長期以來,監(jiān)測天津市附近渤海灣的污染狀況,以及數(shù)據(jù)獲取均依靠人力租船進行,此方法耗時費力。但是,越來越多免費遙感圖像的獲取使我們能夠依靠大數(shù)據(jù)計算方法監(jiān)測海洋污染狀況。本文主要利用美國衛(wèi)星遙感圖像,首先借助Grab-Cut圖像分割算法分析天津市附近渤海灣的污染情況變化,總體結(jié)論是近幾年海洋污染狀況堪憂�？上驳氖�,天津市附近三個重要的排污口的排污情況自2015年已得到明顯的改善。此外,本文將Grab-Cut算法與其它一些常見的圖像分割算法的分割效果進行比對,結(jié)果顯示Grab-Cut算法在很少的用戶標記下能夠很快分割出目標區(qū)域,是分割效果最好的方法之一。然而,Grab-Cut算法以及現(xiàn)在已經(jīng)提出的一些圖像分割算法,或多或少的需要人為參與。我們提出了一種新的基于機器學習方法的海洋污染檢測方法,即梯度提升決策樹(GBDT)算法。它是一種快速且高度準確的提升集成算法。同時,信息熵(IFE)首先被用作遙感圖像分類的一個特征。為了評估我們的方法,對100個圖像樣本(50個污染樣本和50個未污染樣本)進行了包括特征評估,參數(shù)設(shè)置和分類的若干實驗。結(jié)果表明,我們方法的分類精度可以達到98.33%,整個過程(訓練和測試)用時0.020s。因此,我們基于GBDT的方法有助于未來的海洋污染檢測。兩種算法的污染監(jiān)測效果都較好,有望使用在未來的海洋污染監(jiān)測中。
【學位單位】：天津大學
【學位級別】：碩士
【學位年份】：2018
【中圖分類】：X87;TP751;TP181
【部分圖文】：

類文明的發(fā)展，人們在不斷的追求著更舒適的生活。但卻、土地以及海洋污染。特別是海洋污染，每年有上萬噸的海洋的生態(tài)環(huán)境造成了巨大的破壞。中國半封閉內(nèi)海，自凈能力差，周邊又都是工業(yè)發(fā)達城市每年排入渤海的污染物達 70 多萬噸，占全國污染物總量排排污口攜帶大量懸浮顆粒物、營養(yǎng)鹽、重金屬入海，渤不斷增大。鄰渤海，并且位于渤海的最內(nèi)部，與渤海其它海域相比，能力更加脆弱。天津又是重工業(yè)較為發(fā)達的城市，每年向得天津周邊的海洋污染十分嚴重。圖 1-1 是 2014 年渤海狀況。圖中監(jiān)測點的顏色越紅，污染越嚴重。從圖中可以十分嚴重的排污口就有 4、5 個，對渤海灣造成了嚴重的

圖 1-4 地圖中交通“順暢”與“擁堵”示意圖也是關(guān)聯(lián)規(guī)則的重要應(yīng)用，在購物時，穿衣搭配是導(dǎo)搭配專家和達人生成的百萬級別的搭配組合數(shù)據(jù)，以以利用關(guān)聯(lián)規(guī)則從以上數(shù)據(jù)中挖掘出符合不同年齡階

圖 2-1 Grab-Cut 算法效果展示ut 算法是在 Graph Cuts 算法基礎(chǔ)上發(fā)展而來的，是其改進uts。該算法利用了圖像中的紋理顏色信息和邊界反差信息互操作即可得到比較好的分割結(jié)果，能夠很好的分割出前ut 算法是微軟研究院的一個課題，主要功能是圖像分割和外面畫一個框，把目標框住，它就能夠完成良好的分割。戶交互，比如用戶指定一些像素屬于目標，那么分割的效 Border Matting 技術(shù)會使目標分割邊界更加自然。當然，美的地方，如果說背景比較復(fù)雜或者背景和目標相似度很不好了。而且，該算法或多或少還是需要較多的人工參與域識別。
【相似文獻】

相關(guān)期刊論文 前10條

1 劉增偉;;關(guān)于遙感圖像云檢測方法研究進展[J];數(shù)字通信世界;2019年04期

2 徐秋曄;李玉;林文杰;趙泉華;;基于信息聚類的遙感圖像分割[J];中國礦業(yè)大學學報;2017年01期

3 彭晏飛;周娟;訾玲玲;;于衛(wèi)星地域遙感圖像分割方法研究仿真[J];計算機仿真;2017年01期

4 盛啟慧;李啟明;;航空遙感圖像幾何校正模型的效果比較[J];現(xiàn)代計算機(專業(yè)版);2017年17期

5 劉寧波;孫艷麗;王杰;;基于場景語義的遙感圖像目標識別[J];現(xiàn)代電子技術(shù);2017年11期

6 王超英;;統(tǒng)計學習在海上遙感圖像背景去噪的算法研究[J];艦船科學技術(shù);2017年12期

7 姚銳;付卓新;;關(guān)于森林資源二類調(diào)查中遙感圖像的應(yīng)用分析[J];北京農(nóng)業(yè);2016年01期

8 李哲學;;改進高斯混合模型的遙感圖像增強方法[J];激光雜志;2016年07期

9 雷笑笑;;試論遙感圖像在師范地理教學中的應(yīng)用[J];山西青年;2017年03期

10 舒建文;周云真;;航空遙感圖像中道路檢測方法研究與仿真[J];計算機仿真;2013年09期

相關(guān)博士學位論文 前10條

1 倪維平;高分辨遙感圖像統(tǒng)計處理及分析若干關(guān)鍵技術(shù)研究[D];西安電子科技大學;2016年

2 吳其昌;復(fù)雜場景下高分辨率遙感圖像目標識別方法及應(yīng)用研究[D];國防科學技術(shù)大學;2016年

3 姚西文;高分辨率光學遙感圖像場景理解關(guān)鍵技術(shù)研究[D];西北工業(yè)大學;2016年

4 紀強;航天遙感圖像去除冗余數(shù)據(jù)的若干算法研究[D];武漢大學;2013年

5 田麗華;基于聚類分析的遙感圖像分割方法[D];吉林大學;2018年

6 林劍;基于模糊理論的遙感圖像分割方法研究[D];中南大學;2003年

7 蔣艷凰;遙感圖像高精度并行監(jiān)督分類技術(shù)研究[D];國防科學技術(shù)大學;2004年

8 陶午沙;基于結(jié)構(gòu)模型的遙感圖像軍事陣地目標特征分析及其識別技術(shù)研究[D];國防科學技術(shù)大學;2004年

9 張秉仁;遙感圖像三維技術(shù)研究及古黃河源頭水系的新發(fā)現(xiàn)[D];吉林大學;2005年

10 彭玲;基于小波域隱馬爾可夫樹模型的遙感圖像紋理分類研究[D];中國科學院研究生院（遙感應(yīng)用研究所）;2005年

相關(guān)碩士學位論文 前10條

1 劉曉芳;基于深度學習的遙感圖像海岸線提取和地物分類[D];廈門大學;2017年

2 湯楊;遙感圖像污染監(jiān)測分析的機器學習算法實現(xiàn)[D];天津大學;2018年

3 蔣鈺;基于光譜信息的指定地物遙感圖像彩色增強方法[D];南京師范大學;2016年

4 王詩堯;單幅遙感圖像去薄云算法研究[D];武漢大學;2017年

5 孫超;基于混合方法的衛(wèi)星遙感圖像自動配準技術(shù)的研究[D];吉林大學;2018年

6 李瑋;遙感圖像PanSharpening融合方法的研究[D];吉林大學;2018年

7 張永芳;基于聚類算法的遙感圖像林地區(qū)域分割方法研究[D];蘭州交通大學;2018年

8 馬鵬;基于形態(tài)學的遙感圖像地表水體分割與監(jiān)測方法研究[D];蘭州交通大學;2018年

9 蔣鵬飛;改進的小波變換在遙感圖像降噪中的應(yīng)用[D];成都理工大學;2018年

10 徐小棟;基于深度學習的遙感圖像的重構(gòu)和分類算法研究[D];北京化工大學;2018年

本文編號：2888670