CN109919862A - 雷达图像去噪系统、方法及计算机设备 - Google Patents

Abstract

本申请实施例提供了一种雷达图像去噪系统、方法及计算机设备，其中雷达图像去噪系统包括：第一单元，获取时间上连续的雷达回波图像；第二单元，将时间上连续的所述雷达回波图像输入训练好的神经网络模型；第三单元，基于所述雷达回波图像中的数据的空间特征和时间特征，所述神经网络模型划分真实回波数据和噪声数据。本申请实施例提供的雷达图像去噪系统，基于深度学习的图像语义分割技术搭建神经网络模型，依据雷达回波图像中真实回波数据和噪声数据在连续时间点上的不同特征，运用训练好的神经网络模型对雷达回波图像进行划分，进而实现对图像的去噪，降低干扰，提升气象预测的准确度。

Description

雷达图像去噪系统、方法及计算机设备

技术领域

本申请涉及气象预测技术领域，具体而言，涉及一种雷达图像去噪系统、方法及计算机设备。

背景技术

本申请对于背景技术的描述属于与本申请相关的相关技术，仅仅是用于说明和便于理解本申请的申请内容，不应理解为申请人明确认为或推定申请人认为是本申请在首次提出申请的申请日的现有技术。

现阶段的气象预测，通常是借助于气象卫星与雷达回波图像来对未来一段时间内的天气情况进行预测。气象雷达用于探测大气中降水类型(雨、雪、冰雹等)的分布及演变，雷达发射电磁波，对目标进行照射并接收其回波，雷达显示器上会显示出反映雷达回波特征的信号或图像，不同的天气系统或天气现象体现出不同的回波特征，以此推测天气变化。但是，一些非气象目标物也会对雷达电磁波进行反射形成回波，干扰回波图像，影响气象预测的准确性。

