Print

发布时间: 2019-01-16
摘要点击次数:
全文下载次数:
DOI: 10.11834/jig.180324
2019 | Volume 24 | Number 1




    图像分析和识别    




  <<上一篇 




  下一篇>> 





多特征融合的复杂环境海洋涡旋识别
expand article info 黄冬梅1, 刘佳佳1, 苏诚2, 杜艳玲1,2
1. 上海海洋大学信息学院, 上海 201306;
2. 国家海洋局东海预报中心, 上海 200136

摘要

目的 海洋涡旋识别研究已成为物理海洋领域的研究热点之一。传统的海洋涡旋识别算法多是基于物理参数法、流场几何特征法以及两种方法的混合,通过设置统一的阈值对海洋涡旋进行识别。在特定环境的海域中,传统算法的识别效果较好。但引起海洋涡旋生成的环境复杂多变且具有快速运动的特性,导致其具有快速连续变化的特点,依赖专家经验进行单一阈值设置的方法存在显著的主观性和不确定性,通常会导致海洋涡旋的漏判和错判,缺乏通用性。针对以上问题,为构建具有泛化能力的海洋涡旋自动识别方法,兼顾考虑海洋涡旋的全局和局部特征,提出一种复杂环境下海洋涡旋多特征融合识别方法。方法 首先通过数据预处理对数据集进行扩充;其次提取海洋涡旋的纹理特征(GLCM)、傅里叶描述子(FD)和Harris角点特征;接着将提取的GLCM特征进行均值化,并通过主成分分析法(PCA)对FD描述子和Harris角点特征进行降维;然后将处理后的特征向量进行串行融合;最后通过分类器完成对海洋涡旋的识别。结果 实验结果表明,提出的多特征融合方法的识别率高于单一特征方法的识别率,采用DT分类算法的识别精度最高,达86.904 5%;本文方法中采用PCA降维能有效提高识别精度,FD特征经PCA降维后,识别精度从83.906 0%提高到86.904 5%,Harris特征经PCA降维后,识别精度从84.009 7%提高到85.354 7%;且对于形态多样的海洋涡旋具有良好的鲁棒性。结论 本文融合了基于SAR影像海洋涡旋的3种特征信息,包括GLCM、FD和Harris角点特征,有效克服了阈值选取以及单一特征的不足,提高了基于SAR影像海洋涡旋的识别率,本文方法适用于复杂环境下的海洋涡旋识别。

关键词

海洋涡旋; 目标识别; SAR影像; 特征提取; 多特征融合

Ocean eddy recognition based on multi-feature fusion in complex environment
expand article info Huang Dongmei1, Liu Jiajia1, Su Cheng2, Du Yanling1,2
1. College of Information, Shanghai Ocean University, Shanghai 201306, China;
2. East China Sea Forecast Center of State Oceanic Administration, Shanghai 200136, China
Supported by: National Natural Science Foundation of China (41671431); National Science Foundation for Post-doctoral Scientists of China(2018M632034); The National Key Research and Development Program of China (2016YFC1401605)

