海洋智能感知：基于计算机视觉的新技术与应用

　　本书基于上海海洋大学“数字海洋研究所”相关科研积累，重点考虑了计算机视觉技术在海洋智能感知中数据分析方面的创新与应用。本书从空中卫星遥感影像、岸基视频分析、水下光学图像，以及大数据可视分析四个方面，详细阐述了海洋领域的计算机视觉关键技术，并通过海洋涡旋、海洋锋、海浪要素检测、水下机器视觉增强、多视图海洋异常模式挖掘等具体应用案例阐明了计算机视觉技术的应用潜力。本书内容有助于推进人工智能与智慧海洋交叉领域的研究，加速智能技术在海洋领域的应用创新，助力海洋科技发展。

　　宋巍，教授，澳大利亚昆士兰科技大学博士，上海市“东方学者”特聘教授；澳大利亚格里菲斯大学客座研究员，ACM和IEEE会员；发表学术论文40余篇（SCI检索15篇，CCF推荐A/B/C类15篇）；英文专著一部，Information Fusion、IEEE Access等国际期刊评审。 近年来致力于海洋信息交叉学科研究，在基于海洋大数据的海洋现象识别、海冰识别、水下图像增强等方向取得最新成果，发表多篇国内外重要期刊和会议论文，包括：IEEE Trans. Broadcasting、Information Fusion、Remote Sensing、模式识别与人工智能、中国计算机协会CCF推荐重要国际会议ICDM2018、MMM2018、PCM2018等；目前承担国家自然科学基金项目2项和上海省部级项目1项；与荷兰、澳大利亚、意大利等大学教授共建“智能感知国际合作实验室”。 贺琪，副教授，硕士生导师，复旦大学计算机软件与理论博士，中国计算机学会（CCF）会员代表。主要研究方向包括：遥感影像分类，海洋大数据分析及可视计算等。近年在多模态海洋遥感影像分类、海洋时序数据分析等方面取得新的成果，发表在《Compters，Materials & Continua》《计算机研究与发展》等期刊，以及APWeb（CCF C类）和IJCNN（CCF C类）等国际会议上；作为主要参与人，参与国家重点研发计划项目、国家自然基金面上项目；获得上海市教学成果奖二等奖1项，浦东新区科技进步奖一等奖1项、二等奖1项。杜艳玲，国家海洋局东海预报中心博士后，主要从事遥感影像分类与识别，海洋中尺度涡现象提取与追踪研究。主持国家自然科学基金青年项目：复杂海况环境下多源数据协同的海洋涡旋检测与动态轨迹追踪新方法；主持国家博士后基金1项 ，以项目骨干参与省部级以上项目10余项。发表论文10余篇，获“领跑者5000中国精品科技期刊顶尖学术论文”，上海市科技进步奖等省部级以上奖励3项。

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