[发明专利]船舶动态短信息通知中背景图片的选择方法

说明书

技术领域：

本发明涉及一种远程船舶监控通知方法，特别涉及一种利用手机短信息向用户提供船舶动态通知中背景图片的选择方法。

背景技术：

随着我国经济的发展，船舶的交通运输量每年都在快速增加，包括内陆航运和远洋航运，都蓬勃发展。这种情况下，及时、准确地掌握船舶的位置和动态，对安排有关船舶的生产作业具有重要的意义。随着包括船舶自动识别系统(AIS)在内的通讯设备在船舶上的普遍装设，为人们获取船舶的动态信息提供了方便。比如，可以利用船舶播发的AIS信息，结合电子海图，人们可以监控船舶运动，看到水域内的船舶交通情况等。目前，利用AIS信息开发的船舶动态监控系统大多是被动的系统，用户只有通过在线访问才能获得有关船舶的动态信息，系统不能够根据用户订阅，主动地将船舶动态信息发送给用户，这给用户带来较多不便。因此需要开发一种主动的船舶动态监控通知服务系统，让用户通过订阅，即可离线跟踪船舶动态及其变化。

现有技术中已有利用手机短信息对整个船舶动态进行监控通知的服务系统，而发送短信息时，如何为船舶动态通知提供合适的背景图片，特别是不同比例、不同内容情况下，如何智能地向用户提供他们所希望得到的背景图片，则一直是很难解决的问题。

发明内容：

本发明所要解决的技术问题在于，克服现有利用手机短信息对整个船舶动态进行监控通知的服务系统在发送短信时，不能够提供合适的背景图片的缺陷。本发明提供了一种用在船舶动态短信息中，且能够提供方便用户直观了解船舶动态和周边环境的背景图片的图片选择方法。

为了达到上述目的，本发明采用的技术方案如下：

船舶动态短信息通知中背景图片的选择方法，该方法包括如下步骤：

(1)建立以信息熵和信息置乱度为输入量，以是否符合背景图片要求为输出量的人工神经网络；

(2)选择某一比例尺下的图片；

(3)分别计算所选图片的信息熵和信息置乱度；

(4)将信息熵和信息置乱度数据导入人工神经网络进行识别，若识别结果符合要求转入步骤(5)，若不符合要求转入步骤(2)；

(5)根据识别结果选定船舶动态短信息背景图片。

所述步骤(3)中的信息熵通过公式：计算得到，其中，s(V)表示所选择的背景图片中所有不同像素值的取值集合，而表示图片A中像素值为v的个数(f_A(v))在整个图片中所占的比例。

所述步骤(3)中的信息置乱度通过计量公式：计算得到，其中e(x，y)＝f(x，y)-g(x，y)，该f(x，y)x，y∈{0，1，...，N-1}表示N×N个原始图像数据，而g(x，y)x，y∈{0，1，...，N-1}表示输出的图像数据。

所述步骤(3)中的信息置乱度在步骤(2)中选择的背景图片为彩色图片时的处理方式包括如下两步：

(1A)将选择的图片和底色中每一像素点的R，G，B分量都分离出来；

(2A)按照如下公式计算出1/SNR的数值：

其中，p_ij^R，p_ij^G，p_ij^B为图片底色的R，G，B分量值，为选择的图片的R，G，B分量值。

所述步骤(3)中的信息置乱度在步骤(2)中选择的背景图片较大时的处理方法包括如下步骤：

(1B)将较大的背景图片分块处理，得到多个较小的图片；

(2B)对图片每一分块计算分块的SNR_i i＝(1，2，...，N)，其中N为分块的数量；

(3B)求取平均SNR值：然后计算1/SNR。

所述通知信息背景图片的图片，应该具有较小的SNR值，因为在进行神经网络判断的时候，数据需要经过处理，所以在实际做的时候，输入的并不是SNR值，而是它的倒数，即：1/SNR，其范围：0.04～0.0009。

所述步骤(2)中选择某一比例尺图片的优选方式是按图片的比例尺从大到小的方式进行的。

所述步骤(1)中的神经网络类型包括

A)BP神经网络，它是一种多层前向网络，采用最小均方差的学习方式的神经网络；

B)RBF神经网络，它是一类多层前馈网络，其神经元基函数具有仅在微小局部范围内才产生有效的非零响应的局部特性的神经网络。

所述步骤(1)的神经网络是利用JOONE来构建的RBF神经网络，并对网络进行训练。