CN106127725A - 一种基于多分辨率cnn的毫米波雷达云图分割方法 - Google Patents

一种基于多分辨率cnn的毫米波雷达云图分割方法 Download PDF

Info

Publication number
CN106127725A
CN106127725A CN201610323595.3A CN201610323595A CN106127725A CN 106127725 A CN106127725 A CN 106127725A CN 201610323595 A CN201610323595 A CN 201610323595A CN 106127725 A CN106127725 A CN 106127725A
Authority
CN
China
Prior art keywords
layer
image
cloud
represent
map
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201610323595.3A
Other languages
English (en)
Other versions
CN106127725B (zh
Inventor
毋立芳
贺娇瑜
张加楠
马玉琨
张世杰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing University of Technology
Original Assignee
Beijing University of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing University of Technology filed Critical Beijing University of Technology
Priority to CN201610323595.3A priority Critical patent/CN106127725B/zh
Publication of CN106127725A publication Critical patent/CN106127725A/zh
Application granted granted Critical
Publication of CN106127725B publication Critical patent/CN106127725B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10032—Satellite or aerial image; Remote sensing
    • G06T2207/10044—Radar image

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Image Analysis (AREA)

Abstract

一种基于多分辨率CNN的毫米波雷达云图分割方法属于图像分割领域。利用毫米波云雷达获取高时空分辨率的水平垂直结构的云演变图，其特征在于充分利用了云图上下文的信息，通过将三个不同分辨率的图像区域分别输入到三个相同参数配置的CNN网络中来学习云图的局部和全局特征，然后将学习到的特征通过神经网络的分类器可以实现“云”和“非云”的分类，进而实现云图的分割，最后综合三个网络的分割结果将云图的分割准确度达到了99.67％。