发明内容

有鉴于此，本申请实施例提供了一种雷达图像去噪系统、方法及计算机设备。

第一方面，本申请提供了一种雷达图像去噪系统，包括：

第一单元，获取时间上连续的雷达回波图像；

第二单元，将时间上连续的所述雷达回波图像输入训练好的神经网络模型；

第三单元，基于所述雷达回波图像中的数据的空间特征和时间特征，所述神经网络模型划分真实回波数据和噪声数据。

可选实施例中，基于所述雷达回波图像中的数据的空间特征和时间特征，所述神经网络模型划分真实回波数据和噪声数据包括：

将在时间上呈规则运动的数据划分为真实回波数据，将在时间上呈无规则运动的数据划分为噪声数据；

将在空间上呈团状结构、有明显边界的数据划分为真实回波数据，将在空间上呈孔洞形状或放射形状、无明显边界的数据划分为噪声数据。

可选实施例中，所述将获取的时间上连续的所述雷达回波图像输入训练好的神经网络模型包括：

将获取的时间上连续的三幅所述雷达回波图像输入训练好的神经网络模型；

所述基于所述雷达回波图像中的数据的空间特征和时间特征，所述神经网络模型划分真实回波数据和噪声数据包括：

所述神经网络模型划分三幅所述雷达回波图像中的中间时刻的所述雷达回波图的真实回波数据和噪声数据。

可选实施例中，还包括：

获取雷达回波图像的历史数据作为训练样本；

将获取的时间上连续的三幅所述雷达回波图像作为神经网络的输入，将中间时刻的雷达回波图像中每个像素点为噪声的概率作为神经网络的输出；

将神经网络输出的噪声概率与所述训练样本标注的噪声概率的平均信息熵作为损失函数训练模型。

可选实施例中，还包括：

第四单元，对所述雷达回波图像进行预处理，所述预处理包括将雷达回波图像中雷达中心一定半径范围内的高噪声区的回波值置零。

可选实施例中，所述神经网络模型为U-Net结构的多层卷积层和多层反卷积层。

可选实施例中，所述神经网络模型基于谷歌深度学习开源框架Tensorflow及Keras搭建。

第二方面，本申请实施例提供了一种雷达图像去噪方法，包括：

获取时间上连续的雷达回波图像；

将时间上连续的所述雷达回波图像输入训练好的神经网络模型；

基于所述雷达回波图像中的数据的空间特征和时间特征，所述神经网络模型划分真实回波数据和噪声数据。

可选实施例中，基于所述雷达回波图像中的数据的空间特征和时间特征，所述神经网络模型划分真实回波数据和噪声数据包括：

将在时间上呈规则运动的数据划分为真实回波数据，将在时间上呈无规则运动的数据划分为噪声数据；

将在空间上呈团状结构、有明显边界的数据划分为真实回波数据，将在空间上呈孔洞形状或放射形状、无明显边界的数据划分为噪声数据。

可选实施例中，所述将获取时间上连续的所述雷达回波图像输入训练好的神经网络模型包括：

将获取时间上连续的三幅所述雷达回波图像输入训练好的神经网络模型；

所述基于所述雷达回波图像中的数据的空间特征和时间特征，所述神经网络模型划分真实回波数据和噪声数据包括：

所述神经网络模型划分三幅所述雷达回波图像中的中间时刻的所述雷达回波图的真实回波数据和噪声数据。

可选实施例中，还包括：

获取雷达回波图像的历史数据作为训练样本；

将获取时间上连续的三幅所述雷达回波图像作为神经网络的输入，将中间时刻的雷达回波图像中每个像素点为噪声的概率作为神经网络的输出；

将神经网络输出的噪声概率与所述训练样本标注的噪声概率的平均信息熵作为损失函数训练模型。

可选实施例中，对所述雷达回波图像进行预处理，所述预处理包括将雷达回波图像中雷达中心一定半径范围内的高噪声区的回波值置零。

可选实施例中，所述神经网络模型为U-Net结构的多层卷积层和多层反卷积层。

可选实施例中，所述神经网络模型基于谷歌深度学习开源框架Tensorflow及Keras搭建。

第三方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述任一项方法的步骤。

第四方面，本申请实施例提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述任一项方法的步骤。

本申请实施例具有如下有益效果：

本申请实施例提供的雷达图像去噪系统及方法，基于深度学习搭建神经网络模型，学习雷达回波图像中真实回波数据和噪声数据在连续时间点上不同的空间特征和时间特征；运用训练好的神经网络模型划分出雷达回波图像中的真实回波数据和噪声数据，进而实现对图像的去噪。本申请实施例可有效去除雷达回波图像中的噪声，降低干扰，提升气象预测的准确度。

附图说明

图1示出了本申请雷达图像去噪系统的一实施例的示意图；

图2示出了本申请雷达图像去噪系统的另一实施例的示意图；

图3示出了本申请雷达图像去噪方法的一实施例的流程图；

图4示出了本申请雷达图像去噪方法的另一实施例的流程图；

图5示出了本申请雷达图像去噪方法的一实施例的模型网络结构图；

图6至图9示出了本申请雷达图像去噪系统/方法的去噪效果的四组示例图。

具体实施方式

下面结合具体实施例对本申请作进一步详细描述，但不作为对本申请的限定。在下述说明中，不同的“一实施例”或“实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。

第一方面，本申请实施例提供了一种雷达图像去噪系统。图1示出了本申请雷达图像去噪系统的一实施例的示意图。参见图1，本申请实施例的雷达图像去噪系统包括：

第一单元10，获取时间上连续的雷达回波图像；

第二单元20，将时间上连续的雷达回波图像输入训练好的神经网络模型；

第三单元30，基于雷达回波图像中的数据的空间特征和时间特征，神经网络模型划分真实回波数据和噪声数据。

本申请实施例提供的雷达图像去噪系统，基于深度学习搭建神经网络模型，学习雷达回波图像中真实回波数据和噪声数据在连续时间点上不同的空间特征和时间特征；运用训练好的神经网络模型划分出雷达回波图像中的真实回波数据和噪声数据，进而实现对图像的去噪。本申请实施例可有效去除雷达回波图像中的噪声，降低干扰，提升气象预测的准确度。

