一种基于高光谱图像的溢油区域确定方法和装置

所属的技术人员能够理解，本技术的各个方面可以实现为系统、方法或程序产品。因此，本技术的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。在一些可能的实施方式中，根据本技术的电子设备可以包括至少一个处理器、以及至少一个存储器。其中，存储器存储有程序代码，当程序代码被处理器执行时，使得处理器执行本说明书上述描述的根据本技术各种示例性实施方式的运营数据管理方法。例如，处理器可以执行如运营数据管理方法中的步骤。应当注意，尽管在上文详细描述中提及了装置的若干单元或子单元，但是这种划分仅仅是示例性的并非强制性的。实际上，根据本技术的实施方式，上文描述的两个或更多单元的特征和功能可以在一个单元中具体化。反之，上文描述的一个单元的特征和功能可以进一步划分为由多个单元来具体化。此外，尽管在附图中以特定顺序描述了本技术方法的操作，但是，这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。本技术是参照根据本技术实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程图像缩放设备的处理器以产生一个机器，使得通过计算机或其他可编程图像缩放设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。这些计算机程序指令也可存储在能引导计算机或其他可编程图像缩放设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。这些计算机程序指令也可装载到计算机或其他可编程图像缩放设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。尽管已描述了本技术的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本技术范围的所有变更和修改。显然，本领域的技术人员可以对本技术进行各种改动和变型而不脱离本技术的精神和范围。这样，倘若本技术的这些修改和变型属于本技术权利要求及其等同技术的范围之内，则本技术也意图包含这些改动和变型在内。

背景技术：

1、随着石油开采工业和石油运输业的迅速发展，石油勘探、开发、海底管线铺设规模不断扩大。近年来溢油事故频繁发生，船舶每年在长江流域产生约6万吨的污油，对河道水环境造成极大危害，因此及时确定溢油区域，以对环境风险进行评估，并制定应急预案和响应尤为重要。

2、传统的相机拍摄的图片对溢油区域的辨别能力较差，得益于成像光谱技术的发展与成熟，高光谱不仅在信息丰富程度上远超普通相机，而且进一步提供了高光谱数据的有效处理方式，因此高光谱技术不仅引起了遥感界的关注，同时引起了其他领域极大的兴趣。高光谱最大特点是将成像技术与光谱探测技术结合，在对目标的空间特征成像的同时，对每个空间像元经过色散形成几十个乃至几百个窄波段以进行连续的光谱覆盖，这样形成的数据可以用“三维数据块”来形象地描述。

3、与此同时，卷积神经网络是深度学习的代表算法之一，在图像识别、分类、自然语言处理等方面都取得不错的成绩。那么如何将高光谱图像与卷积神经网络结合起来，有效的检测采集图像中的溢油区域，使得溢油区域识别、划分的准确性与效率得以提高，是一个需要探讨的问题。

技术实现思路

1、本技术提供一种基于高光谱图像的溢油区域确定方法及装置，本技术的技术方案如下：

2、根据本技术实施例的第一方面，提供一种基于高光谱图像的溢油区域确定方法，包括：

3、步骤1，在采集到的水域高光谱图像中选取736nm、768nm和863nm波段的光谱图像，形成rgb三通道彩色图像，对所述rgb三通道彩色图像进行裁剪和压缩，得到溢油区域数据集ioil，并对所述溢油区域数据集ioil进行溢油区域标注，得到对应的标签合集ilabel；

4、其中，所述溢油区域数据集ioil表示为：ioil＝{i1,i2,…,in-1,in}，所述标签合集ilabel表示为：ilabel＝{l1,l2,…,ln-1,ln}，in表示所述溢油区域数据集中第n幅溢油图像；ln为所述溢油区域数据集中第n幅溢油图像所对应的标签；

5、步骤2，对所述溢油区域数据集ioil中的图像和所述标签合集ilabel进行旋转和翻转的图像增强处理，得到目标溢油区域数据集ioil_en和目标标签合集ilabel_en，并根据所述目标溢油区域数据集ioil_en对所述目标标签合集ilabel_en进行一致化处理后，随机分为目标训练样本数据集和目标测试数据集

6、步骤3，将所述目标训练样本数据集输入至卷积神经网络进行第一卷积处理和第二卷积处理，得到第一卷积特征图和第二卷积特征图，并将所述第一卷积特征图和第二卷积特征图融合和拼接，得到第一中间特征图；

7、步骤4，将所述第一卷积特征图和第一中间特征图进行第一卷积处理后，再通过上采样处理进行细化特征处理，最终分割出所述水域高光谱图像中的溢油区域。

8、可选的，in为rgb三通道图像；ln为单通道二值化图像。

9、可选的，所述步骤1具体包括：

10、步骤11，在采集到的所述水域高光谱图像中选取736nm、768nm和863nm波段的光谱图像，形成rgb三通道彩色图像；

11、步骤12，对所述rgb三通道彩色图像分别进行512x512像素尺寸、400x400像像素尺寸、320x320像素尺寸的裁剪，并对所述裁剪后图片统一压缩成256x256像素尺寸的图像，得到溢油区域数据集ioil；

12、步骤13，对所述溢油区域数据集ioil进行溢油区域标注，得到对应的标签合集ilabel。

13、可选的，对所述溢油区域数据集ioil中的图像和所述标签合集ilabel进行旋转和翻转的图像增强处理，得到目标溢油区域数据集ioil_en和目标标签合集ilabel_en，并根据所述目标溢油区域数据集ioil_en对所述目标标签合集ilabel_en进行一致化处理后，随机分为目标训练样本数据集和目标测试数据集具体包括：

14、步骤21，对所述溢油区域数据集ioil中的图像和所述标签合集ilabel分别进行90°、180°和270°的旋转，得到目标溢油区域数据集ioil_en和目标标签合集ilabel_en；

15、步骤22，将所述目标溢油区域数据集ioil_en和目标标签合集ilabel_en按照7:3的比例随机拆分，并根据所述目标溢油区域数据集ioil_en对所述目标标签合集ilabel_en进行一致化处理，形成目标训练样本数据集和目标测试数据集

16、可选的，所述目标训练样本数据集中的图像尺寸为256x256x3,其中，256表示图像的宽和高，3表示所述图像为三通道图像；所述目标标签合集ilabel_en中标注尺寸为256x256x1,其中，256表示图像的宽和高，1表示所述图像为单通道图像。

17、可选的，所述对所述目标训练样本数据集输入至卷积神经网络进行第一卷积处理和第二卷积处理，得到第一卷积特征图和第二卷积特征图，并将所述第一卷积特征图和第二卷积特征图融合和拼接，得到第一中间特征图，具体包括：

18、步骤31，将所述目标溢油区域数据集ioil_en输入至第一卷积层进行第一步长为1x1，膨胀系数为r＝1的空洞卷积处理，得到第一卷积特征图；

19、步骤32，将所述目标溢油区域数据集ioil_en输入至第二卷积层进行第一步长为3x3，膨胀系数为r＝{6,12,18}的空洞卷积处理，得到第二卷积特征图，其中，所述第二卷积特征图包括膨胀系数r＝6时对应的第二特征图、膨胀系数r＝12时对应的第三特征图和膨胀系数r＝18时对应的第四特征图；

20、步骤33，将所述第一特征图、所述第二特征图、所述第三特征图和所述第四特征图进行融合和拼接，得到第一中间特征图。

21、可选的，所述将所述第一卷积特征图和第一中间特征图进行第一卷积处理后，再通过上采样处理进行细化特征处理，最终分割出所述水域高光谱图像中的溢油区域，具体包括：

22、步骤41，将所述第一中间特征图进行第一步长为1x1的卷积处理，得到第二中间特征图；

23、步骤42，将所述第二中间特征图经过上采样后与所述第一特征图进行融合，得到第三中间特征图；

24、步骤43，将所述第三中间特征图输入进行第二步长为3x3的卷积处理，得到第四中间特征图，并对所述第四中间特征图进行上采样处理后输出所述卷积神经网络，得到目标输出特征图；

25、步骤44，根据所述目标输出特征图对所述水域高光谱图像的每个像素点进行分类，得到目标溢油区域预测图，其中，溢油区域像素点显示为红色，非溢油区域显示为黑色。

26、可选的，所述目标输出特征图与所述溢油区域数据集ioil中的图像的尺寸保持一致。

27、根据本技术实施例的第二方面，提供一种基于高光谱图像的溢油区域确定装置包括：

28、高光谱图像预处理模块，用于在采集到的水域高光谱图像中选取736nm、768nm和863nm波段的光谱图像，形成rgb三通道彩色图像，对所述rgb三通道彩色图像进行裁剪和压缩，得到溢油区域数据集ioil，并对所述溢油区域数据集ioil进行溢油区域标注，得到对应的标签合集ilabel；

29、其中，所述溢油区域数据集ioil表示为：ioil＝{i1,i2,…,in-1,in,}，所述标签合集ilabel表示为：ilabel＝{l1,l2,…,ln-1,ln}，in表示所述溢油区域数据集中第n幅溢油图像；ln为所述溢油区域数据集中第n幅溢油图像所对应的标签；

30、图像增强模块，用于对所述溢油区域数据集ioil中的图像和所述标签合集ilabel进行旋转和翻转的图像增强处理，得到目标溢油区域数据集ioil_en和目标标签合集ilabel_en，并根据所述目标溢油区域数据集ioil_en对所述目标标签合集ilabel_en进行一致化处理后，随机分为目标训练样本数据集和目标测试数据集

31、卷积处理模块，用于将所述目标训练样本数据集输入至卷积神经网络进行第一卷积处理和第二卷积处理，得到第一卷积特征图和第二卷积特征图，并将所述第一卷积特征图和第二卷积特征图融合和拼接，得到第一中间特征图；

32、溢油区域确定模块，用于将所述第一卷积特征图和第一中间特征图进行第一卷积处理后，再通过上采样处理进行细化特征处理，最终分割出所述水域高光谱图像中的溢油区域。

33、根据本技术实施例的第三方面，提供一种非易失性存储设备包括：处理器，以及与所述处理器通信连接的存储器；

34、所述存储器存储计算机执行指令；

35、所述处理器执行所述存储器存储的计算机执行指令，以实现第一方面提供的方法。

36、有益效果：

37、本技术所涉及的一种基于高光谱图像的溢油区域确定方法，对某些溢油区域明显的波段图像进行裁剪，标注溢油与非溢油区域形成原始训练、测试数据集，保证了前期算法所需的数据的准确性，进而保证算法的科学性，利用卷积神经网络的计算能力，采集数据集中不同程度的图像特征，最后将不同的特征层进行融合，作为最终分割溢油区域的判断依据，进一步检验算法的准确性以及数据集制作的标准性，从而提高识别精度。

38、应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本技术。