Description

一种基于多分辨率CNN的毫米波雷达云图分割方法
技术领域
本发明属于图像分割领域，具体涉及生物特征提取和分类。利用毫米波云雷达获取高时空分辨率的水平垂直结构的云演变图，提出了一种基于多分辨率CNN(MR-CNN)的云图像分割方法。
背景技术
云是大气中水汽凝结成的水滴、过冷水滴、冰晶或者它们混合组成的悬浮在空中的可见聚合体，有时还包含一些较大的雨滴、冰粒及雪晶，是一种常见的天气现象。云的观测是地面观测的重要部分之一，云准确无误的观测，能够为天气预报、飞行安全、人工增雨作业等提供不同程度的帮助。目前，获取云观测资料的信息主要是通过卫星遥感和地基观测两种方式。前者可获得全球范围全部时段的云观测资料，但受空间分辨率及云层底部和多层云观测能力的限制，不能满足大气科学研究的需要。地基探测云参数有多种方式，如毫米波云雷达、激光云高仪、热红外成像仪、全天空成像仪、探空等。
本发明主要利用毫米波云雷达获取的高时空分辨率的云的水平垂直结构作为实验的原始数据，如图1所示。该云雷达是由中国气象探测中心、西安华腾微波有限责任公司和成都信息工程大学联合研制的Ka波段全固态全相参准连续波多普勒雷达，该云雷达的主要原理是利用云粒子对电磁波的散射特性，发射波长为8.6mm、峰值功率为4W的毫米波，采用垂直顶空瞄准式的工作方式，获得雷达的回波强度，通过伪彩色映射的原理，根据特定的颜色查找表，将不同的回波强度转换为彩色图像并进行保存和显示。雷达的回波强度可用来估算降雨和降雪强度及预测诸如冰雹、大风等灾害性天气出现的可能性，以单位dBZ表示。一般来说，毫米波云雷达回波强度的数值越大，就意味着降雨、降雪的概率越大，强度也越强，理论讲当它的值大于或等于40dBZ时，出现雷雨天气的可能性较大，而当它的值在45dBZ或以上时，出现暴雨、冰雹、大风等强对流天气的可能性较大，这时就需要监测人员和预报人员做出相应的预报、防范措施等。
如图1所示的12小时的云演变图，就是利用伪彩色映射的方法，将雷达回波强度转换为彩色图像，我们又将彩色图像转为灰度图像得到的，它可以将数量级的雷达回波强度转换为容易区分的灰度差异。由图示可以看出雷达回波强度越强，对应的灰色区域越平滑，反之，雷达回波强度越弱，对应的区域杂波越多。图像的横轴为时间轴，每一大格代表着2个小时，一大格分十个小格，每一小格代表12分钟；纵轴为高度轴，每一大格代表着3千米，一大格分十个小格，每一小格代表300米。可以看出，在低空以及某些情况下的高空，存在许多雷达回波强度很弱的，在图中显示杂波成分(如图1所示的黑框部分)，我们称之为“非云”部分，这些“非云”部分形成的主要原因是低空噪音及空气中的气溶胶粒子，这些杂波成分会对观测和预测的过程和结果造成一些干扰和影响，所以我们希望将这些“非云”部分与“云”的部分分开，即将“非云”部分去掉，这样才能后续的观测和预报提供更准确的数据。
最早的云图分类是由气象专家通过丰富的气象知识进行肉眼分析判断，但是随着探测技术的不断发展，我们每天可以收集到GB数量级以上的云图数据。如此海量的云图数据如果仅靠肉眼、手工来实现云图分割不仅繁琐耗时还易受主观因素影响。比如2013年中国气象局气溶胶与云降水重点开放实验室在大气科学学报上樊雅文等人发表的“毫米波雷达测云个例研究”中是只是通过结合回波强度的垂直廓线对云型的宏微观特征进行了初步表层分析。
还有，目前的云图分割大多是需要复杂的前期处理，而且是通过多次手工提取到相应的特征。如：2013年宁波大学的金炜等人提出的“一种卫星云图的二次聚类分割方法”中是通过提取云图样本点对应的多通道光谱特征及TPLBP纹理特征先得到子区域云图的分割结果，初次聚类之后再提取灰度均值特征和DI特征，最后再通过二次聚类来实现分割。
综上所述，现有的云图分割算法需要复杂的前期处理，还需要手工提取特征用来分割或是通过阈值判断进行分割等，这些方法都只能用于小范围的云图处理工作，并且分割精度不够高。针对这些问题，本发明提出将深度学习应用到云图分割领域，通过多分辨率CNN(MR-CNN)来提取毫米波雷达云图像的特征，充分利用了上下文的信息，最后结合多个网络的分割结果将云图的分割准确度达到了99.67％,相较于黄茜等人基于先验阈值面的夜空云图分割算法的准确率95％有了很大提升。
发明内容
本发明的目的是提供一种基于多分辨率卷积神经网络(MR-CNN)的毫米波雷达云图分割方法。
本发明采用的分割方法框架如图2所示。该方法主要是：以图像中的每个像素点为中心，充分利用上下文的信息，通过多次下采样并裁剪出不同分辨率的区域，将这些以像素点为中心的区域作为训练集来充分的训练我们设计好的CNN网络(如图3所示)。当网络训练达到最优的时候，我们可以将测试的图片做同样的图片处理，输入到我们训练好的CNN网络中来预测每个像素点的标签，最后将不同分辨率区域通过不同网络得到的分割结果图结合就可以得到最优的分割结果(如图4所示)。
下边介绍一下这种云图分割方法的具体步骤：
前期准备阶段：
1、准备数据集
本发明的数据集准备主要有两个方面。一是我们需要手工标记云图的groundtruth(因为云图像处理领域还没有公开的数据集，所以我们需要自己生成groundtruth，此处的手工标记不同于传统的手工提取特征，只需在训练阶段标记数十幅，测试阶段就可以自动分割了)作为训练CNN网络时候的监督信号；二是考虑到结合上下文的信息更有利于学习云图的特征，本发明需要通过多次下采样出不同分辨率的图像区域来充分的利用了云图像的局部和全局特征。具体预处理操作如下：
(1)生成groundtruth，如图5所示，(a)为原始云图，(b)为(a)所对应的groundtruth。我们只需要从云图像集中随机抽取数十张云图，因为后续的操作是基于像素点的，所以一般这里随机抽取P(20<P<90)张云图就可以了(数据量不需要太大)。利用Photoshop等画图软件手工将云图像中“云”和“非云”区域用黑白颜色区分，用于下一步的CNN网络训练。
(2)云图延伸。为了保证在采集训练集图像时，能够采集到整张图像的每一个像素点，我们首先对云演变图的边界进行了延伸，即为云图像A*B增加了C个像素的背景图像边界，此时图像变为(A+2C)*(B+2C)。
(3)训练集，训练集是对带有groundtruth的Q(一般情况,20<P<90)张A*B大小的云图进行处理。具体操作如下：
a.裁剪出高分辨率的图像D1用于输入CNN1训练网络。以A*B云图像中的像素点d为中心，以2C为边长裁出2C*2C的图像区域，再以该像素点d为中心，以C/2为边长裁剪出(C/2)*(C/2)大小的图像D1。D1就是以像素点d为中心所表示的图像中包含局部特征的图像。