本申请实施例基于深度学习的图像语义分割技术搭建神经网络模型。雷达回波数据中存在真实回波数据和噪声数据两种不同类型的数据信息，两者在连续时间点上呈现出不同的空间特征和时间特征。本申请实施例利用全卷积神经网络特征提取和函数拟合的能力抽象出雷达回波图像中真实回波数据和噪声数据的不同特征，以此划分出雷达回波图像中的真实回波数据和噪声数据。

本实施例第一单元10用于获取时间上连续的雷达回波图像，第二单元20将获取到的时间上连续的雷达回波图像输入已训练好的神经网络模型，模型对输入的图像数据进行特征提取，第三单元30依据空间特征和时间特征划分出真实回波数据和噪声数据。雷达回波图像中真实回波数据与噪声数据在单一时间点上不具备连续性，特征表现不明显，以单一时间点的雷达回波图像作为模型的输入，数据划分效果不佳。本实施例第二单元20以时间上连续的雷达回波图像作为模型的输入，确保真实回波数据与噪声数据的特征存在明显的差异性，利于模型划分。具体地，神经网络模型的输入可以是时间间隔在5-7分钟的一幅雷达回波图像。作为可选地，本实施例以时间间隔为6分钟的一幅雷达回波图像作为模型的输入，既保证了真实回波数据和噪声数据在空间和时间上有明显差异，又可缩小模型运算次数，减小设备损耗。

本申请可选实施例中，基于雷达回波图像中的数据的空间特征和时间特征，神经网络模型划分真实回波数据和噪声数据包括：

将在时间上呈规则运动的数据划分为真实回波数据，将在时间上呈无规则运动的数据划分为噪声数据；

将在空间上呈团状结构、有明显边界的数据划分为真实回波数据，将在空间上呈孔洞形状或放射形状、无明显边界的数据划分为噪声数据。

本实施例中，雷达回波图像中的真实回波数据与噪声数据在连续时间点上呈现出的不同特征具体表现为：真实回波数据在时间上呈规则运动，在空间上呈团状结构、有明显边界；噪声数据在时间上呈无规则运动，在空间上呈孔洞形状或放射形状、无明显边界。本实施例利用训练好的神经网络的特征提取和函数拟合的能力，抽象出雷达回波图像中真实回波数据和噪声数据的运动轨迹及变化趋势，依据不同的轨迹特征划分出真实回波数据和噪声数据，进而实现图像的去噪。

本申请实施例中，时间上连续的雷达回波图可以是时间上连续的两幅雷达回波图，也可以是两幅以上的雷达回波图。在可选实施例中，将雷达回波图像输入训练好的神经网络模型包括：将时间上连续的三幅雷达回波图像输入训练好的神经网络模型；

基于雷达回波图像中的数据的空间特征和时间特征，神经网络模型划分真实回波数据和噪声数据包括：神经网络模型划分三幅雷达回波图像中的中间时刻的雷达回波图的真实回波数据和噪声数据。

本申请实施例对输入神经网络模型的图像数量不作具体限定。作为可选地，本实施例选用三幅时间上连续的雷达回波图像作为神经网络模型的输入，并基于雷达回波图像中的数据的空间特征和时间特征，对三幅雷达回波图像中的中间时刻的雷达回波图像进行数据划分。由于真实回波数据在时间上呈规则运动，三幅雷达回波图像的中间时刻的雷达回波图像中的真实回波数据，相对于上一时刻的雷达回波图像中的真实回波数据以及下一时刻的雷达回波图像中的真实回波数据应呈规则运动。据此，可以划分为真实回波数据。否则，中间时刻的雷达回波图中的数据，相对于上一时刻及下一时刻的雷达回波图中的数据呈无规则运动的数据，则可划分为噪声数据。本实施例可以是根据任意两幅雷达回波图像上同一像素点构成的空间特征和时间特征来判断第三幅雷达回波图像上同一像素点是否为噪声数据。采用时间上连续的多幅雷达回波图像同时作为模型的输入，提升预测的准确性。

