海洋智能感知--基于计算机视觉的新技术与应用

第1章　绪　论 1
1.1　海洋智能感知概述 1
1.1.1　基本概念 1
1.1.2　发展历程 2
1.1.3　海洋智能感知中计算机视觉技术的作用 5
1.2　计算机视觉技术概述 6
1.2.1　发展历程 6
1.2.2　主要研究方向 7
1.3　计算机视觉技术在海洋领域的应用 10
1.3.1　数据来源及类型 11
1.3.2　计算机视觉技术的海洋应用场景 12
1.3.3　计算机视觉技术海洋领域应用的挑战 16
参考文献 19
第2章　基于卫星遥感影像的海洋中尺度现象
识别和时空分析 20
2.1　中尺度现象概况 20
2.2　中尺度现象的识别与检测方法 21
2.2.1　中尺度涡的识别与检测方法 21
2.2.2　海洋锋的识别与检测方法 26
2.3　海洋中尺度现象识别案例 36
2.3.1　中尺度涡的识别案例 36
2.3.2　中尺度锋的识别案例 48
2.4　海洋中尺度现象时空分析 59
2.4.1　中尺度涡轨迹时空分析 59
2.4.2　中尺度海洋锋时空分析 68
参考文献 75
第3章　基于岸基视频分析的海浪要素检测技术 77
3.1　海浪监测技术概况 77
3.1.1　人工目测法 77
3.1.2　浮标测波法 78
3.1.3　雷达测波法 79
3.1.4　卫星测波法 80
3.2　基于图像 / 视频的海浪监测技术 80
3.2.1　基于立体摄影的测量法 80
3.2.2　基于图像 / 视频特征的海浪要素检测法 82
3.2.3　基于深度学习特征提取的海浪等级检测模型 82
3.3　视频时空分析的海浪要素检测技术案例 85
3.3.1　案例 1——时空特征多级融合的海浪有效浪高检测模型 85
3.3.2　案例 2——时空特征协同的海浪周期检测模型 94
参考文献 99
第4章　面向海洋探测的水下光学图像增强技术 101
4.1　水下图像增强技术概况 101
4.1.1　水下图像增强的必要性 101
4.1.2　水下图像成像原理 102
4.1.3　简化的水下图像成像模型 104
4.2　传统水下图像的增强方法 106
4.2.1　直方图均衡化增强算法 107
4.2.2　基于融合的水下图像增强方法 110
4.2.3　Retinex 增强算法 112
4.2.4　基于暗通道先验的水下图像复原方法 113
4.2.5　传统方法效果对比 116
4.3　基于深度学习的水下图像增强方法 117
4.3.1　基于 CNN 的水下图像增强方法 118
4.3.2　基于 GAN 的水下图像增强方法 119
4.3.3　深度学习方法效果对比 120
4.4　水下图像增强技术及其应用案例 121
4.4.1　案例 1——基于双生成器 GAN 的水下图像增强 121
4.4.2　案例 2——模糊水下图像的增强混合鱼类检测方法 129
参考文献 136
第5章　海洋大数据的可视分析技术 140
5.1　可视分析技术概况 140
5.1.1　可视分析基本概念 141
5.1.2　可视分析技术在海洋领域中的应用 144
5.2　多维海洋数据可视分析技术 145
5.2.1　投影 146
5.2.2　散点图 147
5.2.3　平行坐标 149
5.2.4　聚类 151
5.3　海洋时空数据可视分析 153
5.3.1　静态可视化 154
5.3.2　动态可视化 155
5.3.3　时空数据可视化的实现技术 155
5.3.4　海洋结构可视分析 157
5.4　海洋大数据可视分析案例 158
5.4.1　案例 1——基于多视图的多维数据关联关系分析方法 159
5.4.2　案例 2——基于多视图的海洋异常模式发现可视分析方法 166
参考文献 171