CN118097562B - 一种海藻增殖情况远程监测方法 - Google Patents

Abstract

本发明提供了一种海藻增殖情况远程监测方法，所述方法包括：持续采集海洋表面的遥感图像并将处于同一时间段内的采集的遥感图像进行拼接，生成目标区域在不同时间段内的海洋环境表面图；基于预设特征提取算法获取所述海洋环境表面图的海藻特征；其中，所述海藻特征包括形状特征、纹理特征和颜色特征；分别对不同时间段内的海藻特征进行融合，得到融合特征向量并基于所述融合特征向量对所述目标区域的海藻进行识别；根据不同时间段的海藻识别结果生成目标区域的海藻增殖分布图。本发明可以提高海藻增殖情况检测的便利性、及时性和准确性。

Description

一种海藻增殖情况远程监测方法

技术领域

本发明涉及图像处理技术领域，特别是涉及一种海藻增殖情况远程监测方法。

背景技术

随着全球气候变化和农业肥料、城市污水排放以及过度捕捞等人类活动的影响，海洋环境因营养盐过剩和底栖动物减少导致海藻过度增殖。过度增殖的海藻可能导致水质恶化，削弱其他海洋生物的生存条件，打破海洋生态系统的平衡。且海藻增殖会占用海洋生态空间，影响渔业资源的生长和繁殖，还会形成海洋漂浮物，堵塞航道，对航运造成危害。为了对海洋环境进行保护，现有技术中一般通过航空遥感和水下观测两种方式对海藻增殖情况进行监测。

航空遥感法利用航空器获取海洋表面的影像数据，通过人工分析判断海藻增殖情况。但这种方法不仅受制于航空器飞行高度和频率的限制，还受人工判断的主观性和局限性影响，监测效率低下；水下观测法通过水下摄像头或潜水员进行海藻增殖情况的直接观测，但这种方法需要投入大量人力物力，成本高昂，且覆盖范围有限。现有的海藻增殖情况依赖于人工观察或定期航测，监测结果不能及时反映海藻增殖的变化，无法提供及时的预警和管理决策支持。

发明内容

本发明旨在提供一种海藻增殖情况远程监测方法，以解决上述技术问题，提高海藻增殖情况检测的便利性、及时性和准确性。

为了解决上述技术问题，本发明提供了一种海藻增殖情况远程监测方法，包括：

持续采集海洋表面的遥感图像并将处于同一时间段内的采集的遥感图像进行拼接，生成目标区域在不同时间段内的海洋环境表面图；

基于预设特征提取算法获取所述海洋环境表面图的海藻特征；其中，所述海藻特征包括形状特征、纹理特征和颜色特征；

分别对不同时间段内的海藻特征进行融合，得到融合特征向量并基于所述融合特征向量对所述目标区域的海藻进行识别；

根据不同时间段的海藻识别结果生成目标区域的海藻增殖分布图。

上述方案中，持续采集海洋表面的遥感图像，并进行拼接得到目标区域的海洋环境表面图，可以实现对海洋环境的实时监测。通过对这些图像进行特征提取和特征融合，结合海藻识别技术，可以及时准确地识别海藻的分布情况，实现对海藻增殖情况的实时监测和预警。生成目标区域在不同时间段的海藻增殖分布图，可以实现对不同区域的海藻增殖情况进行精细化、区域化管理。根据不同区域的海藻增殖情况，有针对性地采取管理措施，提高管理的有效性和精准性，避免了传统的人工巡查和监测带来的时间和人力成本。同时，可以根据海藻增殖情况的变化，合理调配资源，提高资源利用效率。且通过持续采集和处理海洋遥感图像，可以积累大量的海藻增殖数据。利用这些数据，可以进行深度学习和数据挖掘分析，发现海藻增殖的规律和趋势，为制定更加科学合理的管理策略提供依据。