b.通过一次下采样并裁剪出相对低分辨率的图像D2用于输入CNN2训练网络。同样以像素点d为中心，先将2C*2C的图像进行下采样得到C*C的图像区域，再在C*C的图像基础上，以d为中心，以C/2为边长裁剪出(C/2)*(C/2)大小的图像D2。D2此时既包含局部特征也包含相对全局的特征。
c.通过两次下采样并裁剪出低分辨率的图像D3用于输入CNN3训练网络。同样以像素点d为中心，这次直接将图像C*C下采样得到大小为(C/2)*(C/2)的图像D3。D3此时包含更多的全局特征。
d.此时Q(,20<P<90)张A*B云图所生成的不同分辨率的子图即为训练图片，再将Q(,20<P<90)张云图所对应的groundtruth转化为txt文件，放成list的形式(每个像素点是“云”还是“非云”用0或1表示)，即为训练标签。
这里需要说明的一点是本发明不是将图像中的每个像素点都生成训练集所需的图像，我们会跳过一些背景面积较大的区域(比如图1所示的白色背景)，因为这些区域所包含的图像特征过少，对我们训练集的针对性、多样性以及灵活性都无法起到帮助。
(4)测试集，测试集是对带有groundtruth的I(I＝P-Q，一般,20<P<90)张A*B大小的云图进行处理。具体操作如下：
a.裁剪出高分辨率的图像D1’用于输入CNN1测试网络。以A*B云图像中的像素点d’为中心，以2C为边长裁出2C*2C的图像区域，再以该像素点d’为中心，以C/2为边长裁剪出(C/2)*(C/2)大小的图像D1’。D1’就是以像素点d’为中心所表示的图像中包含局部特征的图像。
b.通过一次下采样并裁剪出相对低分辨率的图像D2’用于输入CNN2测试网络。同样以像素点d’为中心，先将2C*2C的图像进行下采样得到C*C的图像区域，再在C*C的图像基础上，以d为中心，以C/2为边长裁剪出(C/2)*(C/2)大小的图像D2’。D2’此时既包含局部特征也包含相对全局的特征。
c.通过两次下采样并裁剪出低分辨率的图像D3’用于输入CNN3测试网络。同样以像素点d’为中心，这次直接将图像C*C下采样得到大小为(C/2)*(C/2)的图像D3’。D3’此时包含更多的全局特征。
d.此时I(I＝P-Q，一般,20<P<90)张A*B云图所生成的不同分辨率的子图即为测试图片，再将I(I＝P-Q，一般,20<P<90)云图所对应的groundtruth转化为txt文件，放成list的形式(每个像素点是“云”还是“非云”用0或1表示)，即为测试标签。测试样本通过训练集生成的网络模型得到判断的结果，并与测试标签进行比对，得到该模型的准确性。需要注意的是为了测试网络的准确性，测试集与训练集不应该有重复的数据。
2、训练CNN
本发明采用的CNN结构如图3所示，该网络是通过对ImageNet库上图像分类Alex提出的AlexNet网络进行fine-tuning微调得到的。因为在ImageNet毕竟是一个千万级的图像数据库，当然我们也可以拿几千张或者几万张云图像来重新训练网络，但是重新训练一个新的网络是比较复杂的，而且参数不好调整，数据量也不够，因此fine-tuning微调就是一个比较理想的选择。该网络由5个卷积层、3个全连接层组成，并且只给卷积层C1、卷积层C2和卷积层C5加入了pooling层。F1到F3是全连接层，相当于在五层卷积层的基础上再加上一个三层的全连接神经网络分类器。需要注意的一点是，我们将AlexNet中F3的神经元个数由1000调为2，原因是为了实现“云”和“非云”的2分类。具体的微调过程：
输入(C/2)*(C/2)图像之后，CNN网络中的数据层会将图片重置为227*227大小，分为RGB三个颜色通道输入。如图3所示，C1～C5是卷积层，C1层卷积滤波器的大小是11*11，卷积的步长为4，本层共有96个卷积滤波器，则通过卷积运算：
(1)
表示C1层第i个输入的map集合，表示C1层第j个输出的map集合，表示的是C1层的第i个输入的map与第j个输出的map之间的卷积核，表示C1层第j个输出map的偏置，公式中的r表示权值共享的局部区域。卷积过程中加入了ReLUs线性修正操作，会大大降低是网络梯度下降的训练时间。
最后本层的输出是：(227-11)/4+1＝55，即55*55*96＝290400个神经元。在C1卷积滤波后，还接着有最大池采样(max-pooling)操作。max-pooling是一种非线性降采样方法，在通过卷积获取图像特征之后是利用这些特征进行分类，可以用所有提取到的特征数据进行分类器的训练，但这通常会产生极大的计算量，所以在获取图像的卷积特征后，要通过max-pooling方法对卷积特征进行降维，这些降维后的特征更容易进行分类。此pooling层核大小为3，步长为2，则第一个卷积层(C1)Pooling之后的输出：(55-3)/2+1＝27，即27*27*96＝69984个神经元。
根据这个思路，C2层卷积核的大小为5，pad为2，卷积的步长为1，本层共有256个卷积滤波器，同样通过卷积运算：
(2)
表示C2层第i个输入的map集合，表示C2层第j个输出的map集合，表示的是C2层的第i个输入的map与第j个输出的map之间的卷积核，表示C2层第j个输出map的偏置，公式中的r表示权值共享的局部区域。卷积过程中同样加入了ReLUs线性修正操作，会大大降低是网络梯度下降的训练时间。
最后C2层的输出是：(27-5+2*2)/1+1＝27,即27*27*256＝186624个神经元。在C2卷积滤波后，接着同样有最大池采样(max-pooling)操作。此pooling层核大小为3，步长为2，则第二个卷积层(C2)Pooling之后的输出：(27-3)/2+1＝13，即13*13*256＝43264个神经元。
如图3所示的网络，C3层的卷积核大小为3，pad为1，卷积的步长为1，本层共有384个滤波器，则C3层最后的输出是(13-3+2*1)/1+1＝13，即13*13*384＝64896个神经元。C4的输出是(13-3+2*1)/1+1＝13，384个滤波器，即13*13*384＝64896个神经元。C5层输出(13-3+2*1)/1+1＝13，256个滤波器，即13*13*256＝43264个神经元，接着在第五个卷积层(C5)pooling之后可以学习到6*6*256＝9216个神经元。其中C1主要学习的是云图的边缘信息和颜色等特征，当深度曾加的时候学到的特征就会越复杂，如图6所示是“云”区域CNN1网络的C5层之后的特征图。
3、分类
图3中的F1到F3是全连接层，相当于在五层卷积层的基础上再加上一个三层的全连接神经网络分类器。F1层的操作是：
(3)
