CN111899222B - 一种利用风向全自动初步定位热带气旋中心的方法及*** - Google Patents
一种利用风向全自动初步定位热带气旋中心的方法及*** Download PDFInfo
- Publication number
- CN111899222B CN111899222B CN202010621950.1A CN202010621950A CN111899222B CN 111899222 B CN111899222 B CN 111899222B CN 202010621950 A CN202010621950 A CN 202010621950A CN 111899222 B CN111899222 B CN 111899222B
- Authority
- CN
- China
- Prior art keywords
- image
- search
- sub
- size
- pixels
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 239000011159 matrix material Substances 0.000 claims abstract description 68
- 238000004364 calculation method Methods 0.000 claims description 4
- 239000002131 composite material Substances 0.000 claims 2
- 239000000126 substance Substances 0.000 claims 1
- 230000033001 locomotion Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000035515 penetration Effects 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based 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
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Radar Systems Or Details Thereof (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种利用风向全自动初步定位热带气旋(Tropical Cyclone,TC)中心的方法及***,包括:获取由若干包含风向的子图像组成的大小为M×N的合成孔径雷达(Synthetic Aperture Radar,SAR)图像;将SAR图像向四周扩展A个像素以形成一个(M+2A)×(N+2A)大小的搜索区域;在搜索区域上的每列每行分别确定a和b个搜索点,初始化生成a×b大小的统计矩阵;将补偿角以Δd°为间隔依次对风向进行补偿,计算补偿后风向的垂线,每次补偿都会得到一组垂线,总共组;寻找垂线与每个搜索点所在列的交点,离交点最近的搜索点则认为被这条垂线经过;记录各搜索点处的被当前补偿角补偿后风向的垂线经过的数目以形成一个统计矩阵,共个;选择所有统计矩阵中的最大值在所对应的统计矩阵中的位置作为TC定位中心。本发明利用风向进行全自动初步定位TC,具有极大的实用价值。
Description
技术领域
本发明涉及热带气旋中心定位技术领域,具体涉及一种利用风向全自动初步定位热带气旋中心的方法及***。
背景技术
热带气旋(Tropical Cyclone,TC)是产生于热带洋面上的中尺度暖性气旋,可见于西太平洋(台风)、大西洋和东北太平洋(飓风)以及印度洋和南太平洋。能够给TC过境区域的人们带来巨大的生命和财产损失。TC路径的追踪和预测是气象机构的主要任务之一。作为TC的最重要的参数之一,TC中心位置在分析TC强度以及运动路径中起着关键作用。如果在TC的不同发展阶段进行准确定位,就能够提前对TC做好防范并减少人们的生命和财产损失。
星载合成孔径雷达(Synthetic Aperture Radar,SAR)是一种高分辨率成像雷达,可在能见度极低的气象条件下得到光学照相的高分辨率雷达影像,具有全天时、全天候、高分辨率海洋遥感观测的特点,因而目前被较多用于定位TC的中心位置。近几十年来,现有技术对利用SAR图像进行TC中心定位提出了很多方法,这些方法包括半自动和全自动两种方式。与半自动的中心定位方法相比,全自动的方法更显客观。在这些方法中,包括使用小波分析法来估计TC中风眼的尺度和面积;还包括基于雷达数据并使用遗传算法来确定TC中心;也有对含有TC信息的SAR图像使用标记分水岭算法结合形态学分析来进行TC中心定位;此外还有使用数学形态学方法和骨骼进化分离法从C波段SAR数据中提取TC中心。