在一种实现方式中，在将处于同一时间段内的采集的遥感图像进行拼接前还包括对采集的遥感图像进行图像预处理，具体为：

将所述遥感图像转换为第一灰度图像；

基于阈值分割算法对所述第一灰度图像进行云层检测，识别所述第一灰度图像中的云层区域；

基于图像插值法对所述第一灰度图像进行云层修复，得到第二灰度图像；

基于预设大气扰动校正模型对所述第二灰度图像进行大气扰动校正，得到大气扰动校正图像并进行图像增强，得到第三灰度图像。

在一种实现方式中，所述将处于同一时间段内的采集的遥感图像进行拼接，生成目标区域在不同时间段内的海洋环境表面图，具体包括：

根据预设特征点检测算法提取各个所述遥感图像中的特征点并计算各个特征点的描述子；

基于欧氏距离算法对所述描述子进行匹配，生成若干特征点匹配对；

根据RANSAC算法计算特征点匹配对对应的遥感图像之间的几何变换关系；

根据所述几何变换关系对所述遥感图像进行图像配准，得到配准后的遥感图像；

对配准后的遥感图像进行拼接，得到目标区域的海洋环境表面图。

在一种实现方式中，所述基于预设特征提取算法获取所述海洋环境表面图的海藻特征，具体包括：

基于边缘检测法检测所述遥感图像中的像素灰度梯度变化，得到二值化图像；其中，所述二值化图像为海藻形状特征；

基于预设参数构建每个所述海洋环境表面图的灰度共生矩阵；其中，所述灰度共生矩阵中的每个元素用于表征灰度值的共生频率；

对所述灰度共生矩阵中的元素进行统计分析，生成所述纹理特征；其中，所述统计分析包括计算所述灰度共生矩阵的对比度、相关性、能量和熵，所述纹理特征包括灰度变化程度、灰度相关性、灰度均匀程序和图像复杂性；

根据颜色矩对所述海洋环境表面图进行颜色分布特征统计，生成所述颜色特征；其中，所述颜色矩包括一阶矩、二阶矩和三阶矩；所述颜色特征包括整体颜色、颜色变化程度和颜色分布偏向性。

在一种实现方式中，所述分别对不同时间段内的海藻特征进行融合，得到融合特征向量，具体包括：

将所述二值化图像按照预设方向进行展平，得到一维向量组；其中，所述预设方向为行方向和列方向中的任意一个方向；

提取所述纹理特征和纹理特征，将所述纹理特征和所述颜色特征与所述一维向量组进行拼接，得到所述融合特征向量。

在一种实现方式中，所述基于所述融合特征向量对所述目标区域的海藻进行识别，具体包括：

将所述融合特征向量输入至预先训练好的向量机中，以使所述向量机对所述融合特征向量进行识别，输出海藻生长识别结果；其中，所述向量机是根据多个包含海藻的海洋环境表面图以及各海洋环境表面对应的关键点标注结果得到的，所述关键点包括海藻种类和海藻生长分布。

在一种实现方式中，所述向量机是根据多个包含海藻的海洋环境表面图以及各海洋环境表面对应的关键点标识结果得到的，所述关键点包括海藻种类和海藻生长分布，具体包括：

预先采集若干包含不同海藻种类的海洋环境表面图并提取所述海洋环境表面图的融合特征向量；

对所述海洋环境表面图中的海藻区域进行关键点标注；其中，标注类型包括海藻种类和海藻生长分布；

基于所述海洋环境表面图、所述融合特征向量和经过关键点标注的海洋环境表面图构建数据集，并根据预设比例将所述数据集划分为训练集和验证集；其中，所述数据集以一个海洋环境表面图及其对应的融合特征向量、经过关键点标注的海洋环境表面图为一个数据元素；

基于所述训练集对初始向量机进行训练；其中，以所述训练集中的融合特征向量对所述初始向量机进行训练；

基于所述验证集对所述初始向量机的性能进行验证，直至所述初始向量机的性能达到预设值，得到所述向量机。

在一种实现方式中，所述根据不同时间段的海藻识别结果生成目标区域的海藻增殖分布图，具体包括：

分别获取每个时间段的海藻识别结果并基于所述海藻识别结果生成目标区域的海藻生长分布图；其中，所述海藻生长分布图包括海藻种类和海藻分布范围；

获取当前时间段的海藻生长分布图与前一个时间段的海藻生长分布图，基于两个海藻生长分布图的分布差异，生成当前时间段的海藻增殖分布图；其中，所述海藻增殖分布图包括海藻种类和海藻分布范围。

在一种实现方式中，所述基于所述海藻识别结果生成目标区域的海藻生长分布图，具体包括：

基于可视化库将所述海藻识别结果转换为海藻生长分布图；其中，其中海藻生长分布图以热力图表征海藻的分布密度，以不同颜色标识海藻种类。

在一种实现方式中，在根据不同时间段的海藻识别结果生成目标区域的海藻增殖分布图后，还包括根据所述海藻增殖分布图实施预设修复策略，具体为：

当所述海藻增殖分布图中存在预设种类的海藻存在过度增殖时，开启生态预警信号并对所述目标区域采取生态修复措施；

当所述海藻增殖分布图中的海藻分布范围超过预设分布范围时，开启生态预警信号并对所述目标区域采取生态修复措施。

附图说明

图1为本发明一实施例中提供的一种海藻增殖情况远程监测方法的流程示意图。

具体实施方式

下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。

本申请的说明书和权利要求书及附图中的术语“第一”和“第二”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。

