本发明涉及海洋图像处理,具体为一种基于卷积神经网络获取海草床面积的方法及装置。
背景技术:
1、卷积神经网络(convolutional neural networks,cnn)是一种深度学习模型或类似于人工神经网络的多层感知器,卷积神经网络适应性强,数据处理效率高,在图像处理当中应用广泛。
2、海草床是非常重要的一个生态系统,海草床面积约占全球海洋面积的0.2%,海草床可以吸收空气与海水中大量的二氧化碳,是初级生产力最高的生物群落之一。同时,海草为沿海鱼类、贝类提供安全温暖的生活场所,增强了生物多样性,对沿海生态系统和经济价值起着关键作用。因此,识别海草床的分布情况可为海草床保护、蓝碳估算和海岸带生态保护提供重要信息。
3、近些年来,常利用实地调查手段来获取海草床的分布情况,但是由于实地调查费时费力,仅限于较小的尺度,且无法提前预知海草床的存在性,难以实现海草床面积的准确计算。
技术实现思路
1、本发明的目的是提供一种利用遥感影像基于卷积神经网络获取海草床面积的方法及装置。
2、本发明技术方案如下:
3、本发明提供一种基于卷积神经网络获取海草床面积的方法,包括如下操作:
4、步骤一:获取海草床影像数据集,经特征提取处理、权重生成处理和卷积处理后,获得第一海草床识别图像;
5、步骤二:所述第一海草床识别图像经降损处理后,获得第二海草床识别图像;
6、步骤三:基于所述第二海草床识别图像,获得海草床面积。
7、如上所述的方法,所述海草床面积s可通过以下计算公式得到:
8、,
9、为像素点数量累加和, p为单个像素所占面积。
10、如上所述的方法,其特征在于,所述步骤一的操作具体为:获取海草床影像数据集,利用所述海草床影像数据集训练卷积神经网络,获得训练的卷积神经网络,利用所述训练的卷积神经网络对海草床影像数据集进行特征提取处理、权重生成处理和卷积处理,获得所述第一海草床识别图像。
11、如上所述的方法,所述特征提取处理的操作之前,还包括预处理所述海草床影像数据集;所述预处理为:获取所述海草床影像数据集中图像的简化矩阵数据,接着抑制所述图像噪声,然后突出图像中地物的轮廓,最后提取图像分量。
12、其中,所述预处理包括如下具体操作:颜色因子灰度化处理、滤波处理、阈值分割二值化处理和形态学处理。
13、如上所述的方法,所述步骤二中的降损处理操作通过交叉熵损失函数实现。
14、如上所述的方法,所述海草床影像数据集为正射影像。
15、本发明提供一种基于卷积神经网络获取海草床面积的装置,包括:
16、第一海草床识别图像生成模块:用于实现获取海草床影像数据集,经特征提取处理、权重生成处理和卷积处理后,获得第一海草床识别图像;
17、第二海草床识别图像生成模块:用于实现所述第一海草床识别图像经降损处理后,获得第二海草床识别图像;
18、海草床面积生成模块:用于实现基于所述第二海草床识别图像,获得海草床面积。
19、本发明提供一种基于卷积神经网络获取海草床面积的设备,包括处理器和存储器,其中,所述处理器执行所述存储器中保存的计算机程序时实现上述的一种基于卷积神经网络获取海草床面积的方法。
20、本发明提供一种计算机可读存储介质,用于存储计算机程序,其中,所述计算机程序被处理器执行时实现上述的一种基于卷积神经网络获取海草床面积的方法。
21、本发明的有益效果在于:
22、本发明提供一种基于卷积神经网络获取海草床面积的方法,海草床影像数据集经特征提取处理、权重提取处理和卷积处理后,获得分类识别效果好的第一海草床识别图像,第一海草床识别图像经降损处理后,可获得与实际海草床图像差异更小、更易识别、精度更高、准确度更高的第二海草床识别图像,使最终获得海草床面积更加准确,且该方法实现了遥感影像数据与卷积神经网络在海草床分布特征方面的应用的结合,相对传统的人工测量方法省时省力,并且该方法可应用在大尺度的海草床面积研究方面,具有非常高的应用价值;
23、本发明提供一种基于卷积神经网络获取海草床面积的方法,预处理后的海草床影像数据集,特征更明显,更易被识别分类,利用预处理后的海草床影像数据集训练卷积神经网络,可获得具有数据处理优势的训练的卷积神经网络,有利于提升最终获取的海草床面积的准确度;
24、本发明提供一种基于卷积神经网络获取海草床面积的方法,利用的海草床影像数据集为正射影像,正射影像具有分辨率较高、观测空间尺度大、时间尺度长、数据获取相对容易等优点,通过具有数据处理优势的卷积神经网络处理,可以突破海水浑浊度、水深、污染等环境因素对海草床识别技术的限制,有效提升了海草床面积结果的准确度;
25、本发明提供一种基于卷积神经网络获取海草床面积的方法,具有一定的引领性和开创性,能够准确识别海草床的分布和精确计算区域尺度下的海草床面积,为制定科学、有效地识别和监测海草床空间及生态特征分布方案提供科学依据。
1.一种基于卷积神经网络获取海草床面积的方法,其特征在于,包括如下操作:
2.根据权利要求1所述的方法,其特征在于,所述海草床面积s可通过以下计算公式得到:
3.根据权利要求1所述的方法,其特征在于,所述步骤一的操作具体为:
4.根据权利要求1所述的方法,其特征在于,所述特征提取处理的操作之前,还包括预处理所述海草床影像数据集;
5.根据权利要求4所述的方法,其特征在于,所述预处理包括如下具体操作:颜色因子灰度化处理、滤波处理、阈值分割二值化处理和形态学处理。
6.根据权利要求1所述的方法,其特征在于,所述步骤二中的降损处理操作通过交叉熵损失函数实现。
7.根据权利要求1所述的方法,其特征在于,所述海草床影像数据集为正射影像。
8.一种基于卷积神经网络获取海草床面积的装置,其特征在于,包括:
9.一种基于卷积神经网络获取海草床面积的设备,其特征在于,包括处理器和存储器,其中,所述处理器执行所述存储器中保存的计算机程序时实现所述权利要求1-7中任一项所述的一种基于卷积神经网络获取海草床面积的方法。
10.一种计算机可读存储介质,其特征在于,用于存储计算机程序,其中,所述计算机程序被处理器执行时实现所述权利要求1-7中任一项所述的一种基于卷积神经网络获取海草床面积的方法。