Abstract

Objective Ocean eddy recognition has become one of the hotspots in the field of physical oceanography research. The rapid and continuous change of ocean eddies brings great challenges to their accurate recognition research. On the one hand, the ocean environment that causes the ocean eddies is complex and variable. On the other hand, ocean eddies undergo rapid and continuous change, which cause dramatic changes in the morphological structure and motion state during their movement. With the development of high-aging and large-scale Earth observation technology, it provides a rich data foundation for the research on the rapid and continuous change of ocean eddies, which greatly promotes research on ocean eddy recognition. However, traditional manual visual recognition methods have significant limitations. It is an impossible task to artificially recognize ocean eddies one by one in a large data set, and the manual visual recognition of ocean eddies is influenced by subjective judgment. Traditional methods have significant uncertainty in ocean eddy recognition results due to subjective difference, which form unstatistical errors. Therefore, the use of computer technology to automatically recognize ocean eddies is important. Ocean eddies leads the ocean water to gather or scatter, causing obvious changes on surface roughness. The irregular spiral structure in SAR images shows bright or dark stripes. It has rich texture features and contour, which provides an abundant feature of the ocean eddy recognition information. Traditional ocean eddy recognition methods are mainly based on the physical parameters, vector geometry, or the hybrid of these two methods with specific threshold value. These methods can achieve good results in certain ocean areas. The selection of threshold is mainly influence the recognition accuracy of the traditional method largely. In addition, the morphological structures of ocean eddies greatly vary under different ocean states. Moreover, the complex and variable environment causes the rapid and continuous change of ocean eddies. Therefore, it is difficult to determine the suitable threshold in traditional method. Methods that set thresholds based on expert knowledge are subjective and uncertain, which often lead to omission, misjudgments, and lack of generality. To solve these problems, we propose an automatic ocean eddy recognition method with generalization ability based on multi-feature fusion in complex environment. Method Our method includes data-preprocessing, feature extraction, multi-feature fusion, and classifier training. First, the dataset, including randomly clip, scale transform, and rotation transform, is extended through data-preprocessing to improve the robustness of our method. We derived our data set from SAR images generated by the ENVISAT and ERS-2 satellites between 2005 and 2010. In this paper, 136 SAR images with and without ocean eddies are included in the data sets. In actual applications, the construction of large-scale data sets requires high labor costs, especially the construction of ocean eddy data sets. Moreover, it has high requirements for data set builders, and the difficulty of construction the data set is intensified. Adequate and diverse data sets are the key to the recognition algorithms in the field of image recognition. Therefore, we use the data augmentation method to extend the data set before the ocean eddy recognition method. Second, the gray-level co-occurrence matrix (GLCM), Fourier descriptors (FD), and Harris corners features are extracted. Ocean eddies in SAR images have abundant features, such as shape, texture, and color characteristics, but a single feature is not enough to accurately recognize them because of complicated ocean state, weather changes, equipment disturbance, and various interference. GLCM can represent the comprehensive information of the image on the direction, interval, change range, and speed. FD is related to the size, direction, and starting point of the shape according to the properties of the Fourier transform. In areas with rich texture information, the Harris operator can extract many useful feature points, whereas in areas with less texture information, fewer feature points are extracted. It is a relatively stable point feature extraction operator. Then, we extract the averaged GLCM feature and utilize principal component analysis (PCA) to reduce the features dimensions of FD descriptors and Harris corners. In the calculation of the GLCM feature, the value of the direction considers four conditions at 0°, 45°, 90°, 135°, representing east-west, northeast-southwest, south-north, and southeast-northwest, respectively. The dimensions of the FD and Harris are reduced using PCA, because their features are too high, the learning time of classifier will be very long, and the classification ability is decreased. Third, the processed feature vectors are serial fused. Finally, the recognition of ocean eddies is achieved by the classifier. In this paper, 10-fold cross-validation is used to test the accuracy of the algorithm. Simultaneously, three typical classification algorithms are adopted including support vector machine), decision tree (DT), and multi-layer perceptron. Result The results indicate that the accuracy of the proposed method based on multi-feature is higher than that based on single feature methods, and the recognition accuracy of the DT classification algorithm is the highest, reaching 86.904 5%. The PCA dimensionality reduction method can effectively improve the recognition accuracy. The FD and Harris feature dimension are reduced by PCA, and their recognition accuracy is improved from 83.906 0% to 86.904 5% and 84.009 7% to 85.354 7%, respectively. Moreover, their robustness to a variety of morphological changes of ocean eddies is good. Conclusion This method can be used to distinguish whether the SAR images have ocean eddies. It fuses three kinds of image features, including GLCM, FD, and Harris corners, which effectively overcomes the shortcomings of traditional methods based on threshold setting and single feature and improves the recognition accuracy of ocean eddies based on SAR images. Hence, multi-feature fusion improves the recognition accuracy to a certain extent compared with single-feature recognition. Our method is suitable for the recognition of ocean eddies in complex environment and has generality.

Key words

ocean eddy; target recognition; SAR images; feature extraction; multi-feature fusion

0 引言

海洋涡旋识别是研究其时空分布、动态变化特征,分析其对海洋生态、生物影响的重要基础[1]。海洋涡旋广泛存在于世界大洋与边缘海中,以非规则3维螺旋状结构持续高速自转和水平运动数天到数百天,空间尺度可达数千米到数百千米。海洋涡旋会引起局地海水的辅聚或辅散,并通过对海洋水体的搅拌、混合和迁移改变着海洋上层的温盐结构,对海洋动力过程、生态系统变迁和全球气候变化发挥着重大作用[2]。因此,海洋涡旋识别研究具有重要的科学意义,已成为物理海洋领域的研究热点之一。