公开号为CN107578441A的发明专利申请公开了一种TC中心定位的红外亮温偏差角梯度分布均匀性方法,首先,从红外卫星云图中截取感兴区域,并分别进行Bezier直方图分割和K均值聚类分割得到TC主体云系二值图像和红外亮温变化剧烈位置二值图像。将上述两幅二值图像相乘得到TC主体云系红外亮温变化剧烈位置的二值图像。然后,对得到的二值图像进行Hough变换检测圆以减小TC中心的搜索范围。最后,以检测区域内每个像素点为参考中心计算得到偏差角梯度分布均匀性矩阵,偏差角梯度分布均匀性矩阵中值最大的位司置为TC中心位置。
上述申请都不能有效利用TC的风向进行TC中心定位,不能充分利用SAR图像本身的信息,计算处理复杂,如何利用SAR图像风向信息进行TC中心定位,降低TC中心定位的复杂度,是本领域亟待解决的问题。
发明内容
本发明的目的是针对现有技术的缺陷,提供了一种利用风向全自动初步定位热带气旋(Tropical Cyclone,TC)中心的方法及***。本发明利用合成孔径雷达(SyntheticAperture Radar,SAR)图像分析TC风向,基于SAR图像中子图像的风向实现TC中心全自动定位,提高了TC中心定位的精度,具有极大的实用价值。
为了实现以上目的,本发明采用以下技术方案:
一种利用风向全自动初步定位热带气旋中心的方法,包括步骤:
S1、获取大小为M×N的SAR图像,并将图像分为若干子图像,反演各子图像中的风向;
S2、将所述SAR图像向四周扩展A个像素以形成一个(M+2A)×(N+2A)大小的搜索区域;其中,M为行数,N为列数;
S3、以Δp1个像素为间隔,在所述搜索区域上的每列每行分别确定a和b个搜索点,基于所述搜索点初始化生成a×b大小的统计矩阵;
S4、将补偿角以Δd°为间隔依次对从各子图像上反演得到的风向进行补偿,计算补偿后风向的垂线,每次补偿都会得到一组垂线,总共组;
S5、寻找垂线与每个搜索点所在列的交点,离交点最近的搜索点则认为被这条垂线经过;遍历搜索点,依次记录统计矩阵中各搜索点处被各组垂线经过的数目,得到个统计矩阵。
S6、选择所有统计矩阵中的最大值在所对应的统计矩阵中的位置作为SAR图像的TC定位中心;若存在多个相同的最大值,则取其对应位置的平均值为定位中心。
进一步地,所述初始化生成a×b大小的统计矩阵具体为:将统计矩阵中各元素值设置为0。
进一步地,所述补偿角、统计矩阵的个数为
进一步地,所述子图像的大小为ΔX×ΔY像元数目,其中,ΔX为子图像横向的像元数目,ΔY为子图像纵向的像元数目。
本发明还提出一种利用风向全自动初步定位热带气旋中心的***,包括:
获取模块,用于获取大小为M×N的SAR图像,并将图像分为若干子图像,反演各子图像中的风向;
确定模块,用于将所述SAR图像向四周扩展A个像素以形成一个(M+2A)×(N+2A)大小的搜索区域;其中,M为行数,N为列数;
初始化模块,用于以Δp1个像素为间隔,在所述搜索区域上的每列每行分别确定a和b个搜索点,基于所述搜索点初始化生成a×b大小的统计矩阵;
计算模块,用于将补偿角以Δd°为间隔依次对从各子图像上反演得到的风向进行补偿,计算补偿后风向的垂线,每次补偿都会得到一组垂线,总共组;
遍历模块,用于寻找垂线与每个搜索点所在列的交点,离交点最近的搜索点则认为被这条垂线经过;遍历搜索点,依次记录统计矩阵中各搜索点处被各组垂线经过的数目,得到个统计矩阵。
定位模块,用于选择所有统计矩阵中的最大值在所对应的统计矩阵中的位置作为SAR图像中TC的定位中心;若存在多个相同的最大值,则取其对应位置的平均值为定位中心。
进一步地,所述初始化生成a×b大小的统计矩阵具体为:将统计矩阵中各元素值设置为0。
进一步地,所述补偿角、统计矩阵的个数为
进一步地,所述子图像的大小为ΔX×ΔY像元数目,其中,ΔX为子图像横向的像元数目,ΔY为子图像纵向的像元数目。
本发明对含有TC的SAR图像进行全自动地TC中心定位。与半自动的中心定位方法相比,全自动的方法更显客观。本发明利用SAR图像的大范围覆盖和高分辨率的特点,基于SAR图像中所包含的风条纹特征,根据SAR图像中的子图像风向,确定TC的中心位置,基于风向实现TC中心全自动定位,提高了TC中心定位的精度,具有极大的实用价值。