在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。

首先，对本申请中的部分用语进行解释说明，以便于本领域技术人员理解。

（1）遥感图像是：是利用遥感技术获取的地球表面信息的图像。这些图像可以通过航空、卫星等平台获取，具有广阔的应用范围，包括环境监测、资源调查、灾害评估等领域。在海藻增殖情况的监测中，遥感图像可以提供海洋表面的空间分布信息，帮助识别海藻的分布情况和变化趋势。

（2）RANSAC算法：RANSAC（Random Sample Consensus）算法是一种用于拟合模型并从包含噪声的数据中识别出liers（离群值）的迭代方法。它最初由Fischler和Bolles在1981年提出，用于计算机视觉和图像处理领域。RANSAC算法的基本思想是通过随机采样生成模型参数的一组候选解，并根据这些候选解计算数据与模型之间的拟合度，从而识别出liers。

（3）灰度共生矩阵：（Gray-Level Co-occurrence Matrix，GLCM）是一种用于描述图像纹理特征的统计方法。它通过分析图像中像素灰度级之间的空间关系，提取出图像的纹理信息，常被用于图像分析、模式识别和计算机视觉领域。GLCM的计算基于给定的图像和一个特定的灰度偏移量（通常为水平、垂直、45度和135度四个方向）。GLCM中的每个元素代表了在给定灰度偏移下，两个像素灰度值同时出现的频率。

实施例1

参见图1，图1为本发明一实施例中提供的一种海藻增殖情况远程监测方法的流程示意图。本发明实施例提供一种海藻增殖情况远程监测方法，包括步骤101至步骤104，各项步骤具体如下：

步骤101：持续采集海洋表面的遥感图像并将处于同一时间段内的采集的遥感图像进行拼接，生成目标区域在不同时间段内的海洋环境表面图。

本发明实施例中，通过卫星遥感、无人机航拍以及船载遥感设备获取海洋表面的高分辨率图像数据。卫星可以覆盖广阔的海域，实现对海藻分布和增殖情况的全面监测；无人机可以针对特定区域进行定点监测，具有较高的灵活性和分辨率；在船只上安装遥感设备，如高清相机或激光雷达等，可以实时获取海洋表面图像，但这种方式适用于近海或特定海域的监测任务。通过图像采集方式获取目标区域的海洋环境表面图对海洋区域的海藻增殖情况进行监测。进一步的，对于一些重点区域，还可以在海底设置观测站，配备水下摄像头或水下观测设备，可以获取海洋表面及海底的图像数据，实现对海藻的立体监测和分析。

一实施例中，在将处于同一时间段内的采集的遥感图像进行拼接前还包括对采集的遥感图像进行图像预处理，具体为：将所述遥感图像转换为第一灰度图像；基于阈值分割算法对所述第一灰度图像进行云层检测，识别所述第一灰度图像中的云层区域；基于图像插值法对所述第一灰度图像进行云层修复，得到第二灰度图像；基于预设大气扰动校正模型对所述第二灰度图像进行大气扰动校正，得到大气扰动校正图像并进行图像增强，得到第三灰度图像。

由于卫星遥感通常覆盖广阔的地区，云层可能会遮挡地表景物，影响后续的地物识别和监测，因此在处理卫星遥感图像时，通常需要进行云层去除；无人机航拍任务受天气条件限制，拍摄的图像中可能存在云层。如果云层遮挡了地面景物，会降低图像的质量和可用性，因此需要进行云层去除处理；船载遥感设备可能拍摄到受云层影响的海洋表面图像。这些图像需要经过云层去除处理，以提高海洋观测的准确性。基于此，本发明实施例中，在对遥感图像进行拼接时，还需要对遥感图图像进行图像预处理，以去除云层和大气扰动的干扰。

将遥感图像转换为灰度图像，即将每个像素的RGB（红、绿、蓝）三个通道的数值按照一定权重进行组合，得到一个单通道的灰度图像。常见的灰度化方法包括将RGB三个通道的值取平均值或使用加权平均值，通常公式为：灰度值，其中，R、G、B为彩色图像中每个像素的红、绿、蓝通道的值。而后，通过阈值分割法对灰度图像进行云层检测，以识别其中的云层区域。具体的，根据得到的第一灰度图像设置一个阈值，基于阈值将弧度图像中的像素分为云层像素和非云层像素。通常情况下，云层的灰度值较高，而可根据具体的图像情况设定合适的阈值以分割出云层区域。优选的，在对第一灰度图像进行阈值分割前，还可以对其进行高斯模糊处理和边缘检测等操作，以减少噪声并突出云层的特征。进一步的，通过图像插值方法对检测到的云层区域进行修复，以恢复被云层遮挡的海洋表面环境。本发明实施例中，使用暗通道先验模型对第二灰度图像进行大气校正。任何室外场景中，至少有一些区域的像素值在至少一个颜色通道上非常接近于0（即，暗通道）。本发明实施例中，使用暗通道先验模型对第二灰度图像进行大气校正。利用暗通道先验来估计图像中的大气光。首先，计算图像的暗通道图像。然后，根据暗通道先验估计大气光值，最后用该大气光值减去每个像素的灰度值进行校正，得到大气扰动校正图像并通过直方图均衡化增强图像的对比度，使得图像中的细节更加清晰，得到第三灰度图像。

一实施例中，所述将处于同一时间段内的采集的遥感图像进行拼接，生成目标区域在不同时间段内的海洋环境表面图，具体包括：根据预设特征点检测算法提取各个所述遥感图像中的特征点并计算各个特征点的描述子；基于欧氏距离算法对所述描述子进行匹配，生成若干特征点匹配对；根据RANSAC算法计算特征点匹配对对应的遥感图像之间的几何变换关系；根据所述几何变换关系对所述遥感图像进行图像配准，得到配准后的遥感图像；对配准后的遥感图像进行拼接，得到目标区域的海洋环境表面图。

本发明实施例中，通过SIFT、SURF、ORB等特征提取算法提取各个遥感图像中的特征点并计算其描述子。对于每个特征点，在其他遥感图像中找到与其特征点的描述子欧式距离最近的特征点，作为其最佳匹配，生成特征点匹配对。优选的，对于生成的特征点匹配对可通过基于特征点间角度的筛选进行过滤，或设置预设距离阈值，只保留欧氏距离小于预设距离阈值的特征点匹配对，通过过滤剔除不合适的特征点匹配对。而后基于RANSAC算法计算出不同遥感图像之间的几何变换关系，如平移、旋转、缩放等。根据估计得到的几何变换关系，对图像进行配准，使它们对齐到同一坐标系中。在图像配准过程中一般涉及对图像进行变换或重采样等操作，具体配准过程根据计算得到的几何变换关系确定。而后对配准后的遥感图像进行拼接，即可得到关于目标区域的海洋环境表面图。在对图像进行拼接时可以采用基于图像重叠区域的方法（如基于重叠区域的均值融合）和基于全景拼接算法。作为本发明实施例的又一个优选方案，对于拼接得到的海洋环境表面图还可以进行边缘修复、颜色校正、无缝过渡处理等，以使拼接后的图像看起来更加自然和连续。

步骤102：基于预设特征提取算法获取所述海洋环境表面图的海藻特征；其中，所述海藻特征包括形状特征、纹理特征和颜色特征。

一实施例中，所述基于预设特征提取算法获取所述海洋环境表面图的海藻特征，具体包括：基于边缘检测法检测所述遥感图像中的像素灰度梯度变化，得到二值化图像；其中，所述二值化图像为海藻形状特征；基于预设参数构建每个所述海洋环境表面图的灰度共生矩阵；其中，所述灰度共生矩阵中的每个元素用于表征灰度值的共生频率；对所述灰度共生矩阵中的元素进行统计分析，生成所述纹理特征；对所述灰度共生矩阵中的元素进行统计分析，生成所述纹理特征；其中，所述统计分析包括计算所述灰度共生矩阵的对比度、相关性、能量和熵，所述纹理特征包括灰度变化程度、灰度相关性、灰度均匀程序和图像复杂性；根据颜色矩对所述海洋环境表面图进行颜色分布特征统计，生成所述颜色特征；其中，所述颜色矩包括一阶矩、二阶矩和三阶矩；所述颜色特征包括整体颜色、颜色变化程度和颜色分布偏向性。

边缘检测通常通过计算图像中像素灰度值的梯度来找到图像中的边缘。常用的算法包括Sobel、Canny等。本发明实施例中，使用Canny边缘检测算法进行像素灰度值梯度检测，获取海洋环境表面图中的强边缘，得到二值化图像。其中，二值化图像中的白色像素表示边缘，所述二值化图像即可表示海洋环境表面图中的海藻整体轮廓和形状。而后，定义灰度共生矩阵（GLCM）参数，包括灰度级别数、距离、方向等。根据预设的GLCM参数计算每个海洋环境表面图的灰度共生矩阵。其中，矩阵中内每个元素用于表征特征灰度级别的共生频率。共生频率是指在灰度共生矩阵（GLCM）中，记录了图像中两个像素具有特定灰度值的共生次数。简单来说，它表示了两个像素同时具有某种灰度值的频率或概率。共生频率可以反映出图像中不同灰度级别之间的空间关系，进而用于描述图像的纹理特性。对灰度共生图像中的元素进行统计分析，其中，统计分析包括计算矩阵的对比度、相关性、能量和熵。对比度反映了图像中灰度级别的变化程度，相关性反映了图像中灰度级别的相关性，能量反映了图像中灰度级别的均匀程度，熵反映了图像的复杂性，根据统计分析结果即可得到海藻的纹路信息。颜色矩是一种描述图像颜色分布特征的统计方法。颜色矩是一种描述图像颜色分布特征的统计方法，颜色矩包括一阶矩（平均值）、二阶矩（方差）和三阶矩（偏度）。平均值可以反映出海藻图像的整体颜色；方差可以反映出颜色的变化程度；偏度可以反映出颜色分布的偏向性等，通过颜色矩对海洋环境表面图进行颜色分布特征统计，可得到海藻的颜色分布情况，即时颜色特征。

步骤103：分别对不同时间段内的海藻特征进行融合，得到融合特征向量并基于所述融合特征向量对所述目标区域的海藻进行识别。

一实施例中，所述分别对不同时间段内的海藻特征进行融合，得到融合特征向量，具体包括：将所述二值化图像按照预设方向进行展平，得到一维向量组；其中，所述预设方向为行方向和列方向中的任意一个方向；提取所述纹理特征和纹理特征，将所述纹理特征和所述颜色特征与所述一维向量组进行拼接，得到所述融合特征向量。

本发明实施例中，将二值化图像按照行或列的方向进行展平操作，得到一维向量组。如果原始图像的尺寸是(m \times n)，那么展开后的向量长度就是 (m \times n)。使用灰度共生矩阵提取纹路特征时，可以通过计算对比度、相关性、能量和熵提取感兴趣的纹路特征向量。使用颜色矩提取颜色特征时，可以通过计算颜色矩中的各种统计值，如平均值、方差、偏度等提取感兴趣的颜色特征向量。将展开的二值图像的一维向量与提取的纹路特征向量和颜色特征向量按照循序进行连接，得到一个融合特征向量。连接后的融合特征向量中，每一部分都保留了对应特征的原始信息，这样做可以将不同类型的特征结合起来，形成更全面的特征描述，以便后续的分析和应用。

一实施例中，所述基于所述融合特征向量对所述目标区域的海藻进行识别，具体包括：将所述融合特征向量输入至预先训练好的向量机中，以使所述向量机对所述融合特征向量进行识别，输出海藻生长识别结果；其中，所述向量机是根据多个包含海藻的海洋环境表面图以及各海洋环境表面对应的关键点标注结果得到的，所述关键点包括海藻种类和海藻生长分布。

本发明实施例中，将生成的融合特征向量输入预先训练好的向量机（SVM）模型对融合特征向量进行评估，输出对应的海洋环境表面图内的海藻种类和分布情况。

一实施例中，所述向量机是根据多个包含海藻的海洋环境表面图以及各海洋环境表面对应的关键点标识结果得到的，所述关键点包括海藻种类和海藻生长分布，具体包括：预先采集若干包含不同海藻种类的海洋环境表面图并提取所述海洋环境表面图的融合特征向量；对所述海洋环境表面图中的海藻区域进行关键点标注；其中，标注类型包括海藻种类和海藻生长分布；基于所述海洋环境表面图、所述融合特征向量和经过关键点标注的海洋环境表面图构建数据集，并根据预设比例将所述数据集划分为训练集和验证集；其中，所述数据集以一个海洋环境表面图及其对应的融合特征向量、经过关键点标注的海洋环境表面图为一个数据元素；基于所述训练集对初始向量机进行训练；其中，以所述训练集中的融合特征向量对所述初始向量机进行训练；基于所述验证集对所述初始向量机的性能进行验证，直至所述初始向量机的性能达到预设值，得到所述向量机。

