CN107993215A - 一种天气雷达图像处理方法及*** - Google Patents
一种天气雷达图像处理方法及*** Download PDFInfo
- Publication number
- CN107993215A CN107993215A CN201711205603.5A CN201711205603A CN107993215A CN 107993215 A CN107993215 A CN 107993215A CN 201711205603 A CN201711205603 A CN 201711205603A CN 107993215 A CN107993215 A CN 107993215A
- Authority
- CN
- China
- Prior art keywords
- pixel
- echo
- weather radar
- image
- radar image
- 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.)
- Pending
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 12
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 43
- 238000003475 lamination Methods 0.000 claims abstract description 30
- 238000000034 method Methods 0.000 claims abstract description 27
- 238000001914 filtration Methods 0.000 claims description 28
- 238000005530 etching Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 6
- 230000003628 erosive effect Effects 0.000 claims description 4
- 238000002372 labelling Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000005260 corrosion Methods 0.000 claims 1
- 230000007797 corrosion Effects 0.000 claims 1
- 238000002592 echocardiography Methods 0.000 description 8
- 238000001556 precipitation Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 5
- 238000002310 reflectometry Methods 0.000 description 5
- 230000011218 segmentation Effects 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 238000011478 gradient descent method Methods 0.000 description 3
- 230000007935 neutral effect Effects 0.000 description 3
- 206010003084 Areflexia Diseases 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 241000894007 species Species 0.000 description 2
- 241001365789 Oenanthe crocata Species 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30192—Weather; Meteorology
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明提供一种天气雷达图像处理方法及***，所述方法包括，接收天气雷达的回波图像，将所述回波图像输入到全卷积神经网络，对所述回波图像的每个像素点进行分类，获取标注真实回波的像素点的预测图像；其中，所述全卷积神经网络包括一个反卷积层和一个softmax层。本发明提供的方法，通过使用全卷积神经网络，对天气雷达的回波图像进行分类标注，能有效识别出天气雷达回波图像中的真实回波和杂波，提升了对天气雷达图像的处理效率和识别精度。
Description
技术领域
本发明涉及图像处理领域，更具体地，涉及一种天气雷达图像处理方法及***。
背景技术
多普勒天气雷达对降水监测和预报有重要影响，其雷达回波强度可以直观体现降水强度。因此，多普勒天气雷达的数据精度就显得至关重要。现有的多普勒天气雷达，由于其原理所限，在较小仰角时，容易受地面杂物，以及鸟类等影响，产生大量非降水杂波。在地表大气折射率随海拔高度增加而迅速下降时，低仰角雷达电磁波受到折射之后改为朝向地面传播，会产生大量超折射杂波。此外，由于气象雷达反射率数据在生成和传输过程中受到的各种电磁噪音的影响，雷达图像中可能存强度较高的锥形杂波和环形杂波。各种类型的雷达杂波对降水预报和监测产生严重影响。