海洋涡旋快速连续变化的特点为其精准识别研究带来了巨大挑战。一方面引起海洋涡旋的海洋环境复杂多变,另一方面海洋涡旋具有快速连续变化的特性,两者均会造成其在运动过程中的形态结构、运动状态等发生剧烈变化。随着高时效、大范围对地观测技术的发展,为快速连续变化的海洋涡旋研究提供了丰富的数据基础,极大地促进了海洋涡旋识别的研究。传统基于人工目视的识别方法存在显著的局限性,通过人工手段在一个庞大的数据集中逐个识别海洋涡旋已经是一件不可能完成的任务,且人工目视识别海洋涡旋容易受专家主观判断差异的影响,不确定性较大,容易出现不可统计的误差。因此,利用计算机技术对海洋涡旋进行自动化识别显得尤为重要。现阶段,国内外已有大量基于遥感数据的海洋涡旋识别研究。文献[3]利用海表面高度(SSH)和速度矢量场数据识别海洋涡旋,通过混合局部极大极小值方法和Okubo-Weiss算法来确定其中心,有效防止漏判,并通过设定阈值确定其边界。文献[4]首先对海表面温度(SST)进行预处理降低噪声并获得温度梯度图、方向和大小,然后通过人工神经网络(ANN)来识别涡旋中心,其次根据专家经验采用迭代阈值法去除假中心的涡旋,最后通过边缘检测方法来识别涡旋的边界。文献[5]通过Okubo-Weiss参数阈值法识别涡旋并将其作为训练集,然后通过CNN进行特征学习。文献[6]利用海平面高度异常(SLA)数据识别海洋涡旋,通过缠绕角法(WA)获取闭合曲线来判定涡旋的边界,并利用涡旋的矢量几何特征来判定涡旋的中心。

现有方法在海洋涡旋识别中取得了一定的研究成果,但由于海洋涡旋的快速连续变化特点尚存在明显的不足:1)海洋环境复杂多变,不同区域下的海洋涡旋特征会有所差异;2)海洋涡旋从产生到消失过程中,形态不定、尺度大小不一。由分析可知,阈值的选取是影响上述方法识别精度的关键点[7],但在不同的海况条件下,海洋涡旋形态结构差异大,很难确定出统一的阈值,且阈值的设定存在较大的主观性和不确定性,通常会导致海洋涡旋的漏判和错判,缺乏通用性。

合成孔径雷达(SAR)卫星具有全天时、全天候的观测特点,为海洋涡旋的研究提供了必要的数据基础[8-9],在海洋涡旋的识别中具有显著的优势。由于海洋涡旋会导致海面局部辅聚或辅散,造成海面粗糙度发生明显变化,其非规则螺旋状结构在SAR影像上呈现出或明或暗的条纹,具有丰富的纹理特征和轮廓特征,为海洋涡旋识别提供了充分的特征信息[10]。针对现有人工特征设计和统一阈值设置方法无法满足快速连续变化的海洋涡旋识别精度的要求,本文提出基于海洋涡旋显著性特征、全局和局部特征融合协同的识别方法,构建具有泛化能力的海洋涡旋自动识别方法。在粗粒度全局特征提取阶段,采用灰度共生矩阵(GLCM)提取海洋涡旋的纹理特征;由于海洋涡旋高速自转和水平运动的特点,采用具有对旋转、平移、尺度变化不敏感的傅里叶描述子提取其局部边界特征信息;通过Harris角点检测获取海洋涡旋的显著性特征信息,进而构建海洋涡旋的融合特征向量,最后采用分类器实现海洋涡旋的自动识别。

1 多特征融合的海洋涡旋识别方法

1.1 方法流程设计

本文方法流程如图 1所示,主要包括数据的预处理、特征提取、多特征融合和分类器训练。首先,训练数据集的数据量和多样性对算法识别精度具有明显的影响,将SAR影像数据集进行随机裁剪、尺度变换、旋转变换等数据预处理操作,增加SAR影像数据集大小,提高其多样性;其次提取基于SAR影像海洋涡旋的灰度共生矩阵(GLCM)、傅里叶描述子(FD)、Harris角点的特征向量;然后将提取的3个特征向量分别进行降维处理并串行融合成一个特征向量;最后通过分类器对基于降维后的海洋涡旋多特征融合向量进行训练,实现海洋涡旋的自动识别。