其中表示F1层第i个输入的map集合，表示F1层第j个输出的map集合，表示的是F1层的第i个输入的map与第j个输出的map之间的权重，表示F1层第j个输出map的偏置。同公式(1)该过程也加入了ReLUs线性修正操作。上一层的基本连接是6*6*256，然后全连接到4096个节点，所以本层的最终节点是4096。
F2是F1在进行ReLU操作和dropout操作(本发明中dropout是以0.5的概率将每个隐层神经元的输出设置为零，防止网络过拟合)之后进行全连接的结果，本层的节点数目为4096。F3是在F2层再次进行ReLU和dropout后再进行全连接的结果，最后的输出是融合标签的软最大化损失函数softmax loss：
(4)
其中表示的是第i个类别的线性预测结果，表示的是n个类别中第j个类别的线性预测结果。取exponential(exp)之后除以所有项之和进行归一化，就可以得到数据属于类别i的概率。本发明中本层的神经元个数是2，来实现“云”和“非云”的2分类，为了实现分割。
4、分割
因为本发明是考虑到将局部特征和全局特征相结合，所以三个不同分辨率的图像分别输入到三个一样参数配置的CNN网络中，三个网络模型的微调准确性如图7所示，最后三个网络得到特征映射得到不同的分割结果，通过t1、t2、t3加权得到最终的分割结果。如图5所示，(a)为原始云图，(b)为(a)所对应的groundtruth，(c)为(a)最终的分割结果。若最终的分割结果用S表示，CNN1、CNN2、CNN3得到的分割结果用S1、S2、S3表示，则：
(5)
权值、、根据图7中CNN1、CNN2、CNN3的微调准确率来确定，准确率越高的网络，所对应的权值越大。
5、分割评价
本发明采用像素误差的评价方法来衡量分割结果。像素误差是给定待测的分割标签L以及其真实的数据标签L’，则：
Epixcel＝||L-L’||2 (6)
其中||*||代表汉明距，它反映了分割图片与原始标签的像素相似度。按照这种方法，本发明最后将云图的分割准确度达到了99.67％。
与现有技术相比，本发明具有以下优势：
1.自动学习特征
与传统的云图分割技术相比，本发明通过用CNN网络自动学习到云图的特征，而不是繁琐的、主观的手工提取特征。
2.基于多分辨率CNN(MR-CNN)提取特征
本发明通过裁剪不同分辨率的图像区域输入到多个CNN网络中，充分利用了上下文信息，结合了局部信息和全局信息。
3.分割准确率高
本发明最后将云图的分割准确度达到了99.67％，相较于黄茜等人基于先验阈值面的夜空云图分割算法的准确率95％有了很大提升。分割结果比较如图7所示。
附图说明
图1为本发明中的原始云图像示例；
图2为本发明所设计的分割框架；
图3为本发明使用的CNN网络的结构；
图4为本发明的分割框架及结果示例；
图5为本发明的分割结果对比图：(a)原始图像，(b)标签参考图，(c)分割结果映射图；
图6为“云”区域通过CNN1网络C5层的特征图；
图7为不同方法的云图分割结果对比图。
具体实施方式
为了实现上述问题，本发明提供了一种基于多分辨率CNN(MR-CNN)的云图像分割方法。下面结合附图对本发明作进一步的详细说明。
1、图片预处理
本发明的图片预处理主要有两个方面。一是我们需要手工标记云图的groundtruth(因为云图像处理领域还没有公开的数据集，所以我们需要自己生成groundtruth，此处的手工标记不同于传统的手工提取特征，只需在训练阶段标记数十幅，测试阶段就可以自动分割了)作为训练CNN网络时候的监督信号；二是考虑到结合上下文的信息更有利于学习云图的特征，本发明需要裁剪出不同分辨率的图像区域来充分的利用了云图像的局部和全局特征。具体预处理操作如下：
(1)生成groundtruth，如图5所示，(a)为原始云图，(b)为(a)所对应的groundtruth。我们只需要从云图像集中随机抽取数十张云图，这里每张云图像大小是719*490，因为后续的操作是基于像素点的，所以在本发明的实验中随机抽取了80张云图。利用Photoshop等画图软件手工将云图像中“云”和“非云”区域用黑白颜色标记，用于下一步的CNN网络训练。
(2)云图延伸。为了保证在采集训练集图像时，能够采集到整张图像的每一个像素点，我们首先对云演变图的边界进行了延伸，即为云图像719*490增加了112个像素的背景图像边界。此时图像变为943*714。
(3)训练集，训练集是对带有groundtruth的50张719*490大小的云图进行处理。具体操作如下：
a.裁剪出高分辨率的图像D1用于训练CNN1网络。以719*490云图像中的像素点d为中心，以224为边长裁出224*224的图像区域，再以该像素点d为中心，以112为边长裁剪出56*56大小的图像D1。D1就是以像素点d为中心所表示的图像中包含局部特征的图像。
b.通过一次下采样并裁剪出相对低分辨率的图像D2用于训练CNN2网络。同样以像素点d为中心，先将224*224的图像进行下采样得到112*112的图像区域，再在112*112的图像基础上，以d为中心，以56为边长裁剪出56*56大小的图像D2。D2此时既包含局部特征也包含相对全局的特征。
c.通过两次下采样并裁剪出低分辨率的图像D3用于训练CNN3网络。同样以像素点d为中心，这次直接将图像112*112下采样得到大小56*56的图像D3。D3此时包含更多的全局特征。
d.此时50张719*490云图所生成的不同分辨率的子图即为训练图片，再将50张云图所对应的groundtruth转化为txt文件，放成list的形式(每个像素点是“云”还是“非云”用0或1表示)，即为训练标签。
这里需要说明的一点是本发明不是将图像中的每个像素点都生成训练集所需的图像，我们会跳过一些背景面积较大的区域(比如图1所示的白色背景)，因为这些区域所包含的图像特征过少，对我们训练集的针对性、多样性以及灵活性都无法起到帮助。
(4)测试集，测试集是对带有groundtruth的30张719*490大小的云图进行处理。需要注意的是为了测试网络的准确性，测试集与训练集不应该有重复的数据。具体操作如下：
a.裁剪出高分辨率的图像D1’用于测试CNN1网络。以719*490云图像中的像素点d’为中心，以224为边长裁出224*224的图像区域，再以该像素点d’为中心，以56为边长裁剪出56*56大小的图像D1’。D1’就是以像素点d’为中心所表示的图像中包含局部特征的图像。
b.通过一次下采样并裁剪出相对低分辨率的图像D2’用于测试CNN2网络。同样以像素点d’为中心，先将224*224的图像进行下采样得到112*112的图像区域，再在112*112的图像基础上，以d为中心，以56为边长裁剪出56*56大小的图像D2’。D2’此时既包含局部特征也包含相对全局的特征。