现有技术中，对天气雷达的图像处理通常采用阈值分割法，即设定一个固定的阈值，去掉回波强度小于该阈值的像素点，然而，现有技术中，由于部分降水回波强度较低，杂波也存在强度较高的情况，所以阈值分割法的作用十分有限。另一方面，通过风暴跟踪方法，和连续性检测，可以去除大部分地物杂波，但是不能有效去除超折射杂波、锥形杂波和环形杂波，需要人工订正才能得到正确滤波的雷达图像，导致人工动作工作量较大，图像特征提取过程复杂。
发明内容
为克服现有技术中，对天气雷达图像的处理中，需要大量的人工动作，导致工作量过大，同时图像特征提取过程复杂的问题，提出一种天气雷达图像处理方法及***。
根据本发明的一个方面，提供一种天气雷达图像处理方法，包括：
S1，接收天气雷达的回波图像，将所述回波图像输入到全卷积神经网络，对所述回波图像的每个像素点进行分类，获取标注真实回波的像素点的预测图像；
其中，所述全卷积神经网络包括一个反卷积层和一个softmax层。
其中，所述方法还包括：S2，将所述预测图像中判定为真实回波的像素点进行图像学腐蚀操作；
S3，将所述真实回波的像素点进行膨胀操作，直至所述真实回波的像素点周围的像素点的图像梯度大于预设阈值，获取膨胀操作后的标注所述真实回波的像素点的预测图像。
其中，所述步骤S1中还包括对所述回波图像中的每个杂波的像素点进行标注，获取标注真实回波的像素点和标注杂波的像素点的预测图像。
优选的，所述全卷积神经网络的结构依次包括：第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层、第三池化层、第四卷积层、第四池化层、第五卷积层、第五池化层、第六卷积层、第七卷积层、第一反卷积层、第二反卷积层、第三反卷积层和softmax层。
其中，所有池化层的步长之积与所有反卷积层的步长之积相等，以使得所述天气雷达的回波图像和所述预测图像的宽度和高度相等。
其中，所述步骤S1之前还包括，基于滤波前的天气雷达图像样本，生成滤波后的天气雷达图像样本，通过多组所述滤波前、后的天气雷达图像样本，对所述全卷积神经网络进行训练。
其中，所述基于滤波前的天气雷达图像样本，生成滤波后的天气雷达图像样本的步骤具体包括：
对所述滤波前的雷达图像样本进行阈值分割和连续性测试，去除回波强度低于预设强度值并且连续性低于预设要求的像素点，获得滤波图像；
将所述滤波图像和所述滤波前的雷达图像样本进行像素对比，标记出真实回波像素，获得滤波后的雷达图像样本。
根据本发明的另一方面，提供一种天气雷达图像处理***，包括：
全卷积神经网络模块，用于接收天气雷达回波图像，将所述回波图像输入到全卷积神经网络，对所述回波图像每个像素点进行类别预测，获取标注真实回波的像素点的预测图像；
其中，所述全卷积神经网络包括一个反卷积层和一个softmax层。
其中，所述***还包括：图像腐蚀模块，用于将所述预测图像中判定为真实回波的像素点进行图像学腐蚀操作；
图像膨胀模块将所述真实回波的像素点进行膨胀操作，直至所述真实回波的像素点周围的像素点的图像梯度大于预设阈值，获取膨胀操作后的标注所述真实回波的像素点的预测图像。
其中，所述全卷积神经网络模块中还包括杂波标注模块，用于对所述回波图像中的每个杂波的像素点进行标注，获取标注真实回波的像素点和标注杂波的像素点的预测图像。
本发明提供的天气雷达图像处理方法及***，通过使用全卷积神经网络，对天气雷达的回波图像进行分类标注，能有效识别出天气雷达回波图像中的真实回波和杂波，提升了对天气雷达图像的处理效率和识别精度。
附图说明
图1为本发明一实施例提供的一种天气雷达图像处理方法的流程图；
图2为本发明一实施例提供的一种天气雷达图像处理方法中全卷积神经网络的结构图；
图3为本发明另一实施例提供的一种天气雷达图像处理***的结构图。
具体实施方式
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
参考图1，图1为本发明一实施例提供的一种天气雷达图像处理方法的流程图，所述方法包括：
S1，接收天气雷达的回波图像，将所述回波图像输入到全卷积神经网络，对所述回波图像的每个像素点进行分类，获取标注真实回波的像素点的预测图像；其中，所述全卷积神经网络包括一个反卷积层和一个softmax层。
具体的，本实施例中，采用全卷积神经网络(FCN)来实现完全自动化的准确有效的雷达图像滤波。FCN网络是对卷积神经网络CNN在图像的像素级分割领域中的一个延伸，CNN通常用于对整幅图像进行分类，而FCN是一种图像语义分割，对一张图片上的所有像素点进行分类。用CNN进行图像分类的做法是，将原始图像通过多个卷积层和下采样层，在不同尺度上提取图像的局部特征，之后接上若干个全连接层,将卷积层产生的特征图映射成一个固定长度的归一化特征向量，特征向量的每一个分量代表CNN模型预测输入图像属于某个类别的概率。