图 1 本文方法流程图
Fig. 1 Flow chart of our method

1.2 数据预处理

在实际的应用中,大规模数据集的构建需要消耗大量的人力成本,特别是海洋涡旋数据集的构建不仅成本巨大,同时对数据集构建人员的专业知识有较高要求,加剧了数据集构建的难度。而充足、多样的数据集是识别算法在图像识别领域取得优异成绩的关键。因此,本文在海洋涡旋识别方法之前进行数据预处理以丰富数据集。

通常在数据样本较少时,为了避免模型训练过程出现过拟合,增强模型的泛化能力和鲁棒性,数据扩充方法(data augmentation)[11]是最有效的方法之一,通过对数据进行变换,对训练数据集进行丰富和增加,本文利用数据扩充方法对数据集进行扩充。

海洋涡旋具有显著的时空异质性,不同海域的海底地形、海洋地质、海况条件下生成的海洋涡旋具有明显的差异;随着其水平、垂直和旋转的持续运动,同一涡旋在不同的时刻也会呈现显著的视觉差异;同时由于SAR影像具有多尺度、多角度、多方位的特点,不同尺度下的海洋涡旋是存在差异的。因此,为丰富其特征信息,有效区分海洋涡旋,获取其方位和形态信息,如图 2所示,本文对数据集进行随机裁剪、尺度变换和旋转变换,以提高本文方法的鲁棒性。

图 2 数据扩充示例
Fig. 2 Images of data augmentation((a) random clip; (b) scale transform; (c) rotation transform)

1.3 特征提取

特征提取是图像识别的前提和基础,它的有效性和鲁棒性直接影响到图像识别的精度[12]。海洋涡旋SAR影像存在多种特征,如形状特征、纹理特征、颜色特征等,但由于其受到复杂海况变化、天气变化以及设备干扰等多种干扰因素的影响,单一的特征已不足以精确识别海洋涡旋。因此,本文提取灰度共生矩阵、傅里叶描述子、Harris角点作为图像识别特征。

1.3.1 GLCM特征

灰度共生矩阵[13]可以提取图像在方向、间隔、变化幅度及速度上的综合信息。它通常以矩阵形式表示,在方向为$θ$、间隔为$d$的共生矩阵定义为

$ P\left( {i, j, d, \theta } \right) = \frac{{p\left( {i, j} \right)}}{{\sum\limits_{i = 0}^{N-1} {\sum\limits_{j = 0}^{N-1} {p\left( {i, j} \right)} } }} $ (1)

其含义是灰度值为$i$的像素点($m, n$)与灰度值为$j$的像素点($k, l$)同时出现的概率,其中$N$为像素点的个数,$p(i, j)$$(i, j)$出现的概率。

由于灰度共生矩阵提供了图像灰度方向、间隔、和变化幅度等信息,但并没有直接提供区分纹理的特性,因此需要在灰度共生矩阵的基础上提取用来定量描述纹理特征的统计属性。本文用对比度、相关性、能量、同质度这4个不相关的纹理参数作为特征。

本文在计算灰度共生矩阵时,方向$θ$的取值考虑了4种情况,即0°、45°、90°、135°,分别代表东—西、东北—西南、南—北、东南—西北4个方向的共生矩阵。

1.3.2 FD特征

傅里叶描述子[14]是物体形状边界曲线的傅里叶变换系数,它是物体边界曲线信号的频域分析的结果。根据傅里叶变换的性质,傅里叶描述子与形状的尺度、方向和曲线的起始点位置有关。因此需要对傅里叶描述子进行归一化,使用具有平移、旋转和尺度不变性的归一化傅里叶描述子来识别物体的形状。设给定一个图像,其边缘有$N$个像素点,坐标为$z(n)=[x(n), y(n)], n=0, 1, 2, …, N$

根据像素点坐标可以得到多种形状表示,如曲率曲线、各像素点到质心的距离、复坐标函数等。文献[15]的实验结果表明,基于像素点到质心距离的傅里叶描述的性能,明显优于基于像素点的直接复数坐标的傅里叶描述、基于边界曲率函数的傅里叶描述和基于累积角的傅里叶描述的性能。因此,本文采用基于像素点到质心距离的傅里叶描述子[16],首先将图像进行二值化,并获取图像的轮廓以及坐标,接着计算图像轮廓的质心,然后计算图像像素点到质心的距离,求质心距的傅里叶变换,最后将其结果进行归一化,所得到的最终结果作为特征向量。