附图说明
图1是实施例一提供的一种利用风向全自动初步定位热带气旋中心的方法流程图;
图2是所有统计矩阵中最大值所对应的统计矩阵示例图;
图3是实施例二提供的一种利用风向全自动初步定位热带气旋中心的***结构图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
需要说明的是,以下实施例中所提供的图示仅以示意方式说明本发明的基本构想,遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态也可能更为复杂。
下面结合附图和具体实施例对本发明作进一步说明,但不作为本发明的限定。
实施例一
如图1所示,本实施例提出了一种利用风向全自动初步定位热带气旋中心的方法,包括:
S1、获取大小为M×N的SAR图像,并将图像分为若干子图像,反演各子图像中的风向;
针对开阔海域和海岸带等特殊区域的海面风场观测需求,利用SAR图像的大范围覆盖和高分辨率的特点,本发明基于SAR图像进行TC中心定位。基于SAR图像中所包含的风条纹特征,具体基于风条纹特征中的风向信息进行TC定位。
为了精确确定TC得中心,本发明所利用的图像中的风向为SAR图像所划分成的若干子图像的风向。这是因为SAR图像范围较大,直接基于风向的定位其定位精度低,因此,本发明基于SAR图像的子图像风向进行中心定位。
因此,本发明获取大小为M×N的SAR图像,并将图像分为若干子图像,反演各子图像中的风向。具体地,本发明首先获取SAR图像,SAR就是利用雷达与目标的相对运动把尺寸较小的真实天线孔径用数据处理的方法合成一较大的等效天线孔径的雷达。SAR的特点是分辨率高,能全天候工作,能有效地识别伪装和穿透掩盖物。将获取的大小为M×N的SAR图像划分成若干个的子图像,并依次确定每个子图像的风向,对于子图像中风向的确定方法,本发明不作限定。子图像的大小为ΔX×ΔY像元数目,其中,ΔX为子图像横向的像元数目,ΔY为子图像纵向的像元数目。
S2、将所述SAR图像向四周扩展A个像素以形成一个(M+2A)×(N+2A)大小的搜索区域;其中,M为行数,N为列数;
本发明定义一个面积大于SAR图像的搜索区域,对于搜索区域的定义,若SAR图像大小为M×N(M为行数,N为列数),则将SAR图像向四周扩展A个像素以形成一个(M+2A)×(N+2A)大小的搜索区域。
S3、以Δp1个像素为间隔,在所述搜索区域上的每列每行分别确定a和b个搜索点,基于所述搜索点初始化生成a×b大小的统计矩阵;
进一步地,对于设定的搜索区域,本发明进一步确定相应的搜索点,根据相应的搜索点确定SAR图像中TC的中心位置。具体地,本发明以Δp1个像素为间隔,对搜索区域上的每列每行分别确定a和b个搜索点。因此,对于整个搜索区域,可以确定a×b个搜索点。基于所确定的a×b个搜索点,定义一个a×b大小的统计矩阵,矩阵中各元素初始值为0。
S4、将补偿角以Δd°为间隔依次对从各子图像上反演得到的风向进行补偿,计算补偿后风向的垂线,每次补偿都会得到一组垂线,总共组;
一般来说,在北半球的TC***中,TC风向会在TC径向风向的基础上逆时针旋转(在南半球顺时针旋转)大约22.6°;将补偿角在[-50°,10°]区间内以Δd°为间隔对依次对风向进行补偿;因此,共有个补偿角;从SAR图像中反演得到的一组风向每经过一个补偿角进行补偿,都会求得一组垂线,所以可以得到/>组垂线。
S5、寻找垂线与每个搜索点所在列的交点,离交点最近的搜索点则认为被这条垂线经过;遍历搜索点,依次记录统计矩阵中各搜索点处被各组垂线经过的数目,得到个统计矩阵。
本发明基于确定的a×b个搜索点,定义一个a×b大小的统计矩阵,a×b大小的统计矩阵与a×b个搜索点相对应,统计矩阵中每个元素值代表经过该搜索点的垂线的数目。具体地,本发明中每个补偿角对应一个统计矩阵。对于每个补偿角,利用该角对各子图像风向进行补偿,再得到子图像个数对应的垂线数,因此统计搜索点被垂线经过的数目,设置该补偿角对应的统计矩阵中的数值。
因此,当判定当前垂线经过该搜索点时,搜索点对应的统计矩阵中的元素位置加1。本发明依次将每个搜索点与每条垂线进行计算,最终得出对于每个搜索点,经过该搜索点的所有垂线的数目,将该数目值赋予统计矩阵中该搜索点所对应的元素位置。例如,某搜索点处被20条垂线经过,则该搜索点对应的在统计矩阵中的元素位置处标记为20。
S6、选择所有统计矩阵中的最大值在所对应的统计矩阵中的位置作为SAR图像的TC定位中心;若存在多个相同的最大值,则取其对应位置的平均值为粗定位中心。