与CNN在卷积层之后使用全连接层得到固定长度的特征向量进行分类不同，FCN将全连接层全部替换为卷积层，在图像经过所有卷基层后，得到一个与输入图像大小成正比的特征图，然后通过反卷积层对最后一个卷积层的特征图进行上采样,使它恢复到输入图像相同的尺寸，从而对每个像素点都产生了一个预测,并且保留了原始输入图像中的空间信息,最后在与输入图等大小的特征图上对每个像素进行分类，逐像素地分类计算损失函数,相当于每个像素对应一个训练样本。
通过将天气雷达的回波图像输入到全卷积神经网络中，对回波图像的每个像素点进行判定，当判定像素点为真实回波的时候，则将像素点标注出来，当整张图像的每个像素点都进行判断后，输出的预测图像中，每一个属于真实回波的像素点都进行了标记，随后通过反卷积层，对特征图进行上下采样，使图像恢复到原始图像大小。最后通过一个softmax层进行归一化，得到每个像素点分别属于背景、杂波、真实回波三种类别的预测概率。将归一化的概率图与标签图像进行对比，利用误差梯度反向传播和随机梯度下降法训练网络参数，使得模型输出结果与标签图像的误差最小化。从而获得了标注真实回波的像素点的预测图像。
通过此方法，使用全卷积神经网络，对天气雷达的回波图像进行分类标注，能有效识别出天气雷达回波图像中的真实回波和杂波，提升了对天气雷达图像的处理效率和识别精度。
在上述实施例的基础上，所述方法还包括：
S2，将所述预测图像中判定为真实回波的像素点进行图像学腐蚀操作。
S3，将所述真实回波的像素点进行膨胀操作，直至所述真实回波的像素点周围的像素点的图像梯度大于预设阈值，获取膨胀操作后的标注所述真实回波的像素点的预测图像。
具体的，由于FCN模型在整体上能够将雷达杂波与真实回波区分开来，但在边界上的分割往往比较粗糙，因此需要作一些精细化处理，具体步骤为：
对预测为真实回波的区域作一次图像学腐蚀操作，腐蚀操作的结构元素为5×5的正方形，这样做的目的是缩小判定为真实回波的区域，避免将真实回波边缘的杂波判定为真实回波。
其后，对剩余的预测为真实回波进行膨胀，对于膨胀后新加入该类别的像素点，若该点的图像梯度小于15，则以该点为中心继续进行膨胀操作，否则停止膨胀操作。这样做能够尽可能避免云团边缘的真实回波被误认为杂波。
通过此方法，可以明确分割出真实回波区域和杂波区域的边缘，提升了天气雷达回波图像的滤波精度。
在上述各实施例的基础上，所述步骤S1中还包括对所述回波图像中的每个杂波的像素点进行标注，获取标注真实回波的像素点和标注杂波的像素点的预测图像。
具体的，在全卷积神经网络中，不仅仅对真实回波图像的像素点进行标注，同时也对杂波的像素点进行标注，最后仅剩余的像素点则为背景像素点，最后将对像素点进行分类后的图像的每个像素点赋值，0(背景)、1(真实回波)或2(杂波)，若该像素点的值为2，表明这个点属于杂波，应当从原始雷达图中去除。因此对于所有的分类值为2的像素点，将原始雷达图像中相应的像素点的雷达反射率设置为0，就完成了雷达图像滤波的过程。
通过此方法，对天气雷达的回波图像进行有效的滤波，将真实回波提取出来，将标注为杂波的像素进行舍弃，实现从原始的雷达基础数据中过滤非降水杂波，提高短时临近降雨监测和预报的准确性。
在上述各实施例的基础上，所述全卷积神经网络的结构依次包括：第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层、第三池化层、第四卷积层、第四池化层、第五卷积层、第五池化层、第六卷积层、第七卷积层、第一反卷积层、第二反卷积层、第三反卷积层和softmax层。
其中，所有池化层的步长之积与所有反卷积层的步长之积相等，以使得所述天气雷达的回波图像和所述预测图像的宽度和高度相等。
具体的，参考图2，图2为本发明一实施例提供的一种天气雷达图像处理方法中全卷积神经网络的结构图，本方案采用的全连接网络模型为《Fully ConvolutionalNetworks for Semantic Segmentation》中提出的fcn-8s模型，该网络的前5层结构与VGG16卷积神经网络的前5层相同，在前5层中，每一层都包含一个卷积层和一个池化层，与fcn-8s模型相比，其区别点在于，将原始CNN网络的全连接层改换为卷积层，fcn-8s将对应VGG16网络的最后三层全连接层转换成为三层卷积层,卷积核的大小(通道数，宽，高)分别为(4096,1,1)、(4096,1,1)、(3,1,1)。
若原始输入图像的高和宽为H,W，则经过5个池化层下采样之后的特征图的高和宽为H/32，W/32。之后通过反卷积层对特征图进行上采样，使图像恢复到原始图像大小。第一个反卷积层的步长为2，反卷积后特征图大小恢复到H/16，W/16；然后用第4个池化层对该特征图进行局部修正；第二个反卷积层的步长为2，反卷积后特征图大小恢复到H/8，W/8；然后用第3个池化层对该特征图进行局部修正；第3个反卷积层的步长为8，反卷积后图像大小恢复到与原始图像相等，最后通过一个softmax层进行归一化，得到每个像素点分别属于背景、杂波、真实云团回波三种类别的预测概率。将归一化的概率图与标签图像进行对比，利用误差梯度反向传播和随机梯度下降法训练网络参数，使得模型输出结果与标签图像的误差最小化。
在上述各实施例的基础上，所述步骤S1之前还包括，基于滤波前的天气雷达图像样本，生成滤波后的天气雷达图像样本，通过多组所述滤波前、后的天气雷达图像样本，对所述全卷积神经网络进行训练。