c.通过两次下采样并裁剪出低分辨率的图像D3’用于测试CNN3网络。同样以像素点d’为中心，这次直接将图像112*112下采样得到大小为56*56的图像D3’。D3’此时包含更多的全局特征。
d.此时30张719*490云图所生成的不同分辨率的子图即为测试图片，再将30张云图所对应的groundtruth转化为txt文件，放成list的形式(每个像素点是“云”还是“非云”用0或1表示)，即为测试标签。测试样本通过训练集生成的网络模型得到判断的结果，并与测试标签进行比对，得到该模型的准确性。
2、训练CNN
本发明采用的CNN结构如图3所示，该网络是通过对ImageNet库上图像分类Alex提出的AlexNet网络进行fine-tuning微调得到的。因为在ImageNet毕竟是一个千万级的图像数据库，当然我们也可以拿几千张或者几万张云图像来重新训练网络，但是重新训练一个新的网络是比较复杂的，而且参数不好调整，数据量也不够，因此fine-tuning微调就是一个比较理想的选择。该网络由5个卷积层、3个全连接层组成，并且只给卷积层C1、卷积层C2和卷积层C5加入了pooling层。F1到F3是全连接层，相当于在五层卷积层的基础上再加上一个三层的全连接神经网络分类器。需要注意的一点是，我们将AlexNet中F3的神经元个数由1000调为2，原因是为了实现“云”和“非云”的2分类。具体的微调过程：
输入56*56的图像之后，CNN网络中的数据层会将图片重置为227*227大小，分为RGB三个颜色通道输入。如图3所示，C1～C5是卷积层，C1层卷积滤波器的大小是11*11，卷积的步长为4，本层共有96个卷积滤波器，则通过卷积运算：
(1)
表示C1层第i个输入的map集合，表示C1层第j个输出的map集合，表示的是C1层的第i个输入的map与第j个输出的map之间的卷积核，表示C1层第j个输出map的偏置，公式中的r表示权值共享的局部区域。卷积过程中加入了ReLUs线性修正操作，会大大降低是网络梯度下降的训练时间。
最后本层的输出是：(227-11)/4+1＝55，即55*55*96＝290400个神经元。在C1卷积滤波后，还接着有最大池采样(max-pooling)操作。max-pooling是一种非线性降采样方法，在通过卷积获取图像特征之后是利用这些特征进行分类，可以用所有提取到的特征数据进行分类器的训练，但这通常会产生极大的计算量，所以在获取图像的卷积特征后，要通过max-pooling方法对卷积特征进行降维，这些降维后的特征更容易进行分类。此pooling层核大小为3，步长为2，则第一个卷积层(C1)Pooling之后的输出：(55-3)/2+1＝27，即27*27*96＝69984个神经元。
根据这个思路，C2层卷积核的大小为5，pad为2，卷积的步长为1，本层共有256个卷积滤波器，同样通过卷积运算：
(2)
表示C2层第i个输入的map集合，表示C2层第j个输出的map集合，表示的是C2层的第i个输入的map与第j个输出的map之间的卷积核，表示C2层第j个输出map的偏置，公式中的r表示权值共享的局部区域。卷积过程中同样加入了ReLUs线性修正操作，会大大降低是网络梯度下降的训练时间。
最后C2层的输出是：(27-5+2*2)/1+1＝27,即27*27*256＝186624个神经元。在C2卷积滤波后，接着有最大池采样(max-pooling)操作。此pooling层核大小为3，步长为2，则第二个卷积层(C2)Pooling之后的输出：(27-3)/2+1＝13，即13*13*256＝43264个神经元。
如图3所示的网络，C3层的卷积核大小为3，pad为1，卷积的步长为1，本层共有384个滤波器，则C3层最后的输出是(13-3+2*1)/1+1＝13，即13*13*384＝64896个神经元。C4的输出是(13-3+2*1)/1+1＝13，384个滤波器，即13*13*384＝64896个神经元。C5层输出(13-3+2*1)/1+1＝13，256个滤波器，即13*13*256＝43264个神经元，在第五个卷积层(C5)pooling之后就可以学习到6*6*256＝9216个神经元。其中C1主要学习的是云图的边缘信息和颜色等特征，当深度曾加的时候学到的特征就会越复杂，如图6所示“云”区域通过CNN1网络C5层的特征图。
3、分类
图3中的F1到F3是全连接层，相当于在五层卷积层的基础上再加上一个三层的全连接神经网络分类器。F1层的操作是：
(3)
其中表示F1层第i个输入的map集合，表示F1层第j个输出的map集合，表示的是F1层的第i个输入的map与第j个输出的map之间的权重，表示F1层第j个输出map的偏置。同公式(1)该过程也加入了ReLUs线性修正操作。上一层的基本连接是6*6*256，然后全连接到4096个节点，所以本层的最终节点是4096。
F2是F1在进行ReLU操作和dropout操作(本发明中dropout是以0.5的概率将每个隐层神经元的输出设置为零，防止网络过拟合)之后进行全连接的结果，本层的节点数目为4096。F3是在F2层再次进行ReLU和dropout后再进行全连接的结果，最后的输出是融合标签的软最大化损失函数softmax loss：
(4)
其中表示的是第i个类别的线性预测结果，表示的是n个类别中第j个类别的线性预测结果。取exponential(exp)之后除以所有项之和进行归一化，就可以得到数据属于类别i的概率。本发明中本层的神经元个数是2，来实现“云”和“非云”的2分类，为了实现分割。
4、分割
因为本发明是考虑到将局部特征和全局特征相结合，所以三个不同分辨率的图像分别输入到三个一样参数配置的CNN网络中，三个网络模型的微调准确性如图7所示，最后三个网络得到特征映射得到不同的分割结果，通过t1、t2、t3加权得到最终的分割结果。如图5所示，(a)为原始云图，(b)为(a)所对应的groundtruth，(c)为(a)最终的分割结果。若最终的分割结果用S表示，CNN1、CNN2、CNN3得到的分割结果用S1、S2、S3表示，则：
(5)
权值、、根据图7中CNN1、CNN2、CNN3的微调准确率来确定。本发明中由于CNN1、CNN2网络的准确率比CNN3更高一些，所以会将权值t1、t2设置更大一些。本发明中取t1＝t2＝0.45，t3＝0.1,结合之后的分割效果如图4所示，可以看出结合之后的分割效果最优。
5、分割评价
本发明采用像素误差的评价方法来衡量分割结果。像素误差是给定待测的分割标签L以及其真实的数据标签L’，则：
Epixcel＝||L-L’||2 (6)
其中||*||代表汉明距，它反映了分割图片与原始标签的像素相似度。按照这种方法，本发明最后将云图的分割准确度达到了99.67％，结果比较如图7所示。

