海洋锋面识别方法和装置制造方法及图纸

本发明专利技术公开了一种海洋锋面识别方法和装置。该方法包括：将待识别的海表温度图输入到多尺度采样模型中进行不同尺度的采样，得到多个不同尺度的块；将多个不同尺度的块输入到预先训练好的深度模型中进行模型识别，得到识别结果；根据识别结果对多个不同尺度的块进行标记；将标记后的多个不同尺度的块输入到二值化模型中进行拼接，得到与待识别的海表温度图大小相同的二值图；将与待识别的海表温度图大小相同的二值图输入到细粒度定位划界模型中进行细粒度识别，得到细粒度识别结果，其中，细粒度识别结果包括海洋锋的位置和海洋锋强弱的变化趋势。通过本发明专利技术，达到了准确识别海表面温度图中海洋锋的位置和海洋锋强弱的变化趋势的效果。

【技术实现步骤摘要】
海洋锋面识别方法和装置
本专利技术涉及海洋图像识别领域，具体而言，涉及一种海洋锋面识别方法和装置。
技术介绍
海洋锋的产生是一种典型的中尺度海洋现象，这种现象对海洋渔业生产、研究海洋领域具有比较重要的价值。因此，对海洋锋的研究成为海洋学家们的一项重要课题。海洋锋的产生是由于两种不同性质(比如：温度、盐度、密度等)的水团在交界处形成的锋面。在大多数的研究中，研究者往往研究的是由于温度不同产生的海洋锋。在锋面形成处，往往具有很丰富的营养物质，也是鱼群聚集的地方，这对海洋渔业生产提供了重要的参考价值。同时，有关资料表明，海洋气候变化也是产生海洋锋的一个条件，通过对海洋锋的研究，也可以对海洋气候进行深入的研究，为解决海洋气候变化带来的若干问题提供参考，例如研究海洋厄尔尼诺现象的产生与影响、全球气候变暖问题等。目前，遥感领域技术的快速发展，提供了更多的研究海洋现象的机遇，比如人造卫星的发射，可以获得更高清的海洋分析图像，使得分析识别海洋锋变得更简单可行。同时，人工智能的快速发展，已经深入到生产生活的各个领域，包括对海洋领域的研究。特别是人工智能在图形图像领域已经取得了很好的效果，目标识别、目标检测、目标分类等任务已经成功应用了现有的人工智能算法与技术，并得到了很好的检验。因此，结合人工智能的有关技术，对采集的卫星遥感图像进行特征提取，分别在不同尺度上进行分类，实现了对海洋锋的定位与识别，对海洋渔业生产、研究海洋现象具有重要的参考价值。相关的技术主要包括以下几个：1.早在1992年，J.F.Cayula和P.Cornillon就已经对海洋锋进行了研究，他们研究的主要方法是使用传统的技术——边缘检测技术。该技术首先是利用卫星采集海面温度的数据，经过处理得到海表面温度图(SeaSurfaceTemperature，简称“SST”)。由于不同温度的水团之间是有比较明显的界线，该技术则利用此特点进行锋面的检测，并且取得了很好的性能。后来，DavidS.ullman和PeterCornillion又证明了在一段长时间序列的AVHRR(AdvancedVeryHighResolutionRadiometer)图像上，使用自动边缘检测算法进行锋面识别具有比较好的性能。2.对多谱带锋图进行自动化识别海洋现象(如：水体富营养化、海洋锋等)，并对其进行可视化。该技术主要利用不同性质的水团具有不同的反射率，光线照射在这些水团表面上，会反射不同波段的光线。通过分析反射的光线的谱带，实现对海洋现象的分析。后面对该技术进行了改进，可以实现将观测的几天的海洋锋的位置，强度以及变化情况，统一在一张图里，该方法被称为“复合前沿图法(compositefrontmapapproach)”。3.对遥感图像进行温度锋和叶绿素锋的检测。随着遥感技术的发展，越来越容易获得高分辨率的遥感图像。在目前遥感领域，使用的较多的是海表面温度图。由于锋面两侧水温的不同，在两个水团之间会存在明显的界线。利用该特性，对图像进行求梯度，在锋面附近处，梯度值比较明显，因此可以利用梯度算法进行锋面位置的检测。4.基于MMF(MicrocanonicalMultiscaleFormalism)对SST中海洋锋的快速检测算法。该算法可以对日常获得的SST图像进行分析，并且实现海洋锋的快速检测。与此同时，该算法可以很好的去除云遮挡问题，是一种性能比较好的海洋锋检测技术。5.使用水下机器人，对海洋上升流产生的海洋锋进行检测、跟踪。传统的对海洋锋检测的技术手段都是基于梯度进行的，虽然这些技术手段取得了一定的成果，但这些技术手段都有其局限性。首先，利用梯度进行检测海洋锋的传统技术，只是单纯的检测出了海洋锋的位置，没有将由锋区向外的扩展的趋势表示出来。要知道，在海洋锋出现时，并不是突然的出现，而是经过一个过程，由弱慢慢的变强。同样，在海洋锋消失时，也不是突然的消失，也存在一个由强到弱的过程。在海洋锋出现的中心位置，是锋区最强的位置，由中心向外，锋会慢慢的变弱，直到消失。所有的海洋锋出现的位置都应该存在这样的一个规律。而使用传统的检测海洋锋的技术，并不能将这些变化表示出来，存在一定的局限性。其次，现有的技术都是基于研究者的先验知识建立起来的。可以看出，这些技术都是基于梯度的方法进行检测的，在计算完图的梯度之后，采用阈值的方法对可能存在海洋锋的区域进行过滤。这样的技术存在很大的人为干预性，不能很好的实现自动化检测，并且准确率也是随着研究者设置阈值的不同而不同。除此之外，现有的技术手段，泛化能力差，成本比较高。不同的海表面温度图，由于差异性比较大，在某些图片上寻找的阈值，可能在其他图片上不适用。因此阈值的寻找也是一个比较耗时的过程，不能很好的适用不同差异性的海表面温度图。针对相关技术中无法对海表面温度图中的海洋锋进行细粒度识别的位置的问题，目前尚未提出有效的解决方案。
技术实现思路
本专利技术的主要目的在于提供一种海洋锋面识别方法和装置，以解决无法对海表面温度图中的海洋锋进行细粒度识别的问题。为了实现上述目的，根据本专利技术的一个方面，提供了一种海洋锋面识别方法，该方法包括：将待识别的海表温度图输入到多尺度采样模型中进行不同尺度的采样，得到多个不同尺度的块；将多个不同尺度的块输入到预先训练好的深度模型中进行模型识别，得到识别结果，其中，所述识别结果包括有锋和无锋；根据所述识别结果对多个不同尺度的块进行标记；将标记后的多个不同尺度的块输入到二值化模型中进行拼接，得到与待识别的海表温度图大小相同的二值图；将与待识别的海表温度图大小相同的二值图输入到细粒度定位划界模型中进行细粒度识别，得到细粒度识别结果，其中，所述细粒度识别结果包括海洋锋的位置和海洋锋强弱的变化趋势。进一步地，根据所述识别结果对多个不同尺度的块进行标记包括：将被识别为有锋的块的所有像素值设置为1，将被识别为无锋的块的所有像素值设置为0。进一步地，在将多个不同尺度的块输入到预先训练好的深度模型中进行模型识别之前，所述方法还包括：将预设数量的训练样本图片进行灰度化处理，得到灰度样本图；基于所述灰度样本图和对应于每张灰度样本图的标签对AlexNet卷积神经网络模型进行训练，得到所述预先训练好的深度模型。进一步地，所述预先训练好的深度模型的网络结构包括5层卷积层，2层全连接层和softmax层。进一步地，在所述细粒度定位划界模型中，通过离散的尺度权值函数f(n)将不同尺度的细粒度识别结果结合起来，其中，所述离散的尺度权值函数的定义为：f(i)＝A*i+B，i＝1,2,…n，n表示扫描识别结果的数量，i表示不同尺度。为了实现上述目的，根据本专利技术的另一方面，还提供了一种海洋锋面识别装置，该装置包括：采样单元，用于将待识别的海表温度图输入到多尺度采样模型中进行不同尺度的采样，得到多个不同尺度的块；识别单元，用于将多个不同尺度的块输入到预先训练好的深度模型中进行模型识别，得到识别结果，其中，所述识别结果包括有锋和无锋；标记单元，用于根据所述识别结果对多个不同尺度的块进行标记；拼接单元，用于将标记后的多个不同尺度的块输入到二值化模型中进行拼接，得到与待识别的海表温度图大小相同的二值图；细化定位单元，用于将与待识别的海表温度图大小相同的二值图输入到细粒度定位本文档来自技高网...