其中，所述基于滤波前的天气雷达图像样本，生成滤波后的天气雷达图像样本的步骤具体包括：
对所述滤波前的雷达图像样本进行阈值分割和连续性测试，去除回波强度低于预设强度值并且连续性低于预设要求的像素点，获得滤波图像；
将所述滤波图像和所述滤波前的雷达图像样本进行像素对比，标记出真实回波像素，获得滤波后的雷达图像样本。
具体的，在本实施例中，为了训练全卷积网络模型，需要准备一批包含杂波的雷达图片样本和对应的正确滤波后的图像样本，未滤波的雷达图片作为模型输入，正确滤波的图片作为模型输出。
其中，正确滤波图像的生成方式包括：先利用阈值分割法处理原始雷达图像，去掉回波强度小于10dBz的像素点。假设雷达电磁波为直线传播，根据雷达电磁波发射的初始仰角θ和每个像素点距离雷达中心的距离R计算得到每个回波点距离地面的高度h＝R·sinθ，去除h<3km的像素点。这样做的原理在于低于3km的回波通常为地物杂波或非降雨云团造成的回波。
取得面积大于一定阈值以上的所有风暴团的位置及大小。由于天气雷达的降水回波连续性较好，而非降水回波的连续性非常差，通过连续性检测，去除连续性较差的回波数据点。风暴团的连续性是指：除风暴团的边缘区域之外，各回波数据点的回波强度是连续的。例如：风暴团中某个回波数据点的回波强度为30dBz，在该回波数据点的周围必定存在其他回波强度为30dBz的回波数据点。而在杂波形成的风暴团中，某个回波数据点的回波强度为20dBz，而在该回波数据点的周围往往是不存在其他回波强度为20dBz的回波数据点的。
经过上述常规处理方法后，可以过滤掉大部分地物杂波和部分超折射杂波，有少量雷达图像仍然存在剩余杂波。之后通过预报员人工识别出仍有剩余杂波的雷达图像，利用Photoshop等画图软件去除掉这部分杂波，得到的雷达图像作为正确滤波后的图像。将正确滤波后的图像与原始图像进行逐像素的对比，若在某个像素点上，原始图像和滤波后均无反射率，则该像素点标记为0(背景)；若原始图像和滤波后均有反射率，则该像素点标记为1(真实回波)；若原始图像存在反射率，但滤波后无反射率，则该像素点标记为2(杂波)。以标记后的类别图作为标签，与FCN的输出结果进行对比。
通过此方法，当前期准备的标签样本数量足够时，神经网络对雷达杂波的识别准确率能够接近人眼的识别准确率，而效率远高于人工识别。
参考图3，图3为本发明另一实施例提供的一种天气雷达图像处理***的结构图，所述***包括全卷积神经网络模块31。
其中，全卷积神经网络模块31用于接收天气雷达回波图像，将所述回波图像输入到全卷积神经网络，对所述回波图像每个像素点进行类别预测，获取标注真实回波的像素点的预测图像；其中，所述全卷积神经网络包括一个反卷积层和一个softmax层。
具体的，通过将天气雷达的回波图像输入到全卷积神经网络中，对回波图像的每个像素点进行判定，当判定像素点为真实回波的时候，则将像素点标注出来，当整张图像的每个像素点都进行判断和分类后，输出的预测图像中，每一个属于真实回波的像素点都进行了标记，随后通过反卷积层，对特征图进行上下采样，使图像恢复到原始图像大小。最后通过一个softmax层进行归一化，得到每个像素点分别属于背景、杂波、真实回波三种类别的预测概率。将归一化的概率图与标签图像进行对比，利用误差梯度反向传播和随机梯度下降法训练网络参数，使得模型输出结果与标签图像的误差最小化。从而获得了标注真实回波的像素点的预测图像。
通过此***，使用全卷积神经网络，对天气雷达的回波图像进行分类标注，能有效识别出天气雷达回波图像中的真实回波和杂波，提升了对天气雷达图像的处理效率和识别精度。
在上述实施例的基础上，所述***还包括：图像腐蚀模块32和图像膨胀模块33。
其中，图像腐蚀模块32用于将所述预测图像中判定为真实回波的像素点进行图像学腐蚀操作。
其中，图像膨胀模块33用于将所述真实回波的像素点进行膨胀操作，直至所述真实回波的像素点周围的像素点的图像梯度大于预设阈值，获取膨胀操作后的标注所述真实回波的像素点的预测图像。
具体的，由于FCN模型在整体上能够将雷达杂波与真实回波区分开来，但在边界上的分割往往比较粗糙，因此需要作一些精细化处理，具体步骤为：
对预测为真实回波的区域作一次图像学腐蚀操作，腐蚀操作的结构元素为5×5的正方形，这样做的目的是缩小判定为真实回波的区域，避免将真实回波边缘的杂波判定为真实回波。
其后，对剩余的预测为真实回波进行膨胀，对于膨胀后新加入该类别的像素点，若该点的图像梯度小于15，则以该点为中心继续进行膨胀操作，否则停止膨胀操作。这样做能够尽可能避免云团边缘的真实回波被误认为杂波。
通过此***，可以明确分割出真实回波区域和杂波区域的边缘，提升了天气雷达回波图像的滤波精度。
在上述各实施例的基础上，所述全卷积神经网络模块31中还包括杂波标注模块，用于对所述回波图像中的每个杂波的像素点进行标注，获取标注真实回波的像素点和标注杂波的像素点的预测图像。
具体的，在全卷积神经网络中，不仅仅对真实回波图像的像素点进行标注，同时也对杂波的像素点进行标注，最后仅剩余的像素点则为背景像素点，最后将对像素点进行分类后的图像的每个像素点赋值，0(背景)、1(真实回波)或2(杂波)，若该像素点的值为2，表明这个点属于杂波，应当从原始雷达图中去除。因此对于所有的分类值为2的像素点，将原始雷达图像中相应的像素点的雷达反射率设置为0，就完成了雷达图像滤波的过程。
