CN110441743B - 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 PDFInfo
- Publication number
- CN110441743B CN110441743B CN201910587722.4A CN201910587722A CN110441743B CN 110441743 B CN110441743 B CN 110441743B CN 201910587722 A CN201910587722 A CN 201910587722A CN 110441743 B CN110441743 B CN 110441743B
- Authority
- CN
- China
- Prior art keywords
- image
- meteorological
- enet
- radar
- full convolution
- 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
- 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
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 (4)
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;
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;
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。
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。
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。
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。
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 CN110441743A (zh) | 2019-11-12 |
CN110441743B true 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) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
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 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102243298B (zh) * | 2011-04-25 | 2013-01-23 | 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 |
CN102269809B (zh) * | 2011-07-11 | 2013-03-06 | 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 |
CN108229404B (zh) * | 2018-01-09 | 2022-03-08 | 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 |
-
2019
- 2019-07-02 CN CN201910587722.4A patent/CN110441743B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110441743A (zh) | 2019-11-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hou et al. | FUSAR-Ship: Building a high-resolution SAR-AIS matchup dataset of Gaofen-3 for ship detection and recognition | |
CN110441743B (zh) | 一种基于ENet全卷积网络的气象杂波抑制方法 | |
CN109031344B (zh) | 一种全波形激光雷达和高光谱数据联合反演森林结构参数的方法 | |
CN108957445A (zh) | 一种低空慢速小目标探测系统及其探测方法 | |
CN110703244B (zh) | 基于遥感数据识别城区内水体的方法和装置 | |
CN112859011B (zh) | 一种单波长机载测深雷达波形信号提取方法 | |
CN111709329B (zh) | 一种基于深度学习的无人机测控信号高速识别方法 | |
CN112666588A (zh) | 一种城市峡谷环境下基于景象匹配与机器学习的定位方法 | |
CN116168246A (zh) | 一种用于铁路工程的弃渣场识别方法、装置、设备及介质 | |
CN111274878A (zh) | 卫星云图分类方法及系统 | |
Yan et al. | Moving targets detection for video SAR surveillance using multilevel attention network based on shallow feature module | |
Hristova-Veleva et al. | Assimilation of DAWN Doppler wind lidar data during the 2017 Convective Processes Experiment (CPEX): Impact on precipitation and flow structure | |
CN117029840A (zh) | 一种移动车辆定位方法及系统 | |
CN110489505A (zh) | 一种动态阈值法来识别低云大雾的方法 | |
CN115436966A (zh) | 一种激光雷达参考水深控制点批量提取方法 | |
CN114779278A (zh) | 一种基于激光雷达的cnn-rnn机场跑道风切变预警方法 | |
Dudek et al. | Cloud Detection System for UAV Sense and Avoid: Cloud Distance Estimation using Triangulation | |
CN114898204A (zh) | 一种基于深度学习的轨道交通周边危险源检测方法 | |
CN114136324A (zh) | 一种基于雷达探测概率云图的隐身飞机航迹规划方法 | |
CN118191781B (zh) | 一种基于雷达图像空间映射的冰雹自动识别方法 | |
KR102659340B1 (ko) | 단일의 합성개구레이더(sar)에 기초한 이동물체의 정보 검출 시스템 및 그 방법 | |
CN117523420B (zh) | 一种基于雷达产品数据的闪电落区识别方法及系统 | |
Roosenbrand et al. | Contrail Altitude Estimation Based on Shadows Detected in Landsat Imagery | |
WOO et al. | Development of Satellite Reflectivity Retrieval Technique for Tropical Cyclone Rainfall Nowcasting | |
CN114140699B (zh) | 基于在线局部Fisher矢量机的SAR图像目标识别方法及系统 |
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 |