本申请可选实施例中，雷达图像去噪系统还包括：

获取雷达回波图像的历史数据作为训练样本；

将获取的时间上连续的三幅雷达回波图像作为神经网络的输入，将中间时刻的雷达回波图像中每个像素点为噪声的概率作为神经网络的输出；

将神经网络输出的噪声概率与训练样本标注的噪声概率的平均信息熵作为损失函数训练模型。

本申请实施例基于深度学习的图像语义分割技术搭建神经网络模型，在对待测雷达回波图像进行噪声数据划分前，需对搭建的模型进行训练优化。具体地，本实施例以获取到的雷达回波图像的历史数据作为样本对神经网络进行训练，作为可选地，采用时间上连续的三幅(例如每隔6分钟获取一幅雷达回波图像，假设第一幅雷达回波图像获取的时刻为12时，第二幅雷达回波图像获取的时刻为12时06分，第三幅雷达回波图像获取的时刻为12时12分)雷达回波图像作为模型输入，模型输出为中间时刻的雷达回波图像中每个像素点为噪声的概率。其中，作为模型输入的雷达回波图像可以是通过一次性获取18分钟的雷达回波图像，按每6分钟将其分割为三幅的方式获取；也可以是按时间间隔均为6分钟依次获取三幅雷达回波图像。基于时间上连续，真实回波数据在空间和时间上具备明显规律性，模型根据最前时刻和最后时刻像素点的轨迹或趋势可确定中间时刻该像素点是否为噪声，据此输出中间时刻的雷达回波图像中每个像素点为噪声的概率，并以神经网络输出的噪声概率与训练样本标注的噪声概率的平均信息熵作为损失函数对模型进行优化，使其函数拟合更逼近于真实函数，噪声预测更准确，模型对图像的分割更精准。

图2示出了本申请雷达图像去噪系统的另一实施例的示意图。参见图2，本申请可选实施例中，还包括第四单元40，对雷达回波图像进行预处理，预处理包括将雷达回波图像中雷达中心一定半径范围内的高噪声区的回波值置零。

本申请实施例中，输入神经网络模型的雷达回波图像可以是原始图像，也可以是经过预处理的图像。本实施例对图像的预处理方式不作具体限定，作为可选地，本实施例中的预处理包括将要输入神经网络模型的雷达回波图像(包括作为训练样本的雷达回波图像)中雷达中心一定半径范围内的高噪声区的回波值置零。例如在模型训练过程中，将雷达中心高噪声处的雷达回波值置零可以去除噪声，缩小预测误差，加速模型收敛。具体的高噪声区的范围可以是雷达中心处8km半径范围、10km半径范围或11km半径范围等。例如将雷达中心10km半径范围内的圆形区域的回波值置零，减小噪声影响，加速模型收敛。

本申请实施例的雷达图像去噪系统基于深度学习的图像语义分割技术，具体的，神经网络模型可以是U-Net结构的多层卷积层和多层反卷积层。U-Net网络实现了对图像特征的多尺度特征识别，同时它可以以相对较小的训练集中学习图像数据特征，模型简单易制。本申请实施例中的神经网络模型也可以是U-Net网络模型的变形等。

本申请实施例中，神经网络模型可以基于谷歌深度学习开源框架Tensorflow及Keras搭建。Tensorflow框架便携、高效，可快速生成训练模型；keras框架简单，易于搭建网络。当然，本申请实施例中的神经网络模型也可以采用其他框架进行搭建，此处不再一一赘述。