通过此***，对天气雷达的回波图像进行有效的滤波，将真实回波提取出来，将标注为杂波的像素进行舍弃，实现从原始的雷达基础数据中过滤非降水杂波，提高短时临近降雨监测和预报的准确性。
最后，本申请的方法仅为较佳的实施方案，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种天气雷达图像处理方法，其特征在于，包括：
S1，接收天气雷达的回波图像，将所述回波图像输入到全卷积神经网络，对所述回波图像的每个像素点进行分类，获取标注真实回波的像素点的预测图像；
其中，所述全卷积神经网络包括一个反卷积层和一个softmax层。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
S2，将所述预测图像中判定为真实回波的像素点进行图像学腐蚀操作；
S3，将所述真实回波的像素点进行膨胀操作，直至所述真实回波的像素点周围的像素点的图像梯度大于预设阈值，获取膨胀操作后的标注所述真实回波的像素点的预测图像。
3.根据权利要求1或2所述的方法，其特征在于，所述步骤S1中还包括对所述回波图像中的每个杂波的像素点进行标注，获取标注真实回波的像素点和标注杂波的像素点的预测图像。
4.根据权利要求1或2或3任一所述的方法，其特征在于，所述全卷积神经网络的结构依次包括：第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层、第三池化层、第四卷积层、第四池化层、第五卷积层、第五池化层、第六卷积层、第七卷积层、第一反卷积层、第二反卷积层、第三反卷积层和softmax层。
5.根据权利要求4所述的方法，其特征在于，所有池化层的步长之积与所有反卷积层的步长之积相等，以使得所述天气雷达的回波图像和所述预测图像的宽度和高度相等。
6.根据权利要求1-5中任一所述的方法，其特征在于，所述步骤S1之前还包括，基于滤波前的天气雷达图像样本，生成滤波后的天气雷达图像样本，通过多组所述滤波前、后的天气雷达图像样本，对所述全卷积神经网络进行训练。
7.根据权利要求6所述的方法，其特征在于，所述基于滤波前的天气雷达图像样本，生成滤波后的天气雷达图像样本的步骤具体包括：
对所述滤波前的天气雷达图像样本进行阈值分割和连续性测试，去除回波强度低于预设强度值并且连续性低于预设要求的像素点，获得滤波图像；
将所述滤波图像和所述滤波前的天气雷达图像样本进行像素对比，标记出真实回波像素，获得滤波后的天气雷达图像样本。
8.一种天气雷达图像处理***，其特征在于，包括：
全卷积神经网络模块，用于接收天气雷达回波图像，将所述回波图像输入到全卷积神经网络，对所述回波图像每个像素点进行类别预测，获取标注真实回波的像素点的预测图像；
其中，所述全卷积神经网络包括一个反卷积层和一个softmax层。
9.根据权利要求8所述的***，其特征在于，所述***还包括：
图像腐蚀模块，用于将所述预测图像中判定为真实回波的像素点进行图像学腐蚀操作；
图像膨胀模块，将所述真实回波的像素点进行膨胀操作，直至所述真实回波的像素点周围的像素点的图像梯度大于预设阈值，获取膨胀操作后的标注所述真实回波的像素点的预测图像。
10.根据权利要求8或9所述的***，其特征在于，所述全卷积神经网络模块中还包括杂波标注模块，用于对所述回波图像中的每个杂波的像素点进行标注，获取标注真实回波的像素点和标注杂波的像素点的预测图像。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711205603.5A CN107993215A (zh) | 2017-11-27 | 2017-11-27 | 一种天气雷达图像处理方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711205603.5A CN107993215A (zh) | 2017-11-27 | 2017-11-27 | 一种天气雷达图像处理方法及*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107993215A true CN107993215A (zh) | 2018-05-04 |
Family
ID=62033439
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711205603.5A Pending CN107993215A (zh) | 2017-11-27 | 2017-11-27 | 一种天气雷达图像处理方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107993215A (zh) |
Cited By (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108732550A (zh) * | 2018-08-01 | 2018-11-02 | 北京百度网讯科技有限公司 | 用于预测雷达回波的方法和装置 |
