封面故事 | 浪花朵朵高几许？

点击中国图象图形学报→主页右上角菜单栏→设为星标

主题词

浪高检测  近岸海浪视频  深度学习  

多层局部感知卷积神经网络  特征提取

动图来源网络

海浪是海洋中常见的物理现象，对海浪开展监测研究具有重要的科研意义和实用价值。海浪在向近岸传播的过程中，受海底地形、岸界和环境流(近岸流和潮流)的作用显著，具有比深海和开阔陆架海域更复杂的演变规律和更快速的时空变换，目前的研究和认识还不成熟。

近岸海浪是近岸海洋环境中重要的动力因素之一，威胁着近岸建筑物的安全与稳定，引起海岸泥沙运动、海岸变迁和近岸水体交换。近岸海浪的计算对近岸工程设计、浅海生产作业、近岸环境保护等方面具有十分重要的意义。

图图为大家推荐上海海洋大学宋巍教授团队发表在《中国图象图形学报》2020年第3期的封面文章《近岸海浪视频浪高自动检测》。

关注我们一起努力

论文信息

题目：近岸海浪视频浪高自动检测

作者：宋巍,周旭,毕凡,郭东琳,高松,贺琪,白志鹏

DOI：10.11834/jig.190138

引用格式：宋巍, 周旭, 毕凡, 郭东琳, 高松, 贺琪, 白志鹏.2020. 近岸海浪视频浪高自动检测.中国图象图形学报,25(3):507-519.)

[DOI: 10.11834/jig.190138]

全文链接：

http://www.cjig.cn/html/jig/2020/3/20200309.htm

研究方法

本文方法流程图包括数据预处理、模型设计及特征融合、回归训练3个阶段。

1. 从近岸监控视频中按照固定时间帧数提取视频图像，同时将相邻时间的两帧相减，分别组成包含海浪静态信息的数据集和包含运动信息的差分图像数据集，为了避免礁石和建筑物对特征提取产生影响，截取视频中海浪区域，同时考虑到数据集数量和数据多样性对深度学习训练过程的影响，通过尺度变换、旋转拉伸等数据预处理方式，增加数据集的数量，提高数据的多样性。

2. 对两类数据集分别设计卷积神经网络模型并进行训练；然后分别输入海浪静态图像和差分图像至预训练卷积神经网络中，分别提取对应的高层空间特征信息和高层时间特征信息，并按通道串行融合。

3. 将融合后的特征映射到1维空间形成一个特征向量，通过回归训练对融合后的特征向量进行训练，实现近岸视频图像的浪高自动检测。

技术流程图

实验与结果

整个近岸海浪视频浪高检测实验主要分为4部分：

1. 海浪静态数据集和差分数据集的准备，包括视频区域裁剪、尺度变化、图像差分、数据扩充、浪高标签制作；

2. 分别设计CNN、NIN和DenseNet的网络参数并进行预训练，比较3种模型在浪高检测上的性能；

3. 使用预训练的卷积神经网络模型分别提取静态图像和差分图像的高层特征，将获取的特征融合，训练SVR模型；

4. 从各个浪高标签对应数据集的模型检测平均值、方差、平均绝对误差和平均相对误差等指标评估本文提出方法的浪高检测性能。

对于0.3 m和0.4 m的海浪，浪高检测的平均值均满足±0.1 m的绝对误差范围，2级以上海浪的浪高检测平均相对误差都小于20%，满足海浪预报业务化检测的需求；各个浪高标签的方差平均值较小，说明整体的浪高检测值波动范围较稳定。

研究结论

文章提出一种从近岸海浪视频中自动检测浪高的方法。基于深度学习模型自动提取不同数据集的空间维度和时间维度上的高层特征信息表达并融合时空特征，融合后的特征通过支持向量回归模型自动输出浪高值。

基于深度学习的特征提取不必提前设计特征类型，避免了人为设计特征的不完备性，对不同的近岸海浪视频具有较强的鲁棒性和迁移能力。实验结果表明，本文方法在浪高检测上稳定性高，能够满足海浪业务化检测需求，有着较好的实用性。

但是，近岸视频具有拍摄范围广泛的特点，视频图像可分为近岸点和远岸点，不同深度的海浪区域的浪高变化趋势不同。因此，本研究的下一步重点是研究不同岸线的浪高变化趋势以及存在的关系，建立联合岸线的浪高预测模型。

作者简介

宋巍，教授，主要研究方向为计算机视觉、图像/视频处理、海洋大数据分析。

E-mail: [e-mail]

贺琪，通信作者，副教授，主要研究方向为海洋大数据存储与计算。

E-mail: [e-mail]

周旭，硕士研究生，主要研究方向为机器学习、图像/视频处理，目标识别。

E-mail: [e-mail]

毕凡，高级工程师，主要研究方向为海洋环境预报、海洋数值模型开发与应用。

E-mail: [e-mail]

郭东琳，工程师，主要研究方向为海洋环境预报。

E-mail：[e-mail]

高松，高级工程师，主要研究方向为海洋环境预报、机器学习。

E-mail：[e-mail]

白志鹏，工程师，主要研究方向为海洋环境预报、大数据处理。

E-mail: [e-mail]

团队其他论文

卷积神经网络和深度置信网络在SAR影像冰水分类的性能评估

黄冬梅,李明慧,宋巍,王建

不同颜色模型下自适应直方图拉伸的水下图像增强

黄冬梅,王龑,宋巍,王振华,杜艳玲

申明：本文发布的网站内容均不代表本号观点，本号旨在提供参考素材以便学习交流。

❂ 好文推荐
❂ 专家报告
❂ 论文写作
❂ 往期目次

本文系《中国图象图形学报》独家稿件

内容仅供学习交流

版权属于原作者

欢迎大家关注转发！

编辑：狄   狄

指导：梧桐君

审校：夏薇薇

总编辑：肖   亮

声  明

欢迎转发本号原创内容，任何形式的媒体或机构未经授权，不得转载和摘编。授权请在后台留言“机构名称+文章标题+转载/转发”联系本号。转载需标注原作者和信息来源为《中国图象图形学报》。本号转载信息旨在传播交流，内容为作者观点，不代表本号立场。未经允许，请勿二次转载。如涉及文字、图片等内容、版权和其他问题，请于文章发出20日内联系本号，我们将第一时间处理。《中国图象图形学报》拥有最终解释权。

齐心抗疫

与你同在

前沿 | 观点 | 资讯 | 独家

电话：[phone]/7418

网站：www.cjig.cn

在看点这里