如上所述,每个补偿角对应一个统计矩阵。因此,对于个补偿角,会获得个统计矩阵,在这/>个矩阵中会存在一个最大值。选择所有统计矩阵中的最大值在所对应的统计矩阵中的位置作为SAR图像的TC定位中心,完成SAR图像中TC的中心定位。图2以Δd=0.5为例,展示出了在所有统计矩阵中的最大值所对应的统计矩阵。若存在多个相同的最大值,则取其对应位置的平均值为粗定位中心。
实施例二
如图3所示,本实施例提出了一种利用风向全自动初步定位热带气旋中心的***,包括:
获取模块,用于获取大小为M×N的SAR图像,并将图像分为若干子图像,反演各子图像中的风向;;
针对开阔海域和海岸带等特殊区域的海面风场观测需求,利用SAR图像的大范围覆盖和高分辨率的特点,本发明基于SAR图像进行TC中心定位。基于SAR图像中所包含的风条纹特征,具体基于风条纹特征中的风向信息进行TC定位。
为了精确确定TC的中心,本发明所利用的图像中的风向为SAR图像所划分成的若干子图像的风向。这是因为SAR图像范围较大,直接基于风向的定位其定位精度低,因此,本发明基于SAR图像的子图像风向进行中心定位。
因此,本发明获取由若干包含风向的子图像组成的大小为M×N的SAR图像。具体地,本发明首先获取SAR图像,SAR就是利用雷达与目标的相对运动把尺寸较小的真实天线孔径用数据处理的方法合成一较大的等效天线孔径的雷达。SAR的特点是分辨率高,能全天候工作,能有效地识别伪装和穿透掩盖物。并将采集的大小为M×N的SAR图像划分成若干个的子图像,并依次确定每个子图像的风向,对于子图像中风向的确定方法,本发明不作限定。子图像的大小为ΔX×ΔY像元数目,其中,ΔX为子图像横向的像元数目,ΔY为子图像纵向的像元数目。
确定模块,用于将所述SAR图像向四周扩展A个像素以形成一个(M+2A)×(N+2A)大小的搜索区域;其中,M为行数,N为列数;
首先定义相应的搜索区域。具体地,本发明定义一个面积大于SAR图像的搜索区域,对于搜索区域的定义,若SAR图像大小为M×N(M为行数,N为列数),则将SAR图像向四周扩展A个像素以形成一个(M+2A)×(N+2A)大小的搜索区域。
初始化模块,用于以Δp1个像素为间隔,在所述搜索区域上的每列每行分别确定a和b个搜索点,基于所述搜索点初始化生成a×b大小的统计矩阵;
进一步地,对于设定的搜索区域,本发明进一步确定相应的搜索点,以对SAR图像进行搜索,根据相应的搜索点确定TC的中心位置。具体地,本发明以Δp1个像素为间隔,对搜索区域上的每列每行分别确定a和b个搜索点。因此,对于整个搜索区域,可以确定a×b个搜索点。基于所确定的a×b个搜索点,定义一个a×b大小的统计矩阵,矩阵中各元素初始值为0。
计算模块,用于将补偿角以Δd°为间隔依次对从各子图像上反演得到的风向进行补偿,计算补偿后风向的垂线,每次补偿都会得到一组垂线,总共组;
一般来说,在北半球的TC***中,TC风向会在TC径向风向的基础上逆时针旋转(在南半球顺时针旋转)大约22.6°;将补偿角在[-50°,10°]区间内以Δd°为间隔对依次对风向进行补偿;因此,共有个补偿角;从SAR图像中反演得到的一组风向每经过一个补偿角进行补偿,都会求得一组垂线,所以可以得到/>组垂线。
遍历模块,用于寻找垂线与每个搜索点所在列的交点,离交点最近的搜索点则认为被这条垂线经过;遍历搜索点,依次记录统计矩阵中各搜索点处被各组垂线经过的数目,得到个统计矩阵。
如上所述,本发明确定a1×b1个搜索点,寻找垂线与每个搜索点所在列的交点,离交点最近的搜索点则认为被这条垂线经过。a×b大小的统计矩阵与a×b个搜索点相对应,统计矩阵中每个元素值代表经过该搜索点处的垂线的数目。因此,当判定当前垂线经过某个搜索点时,该搜索点对应的统计矩阵中的元素位置加1。例如,某搜索点处被20条垂线经过,则在该搜索点对应的在统计矩阵中的元素位置处标记为20。特别地,本发明中每个补偿角都会对应一个统计矩阵。
定位模块,用于选择所有统计矩阵中的最大值在所对应的统计矩阵中的位置作为SAR图像的TC定位中心;若存在多个相同的最大值,则取其对应位置的平均值为粗定位中心。
如上所述,每个补偿角对应一个统计矩阵。因此,对于个补偿角,会获得个统计矩阵,在这/>个矩阵中会存在一个最大值。选择所有统计矩阵中的最大值在所对应的统计矩阵中的位置作为SAR图像的TC定位中心,完成SAR图像中TC的中心定位。若存在多个相同的最大值,则取其对应位置的平均值为粗定位中心。由此可知,本发明提出利用子图像风向进行TC中心定位的方法及***,本发明对含有TC的SAR图像进行全自动地TC中心定位。与半自动的中心定位方法相比,全自动的方法更显客观。本发明利用SAR图像的大范围覆盖和高分辨率的特点,基于SAR图像中所包含的风条纹特征,根据SAR图像中的子图像风向,确定TC的中心位置,基于风向实现TC中心全自动定位,提高了TC中心定位的精度,具有极大的实用价值。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (8)