| CN108960190A (zh) * | 2018-07-23 | 2018-12-07 | 西安电子科技大学 | 基于fcn图像序列模型的sar视频目标检测方法 |
| CN109389129A (zh) * | 2018-09-15 | 2019-02-26 | 北京市商汤科技开发有限公司 | 一种图像处理方法、电子设备及存储介质 |
| CN109490861A (zh) * | 2018-10-29 | 2019-03-19 | 北京科技大学 | 一种高炉料线提取方法 |
| CN109613540A (zh) * | 2018-12-25 | 2019-04-12 | 江苏省气象信息中心(江苏省气象档案馆) | 一种基于WebGL的多普勒天气雷达三维可视化方法 |
| CN110049216A (zh) * | 2019-04-18 | 2019-07-23 | 安徽易睿众联科技有限公司 | 一种可实时识别降水类型的网络摄像机 |
| CN110441743A (zh) * | 2019-07-02 | 2019-11-12 | 中国航空工业集团公司雷华电子技术研究所 | 一种基于ENet全卷积网络的气象杂波抑制方法 |
| CN110942111A (zh) * | 2019-12-31 | 2020-03-31 | 北京弘象科技有限公司 | 一种识别强对流云团的方法及装置 |
| CN111028260A (zh) * | 2019-12-17 | 2020-04-17 | 上海眼控科技股份有限公司 | 图像预测方法、装置、计算机设备和存储介质 |
| CN111142109A (zh) * | 2019-12-30 | 2020-05-12 | 上海眼控科技股份有限公司 | 标记方法、装置、计算机设备和存储介质 |
| CN112001342A (zh) * | 2020-08-28 | 2020-11-27 | 电子科技大学 | 一种采用vgg-16网络的杂波分类方法 |
| EP3748392A1 (en) * | 2019-06-03 | 2020-12-09 | NXP USA, Inc. | System and method to classify objects using radar data |
| CN112327265A (zh) * | 2020-10-23 | 2021-02-05 | 北京理工大学 | 一种基于语义分割网络的分治检测方法 |
| CN112541872A (zh) * | 2020-12-08 | 2021-03-23 | 陕西长岭电子科技有限责任公司 | 气象雷达显示效果优化方法 |
| CN112558022A (zh) * | 2020-11-02 | 2021-03-26 | 广东工业大学 | 一种雷达回波图像处理方法、***、装置和存储介质 |
| CN112698291A (zh) * | 2020-12-18 | 2021-04-23 | 南京航空航天大学 | 一种基于cnn的机载气象雷达气象目标检测方法 |
| CN113189594A (zh) * | 2020-12-28 | 2021-07-30 | 北京理工大学 | 一种基于时间连续性特征的天气雷达回波分类方法 |
| CN113870230A (zh) * | 2021-09-30 | 2021-12-31 | 湖南大学 | 一种基于混合监督学习的表面异常检测方法 |
| CN113985379A (zh) * | 2021-08-25 | 2022-01-28 | 中山大学 | 天气雷达信号的并行处理方法、装置、***及介质 |
| CN114365153A (zh) * | 2019-10-04 | 2022-04-15 | 国际商业机器公司 | 预测天气雷达图像 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103645477A (zh) * | 2013-12-04 | 2014-03-19 | 中国气象局气象探测中心 | 气象雷达信号处理方法和*** |
| CN106093890A (zh) * | 2016-08-26 | 2016-11-09 | 零八电子集团有限公司 | 建立剩余杂波图抑制雷达剩余杂波的方法 |
| 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 |
| CN107392122A (zh) * | 2017-07-07 | 2017-11-24 | 西安电子科技大学 | 基于多极化特征和fcn‑crf融合网络的极化sar影像目标检测方法 |
-
2017
- 2017-11-27 CN CN201711205603.5A patent/CN107993215A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103645477A (zh) * | 2013-12-04 | 2014-03-19 | 中国气象局气象探测中心 | 气象雷达信号处理方法和*** |