本发明实施例中，预先采集若干包含不同海藻种类的海洋环境表面图并提取其融合特征向量。海洋环境表面图和融合特征向量的采集和提取方法前文已进行具体阐述，在此不做赘述。而后根据已有的知识或人工标注，将图像中的海藻区域进行标注，包括海藻种类和生长分布情况。将数据集划分为训练集和测试集，其中，训练集是用来训练分类器的主要数据集。模型通过与训练集中的样本学习特征和标签之间的关系，从而调整模型参数以使其能够对未知数据进行准确的分类；验证集用于在训练过程中对模型进行调优和评估。通过在验证集上验证模型的性能，可以及时发现模型的过拟合或欠拟合情况，并据此调整模型的超参数，以提高模型的泛化能力。而后使用留出法对初始向量机模型进行训练，将数据集划分为训练集和验证集两部分，比例根据具体情况而定，通常是70%-80%的数据作为训练集，剩余部分作为验证集。在训练过程中，模型会根据训练集的数据进行参数更新和优化，并根据验证集的表现来调整模型的超参数，以达到最佳的性能。测试集则用于评估最终模型在真实数据上的表现。

步骤104：根据不同时间段的海藻识别结果生成目标区域的海藻增殖分布图。

一实施例中，所述根据不同时间段的海藻识别结果生成目标区域的海藻增殖分布图，具体包括：分别获取每个时间段的海藻识别结果并基于所述海藻识别结果生成目标区域的海藻生长分布图；其中，所述海藻生长分布图包括海藻种类和海藻分布范围；获取当前时间段的海藻生长分布图与前一个时间段的海藻生长分布图，基于两个海藻生长分布图的分布差异，生成当前时间段的海藻增殖分布图；其中，所述海藻增殖分布情图包括海藻种类和海藻分布范围。

本发明实施例中，逐一获取每个时间段的海藻环境表面图的海藻识别结果，并根据海藻识别结果生成相应的海藻生长分布图以便于直观的获取目标区域内的海藻生长情况。而后对每相邻两个时间段内的海藻生长分布图的差异进行检测，生成目标区域在每个时间段内的海藻增殖分布情况，以便于用户及时掌握目标区域内的海藻增殖情况。

一实施例中，所述基于所述海藻识别结果生成目标区域的海藻生长分布图，具体包括：基于可视化库将所述海藻识别结果转换为海藻生长分布图；其中，其中海藻生长分布图以热力图表征海藻的分布密度，以不同颜色标识海藻种类。

本发明实施例中，利用图像处理和可视化库（如OpenCV、Matplotlib等），将向量机的海藻识别结果可视化为海藻生长分布图。采用不同的图表类型和颜色编码来表示不同类别海藻的分布情况。优选的，使用散点图或热力图来展示海藻的分布密度，同时使用不同颜色或标记来区分不同种类的海藻。作为本发明实施例的又一个优化方案，还可以在生成的海藻生长分布图上标注每个类别海藻的名称或标识符，以便用户理解和解释图像内容。进一步的，还可以使用交互式可视化工具（如Plotly、Bokeh等）创建交互式的海藻生长分布图，以便用户可以自由缩放、选择数据和查看详细信息。

一实施例中，在根据不同时间段的海藻识别结果生成目标区域的海藻增殖分布图后，还包括根据所述海藻增殖分布图实施预设修复策略，具体为：当所述海藻增殖分布图中存在预设种类的海藻存在过度增殖时，开启生态预警信号并对所述目标区域采取生态修复措施；当所述海藻增殖分布图中的海藻分布范围超过预设分布范围时，开启生态预警信号并对所述目标区域采取生态修复措施。

本发明实施例中，当海藻增殖分布图中存在过度增殖的特定海藻种类时，可以通过引入天敌或竞争物种来控制其增长，或者通过物理手段限制其生长范围，通过上述措施进行生态修复。当海藻增殖分布图中的海藻分布范围超过预设分布范围时，判定此时存在海藻过度增殖现象。对目标区域进行机械清除、生物控制、化学处理、物理隔离、生态平衡修复的措施进行生态修复。其中，机械清除指的是人工收割、网罩覆盖等，将过度增殖的海藻物理移除；生物控制是引入食草动物、海洋生物或其他能够食用海藻的物种，以降低海藻的数量；化学处理是例如利用生物杀灭剂或生物防治剂，对海藻进行化学处理，以减少其数量；物理隔离是通过建立物理隔离屏障或屏障网，将海藻限制在特定区域内，防止其扩散和进一步增殖；生态平衡修复是通过引入适当的植物或微生物，促进水体中的生态平衡，恢复和重建受到海藻过度增殖破坏的生态系统。

本发明实施例中，还提供了一种海藻增殖情况远程监测设备，包括处理器、存储器以及存储在存储器中且被配置为由处理器执行的计算机程序，处理器执行计算机程序时实现上述的海藻增殖情况远程监测方法。

本发明实施例中，还提供了一种计算机可读存储介质，计算机可读存储介质包括存储的计算机程序，其中，在计算机程序运行时控制计算机可读存储介质所在设备执行上述的海藻增殖情况远程监测方法。

示例性的，计算机程序可以被分割成一个或多个模块，一个或者多个模块被存储在存储器中，并由处理器执行，以完成本发明。一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序在海藻增殖情况远程监测设备中的执行过程。

所述海藻增殖情况远程监测设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。海藻增殖情况远程监测设备可包括，但不仅限于，处理器、存储器、显示器。本领域技术人员可以理解，上述部件仅仅是对海藻增殖情况远程监测设备的示例，并不构成对海藻增殖情况远程监测设备的限定，可以包括比部件更多或更少的部件，或者组合某些部件，或者不同的部件，例如海藻增殖情况远程监测设备还可以包括输入输出设备、网络接入设备、总线等。

所称处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，处理器是海藻增殖情况远程监测设备的控制中心，利用各种接口和线路连接整个海藻增殖情况远程监测设备的各个部分。

存储器可用于存储计算机程序和/或模块，处理器通过运行或执行存储在存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现对海藻增殖情况远程监测设备的各种功能。存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、文字转换功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、文字消息数据等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。

其中，基于海藻增殖情况远程监测的模块如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，计算机程序可存储于一个计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，计算机程序包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、电载波信号、电信信号以及软件分发介质等。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

本发明实施例提供一种海藻增殖情况远程监测方法，持续采集海洋表面的遥感图像，并进行拼接得到目标区域的海洋环境表面图，可以实现对海洋环境的实时监测。通过对这些图像进行特征提取和特征融合，结合海藻识别技术，可以及时准确地识别海藻的分布情况，实现对海藻增殖情况的实时监测和预警。生成目标区域在不同时间段的海藻增殖分布图，可以实现对不同区域的海藻增殖情况进行精细化、区域化管理。根据不同区域的海藻增殖情况，有针对性地采取管理措施，提高管理的有效性和精准性，避免了传统的人工巡查和监测带来的时间和人力成本。同时，可以根据海藻增殖情况的变化，合理调配资源，提高资源利用效率。且通过持续采集和处理海洋遥感图像，可以积累大量的海藻增殖数据。利用这些数据，可以进行深度学习和数据挖掘分析，发现海藻增殖的规律和趋势，为制定更加科学合理的管理策略提供依据。

以上仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和替换，这些改进和替换也应视为本发明的保护范围。

Claims (9)

1.一种海藻增殖情况远程监测方法，其特征在于，包括：

持续采集海洋表面的遥感图像并将处于同一时间段内的采集的遥感图像进行拼接，生成目标区域在不同时间段内的海洋环境表面图；

基于预设特征提取算法获取所述海洋环境表面图的海藻特征；其中，所述海藻特征包括形状特征、纹理特征和颜色特征；

分别对不同时间段内的海藻特征进行融合，得到融合特征向量并基于所述融合特征向量对所述目标区域的海藻进行识别；

根据不同时间段的海藻识别结果生成目标区域的海藻增殖分布图；

所述将处于同一时间段内的采集的遥感图像进行拼接，生成目标区域在不同时间段内的海洋环境表面图，具体包括：根据预设特征点检测算法提取各个所述遥感图像中的特征点并计算各个特征点的描述子；基于欧氏距离算法对所述描述子进行匹配，生成若干特征点匹配对；根据RANSAC算法计算特征点匹配对对应的遥感图像之间的几何变换关系；根据所述几何变换关系对所述遥感图像进行图像配准，得到配准后的遥感图像；对配准后的遥感图像进行拼接，得到目标区域的海洋环境表面图。

2.如权利要求1所述的一种海藻增殖情况远程监测方法，其特征在于，在将处于同一时间段内的采集的遥感图像进行拼接前还包括对采集的遥感图像进行图像预处理，具体为：

将所述遥感图像转换为第一灰度图像；

基于阈值分割算法对所述第一灰度图像进行云层检测，识别所述第一灰度图像中的云层区域；

基于图像插值法对所述第一灰度图像进行云层修复，得到第二灰度图像；

基于预设大气扰动校正模型对所述第二灰度图像进行大气扰动校正，得到大气扰动校正图像并进行图像增强，得到第三灰度图像。

3.如权利要求1所述的一种海藻增殖情况远程监测方法，其特征在于，所述基于预设特征提取算法获取所述海洋环境表面图的海藻特征，具体包括：

基于边缘检测法检测所述遥感图像中的像素灰度梯度变化，得到二值化图像；其中，所述二值化图像为海藻形状特征；

基于预设参数构建每个所述海洋环境表面图的灰度共生矩阵；其中，所述灰度共生矩阵中的每个元素用于表征灰度值的共生频率；

对所述灰度共生矩阵中的元素进行统计分析，生成所述纹理特征；其中，所述统计分析包括计算所述灰度共生矩阵的对比度、相关性、能量和熵，所述纹理特征包括灰度变化程度、灰度相关性、灰度均匀程序和图像复杂性；

根据颜色矩对所述海洋环境表面图进行颜色分布特征统计，生成所述颜色特征；其中，所述颜色矩包括一阶矩、二阶矩和三阶矩；所述颜色特征包括整体颜色、颜色变化程度和颜色分布偏向性。

4.如权利要求3所述的一种海藻增殖情况远程监测方法，其特征在于，所述分别对不同时间段内的海藻特征进行融合，得到融合特征向量，具体包括：

将所述二值化图像按照预设方向进行展平，得到一维向量组；其中，所述预设方向为行方向和列方向中的任意一个方向；

提取所述纹理特征和颜色特征，将所述纹理特征和所述颜色特征与所述一维向量组进行拼接，得到所述融合特征向量。

5.如权利要求1所述的一种海藻增殖情况远程监测方法，其特征在于，所述基于所述融合特征向量对所述目标区域的海藻进行识别，具体包括：

将所述融合特征向量输入至预先训练好的向量机中，以使所述向量机对所述融合特征向量进行识别，输出海藻生长识别结果；其中，所述向量机是根据多个包含海藻的海洋环境表面图以及各海洋环境表面图对应的关键点标注结果得到的，所述关键点包括海藻种类和海藻生长分布。

6.如权利要求5所述的一种海藻增殖情况远程监测方法，其特征在于，所述向量机是根据多个包含海藻的海洋环境表面图以及各海洋环境表面图对应的关键点标识结果得到的，所述关键点包括海藻种类和海藻生长分布，具体包括：

预先采集若干包含不同海藻种类的海洋环境表面图并提取所述海洋环境表面图的融合特征向量；

对所述海洋环境表面图中的海藻区域进行关键点标注；其中，标注类型包括海藻种类和海藻生长分布；

基于所述海洋环境表面图、所述融合特征向量和经过关键点标注的海洋环境表面图构建数据集，并根据预设比例将所述数据集划分为训练集和验证集；其中，所述数据集以一个海洋环境表面图及其对应的融合特征向量、经过关键点标注的海洋环境表面图为一个数据元素；

基于所述训练集对初始向量机进行训练；其中，以所述训练集中的融合特征向量对所述初始向量机进行训练；

基于所述验证集对所述初始向量机的性能进行验证，直至所述初始向量机的性能达到预设值，得到所述向量机。

7.如权利要求1所述的一种海藻增殖情况远程监测方法，其特征在于，所述根据不同时间段的海藻识别结果生成目标区域的海藻增殖分布图，具体包括：

分别获取每个时间段的海藻识别结果并基于所述海藻识别结果生成目标区域的海藻生长分布图；其中，所述海藻生长分布图包括海藻种类和海藻分布范围；

获取当前时间段的海藻生长分布图与前一个时间段的海藻生长分布图，基于两个海藻生长分布图的分布差异，生成当前时间段的海藻增殖分布图；其中，所述海藻增殖分布图包括海藻种类和海藻分布范围。

8.如权利要求7所述的一种海藻增殖情况远程监测方法，其特征在于，所述基于所述海藻识别结果生成目标区域的海藻生长分布图，具体包括：

基于可视化库将所述海藻识别结果转换为海藻生长分布图；其中，其中海藻生长分布图以热力图表征海藻的分布密度，以不同颜色标识海藻种类。

9.如权利要求1所述的一种海藻增殖情况远程监测方法，其特征在于，在根据不同时间段的海藻识别结果生成目标区域的海藻增殖分布图后，还包括根据所述海藻增殖分布图实施预设修复策略，具体为：

当所述海藻增殖分布图中存在预设种类的海藻存在过度增殖时，开启生态预警信号并对所述目标区域采取生态修复措施；

当所述海藻增殖分布图中的海藻分布范围超过预设分布范围时，开启生态预警信号并对所述目标区域采取生态修复措施。