第二方面，本申请实施例提供了一种雷达图像去噪方法，该雷达图像去噪方法可实现上述实施例雷达图像去噪系统，上述雷达图像去噪系统的实施例可用于理解和说明以下雷达图像去噪方法的实施例。

图3示出了本申请雷达图像去噪方法的一实施例的流程图。参见图3，本申请实施例中，雷达图像去噪方法包括：

获取时间上连续的雷达回波图像；

将时间上连续的雷达回波图像输入训练好的神经网络模型；

基于雷达回波图像中的数据的空间特征和时间特征，神经网络模型划分真实回波数据和噪声数据。

本申请实施例提供的雷达图像去噪方法，基于深度学习搭建神经网络模型，学习雷达回波图像中真实回波数据和噪声数据在连续时间点上不同的空间特征和时间特征；运用训练好的神经网络模型划分出雷达回波图像中的真实回波数据和噪声数据，进而实现对图像的去噪。本申请实施例可有效去除雷达回波图像中的噪声，降低干扰，提升气象预测的准确度。

本申请实施例基于深度学习的图像语义分割技术搭建神经网络模型。雷达回波数据中存在真实回波数据和噪声数据两种不同类型的数据信息，两者在连续时间点上呈现出不同的空间特征和时间特征。本申请实施例利用全卷积神经网络特征提取和函数拟合的能力抽象出雷达回波图像中真实回波数据和噪声数据的不同特征，以此划分出雷达回波图像中的真实回波数据和噪声数据。

本实施例将获取到的时间上连续的雷达回波图像输入已训练好的神经网络模型，模型对输入的图像数据进行特征提取，并依据空间特征和时间特征划分出真实回波数据和噪声数据。雷达回波图像中真实回波数据与噪声数据在单一时间点上不具备连续性，特征表现不明显，以单一时间点的雷达回波图像作为模型的输入，数据划分效果不佳。本实施例以时间上连续的雷达回波图像作为模型的输入，确保真实回波数据与噪声数据的特征存在明显的差异性，利于模型划分。具体地，神经网络模型的输入可以是时间间隔在5-7分钟的一幅雷达回波图像。作为可选地，本实施例以时间间隔为6分钟的一幅雷达回波图像作为模型的输入，既保证了真实回波数据和噪声数据在空间和时间上有明显差异，又可缩小模型运算次数，减小设备损耗。

本申请可选实施例中，基于雷达回波图像中的数据的空间特征和时间特征，神经网络模型划分真实回波数据和噪声数据包括：

将在时间上呈规则运动的数据划分为真实回波数据，将在时间上呈无规则运动的数据划分为噪声数据；

将在空间上呈团状结构、有明显边界的数据划分为真实回波数据，将在空间上呈孔洞形状或放射形状、无明显边界的数据划分为噪声数据。

本实施例中，雷达回波图像中的真实回波数据与噪声数据在连续时间点上呈现出的不同特征具体表现为：真实回波数据在时间上呈规则运动，在空间上呈团状结构、有明显边界；噪声数据在时间上呈无规则运动，在空间上呈孔洞形状或放射形状、无明显边界。本实施例利用训练好的神经网络的特征提取和函数拟合的能力，抽象出雷达回波图像中真实回波数据和噪声数据的运动轨迹及变化趋势，依据不同的轨迹特征划分出真实回波数据和噪声数据，进而实现图像的去噪。

本申请实施例中，时间上连续的雷达回波图可以是时间上连续的两幅雷达回波图，也可以是两幅以上的雷达回波图。在可选实施例中，将雷达回波图像输入训练好的神经网络模型包括：将获取的时间上连续的三幅雷达回波图像输入训练好的神经网络模型；

基于雷达回波图像中的数据的空间特征和时间特征，神经网络模型划分真实回波数据和噪声数据包括：神经网络模型划分三幅雷达回波图像中的中间时刻的雷达回波图的真实回波数据和噪声数据。