| CN106093890A (zh) * | 2016-08-26 | 2016-11-09 | 零八电子集团有限公司 | 建立剩余杂波图抑制雷达剩余杂波的方法 |
| 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 |
| CN107392122A (zh) * | 2017-07-07 | 2017-11-24 | 西安电子科技大学 | 基于多极化特征和fcn‑crf融合网络的极化sar影像目标检测方法 |
Non-Patent Citations (2)
| Title |
|---|
| EVAN S等: "Fully Convolutional Networks for Semantic Segmentation", 《IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE》 * |
| 张小红 著: "《机载激光雷达测量技术理论与方法》", 30 September 2007, 武汉：武汉大学出版社 * |
Cited By (30)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108960190A (zh) * | 2018-07-23 | 2018-12-07 | 西安电子科技大学 | 基于fcn图像序列模型的sar视频目标检测方法 |
| CN108960190B (zh) * | 2018-07-23 | 2021-11-30 | 西安电子科技大学 | 基于fcn图像序列模型的sar视频目标检测方法 |
| CN108732550A (zh) * | 2018-08-01 | 2018-11-02 | 北京百度网讯科技有限公司 | 用于预测雷达回波的方法和装置 |
| CN109389129A (zh) * | 2018-09-15 | 2019-02-26 | 北京市商汤科技开发有限公司 | 一种图像处理方法、电子设备及存储介质 |
| CN109490861B (zh) * | 2018-10-29 | 2020-06-02 | 北京科技大学 | 一种高炉料线提取方法 |
| CN109490861A (zh) * | 2018-10-29 | 2019-03-19 | 北京科技大学 | 一种高炉料线提取方法 |
| CN109613540A (zh) * | 2018-12-25 | 2019-04-12 | 江苏省气象信息中心(江苏省气象档案馆) | 一种基于WebGL的多普勒天气雷达三维可视化方法 |
| CN110049216A (zh) * | 2019-04-18 | 2019-07-23 | 安徽易睿众联科技有限公司 | 一种可实时识别降水类型的网络摄像机 |
| EP3748392A1 (en) * | 2019-06-03 | 2020-12-09 | NXP USA, Inc. | System and method to classify objects using radar data |
| CN110441743A (zh) * | 2019-07-02 | 2019-11-12 | 中国航空工业集团公司雷华电子技术研究所 | 一种基于ENet全卷积网络的气象杂波抑制方法 |
| CN114365153B (zh) * | 2019-10-04 | 2023-04-18 | 国际商业机器公司 | 预测天气雷达图像 |
| CN114365153A (zh) * | 2019-10-04 | 2022-04-15 | 国际商业机器公司 | 预测天气雷达图像 |
| CN111028260A (zh) * | 2019-12-17 | 2020-04-17 | 上海眼控科技股份有限公司 | 图像预测方法、装置、计算机设备和存储介质 |
| CN111142109A (zh) * | 2019-12-30 | 2020-05-12 | 上海眼控科技股份有限公司 | 标记方法、装置、计算机设备和存储介质 |
| CN110942111A (zh) * | 2019-12-31 | 2020-03-31 | 北京弘象科技有限公司 | 一种识别强对流云团的方法及装置 |
| CN110942111B (zh) * | 2019-12-31 | 2022-11-29 | 北京弘象科技有限公司 | 一种识别强对流云团的方法及装置 |
| CN112001342A (zh) * | 2020-08-28 | 2020-11-27 | 电子科技大学 | 一种采用vgg-16网络的杂波分类方法 |
| CN112001342B (zh) * | 2020-08-28 | 2023-04-07 | 电子科技大学 | 一种采用vgg-16网络的杂波分类方法 |
| CN112327265A (zh) * | 2020-10-23 | 2021-02-05 | 北京理工大学 | 一种基于语义分割网络的分治检测方法 |
| CN112558022A (zh) * | 2020-11-02 | 2021-03-26 | 广东工业大学 | 一种雷达回波图像处理方法、***、装置和存储介质 |