1.一种利用风向全自动初步定位热带气旋中心的方法,其特征在于,包括步骤:
S1、用于获取大小为M×N的合成孔径雷达图像,并将图像分为若干子图像,反演各子图像中的风向;
S2、将所述合成孔径雷达图像向四周扩展A个像素以形成一个(M+2A)×(N+2A)大小的搜索区域;其中,M为行数,N为列数;
S3、以Δp1个像素为间隔,在所述搜索区域上的每列每行分别确定a和b个搜索点,基于所述搜索点初始化生成a×b大小的统计矩阵;
S4、将补偿角以Δd°为间隔依次对从各子图像上反演得到的风向进行补偿,计算补偿后风向的垂线,每次补偿都会得到一组垂线,总共组;
S5、寻找垂线与每个搜索点所在列的交点,离交点最近的搜索点则认为被这条垂线经过;遍历搜索点,依次记录统计矩阵中各搜索点处被各组垂线经过的数目,得到个统计矩阵;
S6、选择所有统计矩阵中的最大值在所对应的统计矩阵中的位置作为合成雷达图像的热带气旋定位中心;若存在多个相同的最大值,则取其对应位置的平均值为定位中心。
2.根据权利要求1所述的方法,其特征在于,所述初始化生成a×b大小的统计矩阵具体为:将统计矩阵中各元素值设置为0。
3.根据权利要求1所述的方法,其特征在于,所述补偿角、统计矩阵的个数为
4.根据权利要求1所述的方法,其特征在于,所述子图像的大小为ΔX×ΔY像元数目,其中,ΔX为子图像横向的像元数目,ΔY为子图像纵向的像元数目。
5.一种利用风向全自动初步定位热带气旋中心的***,其特征在于,包括:获取模块,用于获取大小为M×N的合成雷达图像,并将图像分为若干子图像,反演各子图像中的风向;
确定模块,用于将所述合成雷达图像向四周扩展A个像素以形成一个(M+2A)×(N+2A)大小的搜索区域;其中,M为行数,N为列数;
初始化模块,用于以Δp1个像素为间隔,在所述搜索区域上的每列每行分别确定a和b个搜索点,基于所述搜索点初始化生成a×b大小的统计矩阵;
计算模块,用于将补偿角以Δd°为间隔依次对从各子图像上反演得到的风向进行补偿,计算补偿后风向的垂线,每次补偿都会得到一组垂线,总共组;
遍历模块,用于寻找垂线与每个搜索点所在列的交点,离交点最近的搜索点则认为被这条垂线经过;遍历搜索点,依次记录统计矩阵中各搜索点处被各组垂线经过的数目,得到个统计矩阵;
定位模块,用于选择所有统计矩阵中的最大值在所对应的统计矩阵中的位置作为合成雷达图像中热带气旋的定位中心;若存在多个相同的最大值,则取其对应位置的平均值为定位中心。
6.根据权利要求5所述的***,其特征在于,所述初始化生成a×b大小的统计矩阵具体为:将统计矩阵中各元素值设置为0。
7.根据权利要求5所述的***,其特征在于,所述补偿角、统计矩阵的个数为
8.根据权利要求5所述的***,其特征在于,所述子图像的大小为ΔX×ΔY像元数目,其中,ΔX为子图像横向的像元数目,ΔY为子图像纵向的像元数目。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010621950.1A CN111899222B (zh) | 2020-07-01 | 2020-07-01 | 一种利用风向全自动初步定位热带气旋中心的方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010621950.1A CN111899222B (zh) | 2020-07-01 | 2020-07-01 | 一种利用风向全自动初步定位热带气旋中心的方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111899222A CN111899222A (zh) | 2020-11-06 |
CN111899222B true CN111899222B (zh) | 2023-11-17 |
Family
ID=73191955