Claims (1)

1.一种基于多分辨率CNN的毫米波雷达云图分割方法，其特征在于，步骤如下：
前期准备阶段：
1)、准备数据集
(1)生成groundtruth：
从云图像集中随机抽取数十张云图，将云图像中“云”和“非云”区域用黑白颜色区分，用于下一步的CNN网络训练；
(2)云图延伸
先对云演变图的边界进行了延伸，即为云图像A*B增加了C个像素的背景图像边界，此时图像变为(A+2C)*(B+2C)；
(3)训练集，训练集是对带有groundtruth的Q张A*B大小的云图进行处理；
具体操作如下：
a.裁剪出高分辨率的图像D1用于输入CNN1训练网络；以A*B云图像中的像素点d为中心，以2C为边长裁出2C*2C的图像区域，再以该像素点d为中心，以C/2为边长裁剪出(C/2)*(C/2)大小的图像D1；D1就是以像素点d为中心所表示的图像中包含局部特征的图像；
b.通过一次下采样并裁剪出相对低分辨率的图像D2用于输入CNN2训练网络；同样以像素点d为中心，先将2C*2C的图像进行下采样得到C*C的图像区域，再在C*C的图像基础上，以d为中心，以C/2为边长裁剪出(C/2)*(C/2)大小的图像D2；D2此时既包含局部特征也包含相对全局的特征；
c.通过两次下采样并裁剪出低分辨率的图像D3用于输入CNN3训练网络；同样以像素点d为中心，这次直接将图像C*C下采样得到大小为(C/2)*(C/2)的图像D3；D3此时包含更多的全局特征；
d.此时Q张A*B云图所生成的不同分辨率的子图即为训练图片，再将Q张云图所对应的groundtruth转化为txt文件，放成list的形式，即为训练标签，每个像素点是“云”还是“非云”用0或1表示；
(4)；测试集，测试集是对带有groundtruth的I张A*B大小的云图进行处理；I＝P-Q，具体操作如下：
a.裁剪出高分辨率的图像D1’用于输入CNN1测试网络；以A*B云图像中的像素点d’为中心，以2C为边长裁出2C*2C的图像区域，再以该像素点d’为中心，以C/2为边长裁剪出(C/2)*(C/2)大小的图像D1’；D1’就是以像素点d’为中心所表示的图像中包含局部特征的图像；
b.通过一次下采样并裁剪出相对低分辨率的图像D2’用于输入CNN2测试网络；同样以像素点d’为中心，先将2C*2C的图像进行下采样得到C*C的图像区域，再在C*C的图像基础上，以d为中心，以C/2为边长裁剪出(C/2)*(C/2)大小的图像D2’；D2’此时既包含局部特征也包含相对全局的特征；
c.通过两次下采样并裁剪出低分辨率的图像D3’用于输入CNN3测试网络；同样以像素点d’为中心，这次直接将图像C*C下采样得到大小为(C/2)*(C/2)的图像D3’；D3’此时包含更多的全局特征；
d.此时I张A*B云图所生成的不同分辨率的子图即为测试图片，再将I云图所对应的groundtruth转化为txt文件，放成list的形式，即为测试标签；测试样本通过训练集生成的网络模型得到判断的结果，并与测试标签进行比对，得到该模型的准确性；测试集与训练集不应该有重复的数据；
2)、训练CNN
；；CNN网络由5个卷积层、3个全连接层组成，并且只给卷积层C1、卷积层C2和卷积层C5加入了pooling层；F1到F3是全连接层，相当于在五层卷积层的基础上再加上一个三层的全连接神经网络分类器；将AlexNet中F3的神经元个数由1000调为2，实现“云”和“非云”的2分类；
具体过程：
输入(C/2)*(C/2)图像之后，CNN网络中的数据层会将图片重置为227*227大小，分为RGB三个颜色通道输入；C1～C5是卷积层，C1层卷积滤波器的大小是11*11，卷积的步长为4，C1层共有96个卷积滤波器，则通过卷积运算：
y1j(r)＝max(0，b1j(r)+Σ1k1ij(r)*x1i(r)) (1)
x1i(r)表示C1层第i个输入的map集合，y1j(r)表示C1层第j个输出的map集合，k1ij(r)表示的是C1层的第i个输入的map与第j个输出的map之间的卷积核，b1j(r)表示C1层第j个输出map的偏置，公式中的r表示权值共享的局部区域；；C1层的输出是：(227-11)/4+1＝55，即55*55*96＝290400个神经元；在C1卷积滤波后，还接着有最大池采样操作；；此pooling层核大小为3，步长为2，则第一个卷积层(C1)Pooling之后的输出：(55-3)/2+1＝27，即27*27*96＝69984个神经元；
C2层卷积核的大小为5，pad为2，卷积的步长为1，C2层共有256个卷积滤波器，同样通过卷积运算：
y2j(r)＝max(0，b2j(r)+∑1k2ij(r)*x2i(r)) (2)
x2i(r)表示C2层第i个输入的map集合，y2j(r)表示C2层第j个输出的map集合，k2ij(r)表示的是C2层的第i个输入的map与第j个输出的map之间的卷积核，b2j(r)表示C2层第j个输出map的偏置，公式中的r表示权值共享的局部区域；；
最后C2层的输出是：(27-5+2*2)/1+1＝27,即27*27*256＝186624个神经元；在C2卷积滤波后，接着同样有最大池采样max-pooling操作；此pooling层核大小为3，步长为2，则第二个卷积层Pooling之后的输出：(27-3)/2+1＝13，即13*13*256＝43264个神经元；
C3层的卷积核大小为3，pad为1，卷积的步长为1，C3层共有384个滤波器，则C3层最后的输出是(13-3+2*1)/1+1＝13，即13*13*384＝64896个神经元；C4的输出是(13-3+2*1)/1+1＝13，384个滤波器，即13*13*384＝64896个神经元；C5层输出(13-3+2*1)/1+1＝13，256个滤波器，即13*13*256＝43264个神经元，接着在第五个卷积层C5pooling之后学习到6*6*256＝9216个神经元；；
3)、分类
F1到F3是全连接层，相当于在五层卷积层的基础上再加上一个三层的全连接神经网络分类器；F1层的操作是：
y1＝max(0，Σ1x1·wi，j+bj) (3)
其中xi表示F1层第i个输入的map集合，yj表示F1层第j个输出的map集合，wi，j表示的是F1层的第i个输入的map与第j个输出的map之间的权重，bj表示F1层第j个输出map的偏置；；上一层的基本连接是6*6*256，然后全连接到4096个节点，F1层的最终节点是4096；
F2是F1在进行ReLU操作和dropout操作之后进行全连接的结果，F2层的节点数目为4096；F3是在F2层再次进行ReLU和dropout后再进行全连接的结果，最后的输出是融合标签的softmax loss：
其中y′i表示的是第i个类别的线性预测结果，y′j表示的是n个类别中第j个类别的线性预测结果；取exponential(exp)之后除以所有项之和进行归一化，就得到数据属于类别i的概率；F3层的神经元个数是2，来实现“云”和“非云”的2分类；
4)、分割
最终的分割结果用S表示，CNN1、CNN2、CNN3得到的分割结果用S1、S2、S3表示，则：
S＝t1·S1+t2·S2+t3·S3 (5)
t1＝t2＝0.45，t3＝0.1,
5)、分割评价
像素误差Epixcel是给定待测的分割标签L以及其真实的数据标签L’，则：
Epixcel＝||L-L’||2 (6)
其中||*||代表汉明距。
CN201610323595.3A 2016-05-16 2016-05-16 一种基于多分辨率cnn的毫米波雷达云图分割方法 Expired - Fee Related CN106127725B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610323595.3A CN106127725B (zh) 2016-05-16 2016-05-16 一种基于多分辨率cnn的毫米波雷达云图分割方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610323595.3A CN106127725B (zh) 2016-05-16 2016-05-16 一种基于多分辨率cnn的毫米波雷达云图分割方法