| CN112558022B (zh) * | 2020-11-02 | 2023-06-13 | 广东工业大学 | 一种雷达回波图像处理方法、***、装置和存储介质 |
| CN112541872A (zh) * | 2020-12-08 | 2021-03-23 | 陕西长岭电子科技有限责任公司 | 气象雷达显示效果优化方法 |
| CN112541872B (zh) * | 2020-12-08 | 2024-02-27 | 陕西长岭电子科技有限责任公司 | 气象雷达显示效果优化方法 |
| CN112698291A (zh) * | 2020-12-18 | 2021-04-23 | 南京航空航天大学 | 一种基于cnn的机载气象雷达气象目标检测方法 |
| CN112698291B (zh) * | 2020-12-18 | 2023-12-15 | 南京航空航天大学 | 一种基于cnn的机载气象雷达气象目标检测方法 |
| CN113189594B (zh) * | 2020-12-28 | 2022-11-25 | 北京理工大学 | 一种基于时间连续性特征的天气雷达回波分类方法 |
| CN113189594A (zh) * | 2020-12-28 | 2021-07-30 | 北京理工大学 | 一种基于时间连续性特征的天气雷达回波分类方法 |
| CN113985379A (zh) * | 2021-08-25 | 2022-01-28 | 中山大学 | 天气雷达信号的并行处理方法、装置、***及介质 |
| CN113985379B (zh) * | 2021-08-25 | 2024-05-31 | 中山大学 | 天气雷达信号的并行处理方法、装置、***及介质 |
| CN113870230A (zh) * | 2021-09-30 | 2021-12-31 | 湖南大学 | 一种基于混合监督学习的表面异常检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107993215A (zh) | 一种天气雷达图像处理方法及*** | |
| CN111598098B (zh) | 一种基于全卷积神经网络的水尺水位线检测及有效性识别方法 | |
| CN107016677A (zh) | 一种基于fcn和cnn的云图分割方法 | |
| CN108830285A (zh) | 一种基于Faster-RCNN的加强学习的目标检测方法 | |
| CN112001928B (zh) | 一种视网膜血管分割方法及*** | |
| CN108629369A (zh) | 一种基于Trimmed SSD的尿沉渣有形成分自动识别方法 | |
| CN110084234A (zh) | 一种基于实例分割的声呐图像目标识别方法 | |
| CN106780486A (zh) | 一种钢板表面缺陷图像提取方法 | |
| CN109583345A (zh) | 道路识别方法、装置、计算机装置及计算机可读存储介质 | |
| CN111368690A (zh) | 基于深度学习的海浪影响下视频图像船只检测方法及*** | |
| CN111091095A (zh) | 一种遥感图像中船只目标的检测方法 | |
| CN107679453A (zh) | 基于支持向量机的天气雷达电磁干扰回波识别方法 | |
| CN110349167A (zh) | 一种图像实例分割方法及装置 | |
| CN109241814A (zh) | 基于yolo神经网络的行人检测方法 | |
| CN109493333A (zh) | 基于卷积神经网络的超声甲状腺结节钙化点提取算法 | |
| CN107563299A (zh) | 一种利用ReCNN融合上下文信息的行人检测方法 | |
| Zhao et al. | Research on detection method for the leakage of underwater pipeline by YOLOv3 | |
| CN115937659A (zh) | 基于Mask-RCNN的室内复杂环境下多目标检测方法 | |
| CN112395953A (zh) | 一种道面异物检测*** | |
| CN109993744A (zh) | 一种海上逆光环境下的红外目标检测方法 | |
| CN113901945A (zh) | 一种基于Faster RCNN的海面溢油检测方法及*** | |
| CN110097524A (zh) | 基于融合卷积神经网络的sar图像目标检测方法 | |
| CN117523420A (zh) | 一种基于雷达产品数据的闪电落区识别方法及*** | |
| CN114943869B (zh) | 风格迁移增强的机场目标检测方法 | |
| CN116246139A (zh) | 一种无人艇航行环境基于多传感器融合的目标识别方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180504 |
|
| RJ01 | Rejection of invention patent application after publication |