CN110532945A - 一种智能图像识别云状系统及方法 - Google Patents
一种智能图像识别云状系统及方法 Download PDFInfo
- Publication number
- CN110532945A CN110532945A CN201910803532.1A CN201910803532A CN110532945A CN 110532945 A CN110532945 A CN 110532945A CN 201910803532 A CN201910803532 A CN 201910803532A CN 110532945 A CN110532945 A CN 110532945A
- Authority
- CN
- China
- Prior art keywords
- cloud
- cloud atlas
- intensity
- atlas
- image
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明属于气象技术领域,具体涉及一种智能图像识别云状系统及方法。包括:云图预处理单元、云图训练单元、云图特征结构提取单元、云图分类单元和支持向量机;所述云图预处理单元包括:强度分层单元和云团提取单元;所述强度分层单元,用于对云图进行强度分层;所述云团提取单元,用于对强度分层得到的色斑图进行云团提取;云团预处理单元信号连接于云团训练单元;具有准确率高、效率高和智能化程度高的优点。
Description
技术领域
本发明属于气象技术领域,具体涉及一种智能图像识别云状系统及方法。
背景技术
云的形成和演变是大气中发生错综复杂的物理过程的具体表现之一。云的形态、分布及其变化标志着大气运动的状况,并能作为天气变化的征兆。云的自动观测是世界气象组织和中国气象局关注的问题,并且中国气象局《综合气象观测研究计划》已将其列为优先研究主题。
云状是重要的气象要素,在天气预测、现场保障、航空航天和气候研究中有重要作用。一名有经验的观测员可以在白天较好地进行云状的判断,但夜间,尤其暗夜的判断难以有效进行。此外,培养有经验的观测员需要较长时间和较大费用,观测员由于水平不一造成数据误差较大。研究云状自动识别对于提高地面气象要素自动化观测水平,全面实现气象要素自动化观测有促进作用。
随着技术的不断发展,地基测云仪器得到了很好的改进,云量和云底高目前基本能实现仪器自动测量,但云状自动识别一直是云的自动观测的难点,未能得到有效解决。其主要原因在于,云体本身是不断运动和变化的,观测员可以根据云的形态、颜色、轮廓、范围、云的演变物理过程以及与云有关的天气系统的性质等等对云状进行综合判别,但计算机进行图像识别时,以传统的纹理特征提取方法很难对这些复杂的特征进行行之有效的描述,从而造成自动识别较为困难。。
发明内容
有鉴于此,本发明的主要目的在于提供一种智能图像识别云状系统及方法,具有准确率高、效率高和智能化程度高的优点。
为达到上述目的,本发明的技术方案是这样实现的:
一种智能图像识别云状系统,包括:云图预处理单元、云图训练单元、云图特征结构提取单元、云图分类单元和支持向量机;所述云图预处理单元包括:强度分层单元和云团提取单元;所述强度分层单元,用于对云图进行强度分层;所述云团提取单元,用于对强度分层得到的色斑图进行云团提取;云团预处理单元信号连接于云团训练单元;所述云团训练单元对云团预处理单元预处理后的云图进行训练,得到云图训练集,同时,使用分层方法分解训练后的云图,得到每张云图的多尺度图像;所述云图特征提取单元,用于提取云图的多尺度结构特征;所述云图分类单元,应用所述支持向量机对所述云图训练集进行分类,得到最终的识别结果。
进一步的,所述强度分层单元,对云图进行强度分层的方法执行以下步骤:确定云图对应的灰度图中的灰度值;对云图进行强度分层。
进一步的,所述确定云图对应的灰度图中的灰度值的方法包括:设定不同层云图的图像密度为三维函数:(x,y,f(x,y))表示,其中x和y决定云图对应的灰度图中像素值的位置,f(x,y)为云图对应的灰度图中的灰度值,设灰度图的灰度级为[0,Lmax_l],Lmax为灰度级最大值;假设垂直于强度轴的P个平面分别定义为li,l2,...,1p,其中0<P<Lmax-l;强平面将灰度级分为P+1个强度间隔Vi,V2,…Vk,…Vp+i,则f(x,y)表示为:f(x,y)=ck,其中,ck为第k级强度间隔Vk的有关颜色。
进一步的,所述对对云图进行强度分层的方法执行以下步骤:设定间隔层数Ps,灰度直方图中的极小值点序列按灰度从小到大排序,设极小值点序列总数为Pm,则有:当Pl=(Pm-1)时,表示云图的云状特征与强度分层相吻合,则直接对云图进行强度分层;当PL〈(PM-1)时,表示云图的云状特征的细化度高于强度分层数,对云状特征进行粗化,此时在极小值点序列中选出(Pl+1)个灰度区间较大的极小值点进行强度分层;当PL>(PM-1)时,表示云图的云状特征细化度小于强度分层数,在极小值序列中选择灰度区间较大的两极值间均勾的补充(Pl-Pm+1)点。
进一步的,所述进行云团提取时,采用分割算法对强度分层得到的色斑图进行云团提取。
一种智能图像识别云状方法,所述方法执行以下步骤:
步骤1:云团训练单元对云团预处理单元预处理后的云图进行训练,得到云图训练集,同时,使用分层方法分解训练后的云图,得到每张云图的多尺度图像;
步骤2:所云图特征提取单元,用于提取云图的多尺度结构特征;
步骤3:所云图分类单元,应用所述支持向量机对所述云图训练集进行分类,得到最终的识别结果。
进一步的,所述步骤1中:所云团训练单元对云团预处理单元预处理后的云图进行训练,得到云图训练集,同时,使用分层方法分解训练后的云图,得到每张云图的多尺度图像的方法执行以下步骤:对云图进行强度分层的方法执行以下步骤:确定云图对应的灰度图中的灰度值;对云图进行强度分层。
进一步的,所述使用分层方法分解训练后的云图,得到每张云图的多尺度图像的方法执行以下步骤:将原始图像心作为高斯金字塔的第0层,高斯金字塔的第1层图像匕通过1-1层图像与窗口函数W(m,η)卷积获得,并将获得的结果隔行隔列降采样,即:;其中,Ν表示高斯金字塔顶层的层数,Q表示高斯金字塔第1图像的列数,氏表示高斯金字塔第1图像的行数,w(m,η)为5X5的窗口函数。
进一步的,所述云图的多尺度结构特征包括云图的多维灰度变化特征、云图的多维有效云块比、云图的云块边缘变化特征和云图的云体尺度分布特征。
进一步的,所述在提取特征之前,对每一张图像进行阈值分割,得到二值化图像BW,将图像BW进行一次开闭运算,得到分割后的图像X;具体方法如下:多维灰度特征:;多维灰度变化特征:;式中,g(x,y)为像素点(x,y)的灰度值,N表示分割图像X中等于1的像素总数即云点个数,η表示图像所分层数,i表示云层数,f(x)表示拟合直线的斜率函数。
本发明的一种智能图像识别云状系统及方法,具有如下有益效果:本发明在进行分类识别前,首先将云图进行强度分层,可以将云图中的不同色彩信息分割到不同的强度等级上,因为是基于云图的灰度直方图,是将云图中的主要色彩成份提取出来划入有对应的强度层,从而有利于将有云信息和非动的信息分割开来。在统一色彩强度背景的层次下,选择相应的某种最优的云状识别算法,就可以将云团提取出来,从而提高了云图处理算法的通用性,实现不同云图背景的云状识别,提高了对应云图识别算法的通用性;同时,把天空类型分为5类,具体为波状云、层状云、积状云、卷云、晴空。试验中把典型样本作为训练样本,其余为测试样本。试验中为了保障结果的稳定性,将试验重复50次。并根据分类结果对支持向量机的参数进行优化,挑选出最佳的参数和多项式。最后的分类结果,Buch等提出的方法总正确率为61%;Calb等提出的方法总正确率为76%;采用本发明提出的方法总正确率为89.83%。
附图说明
图1为本发明的实施例提供的智能图像识别云状系统的系统结构示意图;
图2为本发明的实施例提供的智能图像识别云状方法的方法实流程示意图;
图3为本发明的实施例提供的智能图像识别云状系统及方法与现有技术相比的实验效果示意图。
具体实施方式
下面结合附图及本发明的实施例对本发明的方法作进一步详细的说明。
实施例1
一种智能图像识别云状系统,包括:云图预处理单元、云图训练单元、云图特征结构提取单元、云图分类单元和支持向量机;所述云图预处理单元包括:强度分层单元和云团提取单元;所述强度分层单元,用于对云图进行强度分层;所述云团提取单元,用于对强度分层得到的色斑图进行云团提取;云团预处理单元信号连接于云团训练单元;所述云团训练单元对云团预处理单元预处理后的云图进行训练,得到云图训练集,同时,使用分层方法分解训练后的云图,得到每张云图的多尺度图像;所述云图特征提取单元,用于提取云图的多尺度结构特征;所述云图分类单元,应用所述支持向量机对所述云图训练集进行分类,得到最终的识别结果。
实施例2
在上一实施例的基础上,所述强度分层单元,对云图进行强度分层的方法执行以下步骤:确定云图对应的灰度图中的灰度值;对云图进行强度分层。
实施例3
在上一实施例的基础上,所述确定云图对应的灰度图中的灰度值的方法包括:设定不同层云图的图像密度为三维函数:(x,y,f(x,y))表示,其中x和y决定云图对应的灰度图中像素值的位置,f(x,y)为云图对应的灰度图中的灰度值,设灰度图的灰度级为[0,Lmax_l],Lmax为灰度级最大值;假设垂直于强度轴的P个平面分别定义为li,l2,...,1p,其中0<P<Lmax-l;强平面将灰度级分为P+1个强度间隔Vi,V2,…Vk,…Vp+i,则f(x,y)表示为:f(x,y)=ck,其中,ck为第k级强度间隔Vk的有关颜色。
实施例4
在上一实施例的基础上,所述对对云图进行强度分层的方法执行以下步骤:设定间隔层数Ps,灰度直方图中的极小值点序列按灰度从小到大排序,设极小值点序列总数为Pm,则有:当Pl=(Pm-1)时,表示云图的云状特征与强度分层相吻合,则直接对云图进行强度分层;当PL〈(PM-1)时,表示云图的云状特征的细化度高于强度分层数,对云状特征进行粗化,此时在极小值点序列中选出(Pl+1)个灰度区间较大的极小值点进行强度分层;当PL>(PM-1)时,表示云图的云状特征细化度小于强度分层数,在极小值序列中选择灰度区间较大的两极值间均勾的补充(Pl-Pm+1)点。
实施例5
在上一实施例的基础上,所述进行云团提取时,采用分割算法对强度分层得到的色斑图进行云团提取。
具体的,多维灰度特征,其中包括灰度特征在不同尺度之间的斜率、方差、协方差等,并不单纯的代表其灰度均值以及灰度均值变化梯度。多维有效云块比,其中包括有效云块比在不同尺度之间的斜率、方差、协方差等,并不单纯的代表有效云块比变化梯度。云块边缘变化特征,其中包括云块边缘在不同尺度之间的斜率、方差、协方差等,并不单纯的代表云块边缘变化梯度。云体尺度分布特征,其中包括云体尺度在不同尺度之间的斜率、方差、协方差等,并不单纯的代表云体尺度变化梯度。利用支持向量机对所有的尺度特征进行训练,并且根据试验结果对支持向量机的参数和多项式进行优化。
实施例6
一种智能图像识别云状方法,所述方法执行以下步骤:
步骤1:云团训练单元对云团预处理单元预处理后的云图进行训练,得到云图训练集,同时,使用分层方法分解训练后的云图,得到每张云图的多尺度图像;
步骤2:所云图特征提取单元,用于提取云图的多尺度结构特征;
步骤3:所云图分类单元,应用所述支持向量机对所述云图训练集进行分类,得到最终的识别结果。
实施例7
在上一实施例的基础上,所述步骤1中:所云团训练单元对云团预处理单元预处理后的云图进行训练,得到云图训练集,同时,使用分层方法分解训练后的云图,得到每张云图的多尺度图像的方法执行以下步骤:对云图进行强度分层的方法执行以下步骤:确定云图对应的灰度图中的灰度值;对云图进行强度分层。
实施例8
在上一实施例的基础上,所述使用分层方法分解训练后的云图,得到每张云图的多尺度图像的方法执行以下步骤:将原始图像心作为高斯金字塔的第0层,高斯金字塔的第1层图像匕通过1-1层图像与窗口函数W(m,η)卷积获得,并将获得的结果隔行隔列降采样,即:;其中,Ν表示高斯金字塔顶层的层数,Q表示高斯金字塔第1图像的列数,氏表示高斯金字塔第1图像的行数,w(m,η)为5X5的窗口函数。
具体的,对每一张图像进行阈值分割,得到二值化图像BW,将图像BW进行一次开闭运算,得到分割后的图像X。开运算可以抑制边界上的毛刺,截断细窄的连接带,分离接触区域,消除比结构元素小的孤立点、碎线和斑块,并使图像的内边缘平滑。闭运算可以填补边界上的凹陷部分,具有弥合裂缝、填充小洞和小孔等功能,并使图像的外边缘得到平滑。
实施例9
在上一实施例的基础上,所述云图的多尺度结构特征包括云图的多维灰度变化特征、云图的多维有效云块比、云图的云块边缘变化特征和云图的云体尺度分布特征。
实施例10
在上一实施例的基础上,所述在提取特征之前,对每一张图像进行阈值分割,得到二值化图像BW,将图像BW进行一次开闭运算,得到分割后的图像X;具体方法如下:多维灰度特征:;多维灰度变化特征:;式中,g(x,y)为像素点(x,y)的灰度值,N表示分割图像X中等于1的像素总数即云点个数,η表示图像所分层数,i表示云层数,f(x)表示拟合直线的斜率函数。
具体的,把天空类型分为5类,具体为波状云、层状云、积状云、卷云、晴空。试验中把典型样本作为训练样本,其余为测试样本。试验中为了保障结果的稳定性,将试验重复50次。并根据分类结果对支持向量机的参数进行优化,挑选出最佳的参数和多项式。最后的分类结果,Buch等提出的方法总正确率为61%;Calb等提出的方法总正确率为76%;采用本发明提出的方法总正确率为89.83%。
以上所述仅为本发明的一个实施例子,但不能以此限制本发明的范围,凡依据本发明所做的结构上的变化,只要不失本发明的要义所在,都应视为落入本发明保护范围之内受到制约。。
所属技术领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统的具体工作过程及有关说明,可以参考前述方法实施例中的对应过程,在此不再赘述。
需要说明的是,上述实施例提供的系统,仅以上述各功能模块的划分进行举例说明,在实际应用中,可以根据需要而将上述功能分配由不同的功能模块来完成,即将本发明实施例中的模块或者步骤再分解或者组合,例如,上述实施例的模块可以合并为一个模块,也可以进一步拆分成多个子模块,以完成以上描述的全部或者部分功能。对于本发明实施例中涉及的模块、步骤的名称,仅仅是为了区分各个模块或者步骤,不视为对本发明的不当限定。
所属技术领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的存储装置、处理装置的具体工作过程及有关说明,可以参考前述方法实施例中的对应过程,在此不再赘述。
本领域技术人员应该能够意识到,结合本文中所公开的实施例描述的各示例的模块、方法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,软件模块、方法步骤对应的程序可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。为了清楚地说明电子硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以电子硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。本领域技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
术语“第一”、“第二”等是用于区别类似的对象,而不是用于描述或表示特定的顺序或先后次序。
术语“包括”或者任何其它类似用语旨在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备/装置不仅包括那些要素,而且还包括没有明确列出的其它要素,或者还包括这些过程、方法、物品或者设备/装置所固有的要素。
至此,已经结合附图所示的优选实施方式描述了本发明的技术方案,但是,本领域技术人员容易理解的是,本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下,本领域技术人员可以对相关技术特征作出等同的更改或替换,这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
以上所述,仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。
Claims (10)
1.一种智能图像识别云状系统,其特征在于,所述系统包括:云图预处理单元、云图训练单元、云图特征结构提取单元、云图分类单元和支持向量机;所述云图预处理单元包括:强度分层单元和云团提取单元;所述强度分层单元,用于对云图进行强度分层;所述云团提取单元,用于对强度分层得到的色斑图进行云团提取;云团预处理单元信号连接于云团训练单元;所述云团训练单元对云团预处理单元预处理后的云图进行训练,得到云图训练集,同时,使用分层方法分解训练后的云图,得到每张云图的多尺度图像;所述云图特征提取单元,用于提取云图的多尺度结构特征;所述云图分类单元,应用所述支持向量机对所述云图训练集进行分类,得到最终的识别结果。
2.如权利要求1所述的系统,其特征在于,所述强度分层单元,对云图进行强度分层的方法执行以下步骤:确定云图对应的灰度图中的灰度值;对云图进行强度分层。
3.如权利要求2所述的系统,其特征在于,所述确定云图对应的灰度图中的灰度值的方法包括:设定不同层云图的图像密度为三维函数:(x,y,f(x,y))表示,其中x和y决定云图对应的灰度图中像素值的位置,f(x,y)为云图对应的灰度图中的灰度值,设灰度图的灰度级为[0,Lmax_l],Lmax为灰度级最大值;假设垂直于强度轴的P个平面分别定义为li,l2,...,1p,其中0<P<Lmax-l;强平面将灰度级分为P+1个强度间隔Vi,V2,…Vk,…Vp+i,则f(x,y)表示为:f(x,y)=ck,其中,ck为第k级强度间隔Vk的有关颜色。
4.如权利要求3所述的系统,其特征在于,所述对对云图进行强度分层的方法执行以下步骤:设定间隔层数Ps,灰度直方图中的极小值点序列按灰度从小到大排序,设极小值点序列总数为Pm,则有:当Pl=(Pm-1)时,表示云图的云状特征与强度分层相吻合,则直接对云图进行强度分层;当PL〈(PM-1)时,表示云图的云状特征的细化度高于强度分层数,对云状特征进行粗化,此时在极小值点序列中选出(Pl+1)个灰度区间较大的极小值点进行强度分层;当PL>(PM-1)时,表示云图的云状特征细化度小于强度分层数,在极小值序列中选择灰度区间较大的两极值间均勾的补充(Pl-Pm+1)点。
5.如权利要求4所述的系统,其特征在于,所述进行云团提取时,采用分割算法对强度分层得到的色斑图进行云团提取。
6.一种基于权利要求1至5之一所述系统的智能图像识别云状方法,其特征在于,所述方法执行以下步骤:
步骤1:云团训练单元对云团预处理单元预处理后的云图进行训练,得到云图训练集,同时,使用分层方法分解训练后的云图,得到每张云图的多尺度图像;
步骤2:所云图特征提取单元,用于提取云图的多尺度结构特征;
步骤3:所云图分类单元,应用所述支持向量机对所述云图训练集进行分类,得到最终的识别结果。
7.如权利要求6所述的方法,其特征在于,所述步骤1中:所云团训练单元对云团预处理单元预处理后的云图进行训练,得到云图训练集,同时,使用分层方法分解训练后的云图,得到每张云图的多尺度图像的方法执行以下步骤:对云图进行强度分层的方法执行以下步骤:确定云图对应的灰度图中的灰度值;对云图进行强度分层。
8.如权利要求7所述的方法,其特征在于,所述使用分层方法分解训练后的云图,得到每张云图的多尺度图像的方法执行以下步骤:将原始图像心作为高斯金字塔的第0层,高斯金字塔的第1层图像匕通过1-1层图像与窗口函数W(m,η)卷积获得,并将获得的结果隔行隔列降采样,即:;其中,Ν表示高斯金字塔顶层的层数,Q表示高斯金字塔第1图像的列数,氏表示高斯金字塔第1图像的行数,w(m,η)为5X5的窗口函数。
9.如权利要求8所述的方法,其特征在于,所述云图的多尺度结构特征包括云图的多维灰度变化特征、云图的多维有效云块比、云图的云块边缘变化特征和云图的云体尺度分布特征。
10.如权利要求9所述的方法,其特征在于,所述在提取特征之前,对每一张图像进行阈值分割,得到二值化图像BW,将图像BW进行一次开闭运算,得到分割后的图像X;具体方法如下:多维灰度特征:;多维灰度变化特征:;式中,g(x,y)为像素点(x,y)的灰度值,N表示分割图像X中等于1的像素总数即云点 个数,η表示图像所分层数,i表示云层数,f(x)表示拟合直线的斜率函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910803532.1A CN110532945A (zh) | 2019-08-28 | 2019-08-28 | 一种智能图像识别云状系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910803532.1A CN110532945A (zh) | 2019-08-28 | 2019-08-28 | 一种智能图像识别云状系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110532945A true CN110532945A (zh) | 2019-12-03 |
Family
ID=68664900
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910803532.1A Pending CN110532945A (zh) | 2019-08-28 | 2019-08-28 | 一种智能图像识别云状系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110532945A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114565854A (zh) * | 2022-04-29 | 2022-05-31 | 河北冀云气象技术服务有限责任公司 | 一种智能图像识别云状系统及方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104156733A (zh) * | 2014-08-12 | 2014-11-19 | 中国人民解放军理工大学 | 一种基于多尺度结构特征的地基云状识别方法 |
CN104166999A (zh) * | 2014-08-18 | 2014-11-26 | 国家电网公司 | 一种基于地基云图强度分层的云团提取方法 |
US20160335488A1 (en) * | 2015-05-15 | 2016-11-17 | Google Inc. | Sound event detection |
CN109472283A (zh) * | 2018-09-13 | 2019-03-15 | 中国科学院计算机网络信息中心 | 一种基于多重增量回归树模型的危险天气事件预测方法和装置 |
-
2019
- 2019-08-28 CN CN201910803532.1A patent/CN110532945A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104156733A (zh) * | 2014-08-12 | 2014-11-19 | 中国人民解放军理工大学 | 一种基于多尺度结构特征的地基云状识别方法 |
CN104166999A (zh) * | 2014-08-18 | 2014-11-26 | 国家电网公司 | 一种基于地基云图强度分层的云团提取方法 |
US20160335488A1 (en) * | 2015-05-15 | 2016-11-17 | Google Inc. | Sound event detection |
CN109472283A (zh) * | 2018-09-13 | 2019-03-15 | 中国科学院计算机网络信息中心 | 一种基于多重增量回归树模型的危险天气事件预测方法和装置 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114565854A (zh) * | 2022-04-29 | 2022-05-31 | 河北冀云气象技术服务有限责任公司 | 一种智能图像识别云状系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107016405B (zh) | 一种基于分级预测卷积神经网络的害虫图像分类方法 | |
CN102005034B (zh) | 基于区域聚类的遥感影像分割方法 | |
CN110210362A (zh) | 一种基于卷积神经网络的交通标志检测方法 | |
CN106096652B (zh) | 基于稀疏编码和小波自编码器的极化sar图像分类方法 | |
CN106296653A (zh) | 基于半监督学习的脑部ct图像出血区域分割方法及系统 | |
CN108364288A (zh) | 用于乳腺癌病理图像的分割方法和装置 | |
CN107016664B (zh) | 一种大圆机的坏针瑕疵检测方法 | |
CN110264484A (zh) | 一种面向遥感数据的改进海岛岸线分割系统及分割方法 | |
CN104156733A (zh) | 一种基于多尺度结构特征的地基云状识别方法 | |
CN110197151A (zh) | 一种结合双分支网络和自定义函数网络的车道线检测系统及方法 | |
CN105004737A (zh) | 基于自适应改进型梯度信息的水果表面缺陷检测方法 | |
CN108399361A (zh) | 一种基于卷积神经网络cnn和语义分割的行人检测方法 | |
CN108319966A (zh) | 一种变电站复杂背景红外图像中设备的识别分类方法 | |
CN106408030A (zh) | 基于中层语义属性和卷积神经网络的sar图像分类方法 | |
CN109754020A (zh) | 融合多层级渐进策略和非监督学习的地面点云提取方法 | |
CN101404059B (zh) | 基于块状纹理采样的虹膜图像数据库合成方法 | |
CN105046259B (zh) | 基于多特征融合的日冕物质抛射检测方法 | |
CN114998220B (zh) | 一种基于改进的Tiny-YOLO v4自然环境下舌像检测定位方法 | |
CN111046772A (zh) | 多时相卫星遥感岛礁岸线及开发利用信息提取方法 | |
CN105913090B (zh) | 基于sdae-svm的sar图像目标分类方法 | |
CN107230188A (zh) | 一种视频运动阴影消除的方法 | |
Eisank et al. | A generic procedure for semantics-oriented landform classification using object-based image analysis | |
CN105844213B (zh) | 一种绿色果实识别方法 | |
CN101526994A (zh) | 一种与采集设备无关的指纹图像分割方法 | |
CN102129576B (zh) | 全天空极光图像占空比参数的提取方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191203 |
|
RJ01 | Rejection of invention patent application after publication |