Publications (2)

Publication Number Publication Date
CN106127725A true CN106127725A (zh) 2016-11-16
CN106127725B CN106127725B (zh) 2019-01-22

Family

ID=57269886

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610323595.3A Expired - Fee Related CN106127725B (zh) 2016-05-16 2016-05-16 一种基于多分辨率cnn的毫米波雷达云图分割方法

Country Status (1)

Country Link
CN (1) CN106127725B (zh)

Cited By (33)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106886023A (zh) * 2017-02-27 2017-06-23 中国人民解放军理工大学 一种基于动态卷积神经网络的雷达回波外推方法
CN107016677A (zh) * 2017-03-24 2017-08-04 北京工业大学 一种基于fcn和cnn的云图分割方法
CN107679453A (zh) * 2017-08-28 2018-02-09 天津大学 基于支持向量机的天气雷达电磁干扰回波识别方法
CN107689079A (zh) * 2017-08-28 2018-02-13 北京航空航天大学 一种卫星云图与自然图像结合的云景重建方法
CN107703564A (zh) * 2017-10-13 2018-02-16 中国科学院深圳先进技术研究院 一种降雨预测方法、***及电子设备
CN107767384A (zh) * 2017-11-03 2018-03-06 电子科技大学 一种基于对抗训练的图像语义分割方法
CN108009592A (zh) * 2017-12-15 2018-05-08 云南大学 一种糖尿病性视网膜图像自动分类方法
CN108268879A (zh) * 2016-12-30 2018-07-10 乐视汽车（北京）有限公司 三维全卷积网络实现方法、设备及电子设备
CN108603922A (zh) * 2015-11-29 2018-09-28 阿特瑞斯公司 自动心脏体积分割
CN108765425A (zh) * 2018-05-15 2018-11-06 深圳大学 图像分割方法、装置、计算机设备和存储介质
WO2018233708A1 (zh) * 2017-06-23 2018-12-27 华为技术有限公司 图像显著性物体检测方法和装置
CN109427061A (zh) * 2017-08-31 2019-03-05 宏达国际电子股份有限公司 影像切割方法及装置
WO2019062534A1 (zh) * 2017-09-27 2019-04-04 深圳市商汤科技有限公司 一种图像检索方法、装置、设备及可读存储介质
CN110084203A (zh) * 2019-04-29 2019-08-02 北京航空航天大学 基于上下文关联的全卷积网络飞机层级检测方法
CN110084813A (zh) * 2019-05-13 2019-08-02 山东大学 一种基于三维深度学习网络的肺结节良恶性预测方法
CN110378387A (zh) * 2019-06-21 2019-10-25 中国人民解放军国防科技大学 基于风云四号卫星和地基毫米波雷达的云底高度监测方法
CN110568441A (zh) * 2019-09-09 2019-12-13 大连海事大学 一种基于卷积神经网络的船用雷达测雨识别方法
CN111274878A (zh) * 2020-01-10 2020-06-12 中国科学院自动化研究所 卫星云图分类方法及***
CN111340750A (zh) * 2018-12-18 2020-06-26 詹宝珠 卷积神经网络分析方法与电子装置
CN111524140A (zh) * 2020-04-21 2020-08-11 广东职业技术学院 基于cnn和随机森林法的医学图像语义分割方法
CN112116060A (zh) * 2019-06-21 2020-12-22 杭州海康威视数字技术股份有限公司 一种网络配置实现方法及装置
US10902598B2 (en) 2017-01-27 2021-01-26 Arterys Inc. Automated segmentation utilizing fully convolutional networks
CN112561925A (zh) * 2020-12-02 2021-03-26 中国联合网络通信集团有限公司 图像分割方法、***、计算机设备及存储介质
CN112598614A (zh) * 2019-09-17 2021-04-02 南京大学 一种基于深度神经网络的司法图像质量度量方法
CN112733968A (zh) * 2021-03-31 2021-04-30 中国气象科学研究院 嵌入超图卷积层的深度学习冰晶粒子图像分类方法
WO2021104060A1 (zh) * 2019-11-26 2021-06-03 中国科学院深圳先进技术研究院 图像分割方法、装置及终端设备
CN112966779A (zh) * 2021-03-29 2021-06-15 安徽大学 一种PolSAR影像半监督分类方法
CN114565759A (zh) * 2022-02-22 2022-05-31 北京百度网讯科技有限公司 图像语义分割模型优化方法、装置、电子设备及存储介质
US11409994B2 (en) 2018-05-15 2022-08-09 Shenzhen University Methods for image segmentation, computer devices, and storage mediums
US11551353B2 (en) 2017-11-22 2023-01-10 Arterys Inc. Content based image retrieval for lesion analysis
US11698437B2 (en) 2020-09-01 2023-07-11 Ford Global Technologies, Llc Segmentation and classification of point cloud data
US11747442B2 (en) 2019-12-11 2023-09-05 Samsung Electronics Co., Ltd. Method and apparatus with radar data recognition
CN117011550A (zh) * 2023-10-08 2023-11-07 超创数能科技有限公司 一种电子显微镜照片中的杂质识别方法及装置

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102902956A (zh) * 2012-09-10 2013-01-30 中国人民解放军理工大学气象学院 一种地基可见光云图识别处理方法
US20130152997A1 (en) * 2011-12-19 2013-06-20 Yi Yao Apparatus and method for predicting solar irradiance variation

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130152997A1 (en) * 2011-12-19 2013-06-20 Yi Yao Apparatus and method for predicting solar irradiance variation
CN102902956A (zh) * 2012-09-10 2013-01-30 中国人民解放军理工大学气象学院 一种地基可见光云图识别处理方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
SHUANG LIU ET AL: "Ground-based Cloud Detection Using Automatic Graph Cut", 《IEEE GEOSCIENCE AND REMOTE SENSING LETTERS》 *
师春香 等: "多阈值和神经网络卫星云图云系自动分割试验", 《应用气象学报》 *

