CN115511011B - 一种基于对抗生成网络模型的雷达资料订正方法及*** - Google Patents
一种基于对抗生成网络模型的雷达资料订正方法及*** Download PDFInfo
- Publication number
- CN115511011B CN115511011B CN202211454168.0A CN202211454168A CN115511011B CN 115511011 B CN115511011 B CN 115511011B CN 202211454168 A CN202211454168 A CN 202211454168A CN 115511011 B CN115511011 B CN 115511011B
- Authority
- CN
- China
- Prior art keywords
- mask
- image
- corrected
- radar
- radar data
- 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
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/48—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/88—Lidar systems specially adapted for specific applications
- G01S17/95—Lidar systems specially adapted for specific applications for meteorological use
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Electromagnetism (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于对抗生成网络模型的雷达资料订正方法及***,属于雷达探测领域,一种基于对抗生成网络模型的雷达资料订正方法,包括以下步骤:输入待订正的雷达资料,待订正的雷达资料为激光测风雷达所测的径向风速场;采用灰度转化方式对待订正资料进行重建;采用遮蔽检测程序对重建的资料进行遮蔽判断,根据得到的遮蔽判断结果,对待订正资料进行遮蔽掩膜处理,得到遮蔽后的图像和掩膜;判断掩膜的遮蔽程度是否在预设的阈值范围内;将得到遮蔽后的图像和掩膜输入至训练得到的对抗生成网络模型;进行雷达资料订正过程,并输出订正结果,本发明能够结合订正模型输出订正后的雷达资料,及时为大气科学研究准确地提供各类气象要素。
Description
技术领域
本发明涉及雷达探测领域,更具体地说,涉及一种基于对抗生成网络模型的雷达资料订正方法及***。
背景技术
由于电磁波的传播特性以及雷达附近的高大建筑物等硬目标的阻挡,雷达在实际探测中常出现波束阻挡的现象,导致雷达资料质量不高。尤其是布置在城市地区的雷达,回波数据更易受到波束阻挡的影响,即使是轻微程度的阻挡,其发射的电磁波也无法完全向前传播,导致回波偏弱或完全被阻挡,使雷达资料的准确性受到影响。雷达探测技术发展至今,已成为最重要的遥感技术之一,是大气科学领域不可或缺的存在,依靠雷达探测技术,我们可以获得各类气象要素的时空分布情况,为解决大气科学领域的问题做出了巨大贡献。而如何解决在雷达探测过程中出现的波束阻挡现象是提高雷达探测技术的关键难题。
目前针对雷达波束阻挡的订正主要依靠数字高程模型(Digital ElevationModel, DEM)、基于回波概率特征的识别算法和基于空间相关性的波束阻挡识别算法三种方式。本发明的发明人经过研究发现:数字高程模型可以根据实际的测绘数据对出现波束阻挡的区域进行回波订正,但该方法存在一定的局限性,因为随着社会经济发展和城市建设,新建筑物不断出现,可能造成波束阻挡,而其测绘数据难以实时更新。因此基于数字高程模型的波束阻挡订正方案难以保证订正的准确性。基于空间相关性的波束阻挡识别算法不需要数字高程数据,不受地形、大气折射状况的影响,能够较好地识别和订正波束阻挡,但是当出现大范围波束阻挡的情况,则不能利用相邻的回波信号,因为不能保证雷达回波大跨度空间的强相关性,而且在出现零度层亮带,并使用零度层亮带进行订正时,可能造成订正量过高的情况。
发明内容
1.要解决的技术问题
针对现有技术中存在的问题,本发明的目的在于提供一种基于对抗生成网络模型的雷达资料订正方法及***,它能够根据雷达资料,结合订正模型输出订正后的雷达资料,及时为大气科学研究准确地提供各类气象要素。
2.技术方案
为解决上述问题,本发明采用如下的技术方案。
一种基于对抗生成网络模型的雷达资料订正方法,包括以下步骤:
根据雷达资料检测遮蔽部分;
根据雷达资料训练对抗生成网络模型;对抗生成网络模型订正雷达资料;
选择预定的参数对雷达资料进行分类,建立多雷达资料订正模型;
获取实时雷达资料;
将雷达资料与建立的多雷达资料订正***进行匹配,获取匹配到的订正***;利用的订正***对实时雷达资料的波束阻挡进行识别与订正。
根据订正后雷达数据反演得到实时气象要素并输出。
进一步的,根据雷达资料检测遮蔽部分,包括:将雷达资料转化为灰度图像,判断每个像素点的值是否在预先设定的阈值范围内,若该值在阈值范围外,则该点为遮蔽区域,输出为掩膜;若该值在阈值范围内,则该点为有效区域,输出为破损图像。
进一步的,根据雷达资料训练对抗生成网络模型,包括:选取一定量的雷达资料批量提取掩膜,判断掩膜的遮蔽程度是否在预先设定的阈值范围内,选用在阈值范围内的掩膜,按照掩膜不同的遮蔽程度分类,作为掩膜集。选取一定量的雷达资料,判断其掩膜的遮蔽程度是否在预先设定的阈值范围内,选取在阈值范围内的雷达资料作为背景集。在分别将掩膜集和背景集按照预先设定的比例分为掩膜的训练集、验证集与测试集和背景的训练集、验证集与测试集。使用资料训练对抗生成网络模型,训练得到的模型包括边缘重建网络和图像修复网络。边缘重建网络根据输入雷达资料和掩膜信息重建缺失区域的边缘信息,图像修复网络在边缘信息调节下重建缺失区域的图像,得到修复后的图像。
进一步的,选择预定的参数对雷达资料进行分类,建立多雷达资料订正模型,包括:根据不同的雷达探测资料训练适用于不同资料的订正模型;将待订正的雷达资料输入至订正***中,采用概率算法对待订正的雷达资料进行分类判断,选择合适的订正模型。
进一步的,获取实时雷达资料,包括:与雷达***的输出端建立通信,实时接收从输出端输出的雷达资料。
进一步的,雷达资料与建立的多雷达资料订正***进行匹配,获取匹配到的订正***;利用的订正***对实时雷达资料的波束阻挡进行识别与订正。
3.有益效果
相比于现有技术,本发明的优点在于:能够根据雷达资料,结合订正模型输出订正后的雷达资料,及时为大气科学研究准确地提供各类气象要素。
附图说明
图1为本发明实施例提供的基于对抗生成网络模型雷达资料的订正方法的流程图;
图2为本发明实施例提供的多雷达资料订正的建立方法示意图;
图3为本发明实施例所提供的对抗生成网络模型的训练流程图;
图4为本发明实施例提供的基于对抗生成网络模型雷达资料订正***的流程图;
图5为本发明实施例提供的待订正径向风速场图像;
图6为本发明实施例提供的灰度转化后重建得到的径向风速场图像;
图7为本发明实施例提供的掩膜和遮蔽处理后的图像;
图8为本发明实施例提供的订正后的径向风速场图像。
具体实施方式
下面将结合本发明实施例中的附图;对本发明实施例中的技术方案进行清楚、完整地描述;显然;所描述的实施例仅仅是本发明一部分实施例;而不是全部的实施例,基于本发明中的实施例;本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例;都属于本发明保护的范围。
在本发明的描述中,需要说明的是,术语“上”、“下”、“内”、“外”、“顶/底端”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性。
在本发明的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“设置有”、“套设/接”、“连接”等,应做广义理解,例如“连接”,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
实施例1:
请参阅图1,一种基于对抗生成网络模型的雷达资料订正方法,包括以下步骤:
S1、输入待订正的雷达资料;
其中,在本实施例中待订正的雷达资料是指激光测风雷达所测的径向风速场,且输入为256×256×3的RGB彩色待订正的径向风速场。
S2、采用灰度转化方式对待订正资料进行重建,灰度转化后重建得到的径向风速场图像如图6所示;
具体包括:将径向风速场图转化为灰度图像,然后依次判断每个像素点的值是否在预定的阈值范围内,若该值在阈值范围外,则视该点有波束阻挡并将该点像素值设为255,为遮蔽区域;若该值在阈值范围内,则该点没有发生波束阻挡并将该点像素值设为0,为有效区域。
S3、采用遮蔽检测程序对重建的资料进行遮蔽判断,根据得到的遮蔽判断结果,对待订正资料进行遮蔽掩膜处理,得到遮蔽后的图像和掩膜,如图7所示;
在一个实施例中,采用S2中的重建的得到灰度图像进行遮蔽检测,若某点像素值为255,则将该点标记为掩膜;反之则标记为有效区域,在完成遮蔽检测后,分别生成掩膜和输出遮蔽后的图像。
S4、判断掩膜的遮蔽程度是否在预设的阈值范围内;
采用S3中生成的掩膜计算遮蔽程度(掩膜大小与待订正径向风速场大小之比),其中,待订正径向风速场的图像如图5所示,若遮蔽程度在预定的阈值范围内,则视本次输入的待订正资料可用,输入至S5;反之则结束本次订正。
S5、将得到遮蔽后的图像和掩膜输入至训练得到的对抗生成网络模型;
在一个实施例中,采用S4中生成的掩膜和遮蔽后的图像输入至训练得到的对抗生成网络模型中,对抗生成网络模型包括边缘重建网络和图像修复网络。其中边缘重建网络可以根据输入的遮蔽后的图像的边缘信息,重建图像缺失部分的边缘。然后图像修复网络在边缘信息的调节下修复缺失区域的图像,这样修复效果更佳。
S6、进行雷达资料订正过程,并输出订正结果,如图8所示。
在一个实施例中,利用对抗生成网络模型,将被掩膜遮蔽后的径向风速场进行修复,从而获得重建后的径向风速场,完成本次雷达资料订正。
对抗生成网络模型主要是基于输入的待订正的径向风速场的已有信息,来还原图像中缺失部分的技术。因此,当对抗生成网络模型获得掩膜和遮蔽后的图像后,即可利用该对抗生成网络模型对该图像进行修复,以此获得重建后的径向风速场。
其中,如图4所示,一种基于对抗生成网络模型的雷达资料订正***,包括灰度转化模块,遮蔽检测模块,概率算法模块,订正模型选择模块和雷达资料订正模块。
其中,如图3所示,对抗生成网络模型的训练流程如下:
S1、利用雷达资料提取出相应的掩膜生成掩膜集,选取较完整雷达资料作为背景场并生成背景集;
其中,在本实施例中雷达资料是指激光测风雷达所测的径向风速场。利用遮蔽检测模块对其进行检测并提取相应的掩膜,生成掩膜集。遮蔽检测模块根据预设的阈值对雷达资料进行筛选,若在阈值范围内,则选取为背景场并生成背景集。
S2、将掩膜集和背景场输入至对抗生成网络模型,模型利用的掩膜集对背景场进行遮蔽处理,生成破损图像和缺失区域图像,缺失区域图像为背景中掩膜的遮蔽部分,再由模型获得修复图像;
S3、根据背景、修复图像、掩膜和缺失区域图像,确定对抗生成网络模型的损失值;
S4、若损失值高于预设的阈值,更新模型。
实施例2:
请参阅图2,一种基于对抗生成网络模型的雷达资料订正方法,包括以下步骤:
S1、输入待订正的雷达资料,待订正的雷达资料为激光测风雷达所测的径向风速场;
S2、采用最大概率算法对待订正的雷达资料进行分类判断,选择合适的订正模型;
S3、采用灰度转化方式对待订正资料进行重建;
S4、采用遮蔽检测程序对重建的资料进行遮蔽判断,根据得到的遮蔽判断结果,对待订正资料进行遮蔽掩膜处理,得到遮蔽后的图像和掩膜;
S5、判断掩膜的遮蔽程度是否在预设的阈值范围内;
S6、将得到遮蔽后的图像和掩膜输入至训练得到的对抗生成网络模型;
S7、进行雷达资料订正过程,并输出订正结果。
以上所述;仅为本发明较佳的具体实施方式;但本发明的保护范围并不局限于此;任何熟悉本技术领域的技术人员在本发明揭露的技术范围内;根据本发明的技术方案及其改进构思加以等同替换或改变;都应涵盖在本发明的保护范围内。
Claims (4)
1.一种基于对抗生成网络模型的雷达资料订正方法,其特征在于:包括以下步骤:
S1、输入待订正的雷达资料,所述待订正的雷达资料为激光测风雷达所测的径向风速场,所述待订正的雷达资料包括输入为256×256×3的RGB彩色待订正的径向风速场;
S2、采用灰度转化方式对待订正资料进行重建;
具体方法为:将所述径向风速场图转化为灰度图像,然后依次判断每个像素点的值是否在预定的阈值范围内,当该值在阈值范围外,则视该点有波束阻挡并将该点像素值设为255,为遮蔽区域;当该值在阈值范围内,则该点没有发生波束阻挡并将该点像素值设为0,为有效区域;
S3、采用遮蔽检测程序对重建的资料进行遮蔽判断,根据得到的遮蔽判断结果,对待订正资料进行遮蔽掩膜处理,得到遮蔽后的图像和掩膜;
采用S2中的重建的得到灰度图像进行遮蔽检测,当某点像素值为255,则将该点标记为掩膜;反之则标记为有效区域,在完成遮蔽检测后,分别生成掩膜和输出遮蔽后的图像;
S4、判断掩膜的遮蔽程度是否在预设的阈值范围内;采用S3中生成的掩膜计算遮蔽程度,当遮蔽程度在预定的阈值范围内,则视本次输入的待订正资料可用,输入至S5;反之则结束本次订正;
S5、将得到遮蔽后的图像和掩膜输入至训练得到的对抗生成网络模型,所述对抗生成网络模型包括边缘重建网络和图像修复网络,所述边缘重建网络根据输入的遮蔽后的图像的边缘信息重建图像缺失部分的边缘,所述后图像修复网络在边缘信息的调节下修复缺失区域的图像;
S6、进行雷达资料订正过程,并输出订正结果。
2.根据权利要求1所述的一种基于对抗生成网络模型的雷达资料订正方法,其特征在于:所述对抗生成网络模型的训练流程包括以下步骤:
S1、利用雷达资料提取出相应的掩膜生成掩膜集,选取较完整雷达资料作为背景场并生成背景集;
S2、将掩膜集和背景场输入至对抗生成网络模型,所述模型利用所述的掩膜集对背景场进行遮蔽处理,生成破损图像和缺失区域图像,缺失区域图像为背景中掩膜的遮蔽部分,再由所述模型获得修复图像;
S3、根据背景、修复图像、掩膜和缺失区域图像,确定对抗生成网络模型的损失值;
S4、若损失值高于预设的阈值,更新所述模型。
3.根据权利要求1所述的一种基于对抗生成网络模型的雷达资料订正方法,其特征在于:在采用灰度转化方式对待订正资料进行重建之前,采用最大概率算法对待订正的雷达资料进行分类判断,选择合适的订正模型。
4.一种用于实现权利要求1所述基于对抗生成网络模型的雷达资料订正方法的基于对抗生成网络模型的雷达资料订正***,其特征在于:包括灰度转化模块,遮蔽检测模块,概率算法模块,订正模型选择模块和雷达资料订正模块。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211454168.0A CN115511011B (zh) | 2022-11-21 | 2022-11-21 | 一种基于对抗生成网络模型的雷达资料订正方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211454168.0A CN115511011B (zh) | 2022-11-21 | 2022-11-21 | 一种基于对抗生成网络模型的雷达资料订正方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115511011A CN115511011A (zh) | 2022-12-23 |
CN115511011B true CN115511011B (zh) | 2023-06-09 |
Family
ID=84514166
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211454168.0A Active CN115511011B (zh) | 2022-11-21 | 2022-11-21 | 一种基于对抗生成网络模型的雷达资料订正方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115511011B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115358151A (zh) * | 2022-08-25 | 2022-11-18 | 兰州大学 | 一种数值天气预报近地层风速产品的订正方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8493262B2 (en) * | 2011-02-11 | 2013-07-23 | Mitsubishi Electric Research Laboratories, Inc. | Synthetic aperture radar image formation system and method |
CN111861901A (zh) * | 2020-06-05 | 2020-10-30 | 西安工程大学 | 一种基于gan网络的边缘生成图像修复方法 |
CN113311436B (zh) * | 2021-04-30 | 2022-07-12 | 中国人民解放军国防科技大学 | 一种移动平台上激光测风雷达运动姿态测风订正方法 |
-
2022
- 2022-11-21 CN CN202211454168.0A patent/CN115511011B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115358151A (zh) * | 2022-08-25 | 2022-11-18 | 兰州大学 | 一种数值天气预报近地层风速产品的订正方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115511011A (zh) | 2022-12-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112965146B (zh) | 一种结合气象雷达与雨量桶观测数据的定量降水估算方法 | |
CN112115895B (zh) | 指针型仪表读数识别方法、装置、计算机设备及存储介质 | |
WO2020003586A1 (ja) | データ生成装置、画像識別装置、データ生成方法及び記憶媒体 | |
US20200410710A1 (en) | Method for measuring antenna downtilt based on linear regression fitting | |
CN108229274B (zh) | 多层神经网络模型训练、道路特征识别的方法和装置 | |
JP2009187440A (ja) | 観測画像補正装置、観測画像補正プログラムおよび観測画像補正方法 | |
CN110837006A (zh) | 一种基于星地同步观测对比的卫星闪电探测评估方法 | |
KR102248963B1 (ko) | 해무 예측 방법 및 그 장치 | |
CN113887337A (zh) | 具有弯曲文本的***识别方法、***及存储介质 | |
CN116310883B (zh) | 基于遥感图像时空融合的农业灾害预测方法及相关设备 | |
CN110221298A (zh) | 一种低频段星载sar电离层闪烁效应自聚焦方法 | |
CN117423002B (zh) | 一种基于dem的小尺度潮滩图像处理方法 | |
Lumban-Gaol et al. | Satellite-derived bathymetry using convolutional neural networks and multispectral sentinel-2 images | |
CN113960625B (zh) | 一种基于星载单光子激光主被动遥感融合的水深反演方法 | |
CN115511011B (zh) | 一种基于对抗生成网络模型的雷达资料订正方法及*** | |
CN109886980A (zh) | 一种基于邻域强度纹理编码的红外图像卷云检测方法 | |
CN114252871B (zh) | 一种基于机器学习的雷达测量精度补偿方法 | |
JP2020173160A (ja) | 津波高及び津波到達時間予測システム | |
CN114187409A (zh) | 基于视频图像与激光雷达点云融合建立船舶模型的方法 | |
CN110223250B (zh) | 基于单应变换的sar几何校正方法 | |
CN113743373A (zh) | 基于深度学习的高分遥感影像耕地变化检测装置及方法 | |
CN112017108A (zh) | 基于独立模型法区域网平差的卫星正射影像颜色相对校正方法 | |
CN117523321B (zh) | 基于被动遥感光谱图像应用神经网络的光学浅水分类方法 | |
CN112699710A (zh) | 一种基于深度学习的gf2遥感影像密集目标识别方法和*** | |
CN117274584B (zh) | 遥感图像的阴影处理方法及装置、存储介质、终端 |
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 |