[发明专利]基于目标分割的海洋中尺度涡检测方法及系统

说明书

本发明公开了一种基于目标分割的海洋中尺度涡检测方法及系统，涉及数字图像处理技术领域，该方法包括：获取待测海平面异常数据图像；将预处理后的待测海平面异常数据图像输入至基于目标分割的海洋中尺度涡检测网络；对输入的待测海平面异常图像进行多层卷积处理，提取图像的低级细节信息和高级语义信息，将低级细节信息和高级语义信息融合，获取多尺度融合特征图；基于多尺度融合特征图，输出海洋中尺度涡的预测图像；将预测图像作为边缘检测网络的输入，通过边缘检测网络提取输入图像的边缘信息，输出待测海平面异常数据图像中的海洋中尺度涡，提升涡旋边界的检测能力，提升海洋中尺度涡检测的准确率和检测速度。

技术领域

本发明涉及数字图像处理技术领域，尤其涉及一种基于目标分割的海洋中尺度涡检测方法及系统。

背景技术

海洋中尺度涡本质是水的旋转涡旋，广泛的分布在全球海洋中，在海洋中呈现非规则螺旋状结构，它具体表现特征为空间尺度达几十公里至上百公里、寿命为10-100天、内部结构为封闭环流。海洋中尺度涡流能够对如碳、热、浮游植物、盐等量能进行传递及输送，因此，在全球海洋热量、盐分和生物活性等方面起到重要的作用，且进一步影响海洋生态系统；在应用方面，海洋中尺度涡对舰艇航行，特别是潜艇等水下船只的航行影响很大，如果不清楚海洋中尺度涡的影响，将削弱舰艇水下通信和探测的性能；海洋中尺度涡能够将丰富的营养物质从海洋深层带到海洋表面，因此其能够间接影响海洋牧场的选址，通过借助海洋中尺度涡可以指导渔业生产。因此，研究海洋中尺度涡在海洋学、大气和生物现象中的作用，具有重要的科研以及应用价值。

近年来，针对海洋中尺度涡的研究主要侧重于研究实现自动检测和分类涡流，目前普遍使用的方法主要分为两大类，即基于物理参数的方法和基于几何轮廓的方法。但是上述传统方法的局限性在于检测速度慢、检测精度低、物理参数导致检测敏感性较强以及泛化性较差。

随着人工智能的发展，基于深度学习方法在图像领域实现了大规模应用，例如图像检测、图像分割、图像识别等应用方向已证实了其以巨大效率解决广泛实际问题的能力。现有技术中，存在利用上述深度学习方法检测海洋中尺度涡的方案，但是，这一基于深度学习检测海洋中尺度涡的方法存在检测海洋中尺度涡边界不准确的问题。

发明内容

为解决传统的海洋中尺度涡检测存在局限性和现有的基于深度学习检测海洋中尺度涡的方法存在检测海洋中尺度涡边界不准确的问题，本发明提供了一种基于目标分割的海洋中尺度涡检测方法及系统，以高效的基于卷积块的编码器-解码器结构作为海洋中尺度涡检测模型架构，结合多尺度特征融合及边缘检测，提升涡旋边界的检测能力，将高级语义信息和低级图像细节信息进行融合，提升目标分割的准确率，相比现有的深度学习方法能够提升检测准确率，相比传统的中尺度涡检测能够提升检测速度。

第一方面，本公开提供了一种基于目标分割的海洋中尺度涡检测方法，包括：

获取待测海平面异常数据图像，对待测海平面异常数据图像进行预处理；

将预处理后的待测海平面异常数据图像输入至基于目标分割的海洋中尺度涡检测网络，检测待测海平面异常数据图像中的海洋中尺度涡；

所述基于目标分割的海洋中尺度涡检测网络中，对输入的待测海平面异常图像进行多层卷积处理，提取图像的低级细节信息和高级语义信息，将低级细节信息和高级语义信息融合，获取多尺度融合特征图；基于多尺度融合特征图，输出海洋中尺度涡的预测图像；将预测图像作为边缘检测网络的输入，通过边缘检测网络提取输入图像的边缘信息，输出待测海平面异常数据图像中的海洋中尺度涡。

进一步的技术方案，所述基于目标分割的海洋中尺度涡检测网络的训练过程包括：

获取海平面异常数据集，对数据集中原始海平面异常数据图像进行预处理，标注图像中海洋中尺度涡及其种类，构建训练样本集；

构建基于目标分割的海洋中尺度涡检测网络；所述海洋中尺度涡检测网络采用编码器-解码器网络架构，所述编码器包括用于下采样的卷积网络，所述解码器包括用于上采样的卷积网络和多尺度特征融合网络，所述解码器后设置用于提取输入图像边缘信息的边缘检测网络；