CN110441743A - 一种基于ENet全卷积网络的气象杂波抑制方法 - Google Patents

一种基于ENet全卷积网络的气象杂波抑制方法 Download PDF

Info

Publication number
CN110441743A
CN110441743A CN201910587722.4A CN201910587722A CN110441743A CN 110441743 A CN110441743 A CN 110441743A CN 201910587722 A CN201910587722 A CN 201910587722A CN 110441743 A CN110441743 A CN 110441743A
Authority
CN
China
Prior art keywords
image
meteorological
enet
clutter
convolutional network
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
CN201910587722.4A
Other languages
English (en)
Other versions
CN110441743B (zh
Inventor
徐强
罗旌胜
高霞
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.)
Leihua Electronic Technology Research Institute Aviation Industry Corp of China
Original Assignee
Leihua Electronic Technology Research Institute Aviation Industry Corp of China
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 Leihua Electronic Technology Research Institute Aviation Industry Corp of China filed Critical Leihua Electronic Technology Research Institute Aviation Industry Corp of China
Priority to CN201910587722.4A priority Critical patent/CN110441743B/zh
Publication of CN110441743A publication Critical patent/CN110441743A/zh
Application granted granted Critical
Publication of CN110441743B publication Critical patent/CN110441743B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/95—Radar or analogous systems specially adapted for specific applications for meteorological use
    • G01S13/953—Radar or analogous systems specially adapted for specific applications for meteorological use mounted on aircraft
    • 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
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/36—Means for anti-jamming, e.g. ECCM, i.e. electronic counter-counter measures
    • 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)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • General Physics & Mathematics (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Electromagnetism (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明提供了一种基于ENet全卷积网络的气象杂波抑制方法，该方法包括如下步骤：S1：气象雷达回波图像获取；S2：DEM图像获取；S3：合成待处理图像；S4：训练ENet全卷积网络模型；S5：利用上述步骤获得的ENet全卷积网络模型进行杂波抑制。本发明提供的方法，基于ENet全卷积网络模型，利用其深度学习能力，解决气象目标和杂波的分离问题，进而实现了地杂波抑制；该方法利用ENet全卷积网络的学习能力提高了地杂波抑制方法的适用性，提高了机载气象雷达的探测性能。

Description

一种基于ENet全卷积网络的气象杂波抑制方法
技术领域
本发明属于机载气象雷达领域，具体涉及一种基于ENet全卷积网络的气象杂波抑制方法
背景技术
机载气象雷达工作时一般处于下视模式，因此面临着比地基气象雷达更严重的地面杂波，杂波分布范围广、强度大，给区分降水类型和分析气象条件等带来很大困难，严重危害飞机的飞行安全。地面杂波和地面的起伏分布有很大的关系，通常高山和丘陵等会对气象雷达有很强的反射回波，会极大地干扰气象目标的探测。这就需要气象雷达在进行杂波抑制时考虑使用DEM(Digital Elevation Model)数据。
DEM是地面地理位置及高程的数据集，可以准确反映地形特征。利用DEM计算波束是否触地，并计算触地位置到载机的距离，就可以判断雷达回波中含有杂波信息的位置，进而进行杂波抑制处理。
但是，传统DEM方法中波束位置的选择不准确，在人工特征提取时，算法的复杂程度高、特征有效性低，进而导致对杂波的抑制处理并不完整。
因此，需提供一种波束位置选择准确，能提高机载气象雷达杂波抑制能力的普适性的杂波抑制方法。
深度学习其自主学习并抽象特征的能力，相比于人工特征在提取算法复杂性和特征有效性，具有非常大的优势，在手写体字符识别、光学图像分类等任务中表现出了极其优秀的性能，但在气象探测和气象杂波抑制方面的应用还未涉及。ENet是一种全卷积网络深度学习模型，它以图像为输入，从大量训练数据学习到目标的结构、属性、类别等特征，输出目标分割结果。将雷达气象回波和DEM信息特征转化成图像，用于训练ENet模型，让网络自主学习到气象回波、杂波和 DEM之间的特征关系，为气象杂波抑制提供新的思路。
发明内容
发明目的：
为了解决上述问题，本发明提供了一种基于ENet全卷积网络的气象杂波抑制方法，通过训练该网络找到气象回波数据和DEM数据中的深度关系，进而能够自行判断出气象目标和杂波，并对杂波进行消除的方法。
技术方案：
为了达到上述目的，本发明提供了如下技术方案：
一种基于ENet全卷积网络的气象杂波抑制方法，所述方法包括如下步骤：
S1：气象雷达回波图像获取；
S2：DEM图像获取；
S3：合成待处理图像；
S4：训练ENet全卷积网络模型；
S5：利用上述步骤获得的ENet全卷积网络模型进行杂波抑制。
优选的，所述步骤S1包括：利用雷达得到的数据信号，由雷达方程计算出反射率因子，得到了气象雷达回波的强度分布情况，将其量化显示得到一幅含有地杂波的气象回波图像。
优选的，所述步骤S2包括：利用载机飞行的地理位置信息，结合飞机扫描波束范围，计算相应的雷达扫描视线，结合DEM数据集中相应位置高度得出相应的可视区和遮挡区，对于可视区和遮挡区的二值化显示，得到一幅与地杂波相一致的DEM图像。
该地理位置信息包括载机飞行时的经纬度和高度。
优选的，所述步骤S3包括：
将步骤S1和步骤S2中分别获得的气象回波图像和DEM图像，叠加得到待处理图像。
优选的，所述步骤S4包括：
a、将样本气象雷达回波图和样本DEM图像叠加成为样本融合图像；
所述样本气象雷达回波图为将雷达方程计算出的反射率因子量化显示所得的一幅含有地杂波的气象回波图像；
雷达方程所计算的为雷达得到的样本数据信号；
所述样本DEM图像为将雷达扫描视线结合DEM数据得出的可视区和遮挡区二值化显示，得到的一幅与地杂波相一致的DEM图像；
雷达扫描视线为获得上述样本数据信号时的经纬度和高度，结合飞机扫面波束范围，所计算出的相应雷达扫描视线；
b、将大量样本融合图像和标签图像整理成训练集；
所述标签图像为根据获得上述样本融合图像的载机的相应飞行时间和位置信息，结合气象中心标准气象目标图像信息，得到的一幅与机载气象雷达探测区域对应的气象图像；
c、预设定训练参数；
d、将训练集中的样本融合图像输入到ENet网络中，经过网络计算，输出预测的气象目标杂波抑制结果图；
e、利用交叉熵计算上述步骤d所得到的气象目标杂波抑制结果图与对应标签图像的误差；使用反向传播算法更新ENet网络权值；
f、保存训练好的模型。
优选的，所述步骤S5包括：
将步骤S3中得到的待处理图像输入到步骤S4中训练好的模型，经过训练好的ENet网络的编码提取特征和解码恢复输出气象目标图像，即得到机载气象回波杂波抑制后的图像。
有益效果：
本发明提供的一种基于ENet全卷积网络的气象杂波抑制方法，基于ENet全卷积网络模型，利用其深度学习能力，解决气象目标和杂波的分离问题，进而实现了地杂波抑制；该方法利用ENet全卷积网络的学习能力提高了地杂波抑制方法的适用性，提高了机载气象雷达的探测性能。
本发明提供的一种基于ENet全卷积网络的气象杂波抑制方法，能够提升飞机在不同地域飞行时的气象探测、地杂波抑制能力，可减小不必要的偏航，提高飞行安全，可应用于军用和民用气象雷达领域，具有良好的市场应用前景。
附图说明：
图1：本发明提供的方法框图；
图2：合成图像过程；
图3：ENet全卷积网络结构示意图；
图4：雷达波束可视区域示意图。
具体实施方式
下面结合附图对本发明的技术方案做进一步描述，
如图1所示为本发明所提供的方法的框图，方法包括如下步骤：
S1：气象雷达回波图像获取；
S2：DEM图像获取；
S3：合成待处理图像；
S4：训练ENet全卷积网络模型；
S5：利用上述步骤获得的ENet全卷积网络模型进行杂波抑制。
如图2所示为合成图像的过程，将气象回波图像和DEM图像叠加后归一化，得到合成图像。
如图3所示为ENet全卷积网络结构示意图，输入图像后，经过编码特征的提取，进行解码恢复输出气象目标图像。
实施例一：
步骤一：气象雷达回波图像获取
1.1、由雷达接收到的信号数据，利用气象雷达方程计算出反射率因子，得到了气象雷达回波强度分布。
1.2、通过坐标转换和量化显示得到一幅含有杂波的气象回波图像。步骤二：DEM图像获取
2.1、如图4所示，根据载机记录的飞行地理位置经纬度(X,Y)和高度H，结合飞机波束扫描俯仰El和波束宽度θ，计算雷达扫描视线。
2.2根据雷达扫描视线结合DEM地形数据库判断雷达可视区域，其中R1-R2和R3-R4等为可见区域，R2-R3为遮挡区。
2.3对可见区置‘1’、遮挡区置‘0’，绘制雷达扫描区域的DEM二值图。
步骤三：合成图像和标签图像获取
3.1利用步骤一和步骤二得到的两幅图像，叠加得到待处理合成图像作为ENet全卷积网络的输入；
步骤四：ENet全卷积网络训练
4.1数据准备。将大量样本合成图像和标签图像整理成训练集。
样本合成图像获得方式同上述待处理合成图像；标签图像为获得样本合成图像对应的飞行时间和位置信息，在气象中心得到对应时刻对应位置的标准气象目标图像
4.2训练参数设定。设置训练集样本迭代次数300、单次学习批次样本个数为15、学习率大小为10-4、学习率每迭代100次衰减10-1。
4.3模型前向计算。将训练集中的合成图像输入到ENet网络中，经过网络计算，输出预测的气象目标杂波抑制结果图；
4.4模型反向传播。利用交叉熵计算预测结果与真实结果的误差；使用随机梯度下降算法更新ENet网络权值；
4.5保存训练好的模型。
步骤五：ENet全卷积网络杂波抑制
5.1将步骤三获得的待处理合成图像送入步骤4中训练好的ENet 网络中输出得到气象杂波抑制后的结果。

Claims (6)

1.一种基于ENet全卷积网络的气象杂波抑制方法，其特征在于，所述方法包括如下步骤：
S1：气象雷达回波图像获取；
S2：DEM图像获取；
S3：合成待处理图像；
S4：训练ENet全卷积网络模型；
S5：利用上述步骤获得的ENet全卷积网络模型进行杂波抑制。
2.如权利要求1所述的基于ENet全卷积网络的气象杂波抑制方法，其特征在于，所述步骤S1包括：利用雷达得到的信号数据，由雷达方程计算出反射率因子，得到了气象雷达回波的强度分布情况，将其量化显示得到一幅含有地杂波的气象回波图像。
3.如权利要求2所述的基于ENet全卷积网络的气象杂波抑制方法，其特征在于，所述步骤S2包括：利用载机飞行的地理位置信息，结合飞机扫描波束范围，计算相应的雷达扫描视线，结合DEM数据集中相应位置高度得出相应的可视区和遮挡区，对于可视区和遮挡区的二值化显示，得到一幅与地杂波相一致的DEM图像。
4.如权利要求3所述的基于ENet全卷积网络的气象杂波抑制方法，其特征在于，所述步骤S3包括：
将步骤S1和步骤S2中分别获得的气象回波图像和DEM图像，合成得到待处理图像。
5.如权利要求4所述的基于ENet全卷积网络的气象杂波抑制方法，其特征在于，所述步骤S4包括：
a、将样本气象雷达回波图和样本DEM图像叠加成为样本融合图像；
所述样本气象雷达回波图为将雷达方程计算出的反射率因子量化显示所得的一幅含有地杂波的气象回波图像；
所述样本DEM图像为将雷达扫描视线结合DEM数据得出的可视区和遮挡区二值化显示，得到的一幅与地杂波相一致的DEM图像；
b、将大量样本融合图像和标签图像整理成训练集；
所述标签图像为根据获得上述样本融合图像的载机的相应飞行时间和位置信息，结合气象中心标准气象目标图像信息，得到的一幅与机载气象雷达探测区域对应的气象图像；
c、预设定训练参数；
d、将训练集中的样本融合图像输入到ENet网络中，经过网络计算，输出预测的气象目标杂波抑制结果图；
e、利用交叉熵计算上述步骤d所得到的气象目标杂波抑制结果图与对应标签图像的误差；使用反向传播算法更新ENet网络权值；
f、保存训练好的模型。
6.如权利要求5所述的基于ENet全卷积网络的气象杂波抑制方法，其特征在于，所述步骤S5包括：
将步骤S3中得到的待处理图像输入到步骤S4中训练好的模型，即得到机载气象回波杂波抑制后的图像。
CN201910587722.4A 2019-07-02 2019-07-02 一种基于ENet全卷积网络的气象杂波抑制方法 Active CN110441743B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910587722.4A CN110441743B (zh) 2019-07-02 2019-07-02 一种基于ENet全卷积网络的气象杂波抑制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910587722.4A CN110441743B (zh) 2019-07-02 2019-07-02 一种基于ENet全卷积网络的气象杂波抑制方法

Publications (2)

Publication Number Publication Date
CN110441743A true CN110441743A (zh) 2019-11-12
CN110441743B CN110441743B (zh) 2023-01-17

Family

ID=68428567

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910587722.4A Active CN110441743B (zh) 2019-07-02 2019-07-02 一种基于ENet全卷积网络的气象杂波抑制方法

Country Status (1)

