【技术实现步骤摘要】
本专利技术涉及海浪波高反演领域，特别涉及一种基于卷积神经网络的ccd图像海浪波高反演方法。
技术介绍
1、海浪作为一种重要的海洋现象, 在海洋动力学的预测中起着重要的作用。有效波高作为描述海浪的一个重要参数，提供了海浪高度分布的一个统计度量，有效波高的测量和分析，在海洋工程建设、海洋灾害预警、海上航行与作业的安全等方面具有极其重要的作用。所以如何精确快速的获取有效波高数据具有十分重要的意义。
2、目前用于测量海浪波高的主要方法包括仪器化测波和基于雷达或卫星遥感的测波技术。仪器化测波通常涵盖浮标、压力式测波仪等设备，能够提供精确的单点数据，但需要定期维护和校准。相比之下，雷达测波和卫星遥感能够提供广域范围内的波高数据，但数据处理流程复杂且设备安装维护成本高。如果使用可见光波段的图像（例如ccd图像）进行波高反演，既能确保监测范围的广泛性，又能简化数据获取过程，降低成本。然而，现有的基于波浪可见光波段图像的技术，比如摄影测量测波、近岸摄影测波，一方面都需要控制点保证精度，但是开阔海域往往很少存在控制点；另一方面，都在数据处理流程中需要大量复杂的推导计算，这限制了对波浪的连续监测。
3、随着深度学习技术突飞猛进的发展，神经网络模型在海洋科学研究中得到了广泛应用，深度学习的应用能一定程度上减轻上述数据处理过程复杂的问题。现有的许多研究利用可见光波段的图像或者视频来提取波浪特征和反演波浪信息。视频数据在时间连续性和动态信息捕捉方面具有优势，但相较于图像数据，视频数据的使用会浪费大量的数据存储空间，并增加数据处理的复
4、然而，开阔海域中的图像数据大多是倾斜图像，倾斜拍摄会造成图像的几何畸变，这对模型提取图像的特征是不利的，并且与近岸不同，由于近岸波浪变化范围小，几何畸变对图像的反演可能影响不大，而开阔海域中极少存在控制点，所以传统的图像校正方法实现非常困难。
技术实现思路
1、为解决上述技术问题，本专利技术提供了一种基于卷积神经网络的ccd图像海浪波高反演方法，使用图像数据进行反演，能够有效降低数据存储和处理成本；而且通过相机参数和透视变换对图像进行校正能进一步提高模型性能；基于深度学习算法，使用开阔海域的图像对有效波高进行反演，具有一定的创新性和实用价值。
2、为达到上述目的，本专利技术的技术方案如下：
3、一种基于卷积神经网络的ccd图像海浪波高反演方法，包括如下步骤：
4、步骤1，将ccd相机拍摄的图像数据和测波雷达测得的波高数据进行数据匹配，构建初步的数据集；
5、步骤2，对初步数据集中的图像数据进行剔除筛选，然后对筛选后的数据集进行初步的图像预处理；
6、步骤3，基于ccd相机参数和透视变换方法对图像进行校正，随后对校正图像进行剪切，去除变换造成的无效信息；
7、步骤4，将剪切后的数据集划分为训练集和测试集；
8、步骤5，将训练集图像输入改进后的efficientnet模型进行训练，其中，ccd相机拍摄的图像数据作为模型输入，测波雷达测得的波高数据作为标签，与模型输出的波高数据进行比较；训练完成后使用测试集图像对训练得到的模型进行评估；
9、步骤6，将待测开阔海域的ccd相机拍摄的图像数据按照步骤2和步骤3的方法进行处理后，输入到评估合格的模型中进行海浪波高反演。
10、上述方案中，步骤1中，将测波雷达测量时间后5秒内拍摄的图像都视为波高数据的匹配图像。
11、上述方案中，步骤2中，将初步数据集中的不适合反演波高的图像删除，然后将原始图像转换为灰度图像，再使用限制对比度自适应直方图均衡方法对灰度图像进行处理。
12、进一步的技术方案中，使用限制对比度自适应直方图均衡方法对灰度图像进行处理的具体过程如下：
13、首先，将原始图像划分为不重叠的64个矩形小块；
14、然后，对每个矩形小块分别应用直方图均衡化，对比度限幅设置为2，对每个矩形小块的直方图进行裁剪，使其不超过预设的对比度限制阈值，将多余的频数重新分配到其他灰度级；
15、最后，对相邻矩形小块之间的边界进行双线性插值，将矩形小块合成为最终的增强图像。
16、上述方案中，步骤3中，对图像进行校正的方法如下：
17、首先，根据相机内部焦距f与相机成像元的实际物理尺寸a、b得到与相机拍摄方向垂直、平行的视场角、，计算公式如下：
18、；
19、；
20、其次，根据成像透视理论，计算倾斜拍摄中梯形视场的上底长、下底长以及梯形的高h：
21、；
22、；
23、；
24、其中，为拍摄倾角，为拍摄高度；
25、然后，以梯形视场左上角为原点，求出梯形四个角点的相对坐标，得到原图像中四个角点的像素点坐标和梯形视场四个角点的相对坐标的对应关系，得到四对对应点；再将以上四对对应点带入以下变换矩阵中，求解得到变换矩阵的8个未知参数到，从而得到了该对应关系下的变换矩阵；
26、；
27、其中，为原图像中四个角点的像素点坐标，为梯形视场四个角点的相对坐标；
28、最后，将此变换矩阵应用到图像的所有像素点上，实现对图像的校正。
29、上述方案中，步骤4中，在构建数据集时，首先按照日期进行初步划分，划分后的训练集和测试集的比例为4：1；随后，以日期为整体按照每天的波高范围对部分数据进行了从训练集到测试集或从测试集到训练集的转移，确保训练集和测试集中波高分布基本一致，并且比例也为4：1。
30、上述方案中，步骤5中，所述改进后的efficientnet模型包括两部分：特征提取层和输出层，特征提取层通过卷积操作提取出图像的特征，经过展平操作，变成一维的特征向量输入输出层，输出层输出反演值；特征提取层包含八层，第一层为卷积层，其余层均由mbconv模块堆叠而成；输出层包括一个全局平均池化层和三个全连接层。
31、进一步的技术方案中，所述mbconv模块是efficientnet中的基础构建模块，其包括上层分支和捷径连接分支，上层分支包括升维的1×1卷积层、可分离卷积层、bam模块、降维的1×1卷积层和丢弃层；捷径连接分支包括1×1卷积层；
32、假设输入的特征图大小为h×w×ci，其中h、w、ci分别为输入特征图的高、宽、通道数，i代表输入；特征图首先经过升维的1×1卷积层，将通道数将扩展到6ci，然后分别经过可分离卷积层、bam模块、降维的1×1卷积层和丢弃层，其中，升维的1×1卷积层和可分离卷积层本文档来自技高网...