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010621950.1A Active CN111899222B (zh) | 2020-07-01 | 2020-07-01 | 一种利用风向全自动初步定位热带气旋中心的方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111899222B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112748480A (zh) * | 2020-12-21 | 2021-05-04 | 华能国际电力股份有限公司浙江清洁能源分公司 | 近海热带气旋中心定位方法和装置、设备及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6150972A (en) * | 1998-08-03 | 2000-11-21 | Sandia Corporation | Process for combining multiple passes of interferometric SAR data |
CN102495408A (zh) * | 2011-12-07 | 2012-06-13 | 北京航空航天大学 | 一种合成孔径雷达点阵目标图像数据的自动寻点方法 |
CN103472449A (zh) * | 2013-09-16 | 2013-12-25 | 电子科技大学 | 一种基于mimo图像域的bp宽带合成方法 |
CN105891832A (zh) * | 2016-03-31 | 2016-08-24 | 南京信息工程大学 | 一种基于交叉极化模型与cmod5n的海面风速反演方法 |
CN105929399A (zh) * | 2016-04-25 | 2016-09-07 | 电子科技大学 | 一种干涉sar数据成像及高程估计方法 |
CN107578441A (zh) * | 2017-08-24 | 2018-01-12 | 浙江师范大学 | 热带气旋中心定位的红外亮温偏差角梯度分布均匀性方法 |
CN110210418A (zh) * | 2019-06-05 | 2019-09-06 | 西安电子科技大学 | 一种基于信息交互和迁移学习的sar图像飞机目标检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016097890A1 (en) * | 2014-12-15 | 2016-06-23 | Airbus Group Singapore Pte. Ltd. | Automated method for selecting training areas of sea clutter and detecting ship targets in polarimetric synthetic aperture radar imagery |
-
2020
- 2020-07-01 CN CN202010621950.1A patent/CN111899222B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6150972A (en) * | 1998-08-03 | 2000-11-21 | Sandia Corporation | Process for combining multiple passes of interferometric SAR data |
CN102495408A (zh) * | 2011-12-07 | 2012-06-13 | 北京航空航天大学 | 一种合成孔径雷达点阵目标图像数据的自动寻点方法 |
CN103472449A (zh) * | 2013-09-16 | 2013-12-25 | 电子科技大学 | 一种基于mimo图像域的bp宽带合成方法 |
CN105891832A (zh) * | 2016-03-31 | 2016-08-24 | 南京信息工程大学 | 一种基于交叉极化模型与cmod5n的海面风速反演方法 |
CN105929399A (zh) * | 2016-04-25 | 2016-09-07 | 电子科技大学 | 一种干涉sar数据成像及高程估计方法 |
CN107578441A (zh) * | 2017-08-24 | 2018-01-12 | 浙江师范大学 | 热带气旋中心定位的红外亮温偏差角梯度分布均匀性方法 |
CN110210418A (zh) * | 2019-06-05 | 2019-09-06 | 西安电子科技大学 | 一种基于信息交互和迁移学习的sar图像飞机目标检测方法 |