Country Link
CN (1) CN110441743B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111458701A (zh) * 2020-04-12 2020-07-28 西安电子工程研究所 基于航迹特征迭代更新的气象航迹抑制方法
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
CN115113168A (zh) * 2022-08-25 2022-09-27 南京宇安防务科技有限公司 一种基于神经网络的雷达杂波抑制方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102243298A (zh) * 2011-04-25 2011-11-16 中国民航大学 一种基于dem的机载气象雷达地杂波剔除方法
CN102269809A (zh) * 2011-07-11 2011-12-07 中国民航大学 一种基于地形高程数据的机载气象雷达地杂波剔除方法
CN107064894A (zh) * 2017-01-11 2017-08-18 南京御达电信息技术有限公司 一种基于深度学习的杂波抑制方法
CN107993215A (zh) * 2017-11-27 2018-05-04 象辑知源（武汉）科技有限公司 一种天气雷达图像处理方法及系统
CN108229404A (zh) * 2018-01-09 2018-06-29 东南大学 一种基于深度学习的雷达回波信号目标识别方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102243298A (zh) * 2011-04-25 2011-11-16 中国民航大学 一种基于dem的机载气象雷达地杂波剔除方法
CN102269809A (zh) * 2011-07-11 2011-12-07 中国民航大学 一种基于地形高程数据的机载气象雷达地杂波剔除方法
CN107064894A (zh) * 2017-01-11 2017-08-18 南京御达电信息技术有限公司 一种基于深度学习的杂波抑制方法
CN107993215A (zh) * 2017-11-27 2018-05-04 象辑知源（武汉）科技有限公司 一种天气雷达图像处理方法及系统
CN108229404A (zh) * 2018-01-09 2018-06-29 东南大学 一种基于深度学习的雷达回波信号目标识别方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
YI-JHONG GONG 等: "Applying Classification to Rainfall Nowcasting with Topographical Awareness", 《2018 1ST INTERNATIONAL COGNITIVE CITIES CONFERENCE (IC3)》, 31 December 2018 (2018-12-31), pages 37 - 42 *
李天尧 等: "基于DEM数据机载气象雷达地杂波抑制方法", 《电子设计工程》, vol. 22, no. 3, 28 February 2014 (2014-02-28), pages 14 - 17 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111458701A (zh) * 2020-04-12 2020-07-28 西安电子工程研究所 基于航迹特征迭代更新的气象航迹抑制方法
CN111458701B (zh) * 2020-04-12 2022-12-27 西安电子工程研究所 基于航迹特征迭代更新的气象航迹抑制方法
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
CN115113168A (zh) * 2022-08-25 2022-09-27 南京宇安防务科技有限公司 一种基于神经网络的雷达杂波抑制方法

Also Published As

Publication number Publication date
CN110441743B (zh) 2023-01-17

Similar Documents

Publication Publication Date Title
Yun et al. Individual tree crown segmentation from airborne LiDAR data using a novel Gaussian filter and energy function minimization-based approach
US9613269B2 (en) Identifying and tracking convective weather cells
Allouis et al. Stem volume and above-ground biomass estimation of individual pine trees from LiDAR data: Contribution of full-waveform signals
CN110441743A (zh) 一种基于ENet全卷积网络的气象杂波抑制方法
CN103852077B (zh) 链路失效时无人机定位信息防欺骗自主判断方法
CN114299417A (zh) 一种基于雷视融合的多目标跟踪方法
CN111898688A (zh) 一种基于三维深度学习的机载LiDAR数据树种分类方法
CN109781635B (zh) 一种分布式遥感卫星系统
CN112907520B (zh) 基于端到端深度学习方法的单株树冠检测方法
CN113312993B (zh) 一种基于PSPNet的遥感数据土地覆盖分类方法
CN114112906B (zh) 一种基于无人机低空遥感和局部地形的水体特征提取系统
CN105844000A (zh) 一种mcc 表面海流反演方法
CN112308029A (zh) 雨量站与卫星的降水数据融合方法及系统
CN109829423A (zh) 一种结冰湖泊红外成像检测方法
CN102540277A (zh) 基于面向对象和时序影像的白天陆地辐射雾检测方法
CN110765885B (zh) 一种基于异源夜光遥感影像的城市扩张检测方法及装置
CN101620728A (zh) 一种基于自适应背景预测的红外背景抑制新方法
CN117710508A (zh) 基于改进条件生成对抗网络的近地表温度反演方法和装置
CN109993104B (zh) 一种遥感图像对象层次的变化检测方法
CN115294562B (zh) 一种植保机器人作业环境智能感知方法
Tian et al. A process-oriented method for rapid acquisition of canopy height model from RGB point cloud in semiarid region
Lainer et al. Drone-based photogrammetry combined with deep-learning to estimate hail size distributions and melting of hail on the ground
CN115546658A (zh) 一种数据集质量提升与改进cnn相结合的夜间云检测方法
CN114063063A (zh) 基于合成孔径雷达和点状传感器的地质灾害监测方法
CN113469104A (zh) 基于深度学习的雷达遥感影像地表水体变化检测方法和设备

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