieve water depth in marine shallow water area from remote sensing images | |
Luo et al. | Sediment classification of small-size seabed acoustic images using convolutional neural networks | |
Buscombe et al. | Optical wave gauging using deep neural networks | |
Rzhanov et al. | Construction of seafloor thematic maps from multibeam acoustic backscatter angular response data | |
CN108389188A (zh) | 一种稀疏高光谱异常目标检测方法 | |
Dickens et al. | Application of machine learning in satellite derived bathymetry and coastline detection | |
CN112258523B (zh) | 一种中低分辨率遥感影像浒苔覆盖信息精细提取方法 | |
CN111008664B (zh) | 一种基于空谱联合特征的高光谱海冰检测方法 | |
CN111783555A (zh) | 一种使用统一样本的深度学习卫星数据云检测算法 | |
Shanjiang et al. | Classification of sea and land waveforms based on deep learning for airborne laser bathymetry | |
Yang et al. | Evaluation and mitigation of rain effect on wave direction and period estimation from X-band marine radar images | |
CN116295285A (zh) | 基于区域自适应的浅海水深遥感反演方法 | |
CN116071664A (zh) | 基于改进CenterNet网络的SAR图像舰船检测方法 | |
CN116363522A (zh) | 一种基于深度学习的海岸带围填海变化遥感监测方法 | |
Zhang et al. | Nearshore vessel detection based on Scene-mask R-CNN in remote sensing image | |
Misiuk et al. | Benthic habitat mapping: A review of three decades of mapping biological patterns on the seafloor | |
CN115205703A (zh) | 一种多特征蓝藻提取方法、装置、电子设备及存储介质 | |
CN111339959A (zh) | 基于sar和光学影像融合的近海浮筏养殖区提取方法 |
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 |