1.3.3 Harris角点

Harris角点是由Harris和Stephens在1988年提出的一种点特征提取算子。算法的核心是利用局部窗口在图像上进行移动判断灰度发生较大的变化。如果在各个方向上移动这个特定的小窗口,窗口内区域的灰度发生了较大的变化,那么就认为在窗口内遇到了角点。如果这个特定的窗口在图像各个方向上移动时,窗口内图像的灰度没有发生变化,那么窗口内就不存在角点;如果窗口在某一个方向移动时,窗口内图像的灰度发生了较大的变化,而在另一些方向上没有发生变化,那么,窗口内的图像可能就是一条直线的线段。

1.4 多特征融合

由于海洋涡旋快速连续变化的特点,单个特征无法全面反映其特征信息,容易造成漏判或者错判,识别精度不高。因此,本文通过融合海洋涡旋的GLCM、FD、Harris特征包含全局和局部特征的识别算法。

通过上述的特征提取,分别提取GLAM、FD、Harris特征;本文将灰度共生矩阵在4个方向上的4个统计特性进行均值化,使特征向量维数由原来的4×4维变为1×4维。由于FD特征和Harris特征的维数过高,导致分类器的学习时间较长,且分类能力下降,因此,采用主成分分析法(PCA)分别对这两个特征向量进行降维;然后将提取的3个特征进行串行融合。本文算法流程如图 3所示。

图 3 算法流程图
Fig. 3 Flow chart of algorithm

2 实验和结果分析

2.1 数据集

本文采用的数据集来源于ENVISAT和ERS-2卫星在2005—2010年间生成的SAR影像。ENVISAT SAR影像是C波段(5.3 GHz)数据,具有3种模式:图像模式;幅宽为100 km,空间分辨率约30 m×30 m的交替偏振模式; 幅宽超过400 km, 分辨率为150 m×150 m的宽幅模式。ERS-2也可在30 m×30 m分辨率的C波段工作。实验中使用的SAR影像是VV偏振模式,更适合于研究海流和海浪。不同分辨率的SAR影像更适合于多尺度的海洋涡旋研究。

将包含海洋涡旋和不包含海洋涡旋的海上SAR影像各136幅作为本实验的数据集,经数据增强预处理,数据集扩大到136×20×2幅,以7 :3的比例进行训练和测试。其中,部分带海洋涡旋数据集展示如图 4所示。海洋涡旋影像尺寸范围在100×100像素~1 000×1 000像素不等。为实验数据的统一,本文将SAR影像尺寸调整为特定尺寸280×280像素,这是通过选择海洋涡旋图像尺寸的统计分布中的主导尺寸来确定的。

图 4 基于SAR影像的海洋涡旋
Fig. 4 Ocean eddies based on SAR images

2.2 实验与分析

实验采用的实验环境参数为:实验环境为Windows7,64位操作系统, 内存为16 GB,CPU为Intel(R) Core(TM) i7-6700 CPU @ 3.40 GHz的台式计算机。实验采用的计算软件平台为PyCharm软件。实验以7 :3划分数据集,训练集3 808幅影像,测试集1 632幅影像。利用融合后的特征向量进行分类器训练和测试。实验设置了两个类别,1表示带有海洋涡旋的SAR影像,0表示不带有海洋涡旋的SAR影像。在实验过程中,采用十折交叉验证来测试算法准确性,同时采用3个典型的分类算法:SVM(支持向量机)、DT(决策树)、MLP(多层感知机)进行以下两个实验:

1) 基于单一特征与多特征融合的海洋涡旋识别结果对比;

2) 基于PCA多特征融合降维的海洋涡旋识别结果对比。

2.2.1 基于单一特征与多特征融合的海洋涡旋识别

实验将单一特征与多特征分别利用不同的分类器进行识别,识别精度结果如表 1所示。

表 1 基于单一特征与多特征融合的海洋涡旋识别精度对比
Table 1 Comparison of ocean eddies recognition results based on single feature and multi-features fusion

下载CSV
特征 SVM DT MLP
GLCM 0.856 998 0.842 527 0.830 466
FD 0.841 305 0.754 847 0.663 067
Harris 0.795 421 0.776 261 0.752 836
本文 0.863 748 0.869 045 0.839 475
注:加粗字体表示最优结果。