本申请实施例对输入神经网络模型的图像数量不作具体限定。作为可选地，本实施例选用三幅时间上连续的雷达回波图像作为神经网络模型的输入，并基于雷达回波图像中的数据的空间特征和时间特征，对三幅雷达回波图像中的中间时刻的雷达回波图像进行数据划分。由于真实回波数据在时间上呈规则运动，三幅雷达回波图像的中间时刻的雷达回波图像中的真实回波数据，相对于上一时刻的雷达回波图像中的真实回波数据以及下一时刻的雷达回波图像中的真实回波数据应呈规则运动。据此，可以划分为真实回波数据。否则，中间时刻的雷达回波图中的数据，相对于上一时刻及下一时刻的雷达回波图中的数据呈无规则运动的数据，则可划分为噪声数据。本实施例可以是根据任意两幅雷达回波图像上同一像素点构成的空间特征和时间特征来判断第三幅雷达回波图像上同一像素点是否为噪声数据。采用时间上连续的多幅雷达回波图像同时作为模型的输入，提升预测的准确性。

图4示出了本申请雷达图像去噪方法的另一实施例的流程图。参见图4，本申请可选实施例中，雷达图像去噪方法还包括：

获取雷达回波图像的历史数据作为训练样本；

将获取的时间上连续的三幅雷达回波图像作为神经网络的输入，将中间时刻的雷达回波图像中每个像素点为噪声的概率作为神经网络的输出；

将神经网络输出的噪声概率与训练样本标注的噪声概率的平均信息熵作为损失函数训练模型。

本申请实施例基于深度学习的图像语义分割技术搭建神经网络模型，在对待测雷达回波图像进行噪声数据划分前，需对搭建的模型进行训练优化。具体地，本实施例以获取到的雷达回波图像的历史数据作为样本对神经网络进行训练，作为可选地，采用时间上连续的三幅(例如每隔6分钟获取一幅雷达回波图像，假设第一幅雷达回波图像获取的时刻为12时，第二幅雷达回波图像获取的时刻为12时06分，第三幅雷达回波图像获取的时刻为12时12分)雷达回波图像作为模型输入，模型输出为中间时刻的雷达回波图像中每个像素点为噪声的概率。其中，作为模型输入的雷达回波图像可以是通过一次性获取18分钟的雷达回波图像，按每6分钟将其分割为三幅的方式获取；也可以是按时间间隔均为6分钟依次获取三幅雷达回波图像。基于时间上连续，真实回波数据在空间和时间上具备明显规律性，模型根据最前时刻和最后时刻像素点的轨迹或趋势可确定中间时刻该像素点是否为噪声，据此输出中间时刻的雷达回波图像中每个像素点为噪声的概率，并以神经网络输出的噪声概率与训练样本标注的噪声概率的平均信息熵作为损失函数对模型进行优化，使其函数拟合更逼近于真实函数，噪声预测更准确，模型对图像的分割更精准。

本申请可选实施例中，对雷达回波图像进行预处理，预处理包括将雷达回波图像中雷达中心一定半径范围内的高噪声区的回波值置零。

本申请实施例中，输入神经网络模型的雷达回波图像可以是原始图像，也可以是经过预处理的图像。本实施例对图像的预处理方式不作具体限定，作为可选地，本实施例中的预处理包括将要输入神经网络模型的雷达回波图像(包括作为训练样本的雷达回波图像)中雷达中心一定半径范围内的高噪声区的回波值置零。例如在模型训练过程中，将雷达中心高噪声处的雷达回波值置零可以去除噪声，缩小预测误差，加速模型收敛。具体的高噪声区的范围可以是雷达中心处8km半径范围、10km半径范围或11km半径范围等。例如将雷达中心10km半径范围内的圆形区域的回波值置零，减小噪声影响，加速模型收敛。

图5示出了本申请雷达图像去噪方法的一实施例的模型网络结构图。参见图5，本申请实施例的雷达图像去噪方法基于深度学习的图像语义分割技术，具体的，神经网络模型可以是U-Net结构的多层卷积层和多层反卷积层。U-Net网络实现了对图像特征的多尺度特征识别，同时它可以以相对较小的训练集中学习图像数据特征，模型简单易制。本申请实施例中的神经网络模型也可以是U-Net网络模型的变形等。

本申请实施例中，神经网络模型可以基于谷歌深度学习开源框架Tensorflow及Keras搭建。Tensorflow框架便携、高效，可快速生成训练模型；keras框架简单，易于搭建网络。当然，本申请实施例中的神经网络模型也可以采用其他框架进行搭建，此处不再一一赘述。

图6至图9分别示出了本申请雷达图像去噪系统/方法的去噪效果的四组示例图。

图中，图6a、图7a、图8a和图9a分别为原始雷达回波图。图6b、图7b、图8b和图9b分别为对应的检测出的噪声区域图。图6c、图7c、图8c和图9c分别为去噪后的雷达回波图。示例图中噪声主要体现为深色。通过图6至图9的实例，证明了本申请雷达图像去噪系统/方法，对雷达图像去噪的效果佳。本申请实施例提供的雷达图像去噪系统/方法利于去除雷达回波图像中的大部分干扰，实现了雷达图像快速去噪。

第三方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述方法的步骤。其中，计算机可读存储介质可以包括但不限于任何类型的盘，包括软盘、光盘、DVD、CD-ROM、微型驱动器以及磁光盘、ROM、RAM、EPROM、EEPROM、DRAM、VRAM、闪速存储器设备、磁卡或光卡、纳米系统(包括分子存储器IC)，或适合于存储指令和/或数据的任何类型的媒介或设备。

第四方面，本申请实施例提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述的方法的步骤。在本申请实施例中，处理器为计算机系统的控制中心，可以是实体机的处理器，也可以是虚拟机的处理器。

本领域的技术人员可以清楚地了解到本申请实施例中的“单元”或“模块”的划分，仅仅为一种逻辑功能的划分，实际实现时可以有另外的划分方式，例如多个“单元”或“模块”可以结合或者可以集成为一个“单元”或“模块”实现相应的功能。或者一个“单元”或“模块”分解为多个共同实现相应的功能。本申请实施例中的“单元”或“模块”可以是能够独立完成或与其他部件配合完成特定功能的软件和/或硬件，其中硬件例如可以是FPGA(Field-Programmable Gate Array，现场可编程门阵列)、IC(Integrated Circuit，集成电路)等，在此不再一一赘述。

在本申请中，术语“第一”、“第二”等仅用于描述的目的，而不能理解为指示或暗示相对重要性或顺序；术语“多个”则指两个或两个以上，除非另有明确的限定。术语“安装”、“相连”、“连接”、“固定”等术语均应做广义理解，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；“相连”可以是直接相连，也可以通过中间媒介间接相连。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本申请中的具体含义。

本申请的描述中，需要理解的是，术语“上”、“下”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申请和简化描述，而不是指示或暗示所指的装置或单元必须具有特定的方向、以特定的方位构造和操作，因此，不能理解为对本申请的限制。

以上所述，仅为本申请的具体实施方式，但本申请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申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。

Claims (16)

1.一种雷达图像去噪系统，其特征在于，包括：

第一单元，获取时间上连续的雷达回波图像；

第二单元，将时间上连续的所述雷达回波图像输入训练好的神经网络模型；

第三单元，基于所述雷达回波图像中的数据的空间特征和时间特征，所述神经网络模型划分真实回波数据和噪声数据。

2.根据权利要求1所述的系统，其特征在于，基于所述雷达回波图像中的数据的空间特征和时间特征，所述神经网络模型划分真实回波数据和噪声数据包括：

将在时间上呈规则运动的数据划分为真实回波数据，将在时间上呈无规则运动的数据划分为噪声数据；

将在空间上呈团状结构、有明显边界的数据划分为真实回波数据，将在空间上呈孔洞形状或放射形状、无明显边界的数据划分为噪声数据。

3.根据权利要求1所述的系统，其特征在于，所述将雷达回波图像输入训练好的神经网络模型包括：

将获取的时间上连续的三幅所述雷达回波图像输入训练好的神经网络模型；

所述基于所述雷达回波图像中的数据的空间特征和时间特征，所述神经网络模型划分真实回波数据和噪声数据包括：

所述神经网络模型划分三幅所述雷达回波图像中的中间时刻的所述雷达回波图的真实回波数据和噪声数据。

4.根据权利要求1所述的系统，其特征在于，还包括：

获取雷达回波图像的历史数据作为训练样本；

将获取的时间上连续的三幅所述雷达回波图像作为神经网络的输入，将中间时刻的雷达回波图像中每个像素点为噪声的概率作为神经网络的输出；

将神经网络输出的噪声概率与所述训练样本标注的噪声概率的平均信息熵作为损失函数训练模型。

5.根据权利要求1所述的系统，其特征在于，还包括：

第四单元，对所述雷达回波图像进行预处理，所述预处理包括将雷达回波图像中雷达中心一定半径范围内的高噪声区的回波值置零。

6.根据权利要求1所述的系统，其特征在于，所述神经网络模型为U-Net结构的多层卷积层和多层反卷积层。

7.根据权利要求1所述的系统，其特征在于，所述神经网络模型基于谷歌深度学习开源框架Tensorflow及Keras搭建。

8.一种雷达图像去噪方法，其特征在于，包括：

获取时间上连续的雷达回波图像；

将时间上连续的所述雷达回波图像输入训练好的神经网络模型；

基于所述雷达回波图像中的数据的空间特征和时间特征，所述神经网络模型划分真实回波数据和噪声数据。

9.根据权利要求8所述的方法，其特征在于，基于所述雷达回波图像中的数据的空间特征和时间特征，所述神经网络模型划分真实回波数据和噪声数据包括：

将在时间上呈规则运动的数据划分为真实回波数据，将在时间上呈无规则运动的数据划分为噪声数据；

将在空间上呈团状结构、有明显边界的数据划分为真实回波数据，将在空间上呈孔洞形状或放射形状、无明显边界的数据划分为噪声数据。

10.根据权利要求8所述的方法，其特征在于，所述将雷达回波图像输入训练好的神经网络模型包括：

将获取的时间上连续的三幅所述雷达回波图像输入训练好的神经网络模型；

所述基于所述雷达回波图像中的数据的空间特征和时间特征，所述神经网络模型划分真实回波数据和噪声数据包括：

所述神经网络模型划分三幅所述雷达回波图像中的中间时刻的所述雷达回波图的真实回波数据和噪声数据。

11.根据权利要求8所述的方法，其特征在于，还包括：

获取雷达回波图像的历史数据作为训练样本；

将获取时间上连续的三幅所述雷达回波图像作为神经网络的输入，将中间时刻的雷达回波图像中每个像素点为噪声的概率作为神经网络的输出；

将神经网络输出的噪声概率与所述训练样本标注的噪声概率的平均信息熵作为损失函数训练模型。

12.根据权利要求8所述的方法，其特征在于，对所述雷达回波图像进行预处理，所述预处理包括将雷达回波图像中雷达中心一定半径范围内的高噪声区的回波值置零。

13.根据权利要求8所述的方法，其特征在于，所述神经网络模型为U-Net结构的多层卷积层和多层反卷积层。

14.根据权利要求8所述的方法，其特征在于，所述神经网络模型基于谷歌深度学习开源框架Tensorflow及Keras搭建。

15.一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现所述权利要求8-14中任一项所述方法的步骤。

16.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现所述权利要求8-14中任一项所述方法的步骤。