Cited By (50)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108603922A (zh) * 2015-11-29 2018-09-28 阿特瑞斯公司 自动心脏体积分割
US10871536B2 (en) 2015-11-29 2020-12-22 Arterys Inc. Automated cardiac volume segmentation
CN108268879A (zh) * 2016-12-30 2018-07-10 乐视汽车（北京）有限公司 三维全卷积网络实现方法、设备及电子设备
US10902598B2 (en) 2017-01-27 2021-01-26 Arterys Inc. Automated segmentation utilizing fully convolutional networks
CN106886023A (zh) * 2017-02-27 2017-06-23 中国人民解放军理工大学 一种基于动态卷积神经网络的雷达回波外推方法
CN106886023B (zh) * 2017-02-27 2019-04-02 中国人民解放军理工大学 一种基于动态卷积神经网络的雷达回波外推方法
CN107016677A (zh) * 2017-03-24 2017-08-04 北京工业大学 一种基于fcn和cnn的云图分割方法
CN107016677B (zh) * 2017-03-24 2020-01-17 北京工业大学 一种基于fcn和cnn的云图分割方法
WO2018233708A1 (zh) * 2017-06-23 2018-12-27 华为技术有限公司 图像显著性物体检测方法和装置
US11430205B2 (en) 2017-06-23 2022-08-30 Huawei Technologies Co., Ltd. Method and apparatus for detecting salient object in image
CN107679453A (zh) * 2017-08-28 2018-02-09 天津大学 基于支持向量机的天气雷达电磁干扰回波识别方法
CN107689079A (zh) * 2017-08-28 2018-02-13 北京航空航天大学 一种卫星云图与自然图像结合的云景重建方法
CN107689079B (zh) * 2017-08-28 2019-12-27 北京航空航天大学 一种卫星云图与自然图像结合的云景重建方法
CN109427061B (zh) * 2017-08-31 2020-11-17 宏达国际电子股份有限公司 影像切割方法及装置
CN109427061A (zh) * 2017-08-31 2019-03-05 宏达国际电子股份有限公司 影像切割方法及装置
WO2019062534A1 (zh) * 2017-09-27 2019-04-04 深圳市商汤科技有限公司 一种图像检索方法、装置、设备及可读存储介质
US11256737B2 (en) 2017-09-27 2022-02-22 Shenzhen Sensetime Technology Co., Ltd. Image retrieval methods and apparatuses, devices, and readable storage media
CN107703564A (zh) * 2017-10-13 2018-02-16 中国科学院深圳先进技术研究院 一种降雨预测方法、***及电子设备
CN107703564B (zh) * 2017-10-13 2020-04-14 中国科学院深圳先进技术研究院 一种降雨预测方法、***及电子设备
CN107767384A (zh) * 2017-11-03 2018-03-06 电子科技大学 一种基于对抗训练的图像语义分割方法
CN107767384B (zh) * 2017-11-03 2021-12-03 电子科技大学 一种基于对抗训练的图像语义分割方法
US11551353B2 (en) 2017-11-22 2023-01-10 Arterys Inc. Content based image retrieval for lesion analysis
CN108009592A (zh) * 2017-12-15 2018-05-08 云南大学 一种糖尿病性视网膜图像自动分类方法
CN108765425B (zh) * 2018-05-15 2022-04-22 深圳大学 图像分割方法、装置、计算机设备和存储介质
CN108765425A (zh) * 2018-05-15 2018-11-06 深圳大学 图像分割方法、装置、计算机设备和存储介质
US11409994B2 (en) 2018-05-15 2022-08-09 Shenzhen University Methods for image segmentation, computer devices, and storage mediums
CN111340750A (zh) * 2018-12-18 2020-06-26 詹宝珠 卷积神经网络分析方法与电子装置
CN111340750B (zh) * 2018-12-18 2023-08-08 詹宝珠 卷积神经网络分析方法与电子装置
CN110084203B (zh) * 2019-04-29 2021-03-05 北京航空航天大学 基于上下文关联的全卷积网络飞机层级检测方法
CN110084203A (zh) * 2019-04-29 2019-08-02 北京航空航天大学 基于上下文关联的全卷积网络飞机层级检测方法
CN110084813A (zh) * 2019-05-13 2019-08-02 山东大学 一种基于三维深度学习网络的肺结节良恶性预测方法
CN112116060A (zh) * 2019-06-21 2020-12-22 杭州海康威视数字技术股份有限公司 一种网络配置实现方法及装置
CN112116060B (zh) * 2019-06-21 2023-07-25 杭州海康威视数字技术股份有限公司 一种网络配置实现方法及装置
CN110378387A (zh) * 2019-06-21 2019-10-25 中国人民解放军国防科技大学 基于风云四号卫星和地基毫米波雷达的云底高度监测方法
CN110568441B (zh) * 2019-09-09 2023-04-07 大连海事大学 一种基于卷积神经网络的船用雷达测雨识别方法
CN110568441A (zh) * 2019-09-09 2019-12-13 大连海事大学 一种基于卷积神经网络的船用雷达测雨识别方法
CN112598614A (zh) * 2019-09-17 2021-04-02 南京大学 一种基于深度神经网络的司法图像质量度量方法
WO2021104060A1 (zh) * 2019-11-26 2021-06-03 中国科学院深圳先进技术研究院 图像分割方法、装置及终端设备
US11747442B2 (en) 2019-12-11 2023-09-05 Samsung Electronics Co., Ltd. Method and apparatus with radar data recognition
CN111274878B (zh) * 2020-01-10 2023-04-28 中国科学院自动化研究所 卫星云图分类方法及***
CN111274878A (zh) * 2020-01-10 2020-06-12 中国科学院自动化研究所 卫星云图分类方法及***
CN111524140B (zh) * 2020-04-21 2023-05-12 广东职业技术学院 基于cnn和随机森林法的医学图像语义分割方法
CN111524140A (zh) * 2020-04-21 2020-08-11 广东职业技术学院 基于cnn和随机森林法的医学图像语义分割方法
US11698437B2 (en) 2020-09-01 2023-07-11 Ford Global Technologies, Llc Segmentation and classification of point cloud data
CN112561925A (zh) * 2020-12-02 2021-03-26 中国联合网络通信集团有限公司 图像分割方法、***、计算机设备及存储介质
CN112966779A (zh) * 2021-03-29 2021-06-15 安徽大学 一种PolSAR影像半监督分类方法
CN112733968A (zh) * 2021-03-31 2021-04-30 中国气象科学研究院 嵌入超图卷积层的深度学习冰晶粒子图像分类方法
CN114565759A (zh) * 2022-02-22 2022-05-31 北京百度网讯科技有限公司 图像语义分割模型优化方法、装置、电子设备及存储介质
CN117011550A (zh) * 2023-10-08 2023-11-07 超创数能科技有限公司 一种电子显微镜照片中的杂质识别方法及装置
CN117011550B (zh) * 2023-10-08 2024-01-30 超创数能科技有限公司 一种电子显微镜照片中的杂质识别方法及装置

Also Published As

Publication number Publication date
CN106127725B (zh) 2019-01-22

Similar Documents

Publication Publication Date Title
CN106127725B (zh) 一种基于多分辨率cnn的毫米波雷达云图分割方法
CN103034858B (zh) 一种卫星云图的二次聚类分割方法
Mecikalski et al. Probabilistic 0–1-h convective initiation nowcasts that combine geostationary satellite observations and numerical weather prediction model data
CN107728234B (zh) 一种基于大气电场数据的雷电强度值预测方法
CN106651886A (zh) 一种基于超像素聚类优化cnn的云图分割方法
CN107463901A (zh) 多尺度区域洪涝灾害危险性遥感评估方法和***
CN108710863A (zh) 基于深度学习的无人机航拍场景语义分割方法及***
Berendes et al. Convective cloud identification and classification in daytime satellite imagery using standard deviation limited adaptive clustering
CN108647602B (zh) 一种基于图像复杂度判定的航空遥感图像场景分类方法
Alonso-Montesinos et al. The application of Bayesian network classifiers to cloud classification in satellite images
CN108254750B (zh) 一种基于雷达资料的下击暴流智能识别预警方法
CN113239722B (zh) 基于深度学习在多尺度下的强对流外推方法及***
CN107356926A (zh) 基于Hu矩的差值云团外推降雨预测算法
CN104463168B (zh) 一种基于遥感影像的空废宅基地信息自动提取方法
CN104504389A (zh) 一种基于卷积神经网络的卫星云量计算方法
CN110110765B (zh) 一种基于深度学习的多源数据融合目标识别方法
CN103761526A (zh) 一种基于特征位置优选整合的城区检测方法
CN107229910A (zh) 一种遥感图像结冰湖泊检测方法及其***
CN104573662B (zh) 一种云判方法和***
Chen et al. Comparison of pixel-based and object-oriented knowledge-based classification methods using SPOT5 imagery
Jaya et al. Using Support Vector Machine To Identify Land Cover Change During Covid-19 Pandemic In Komodo National Park, Indonesia
Wang et al. Forewarning method of downburst based on feature recognition and extrapolation
Zhou et al. Mathematic descriptors for identifying plant species: A case study on urban landscape vegetation
Sen Roy et al. Optimization of Nowcast Software WDSS-II for operational application over the Indian region
Liu et al. Automatic Tracking and Characterization of Cumulonimbus Clouds from FY‐2C Geostationary Meteorological Satellite Images

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20190122

CF01 Termination of patent right due to non-payment of annual fee