表 1中的实验对比结果可知,GLCM特征提取算法的识别率与本文算法相近,但本文算法始终高于基于单一特征的识别精度,其中,采用DT分类算法的识别精度最高,达86.904 5%,由此可以看出,本文算法的识别率在一定程度上优于单特征算法的识别率。由基于单一特征的识别结果可知,基于GLCM特征的海洋涡旋识别精度相比FD特征和Harris特征的识别精度高很多,由此得出,在海洋涡旋识别中,GLCM纹理特征对其识别的贡献最大。但由于单特征无法全面反映海洋涡旋的特征信息,GLCM特征只反映了SAR影像的纹理特征,由表 1分析可知,通过融合海洋涡旋的多个特征,可以显著提高其识别精度。

本文算法复杂度为非线性,对训练集提取特征耗时452 s,对比单特征识别算法,FD特征提取时间最多,需217 s,可以看出,文献[16]的算法运算较文献[13]的GLCM特征提取算法和文献[17]的Harris特征提取算法复杂,计算量大,由于本文对特征向量进行降维处理,因此,本文算法在一定程度上增加了算法的复杂度,但相对基于物理参数以及几何特征的海洋涡旋识别算法而言,运算复杂度小。

2.2.2 基于PCA多特征融合降维的海洋涡旋识别

由上述FD和Harris特征提取的描述可知,这两种特征向量的维数过高。本文首先采用PCA分别对这两种特征进行降维处理,然后再进行3种特征的融合,并通过实验对比分析特征降维对识别精度的影响。

表 2表 3所示,本文统计了未经PCA降维和经PCA降不同维后各分类器分类的精度,可以看出,本文算法识别的精度随着PCA降维维数的变化而变化,当FD特征降低的维数设置为10,Harris特征降低的维数设置为20时,本文算法识别精度最高,由此可以得出,本文采用PCA降维能有效提高分类精度。

表 2 FD特征提取中本文算法的识别精度对比
Table 2 Comparison of the dimension of PCA in FD feature extraction and our algorithm

下载CSV
PCA降维维数 SVM DT MLP
280 0.887 192 0.839 060 0.784 610
150 0.757 496 0.855 174 0.752 053
50 0.827 015 0.831 533 0.816 229
10 0.863 748 0.869 045 0.831 745
5 0.832 518 0.859 260 0.786 602

表 3 Harris特征提取中本文算法的识别精度对比
Table 3 Comparison of the dimension of PCA in Harris feature extraction and our algorithm

下载CSV
PCA降维维数 SVM DT MLP
280 0.817 244 0.840 097 0.804 593
150 0.827 841 0.850 294 0.862 314
50 0.842 322 0.852 524 0.860 882
20 0.860 675 0.853 547 0.877 495
10 0.864 552 0.849 482 0.863 928
5 0.861 503 0.869 047 0.829 293

3 结论

针对海洋涡旋的快速连续变化的特点,导致依据单一特征和阈值设定引起识别精度不足的问题,提出了一种基于复杂环境下海洋涡旋多特征融合识别方法,该方法利用纹理、形状、角点区分带海洋涡旋和不带海洋涡旋的SAR影像,具有通用性。实验结果表明,将GLCM、FD、Harris这3种图像特征相融合,可以提高海洋涡旋识别的精度,实现海洋涡旋的自动识别,由此可以得出,多特征融合相比单特征识别在一定程度上提高了识别精度。下一步本研究工作的重点将是解决如何优化多特征融合的问题。

参考文献

  • [1] Zhang Z G, Wang W, Qiu B. Oceanic mass transport by mesoscale eddies[J]. Science, 2014, 345(6194): 322–324. [DOI:10.1126/science.1252418]
  • [2] Faghmous J H, Frenger I, Yao Y S, et al. A daily global mesoscale ocean eddy dataset from satellite altimetry[J]. Scientific Data, 2015, 2: #150028. [DOI:10.1038/sdata.2015.28]
  • [3] Matsuoka D, Araki F, Inoue Y, et al. A new approach to ocean eddy detection, tracking, and event visualization-application to the northwest pacific ocean[J]. Procedia Computer Science, 2016, 80: 1601–1611. [DOI:10.1016/j.procs.2016.05.491]
  • [4] Jin H, Yang X M, Gong J M, et al. Automatic eddy extraction from SST imagery using artificial neural network[C]//Proceedings of the International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences. Beijing, China: ISPRS Archives, 2008, XXXVⅡ(B6b): 279-282.
  • [5] Franz K, Roscher R, Milioto A, et al. Ocean eddy identification and tracking using neural networks[EB/OL].[2018-05-06]. https://arxiv.org/abs/1803.07436v2.
  • [6] Lai Y P, Zhou H, Yang J, et al. Submesoscale eddies in the Taiwan strait observed by high-frequency radars:detection algorithms and eddy properties[J]. Journal of Atmospheric and Oceanic Technology, 2017, 34(4): 939–953. [DOI:10.1175/jtech-d-16-0160.1]
  • [7] Li A Z, Zhou W F, Fan X M. Research progress of methods for the extraction of mesoscale ocean fronts and eddies based on remote sensing data[J]. Journal of Image and Graphics, 2017, 22(6): 709–718. [黎安舟, 周为峰, 范秀梅. 遥感图像中尺度海洋锋及涡旋提取方法研究进展[J]. 中国图象图形学报, 2017, 22(6): 709–718. ] [DOI:10.11834/jig.160637]
  • [8] Romeiser R, Ufermann S, Alpers W. Remote sensing of oceanic current features by synthetic aperture radar-achievements and perspectives[J]. Annales Des Télécommunications, 2001, 56(11-12): 661–671. [DOI:10.1007/BF02995560]
  • [9] Liu A K, Zhao Y, Hsu M K. Ocean surface drift by wavelet tracking using ERS-2 and envisat SAR images[C]//Lacoste H, Ouwehand L. Advances in SAR Oceanography from Envisat and Ers Missions. Frascati, Italy: European Space Agency, 2006: 613.
  • [10] Ivanov A Y, Ginzburg A I. Oceanic eddies in synthetic aperture radar images[J]. Journal of Earth System Science, 2002, 111(3): 281–295. [DOI:10.1007/BF02701974]
  • [11] Ding J, Chen B, Liu H W, et al. Convolutional neural network with data augmentation for SAR target recognition[J]. IEEE Geoscience and Remote Sensing Letters, 2016, 13(3): 364–368. [DOI:10.1109/LGRS.2015.2513754]
  • [12] Wu Z, Zeng J X, Gao Q Q. Aircraft target recognition in remote sensing images based on saliency images and multi-feature combination[J]. Journal of Image and Graphics, 2017, 22(4): 532–541. [吴喆, 曾接贤, 高琪琪. 显著图和多特征结合的遥感图像飞机目标识别[J]. 中国图象图形学报, 2017, 22(4): 532–541. ] [DOI:10.11834/jig.20170413]
  • [13] Jia L H, Zhou Z F, Li B. Study of SAR image texture feature extraction based on GLCM in Guizhou karst mountainous region[C]//Proceedings of 20122nd International Conference on Remote Sensing, Environment and Transportation Engineering. Nanjing, China: IEEE, 2012: 1-4.[DOI: 10.1109/RSETE.2012.6260741]
  • [14] Xu Z X, Wan Y, Lv N. An efficient shape recognition method using multiple description fusion[J]. Applied Mechanics and Materials, 2014, 536-537: 89–94. [DOI:10.4028/www.scientific.net/AMM.536-537.8]
  • [15] Wei D X, Chen X Y, Xu R C. Image shape feature extraction method based on corner point detection[J]. Computer Engineering, 2010, 36(4): 220–222. [韦东兴, 陈晓云, 徐荣聪. 基于角点检测的图像形状特征提取方法[J]. 计算机工程, 2010, 36(4): 220–222. ] [DOI:10.3969/j.issn.1000-3428.2010.04.078]
  • [16] Lu G J, Sajjanhar A. Region-based shape representation and similarity measure suitable for content-based image retrieval[J]. Multimedia Systems, 1999, 7(2): 165–174. [DOI:10.1007/s005300050119]
  • [17] Mabuza-Hocquet G, Nelwamondo F. Fusion of phase congruency and harris algorithm for extraction of iris corner points[C]//Proceedings of 20153rd International Conference on Artificial Intelligence, Modelling and Simulation. Kota Kinabalu, Malaysia: IEEE, 2016: 315-320.[DOI: 10.1109/AIMS.2015.57]