本發(fā)明屬于海洋環(huán)境監(jiān)測領(lǐng)域，具體的說是基于aba技術(shù)的三維滸苔實(shí)時(shí)監(jiān)測與識(shí)別方法。

背景技術(shù)：

1、在傳統(tǒng)的滸苔監(jiān)測方法中，主要依賴于人工巡視和衛(wèi)星遙感手段，人工巡視雖然直觀，但存在監(jiān)測范圍有限、效率低、成本高的問題；而衛(wèi)星遙感雖然可以覆蓋大范圍的海域，但受限于分辨率和天氣條件，難以實(shí)現(xiàn)對(duì)滸苔的精確識(shí)別和動(dòng)態(tài)監(jiān)測。

2、如授權(quán)公告號(hào)為cn112215857b的專利公開了一種基于滸苔生長周期的滸苔識(shí)別方法，包括：獲取遙感影像數(shù)據(jù)，對(duì)低空間分辨率多波段數(shù)據(jù)進(jìn)行云識(shí)別處理，獲得云掩膜shp數(shù)據(jù)，利用云掩膜shp數(shù)據(jù)對(duì)高空間分辨率陸地掩膜影像進(jìn)行云掩膜；根據(jù)ndvi數(shù)據(jù)獲得待識(shí)別滸苔區(qū)域的ndvi影像；將識(shí)別滸苔區(qū)域劃分若干個(gè)分區(qū)，獲取區(qū)域多波段數(shù)據(jù)和區(qū)域ndvi影像；根據(jù)區(qū)域多波段數(shù)據(jù)和區(qū)域ndvi影像進(jìn)行待識(shí)別滸苔區(qū)域識(shí)別；根據(jù)區(qū)域滸苔像元分解結(jié)果提取待識(shí)別滸苔區(qū)域的區(qū)域滸苔shp數(shù)據(jù)。該技術(shù)方案綜合區(qū)域多波段數(shù)據(jù)和區(qū)域ndvi影像并結(jié)合滸苔生長周期獲取區(qū)域滸苔像元分解結(jié)果，利用滸苔的不同生長周期的特征對(duì)滸苔進(jìn)行準(zhǔn)確識(shí)別，能突破影像分辨率獲取更為準(zhǔn)確的滸苔覆蓋面積。

3、如公開號(hào)為cn116523897a的專利公開了一種基于互導(dǎo)學(xué)習(xí)的半監(jiān)督滸苔檢測方法及系統(tǒng)，包括：數(shù)據(jù)預(yù)處理與標(biāo)注；構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)模型；進(jìn)行網(wǎng)絡(luò)模型的互導(dǎo)學(xué)習(xí)；使用訓(xùn)練完畢的兩個(gè)網(wǎng)絡(luò)進(jìn)行滸苔檢測并將結(jié)果進(jìn)行加權(quán)融合。該技術(shù)方案針對(duì)監(jiān)督分類中遙感影像滸苔檢測標(biāo)注數(shù)據(jù)少的問題，通過設(shè)計(jì)高置信度偽標(biāo)簽策略結(jié)合數(shù)據(jù)增強(qiáng)來高效利用無標(biāo)注數(shù)據(jù)，擴(kuò)充樣本數(shù)據(jù)集，提高訓(xùn)練模型精度，實(shí)現(xiàn)高質(zhì)量的遙感影像滸苔檢測，為大規(guī)模滸苔爆發(fā)時(shí)的災(zāi)情監(jiān)測提供技術(shù)支撐。

4、以上現(xiàn)有技術(shù)均存在以下問題：由于遙感數(shù)據(jù)的固有局限性和處理過程中的誤差累積，使得最終結(jié)果的精度仍受到限制，導(dǎo)致監(jiān)測精度和效率低；對(duì)于不同海域、不同季節(jié)或不同環(huán)境條件下的滸苔變化缺乏適應(yīng)性和動(dòng)態(tài)監(jiān)測能力；缺乏三維空間信息。

技術(shù)實(shí)現(xiàn)思路

1、針對(duì)現(xiàn)有技術(shù)的不足，本發(fā)明提出了基于aba技術(shù)的三維滸苔實(shí)時(shí)監(jiān)測與識(shí)別方法，獲取海洋環(huán)境數(shù)據(jù)、滸苔區(qū)域的圖像及視頻數(shù)據(jù)，并進(jìn)行預(yù)處理生成圖像集；利用預(yù)訓(xùn)練的深度學(xué)習(xí)模型提取特征點(diǎn)，通過特征匹配算法獲得匹配點(diǎn)對(duì)集；基于匹配點(diǎn)對(duì)集，利用相機(jī)姿態(tài)估計(jì)和三維點(diǎn)重建算法生成初步三維點(diǎn)云模型，并通過aba優(yōu)化算法優(yōu)化得到最優(yōu)三維點(diǎn)云模型；基于最優(yōu)三維點(diǎn)云模型計(jì)算植被指數(shù)ndvi、nr-b和ndwi值，提取并分類滸苔區(qū)域；提高了滸苔監(jiān)測的準(zhǔn)確性、效率和實(shí)時(shí)性。

2、為實(shí)現(xiàn)上述目的，本發(fā)明提供如下技術(shù)方案：

3、基于aba技術(shù)的三維滸苔實(shí)時(shí)監(jiān)測與識(shí)別方法，包括：

4、步驟s1：獲取海洋環(huán)境數(shù)據(jù)、滸苔區(qū)域的圖像及視頻數(shù)據(jù)，并進(jìn)行預(yù)處理，生成滸苔區(qū)域圖像集；

5、步驟s2：對(duì)于不同的滸苔區(qū)域圖像，利用預(yù)訓(xùn)練的深度學(xué)習(xí)模型自動(dòng)提取每個(gè)滸苔區(qū)域圖像的特征點(diǎn)，并使用特征匹配算法對(duì)特征點(diǎn)進(jìn)行特征匹配，獲得匹配點(diǎn)對(duì)集；

6、步驟s3：基于匹配點(diǎn)對(duì)集，利用初始的相機(jī)姿態(tài)估計(jì)方法和三維點(diǎn)重建算法，生成初步的三維點(diǎn)云模型，并使用aba優(yōu)化算法對(duì)初步的三維點(diǎn)云模型進(jìn)行優(yōu)化，獲得最優(yōu)三維點(diǎn)云模型；

7、步驟s4：從最優(yōu)三維點(diǎn)云模型中的滸苔數(shù)據(jù)，計(jì)算每個(gè)像素的植被指數(shù)ndvi、nr-b和ndwi值，根據(jù)ndvi、nr-b和ndwi值提取滸苔區(qū)域，并對(duì)提取的滸苔區(qū)域的滸苔進(jìn)行分類；

8、所述步驟s3的具體步驟包括：

9、s3.1：獲取匹配點(diǎn)對(duì)集，從中選取至少8對(duì)點(diǎn)，根據(jù)八點(diǎn)法原理，構(gòu)建線性方程組，通過求解線性方程組，得到基礎(chǔ)矩陣的初始解，其中，a表示匹配點(diǎn)對(duì)構(gòu)造的矩陣，f表示基礎(chǔ)矩陣的向量；

10、s3.2：根據(jù)基礎(chǔ)矩陣的初始解，生成初始基礎(chǔ)矩陣，使用svd算法對(duì)初始基礎(chǔ)矩陣進(jìn)行強(qiáng)制秩為2的約束處理，獲得滸苔區(qū)域圖像和之間的基礎(chǔ)矩陣；

11、s3.3：根據(jù)基礎(chǔ)矩陣和已知的相機(jī)內(nèi)參，利用三角測量方法從g個(gè)滸苔區(qū)域圖像的匹配點(diǎn)對(duì)中恢復(fù)出三維點(diǎn)的坐標(biāo)，并將通過三角測量得到的三維點(diǎn)的坐標(biāo)組合成初步的三維點(diǎn)云模型，其中，。

12、所述步驟s3的具體步驟還包括：

13、s3.4：基于初步的三維點(diǎn)云模型和滸苔區(qū)域圖像特征點(diǎn)，構(gòu)建一個(gè)優(yōu)化問題，并使用aba優(yōu)化算法求解優(yōu)化問題，公式為：

14、；

15、其中，e表示重投影誤差，表示魯棒損失函數(shù)，表示觀測到的滸苔區(qū)域圖像點(diǎn)，u表示觀測到的滸苔區(qū)域圖像的橫坐標(biāo)索引，v表示觀測到的滸苔區(qū)域圖像的縱坐標(biāo)索引，t表示時(shí)間索引，表示預(yù)測模型的投影函數(shù)，表示相機(jī)內(nèi)參矩陣，表示相機(jī)姿態(tài)，表示三維點(diǎn)坐標(biāo)，表示相機(jī)畸變參數(shù)，表示時(shí)間偏移量，、表示正則化參數(shù)，表示相機(jī)內(nèi)參變化，表示三維點(diǎn)位置變化，表示*的范數(shù)；

16、s3.5：通過比較優(yōu)化前后的重投影誤差和評(píng)估優(yōu)化效果，根據(jù)評(píng)估結(jié)果，獲得最優(yōu)三維點(diǎn)云模型。

17、所述s3.3的具體步驟包括：

18、s3.31：獲取步驟s3.2中的基礎(chǔ)矩陣，對(duì)于每個(gè)，通過計(jì)算，將滸苔區(qū)域圖像的二維圖像坐標(biāo)轉(zhuǎn)換為三維空間中的射線，其中，表示匹配點(diǎn)對(duì)在滸苔區(qū)域歸一化圖像上的橫坐標(biāo)索引位置，表示匹配點(diǎn)對(duì)在滸苔區(qū)域歸一化圖像上的橫坐標(biāo)索引位置，表示基礎(chǔ)矩陣，表示非零常數(shù)；

19、s3.32：使用最小二乘法求解射線的交點(diǎn)，獲得三維點(diǎn)的坐標(biāo)，并將獲得的三維點(diǎn)存儲(chǔ)在一個(gè)數(shù)據(jù)結(jié)構(gòu)中。

20、具體地，所述步驟s2的具體步驟包括：

21、s2.1：獲取滸苔區(qū)域圖像集，并加載預(yù)訓(xùn)練好的深度學(xué)習(xí)模型，其中，表示滸苔區(qū)域圖像集中第n個(gè)滸苔區(qū)域圖像，n表示滸苔區(qū)域圖像的數(shù)量；

22、s2.2：利用預(yù)訓(xùn)練好的深度學(xué)習(xí)模型對(duì)每張滸苔區(qū)域圖像進(jìn)行特征點(diǎn)提取，并使用特征匹配算法對(duì)不同滸苔區(qū)域圖像中提取的特征點(diǎn)進(jìn)行匹配，特征匹配算法的公式為：

23、；

24、其中，表示第n個(gè)滸苔區(qū)域圖像和第m個(gè)滸苔區(qū)域圖像基于相似度的匹配結(jié)果，表示第n個(gè)滸苔區(qū)域圖像中的特征點(diǎn)集合，表示第m個(gè)滸苔區(qū)域圖像中的特征點(diǎn)集合，表示第n個(gè)滸苔區(qū)域圖像和第m個(gè)滸苔區(qū)域圖像的相似度，表示中第i個(gè)特征點(diǎn)，表示中與匹配的特征點(diǎn)，表示的特征描述符，表示的特征描述符，表示和的相似度函數(shù)，表示在和中滿足的特征點(diǎn)對(duì)，表示條件概率。

25、具體地，所述步驟s2的具體步驟還包括：

26、s2.3：根據(jù)獲取的滸苔區(qū)域圖像集的特性，設(shè)置動(dòng)態(tài)匹配度閾值，

27、若，則將對(duì)應(yīng)的特征點(diǎn)舍棄；

28、若，則將對(duì)應(yīng)的特征點(diǎn)作為初步匹配點(diǎn)對(duì)集，其中，表示第b個(gè)初步匹配點(diǎn)對(duì)，b表示初步匹配點(diǎn)對(duì)的數(shù)量；

29、s2.4：對(duì)初步匹配點(diǎn)對(duì)集應(yīng)用隨機(jī)抽樣一致性策略進(jìn)行優(yōu)化，公式為：

30、；

31、其中，表示第k個(gè)初步匹配點(diǎn)對(duì)最近鄰距離與次近鄰距離的比值，表示初步匹配點(diǎn)對(duì)到其最近鄰特征點(diǎn)的距離，表示初步匹配點(diǎn)對(duì)到其次近鄰特征點(diǎn)的距離，表示第k個(gè)初步匹配點(diǎn)對(duì)的權(quán)重，表示第k個(gè)初步匹配點(diǎn)對(duì)的偏移量；

32、s2.5：設(shè)定比例閾值，

33、若，則將該初步匹配點(diǎn)對(duì)舍棄；

34、若，則將該初步匹配點(diǎn)對(duì)進(jìn)行保留，并生成匹配點(diǎn)對(duì)集，其中，表示第c個(gè)匹配點(diǎn)對(duì)，c表示匹配點(diǎn)對(duì)的數(shù)量。

35、具體地，所述s4的具體步驟包括：

36、s4.1：從最優(yōu)三維點(diǎn)云模型中提取滸苔數(shù)據(jù)；

37、s4.2：讀取最優(yōu)三維點(diǎn)云模型中每個(gè)滸苔數(shù)據(jù)中像素的近紅外波段和紅光波段的反射率值和，基于和，得到每個(gè)像素的ndvi值；

38、s4.3：讀取最優(yōu)三維點(diǎn)云模型中每個(gè)像素的紅邊波段的反射率值，基于和，得到每個(gè)像素的nr-b值；

39、s4.4：讀取最優(yōu)三維點(diǎn)云模型中每個(gè)像素的綠光波段的反射率值和短波紅外波段的反射率值，基于和，得到每個(gè)像素的ndwi值。

40、具體地，所述s4的具體步驟還包括：

41、s4.5：設(shè)置ndvi值為；

42、若，則為初步滸苔區(qū)域；

43、若，則為水體和非植被區(qū)域；

44、s4.6：獲取最優(yōu)三維點(diǎn)云模型中滸苔數(shù)據(jù)的r、g、b值，基于初步滸苔區(qū)域，獲?。?/p>

45、若，則初步滸苔區(qū)域中對(duì)應(yīng)的像素為藍(lán)、紅的等人造地物；

46、若，則初步滸苔區(qū)域中對(duì)應(yīng)的像素為滸苔，獲得次階段滸苔區(qū)域，其中，表示最優(yōu)三維點(diǎn)云模型中滸苔數(shù)據(jù)的b通道像素值；

47、s4.7：設(shè)置ndwi值的閾值為，基于次階段滸苔區(qū)域；

48、若，則次階段滸苔區(qū)域中對(duì)應(yīng)的像素為水體；

49、若，則次階段滸苔區(qū)域中對(duì)應(yīng)的像素為滸苔，獲得最終滸苔區(qū)域；

50、s4.8：基于最終滸苔區(qū)域；

51、若，則最終滸苔區(qū)域中對(duì)應(yīng)的像素為馬尾藻；

52、若，則最終滸苔區(qū)域中對(duì)應(yīng)的像素為綠藻，其中，表示最終滸苔區(qū)域中對(duì)應(yīng)的像素的g通道像素值；

53、若或，則最終滸苔區(qū)域中對(duì)應(yīng)的像素為紫菜。

54、具體地，所述s3.4中優(yōu)化問題的目標(biāo)是最小化重投影誤差，是指三維點(diǎn)到其對(duì)應(yīng)圖像點(diǎn)的投影與實(shí)際觀測到的圖像點(diǎn)之間的差異。

55、一種電子設(shè)備，包括存儲(chǔ)器和處理器，所述存儲(chǔ)器存儲(chǔ)有計(jì)算機(jī)程序，所述處理器執(zhí)行所述計(jì)算機(jī)程序時(shí)實(shí)現(xiàn)基于aba技術(shù)的三維滸苔實(shí)時(shí)監(jiān)測與識(shí)別方法的步驟。

56、與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果是：

57、1.本發(fā)明提出基于aba技術(shù)的三維滸苔實(shí)時(shí)監(jiān)測與識(shí)別方法，通過自動(dòng)化特征提取、特征匹配、三維重建及圖像識(shí)別方法，不僅構(gòu)建了精細(xì)的三維滸苔模型，還利用時(shí)間序列分析預(yù)測滸苔生長趨勢，一旦監(jiān)測到滸苔數(shù)量超過預(yù)設(shè)閾值，系統(tǒng)能夠迅速發(fā)出預(yù)警信息，提供了反應(yīng)時(shí)間，以及時(shí)采取措施控制滸苔擴(kuò)散。

58、2.本發(fā)明提出基于aba技術(shù)的三維滸苔實(shí)時(shí)監(jiān)測與識(shí)別方法，通過實(shí)時(shí)采集新的滸苔區(qū)域圖像，并重復(fù)進(jìn)行三維重建和滸苔識(shí)別，該方法能夠持續(xù)更新滸苔的分布情況和監(jiān)測報(bào)告，確保了監(jiān)測數(shù)據(jù)的實(shí)時(shí)性和準(zhǔn)確性，提升了監(jiān)測精度和效率。