【技术保护点】
1.一种海洋锋面识别方法，其特征在于，包括：将待识别的海表温度图输入到多尺度采样模型中进行不同尺度的采样，得到多个不同尺度的块；将多个不同尺度的块输入到预先训练好的深度模型中进行模型识别，得到识别结果，其中，所述识别结果包括有锋和无锋；根据所述识别结果对多个不同尺度的块进行标记；将标记后的多个不同尺度的块输入到二值化模型中进行拼接，得到与待识别的海表温度图大小相同的二值图；将与待识别的海表温度图大小相同的二值图输入到细粒度定位划界模型中进行细粒度识别，得到细粒度识别结果，其中，所述细粒度识别结果包括海洋锋的位置和海洋锋强弱的变化趋势。

【技术特征摘要】
1.一种海洋锋面识别方法，其特征在于，包括：将待识别的海表温度图输入到多尺度采样模型中进行不同尺度的采样，得到多个不同尺度的块；将多个不同尺度的块输入到预先训练好的深度模型中进行模型识别，得到识别结果，其中，所述识别结果包括有锋和无锋；根据所述识别结果对多个不同尺度的块进行标记；将标记后的多个不同尺度的块输入到二值化模型中进行拼接，得到与待识别的海表温度图大小相同的二值图；将与待识别的海表温度图大小相同的二值图输入到细粒度定位划界模型中进行细粒度识别，得到细粒度识别结果，其中，所述细粒度识别结果包括海洋锋的位置和海洋锋强弱的变化趋势。2.根据权利要求1所述的方法，其特征在于，根据所述识别结果对多个不同尺度的块进行标记包括：将被识别为有锋的块的所有像素值设置为1，将被识别为无锋的块的所有像素值设置为0。3.根据权利要求1所述的方法，其特征在于，在将多个不同尺度的块输入到预先训练好的深度模型中进行模型识别之前，所述方法还包括：将预设数量的训练样本图片进行灰度化处理，得到灰度样本图；基于所述灰度样本图和对应于每张灰度样本图的标签对AlexNet卷积神经网络模型进行训练，得到所述预先训练好的深度模型。4.根据权利要求1所述的方法，其特征在于，所述预先训练好的深度模型的网络结构包括5层卷积层，2层全连接层和softmax层。5.根据权利要求1所述的方法，其特征在于，在所述细粒度定位划界模型中，通过离散的尺度权值函数f(n)将不同尺度的细粒度识别结果结合起来，其中，所述离散的尺度权值函数的定义为：f(i)＝A*i+B，i＝1,2,…n，n表示扫描识别结果的数量，i...

【专利技术属性】
技术研发人员：孙鑫，王常刚，董军宇，
申请(专利权)人：中国海洋大学，
类型：发明
国别省市：山东,37