Non-Patent Citations (1)
Title |
---|
"一种利用FY-2卫星数据的台风中心定位方法";刘佳,***;《遥感信息》;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111899222A (zh) | 2020-11-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Sea ice concentration estimation during melt from dual-pol SAR scenes using deep convolutional neural networks: A case study | |
CN107341488B (zh) | 一种sar图像目标检测识别一体化方法 | |
CN108898065B (zh) | 候选区快速筛选与尺度自适应的深度网络舰船目标检测方法 | |
Wang et al. | Automatic target recognition using a feature-decomposition and data-decomposition modular neural network | |
CN107563411B (zh) | 基于深度学习的在线sar目标检测方法 | |
CN108960190B (zh) | 基于fcn图像序列模型的sar视频目标检测方法 | |
CN108428220A (zh) | 静止轨道卫星序列遥感影像海岛礁区域自动几何校正方法 | |
Li et al. | Gaofen-3 sea ice detection based on deep learning | |
Sariturk et al. | Feature extraction from satellite images using segnet and fully convolutional networks (FCN) | |
CN107463944B (zh) | 一种利用多时相高分辨率sar图像的道路信息提取方法 | |
CN114119621A (zh) | 基于深度编解码融合网络的sar遥感图像水域分割方法 | |
CN111862005B (zh) | 一种利用合成雷达图像精准定位热带气旋中心的方法及*** | |
CN111899222B (zh) | 一种利用风向全自动初步定位热带气旋中心的方法及*** | |
CN112101251A (zh) | 基于可变卷积神经网络的sar自动目标识别方法 | |
CN116310852A (zh) | 双时相遥感影像无监督分类与变化检测方法及*** | |
Petković et al. | An overview on horizon detection methods in maritime video surveillance | |
Shi et al. | Complex optical remote-sensing aircraft detection dataset and benchmark | |
Cassinis et al. | Comparative assessment of image processing algorithms for the pose estimation of uncooperative spacecraft | |
CN116994029A (zh) | 一种用于多源数据的融合分类方法及*** | |
CN116843906A (zh) | 基于拉普拉斯特征映射的目标多角度本征特征挖掘方法 | |
CN115984751A (zh) | 一种基于多通道多尺度融合的孪生网络遥感目标跟踪方法 | |
Liu et al. | Target detection in remote sensing image based on saliency computation of spiking neural network | |
CN113505833A (zh) | 基于多视角可变卷积神经网络的雷达自动目标识别方法 | |
CN112528943A (zh) | 基于熵调制slic的sar图像海洋目标检测方法 | |
CN112766032A (zh) | 一种基于多尺度和超像素分割的sar图像显著图生成方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |