MatralImageLib：一个用于创建常见海岸图像产品的软件

软件X 20（2022）101215原始软件出版物MatralImageLib：一个用于创建常见海岸图像产品的放大图片作者：Maile P. McCanna，b， Dylan L. Andersonb，c，Christopher R.舍伍德d布列塔尼布鲁德b，A.放大图片作者：Katherine L.布罗迪baSonny Astani，南加州大学土木环境工程系，美利坚合众国，洛杉矶，CAb美 国海岸和水力学实验室陆军工程研究和发展中心，1261鸭路，基蒂霍克，北卡罗来纳州27949，美利坚合众国c美利坚合众国北卡罗来纳州立大学土木、建筑和环境工程系，北卡罗来纳州罗利，邮编27607。d美国地址：384 Woods Hole Rd，Woods Hole，MA 02543ar t i cl e i nf o文章历史记录：收到2021年8月2日收到修订版，2022年9月3日接受，2022年保留字：Python海岸成像摄影测量Argusa b st ra ctMatralImageLib是一个Python库，用于生成用于定量分析沿海环境的常见沿海图像产品。该库包含的功能包括：地理校正和合并多个倾斜相机视图，为给定的一组图像生成统计图像产品，以及创建用于测深反演、表面电流估计、助跑计算和其他定量分析的二次采样像素仪器。该软件包旨在成为未来沿海成像应用的开放源码、可广泛推广的前端，最终扩大用户对沿海环境光学遥感的可及性。该软件包的开发和测试收集的数据从阿格斯塔，一个43米高的观察结构在达克，北卡罗来纳州在美国陆军工程师研究和发展 中 心 的 现 场 研 究 设 施 ， 拥 有 六 个 固 定 的 相 机 ， 收 集 每 小 时 两 次 的 沿 海 图 像 产 品 。 因 此 ，MITALImageLib还包含设计用于与Argus Tower中实现的文件存储和收集系统接口的功能。©2022由Elsevier B.V.发布这是CC BY许可下的开放获取文章（http://creativecommons.org/licenses/by/4.0/）中找到。代码元数据当前代码版本1.0.0此版本使用的存储库的永久链接https://github.com/ElsevierSoftwareX/SOFTX-D-21-00144代码海洋计算胶囊提交出版。等待批准。法律代码许可证MIT开源许可证使用git的代码版本控制系统使用Python 3.10的软件代码语言、工具和服务，Python 3.10包：OpenCV、NumPy、SciPy、os、sys、MatPlotLib、math、imageIO编译要求、操作环境依赖性请参阅GitHub存储库中的《RealImageLib用户手册》链接到开发人员文档/手册请参阅GitHub存储库中的《RealImageLib用户手册》问题支持电子邮件mailemcc@usc.edu1. 动机和意义光学遥感已成为沿海科学家和工程师扩大研究能力的重要工具，通讯作者：Sonny Astani Department of Civil& Environmental Engineering，University of Southern California ， Los Angeles ， CA 90089 ， United States ofAmerica。电子邮件地址：mailemcc@usc.eduMaile P. McCann）。https://doi.org/10.1016/j.softx.2022.101215近岸，提供低成本，准确，灵活的方法表征沿海环境。光学图像可以通过一系列遥感方法收集，典型的应用是使用安装在高架平台上的固定相机俯瞰海岸。第一个海岸视频监控系统，称为Argus摄像机系统（以希腊神话中有100只眼睛的人物命名），由俄勒冈州立大学的海岸成像实验室在20世纪80年代早期开发[1]，类似的海岸成像站今天继续在世界范围内使用2352-7110/©2022由Elsevier B. V.出版这是CC BY许可下的开放获取文章（http://creativecommons.org/licenses/by/4.0/）。可在ScienceDirect上获得目录列表SoftwareX期刊主页：www.elsevier.com/locate/softx梅勒山口作者：Dylan L.作者：Christopher R.Sherwood等人软件X 20（2022）1012152[2低成本视频硬件的后续进展进一步扩大了光学遥感的使用，以从无人机安装的相机[8]甚至自由冲浪相机[9]等工具收集数据使用该技术，量化来自遥感产品的近岸动力学的算法可以估计地球物理参数，例如二维表面流[10-此外，海岸成像的最新进展开始利用机器学习和计算机视觉算法，例如使用深度学习的光波测量[21]，从训练的神经网络中自动进行海滩状态分类[22]，从神经网络中进行rip-current检测[23]，以及结合合成和真实图像的算法来训练测深反演模型[24]。这些进步激发了对通用海岸成像库的需求，该库可以与所有基于Python的机器学习和计算机视觉软件包（ 如 TensorFlow [25] ， PyTorch [26] ， Scikit-learn [27] 和OpenCV [28]）接口。然而，许多近岸成像平台或者是黑盒算法或 者 具 有 防 止 修 改 的 许 可 （ 例 如 ， Argus [1] ， Cam-Era ，HORUS ， MesalCOMS ， KOSTASYSTEM ， COSMOS [5] ） .SIRENA提供了基于Java的代码[4]，而Beachkeeper plus [29]和ULISES [30]提供了基于Matlab的代码，这些代码也可以在Octave中运行。此外，所有上述算法都需要共同的摄影测量在数据预处理期间起作用，以便将倾斜图像转换成兼容的经地理校正的输入图像。必要的摄影测量功能可以包括地理校正，这是将倾斜图像中的像素坐标转换为真实世界坐标、合并多个相机视图、准备统计图像产品和/或从输入图像创建选定像素输出的过程。这些预处理步骤有时超出了沿海科学家，工程师和海洋学家的专业知识，这可能会限制光学遥感算法对具有广泛摄影测量背景的人的可用性[31]。已采取措施弥合知识差距，摄影测量学基础，如创建海岸成像研究网络（CIRN），这是一个合作开发和实施海岸成像方法的国际研究人员网络[32]。CIRN的研究人员开发了CIRN定量成像系统[31]，它是一个用户可访问的端到端软件包，用于创建沿海图像产品。然而，这个工具箱是建立在Matlab上的，这可能是成本高昂的，并且不容易与开源工具，如机器学习包（TensorFlow，PyTorch，Scikit-learn）和OpenCV 等 计 算 机 视 觉 包 接 口 CIRN 的 QuantitativeImagingLibMITALImageLib改编自CIRN 定量海岸成像库[31]，ARGUS海岸成像系统[1]和MITALCam系统[33]中的功能，以提供与其他有用的基于Python的计算机视觉算法接口的开源软件包除了CIRN然而，Picoastal也专注于硬件组件，而我们在本文中提出的软件包将是一个专门的软件包，其目的是为可能与各种硬件应用程序 接口的应用程 序提供可构建 的基础， 而不仅仅是Argus/CIRN/ Picoastal框架。最近大量的硬件和近岸图像具有相当大的潜力，可用于沿海监测慢性和偶发性灾害，激发了对这种开源工具箱的需求，沿海研究界可以利用这种工具箱，衍生出可相互比较的产品。最终，该软件包旨在成为未来海岸成像应用的广泛推广的基础前端，可以利用有价值的计算机视觉和机器学习技术。2. 软件描述MateralImageLib包包含的模块可用于地理校正和合并多个相机视图、计算统计图像产品以及创建子采样像素时间堆栈。这些产品可以用于广泛的光学遥感应用，库本身可以直接与开源计算机视 觉 和 机 器 学 习 算 法 （ 如 OpenCV ， PyTorch ， SciPy 和TensorFlow）接口2.1. 软件构架下面的列表描述了Coastal- ImageLib的库结构，用分层文件系统表示。每个模块（*.py文件）中包含的所有类都以斜体显示类及其包含的方法不需要特定的实现顺序建议的工作流包含在VisualImageLib存储库中的说明性示例脚本编译器笔记本中。每个模块的详细描述可参见以下软件功能部分。图像库/– corefunctions.pyclass XYZGrid（）class CameraData（）– supportfunctions.py– argusIO.py主要的用户交互模块是corefunctions.py。此模块中包含两个类：XYZGrid（）和CameraData（）。这些类捆绑了对纠正过程至关重要的数据和功能。XYZGrid（）保存将在其上进行校正或像素子采样的真实世界目标网格CameraData（）保存相机校准值，并包含用于外部值变换的方法和用于计算相机矩阵的方法。用户必须为每个所需的校正网格和每个校准的相机初始化这些类的实例。2.2. 软件功能：corefunctions.py2.2.1. 地理校正和合并多个相机视图模块corefunctions.py包含一系列功能，这些功能实现基本摄影测量计算，以将倾斜图像地理校正到用户定义的真实世界XYZ网格上，并合并多个相机视图（灰度和彩色图像）。此外，此模块还包含为给定图像集生成统计图像产品的功能以及它们对应的相机外部和内部值，以及生成用于测深反演、表面电流或助跑计算的像素仪器的函数。对于校正任务，用户首先要创建一个XYZGrid（）对象。用户指定x和y限制以及x和y方向上真实世界网格的分辨率有关如何定义坐标系的信息，请参见《ImageLib用户手册》接下来，用户为正在使用的每个校准的相机创建CameraData（）对象。此类的每个实例都需要梅勒山口作者：Dylan L.作者：Christopher R.Sherwood等人软件X 20（2022）1012153图1.一、校 正 过程的示意图，以灰度显示。但是，支持灰度和彩色图像所有摄像机固有值和非固有值对于该设备是唯一的对于尚未校准且 内 部 值 未 知 的 摄 像 机 ， 用 户 可 直 接 访 问 CalTech CameraCalibra- tion库[35]或其他相关校准库，例如OpenCV [28]中包含的校准函数。内在值在直接线性变换表示法[36]中被接受，CIRN已将其作为通用约定[31]。有关校准和固有值格式的详细信息，请参见《ImageLib用户还可以可选地指定所使用的坐标系，并进一步选择提供用于坐标变换的局部原点。如果使用非固定摄像机（例如无人机安装的摄像机）捕获倾斜图像，则用户将被引导至CIRN定量海岸成像库进行校准和稳定化[31]。请注意，此库需要固定地面控制点（GCP）和稳定控制点（SCP）。有关GCP和SCP的详细信息，请参见CIRN定量海岸成像库用户手册[31corefunctions.py函数mergeRectify（）旨在将一个时间戳处的一个或多个摄像机合并并校正为一个单一的框架，如图所示。1.一、对于多个后续帧，用户可以通过mergeRectify（）循环并校正相同XYZ网格上的每个所需帧，或者调用函数rectVideos（）来合并并校正来自以视频格式提供的一个或多个摄像机的帧，以相同的时间和帧速率采样。多个相机的合并包括直方图匹配步骤，其中第一相机视图的直方图被用作用于平衡后续相机视图的参考直方图此步骤有助于消除可见的相机接缝并提高照明的一致性[28]。2.2.2. 统计图像产品corefunctions.py模块还包含函数im-ageStats（），用于以灰度或彩色为包含在三维阵列中的给定的所有图像乘积计算均取自Argus视频监控惯例[1]。产品及其描述如下：1. 亮度：这些图像是整个集合中每个像素位置的所有最亮（最大）像素强度的合成2. 最暗：这些图像是整个集合中每个像素位置处所有最暗（最小）像素强度在间歇性破裂的区域，历史上使用最暗的图像来观察水柱[37]。3. Timex：时间曝光（Timex）图像表示在采样期间捕获的所有帧的数学时间平均值。移动的特征，包括波浪和船只，被平均掉，只有平均亮度被重新翻转.碎波带中波浪反复破碎的区域显示为白色条带，这有助于定位和确定沙坝和裂槽的形态[15]。4. 方差：方差图像是从在采样周期内捕获的所有帧的图像强度的方差中找到的。方差图像在变化最大的地方最亮。方差图像主要用于描绘碎波带和波浪破碎区域[1]。2.2.3. 像素产品corefunctions.py模块还包含函数pixel- Stack，用于以灰度或梅勒山口作者：Dylan L.作者：Christopher R.Sherwood等人软件X 20（2022）1012154图二. 由 i m a g e S t a t s 计 算 的 每个统计图像产品的示例。图3.第三章。在 来自六台Argus相机的输入倾斜图像上 绘 制 的像素位置。颜色用于算法，如测深反演，表面电流估计，或助跑计算。像素时间堆栈显示像素强度随时间的变化。主要的像素产品如下所示，但是可以从这些主要类别中创建其他仪器。例如，可以通过创建长度为1的沿岸断面来生成单个像素，这可能对估计波浪周期[38]有用1. 网格（在Holman和Stanley 2007以及其他引用Argus图像产品的出版物中也称为Bathy Array [1]）：这是一个覆盖整个近岸的二维像素阵列，可用于测深估计算法[14]。示例网格产品如图1A和1B所示。3和42. 沿岸/ Y型断面（有时称为Vbar [1]）：该产品通常用于估算沿岸流[39]。3. 跨岸/ X断面（有时称为爬高阵列[1，38]）：跨岸断面可用于估算波浪爬高。沿岸和跨岸像素仪器如图所示. 五、2.3. 软件功能：supportfunctions.py该模块包含独立于任何覆盖类或特定工作流的功能，用于帮助用户利用核心功能。supportfunctions.py包含格式化内部文件、将外部坐标与地理和本地坐标系相互转换、计算外部值以及利用ImageLib库的核心函数所需的其他步骤的支持函数。此外，supportfunctions.py包含与Argus技术接口的功能，最初由俄勒冈州立大学海岸成像实验室开发的相机系统[1]，包括从UTC时间戳创建Argus兼容文件名的功能，以及将原始（.raw）Argus文件转换为从Argus相机系统收集的交付文件转换原始Argus数据使用argusIO.py 中 包 含 的 函 数 。 但 是 ， 本 文 将 不 会 进 一 步 讨 论argusIO.py因为它不适用于在Argus系统之外收集的数据。库中包含argusIO.py 模块， 便于Argus 特定应 用程序使用 。有 关supportfunctions.py的更多详细文档，以及有关argusIO.py的进一步讨论，请参见《ImageLib用户手册》。3. 说明性示例：固定多摄像头演示数据对于处理示例数据的交互式示例脚本，用户将被定向到名为“DataImageLib”的DataImageLib存储库中_Illustrative_Example.ipynb 。 此 脚 本 引 导 用 户 使 用MapalImageLib工具箱的五个主要功能：梅勒山口作者：Dylan L.作者：Christopher R.Sherwood等人软件X 20（2022）1012155见图4。图 3所示像素位置处的输出像素网格，分辨率为5 m。1. 校正来自多个相机的单个倾斜帧。倾斜输入以及示例脚本的正确地理校正输出如图所示。1.一、2. 校正来自多个相机的多个倾斜帧3. 校正来自多个摄像机的倾斜视频4. 创建像素时间堆栈。在本节中创建的像素网格的预期输出如图所示。图4中示出了投影到倾斜输入帧上的像素位置。3.第三章。 如果用户循环浏览较长的图像数据集，并从多个后续图像中检索沿岸和跨岸断面的二次采样像素，结果应类似于图1所示的图。 五、5. 计算图像统计。来自提供的示例数据的预期输出包括在图中。 二、所提供的固定多摄像机演示数据来自位于Duck，NC的ArgusTower [1]顶部的六个固定摄像机。数据是从倾斜的视频，最初是17分钟长，以每秒2帧捕获的二次采样。每个视频都是同时录制的。每个摄像机的外部和内部值以直接线性变换系数格式以及CIRN约定提供。4. 影响与CIRN的理念[31]一致，MITALImageLib的预期影响是减少海岸工程师、地球科学家和海洋学家在探索光学遥感时可能面临的摄影测量的进入障碍。此外，这一整套措施是社区可以扩大的一个可广泛推广的组成部分。最近的丰富低成本的相机硬件和可用的近岸图像为未来的慢性和偶发性灾害的沿海监测提供了相当大的潜力，激发了对整个社区可以建立相互比较的产品。最终，这个图书馆的目标是增加定量海岸研究从光学遥感在扩大的位置，环境条件，空间或时间尺度。与大多数以前用于沿海环境的光学遥感软件包不同的是，MatralImageLib是开源的，因为Python和其他所需的软件包是免费的，可以公开使用，因此提供了一个基础软件包，可以在其上构建更多的开源沿海成像软件包。由于该库使用Python，因此该库的未来构建可以利用有价值的开源Python包进行计算机视觉和机器学习，例如OpenCV，TensorFlow，PyTorch和SciPy。利用这些能力的能力为广泛发展沿海成像方式打开了大门，利用了以前在沿海环境光学遥感中未探索过的新技术。5. 结论MapalImageLib是一个基于Python的库，它可以生成地理校正图像以及用于海岸环境定量分析的常见海岸图像产品。该库包含的功能包括地理校正和合并多个倾斜相机视图，为给定的一组图像生成统计图像产品，以及创建用于测深反演、表面电流、助跑计算和其他定量分析的二次采样像素计算。此外，该库还包含支持函数，用于从各种输入文件格式格式化相机内在值，将外在值从地理坐标转换为用户定义的本地坐标，以及与基于Argus的相机系统接口的函数。这个软件包打算成为一个开源的、可广泛推广的前端未来的沿海成像应用，最终扩大用户的沿海环境光学遥感。竞合利益作者声明，他们没有已知的竞争性财务利益或个人关系，可能会影响本文报告的工作数据可用性文件中包含了数据和代码的链接致谢这项工作由USACE土木工程海岸和海洋数据系统计划，遥感海岸变化和总水位/海岸变化项目在美国地质调查局海岸灾害和资源计划下资助。任何使用的贸易，公司或产品名称仅用于描述目的，并不意味着美国政府的认可。本材料基于部分由美国国家科学基金会（CMMI-1661052和ICER-1940351）资助的工作。本材料中表达的任何观点、发现、结论或建议均为作者的观点，不一定反映国家科学基金会的观点。作者要感谢Rob Holman 、Kent Hathaway和 JohnStanley帮助收集数据并为Argus铺平道路梅勒山口作者：Dylan L.作者：Christopher R.Sherwood等人软件X 20（2022）1012156图五. （a）Argus相机2拍摄的倾斜图像上显示的x断面的像素位置，以及该断面在整个过程中拍摄的像素时间堆栈（b）在Argus相机3拍摄的倾斜图像上显示的y断面的像素位置，以及在整个过程中从该断面拍摄的像素时间堆栈1分钟。引用[1] 放大图片作者：J.Argus的历史和技术能力Coast Eng 2007;54（6）：477-91. http://dx.doi.org/10.1016/j.coastaleng.2007.01.003 ， The ECONOViewProject ： Developing coastal video monitoring systems in support ofcoastal zone management.[2] Splinter KD，Harley MD，Turner IL.遥感正在改变我们对海岸的看法：来自澳大利亚Narrabeen-Collaroy 40年监测的见解。远程传感器2018;10（11）。http://dx.doi.org/10.3390/rs10111744，URLhttps://www.mdpi.com/2072-4292/10/11/1744。[3] Davidson MS，van Koningsveld M，de Kruif A，Rawson J，Holman RA，Lamberti A，et al. The Oscillation View project：Developing video-derivedcoastalstate indicators in support of coastal zone management. CoastEng2007;54：463-75.[4] Nieto MA，Garau B，Balle S，Simarro G，Zarruk GA，Ortiz A，et al. Anopen source ， low cost video based coastal monitoring system.2010 年 ，http：//dx.doi.org/10.1002/esp.2025网站。[5] Taborda R，Silva A. COSMOS：一个轻量级的海岸视频监控系统。ComputGeosci2012;49 ： 248-55.http://dx.doi.org/10.1016/j.cageo 的 网 站 。2012.07.013。[6] 作者：J.J. A，J. 一个新的视频监控系统支持意大利apulia地区的海岸带管理。海洋海岸管理2017;142：122-35。http://dx.doi.org/10.1016/j.ocecoaman的网站。2017.03.032，URLhttps://www.sciencedirect.com/science/article/pii/S0964569117303253。[7] Power HE，Kinsela MA，Stringari CE，Kendall MJ，Morris BD，HanslowDJ。使用低成本照相机系统自动感测跨越岩石海岸平台的波浪淹没。远程传感器 2018;10 （ 1 ） 。 http://dx.doi.org/10 的 网 站 。 3390/rs10010011 ，URLhttps://www.mdpi.com/2072-4292/10/1/11。[8] Holman RA，Brodie KL，Spore NJ.使用小型四轴飞行器的冲浪区表征IEEETransGeosciRemoteSens2017;55（4）：2017-27.http://dx.doi.org/10.1109/TGRS.2016.2635120网站。[9] Conlin MP，Adams PN，Wilkinson B，Dusek G，Palmsten ML，Brown JA。SurfRCaT：用于远程校准现有海岸相机使其能够作为定量沿海监测工具使用。SoftwareX 2020;12：100584.http://dx.doi.org/10.1016/j.softx.2020.100584，网址https：//www.sciencedirect.com/science/article/pii/S2352711020302971网站。[10][10]杨文辉，李文辉.在碎波带中量化光学导出的二维波浪平均流。远程传感器2021;13（4）. http://dx.doi.org/10.3390/rs13040690网站。[11] Holman R，Haller MC.近岸的遥感。Annu Rev Mar Sci 2013;5（1）：95-113. http://dx.doi.org/10.1146/annurev-marine-121211-172408.[12]Haller M，Honegger D，Catalán P.通过海洋雷达进行的Rip海流观测。JWaterw Port Coast Ocean Eng 2014;140 ： 115-24. http://dx.doi.org/10.1061/（ASCE）WW.1943-5460.0000229。[13]沈春，黄伟，吉尔，卡拉斯科，霍斯特曼。基于X波段海洋雷达图像的海流反演算法。远程传感器2015;7（6）：7753-67。http://dx.doi.org/10.3390/rs70607753网站。[14]Holman R，Plant N，Holland T. cBathy：一种用于估算近岸水深的稳健算法。J Geophys Res：Oceans 2013;118（5）：2595-609. 网址：//dx.doi.org/10.1002/jgrc.20199网站。[15] Lippmann TC，Holman RA.沙洲形态的量化：基于波浪耗散的视频技术 。 JGeophysRes ： Oceans1989;94 （ C1 ） ： 995-1011.http://dx.doi.org/10.1029/JC094iC01p00995网站。[16] Dérian P，Almar R.基于小波的瞬时表面流的光流估计来自岸基和无人机视频。IEEETransGeosciRemoteSens2017;50：5790http://dx.doi.org/10.1109/TGRS.2017.2714202网站。[17] NG工厂、Holland KT、Haller MC。从波浪分辨时间序列图象估算海洋波数 。 IEEETransGeosciRemoteSens2008;46 （ 9 ） ： 2644-58.http://dx.doi.org/10.1109/TGRS.2008.919821网站。[18]Harley M，Turner I，Short A，Ranasinghe R.评估和整合利用常规、RTK-GPS和图像派生海滩调查方法进行每日至十年期的沿海监测。Coast Eng2011;58：194-205. 网址：//dx.doi.org/10.1016/j.coastaleng.2010.09.006网站。[19]NG工厂，Aarninkhof SGJ，Turner IL，Kingston KS。 性能海岸线检测模型应用于视频图像。J Coast Res2007;23（3）：658-70.梅勒山口作者：Dylan L.作者：Christopher R.Sherwood等人软件X 20（2022）1012157[20]Alexander PS，Holman RA.基于视频成像的近岸地貌定量化研究。Mar Geol2004;208（1）：101-11.http://dx.doi.org/10的网站。1016/j.margeo.2004.04.017。[21]Buscombe D，Carini RJ，Harrison SR，Chickadel CC，Warrick JA. 使用深度神经网络的光波测量。海岸工程2020;155：103593.[22]Ellenson AN，Simmons JA，Wilson GW，Hesser TJ，Splinter KD. 使用Argus图像和卷积神经网络进行海滩状态识别。远程传感器2020;12（23）.http://dx.doi.org/10.3390/rs12233953网站。[23]de Silva A，Mori I，Dusek G，Davis J，Pang A.使用基于区域的卷积神经网络自动检测撕裂电流。2021，CoRRabs/2102.02902。[24]Collins AM，Brodie KL，Bak AS，Hesser TJ，Farthing MW，Lee J等人，Bathymetric inversion and uncertainty estimation from synthetic surf-zoneimagery with machine learning。远程传感器2020;12（20）. 网址：//dx.doi.org/10.3390/rs12203364网站。[25]Abadi M ， Agarwal A ， Barham P ， Brevdo E ， Chen Z ， Citro C ， etal.Tensorflow：异构分布式系统上的大规模机器学习。2016年，arXiv预印本arXiv：1603.04467。[26]Paszke A， Gross S， Massa F ， Lerer A ， Bradbury J， Chanan G， et al.Pytorch：An imperative style，high-performance deep learning library.高级神经信息处理系统2019;32.[27]Pedregosa F ， Varoquaux G， Gramfort A， Michel V， Thirion B， GriselO ， et al. Scikit-learn ： Machine learning in Python. J Mach LearnRes2011;12：2825-30.[28]布拉德斯基湾OpenCV库。Dobb[29]Brignone M ， Schiaffino C ， Isla F ， Ferrari M. 海 滩 视 频 监 控 系 统 ：Beachkeeper Plus. Comput Geosci 2012;49 ： 53-61. 得 双 曲 正 切 值 .doi.org/10.1016/j.cageo.2012.06.008网站。[30]Simarro G，Ribas F，Alvarez A，Guillen J，Chic O，Orfila A. ULISES：一个开放源代码，用于沿海视频监控系统的外部校准和平面视图生成。J CoastRes 2017;33（5）：1217网址：//dx.doi.org/10.2112/JCOASTRES-D-16-00022网站。[31]Bruder BL ， Brodie KL.CIRN 定 量 海 岸 成 像 工 具 箱 。 SoftwareX 2020;12 ：100582. http://dx.doi.org/10.1016/j.softx.2020.100582网站。[32]放大图片Palmsten M，Brodie K.海岸成像研究网络（CIRN）。远程传感器2022;14：453。http://dx.doi.org/10.3390/rs14030453网站。[33]舍 伍 德 角利 用 视 频 图 像 来 研 究 草 甸 海 滩 的 头 部 。 2021 年 ， 网 址https://www.usgs.gov/centers/whcmsc/science/using-video-imagery-study-head-meadow-beach。[34]Picoastal：一种低成本的沿海视频监控系统。SoftwareX 2022;18：101073.http://dx.doi.org/10.1016/j.softx.2022.101073，网址https：//www.sciencedirect.com/science/article/pii/S2352711022000541网站。[35]布盖 J-Y 相机 校准图书馆 为Matlab， 1080.2008年，http：//www.vision.caltech.edu/bouguetj/calib_doc网站。[36]Abdel-Aziz YI，Karara HM.近景摄影测量中从比较器坐标到物方坐标的直接线性变换。摄影工程遥感1971;81：103-7.[37]Clarke LB ， Werner BT. 近 岸 水 深 模 式 的 天 气 成 像 。 地 球 物 理 研 究 杂 志2003;108：5-1-5-13.[38] Stockdon HF ， Holman RA. 从 视 频 图 象 估 算 波 相 速 度 和 近 岸 水 深 。 JGeophysRes：Oceans2000;105（C9）：22015-33.http://dx.doi.org/10.1029/1999JC000124网站。[39]放大图片作者：J.测量沿岸流的光学技术。108.第108章. http://dx.doi.org/10的网站。1029/2003JC 001774。