【技术保护点】
1.一种基于卷积神经网络的CCD图像海浪波高反演方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于卷积神经网络的CCD图像海浪波高反演方法，其特征在于，步骤1中，将测波雷达测量时间后5秒内拍摄的图像都视为波高数据的匹配图像。
3.根据权利要求1所述的一种基于卷积神经网络的CCD图像海浪波高反演方法，其特征在于，步骤2中，将初步数据集中的不适合反演波高的图像删除，然后将原始图像转换为灰度图像，再使用限制对比度自适应直方图均衡方法对灰度图像进行处理。
4.根据权利要求3所述的一种基于卷积神经网络的CCD图像海浪波高反演方法，其特征在于，使用限制对比度自适应直方图均衡方法对灰度图像进行处理的具体过程如下：
5.根据权利要求1所述的一种基于卷积神经网络的CCD图像海浪波高反演方法，其特征在于，步骤3中，对图像进行校正的方法如下：
6.根据权利要求1所述的一种基于卷积神经网络的CCD图像海浪波高反演方法，其特征在于，步骤4中，在构建数据集时，首先按照日期进行初步划分，划分后的训练集和测试集的比例为4：1；随后，以日
7.根据权利要求1所述的一种基于卷积神经网络的CCD图像海浪波高反演方法，其特征在于，步骤5中，所述改进后的EfficientNet模型包括两部分：特征提取层和输出层，特征提取层通过卷积操作提取出图像的特征，经过展平操作，变成一维的特征向量输入输出层，输出层输出反演值；特征提取层包含八层，第一层为卷积层，其余层均由MBConv模块堆叠而成；输出层包括一个全局平均池化层和三个全连接层。
8.根据权利要求7所述的一种基于卷积神经网络的CCD图像海浪波高反演方法，其特征在于，所述MBConv模块是EfficientNet中的基础构建模块，其包括上层分支和捷径连接分支，上层分支包括升维的1×1卷积层、可分离卷积层、BAM模块、降维的1×1卷积层和丢弃层；捷径连接分支包括1×1卷积层；
9.根据权利要求8所述的一种基于卷积神经网络的CCD图像海浪波高反演方法，其特征在于，所述Mish激活函数的数学达式如下：
10.根据权利要求8所述的一种基于卷积神经网络的CCD图像海浪波高反演方法，其特征在于，BAM模块结合了通道注意力机制和空间注意力机制，在BAM模块中这两个部分并行运行，分别计算出在特征图在空间和通道上的注意力分数，通过广播机制将两者相加，得到在特征图上各个位置的注意力分数。
...【技术特征摘要】
1.一种基于卷积神经网络的ccd图像海浪波高反演方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于卷积神经网络的ccd图像海浪波高反演方法，其特征在于，步骤1中，将测波雷达测量时间后5秒内拍摄的图像都视为波高数据的匹配图像。
3.根据权利要求1所述的一种基于卷积神经网络的ccd图像海浪波高反演方法，其特征在于，步骤2中，将初步数据集中的不适合反演波高的图像删除，然后将原始图像转换为灰度图像，再使用限制对比度自适应直方图均衡方法对灰度图像进行处理。
4.根据权利要求3所述的一种基于卷积神经网络的ccd图像海浪波高反演方法，其特征在于，使用限制对比度自适应直方图均衡方法对灰度图像进行处理的具体过程如下：
5.根据权利要求1所述的一种基于卷积神经网络的ccd图像海浪波高反演方法，其特征在于，步骤3中，对图像进行校正的方法如下：
6.根据权利要求1所述的一种基于卷积神经网络的ccd图像海浪波高反演方法，其特征在于，步骤4中，在构建数据集时，首先按照日期进行初步划分，划分后的训练集和测试集的比例为4：1；随后，以日期为整体按照每天的波高范围对部分数据进行了从训练集到测试集或从测试集到训练集的转移，确保训练集和测试集中波高分布基本一致，并且比例也为4：1。...
【专利技术属性】
技术研发人员：孟俊敏，丁辰，孙丽娜，
申请(专利权)人：自然资源部第一海洋研究所，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。