CN110717546A - 图片分布相似度计算方法、装置、计算机设备和存储介质 - Google Patents
图片分布相似度计算方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN110717546A CN110717546A CN201910979157.6A CN201910979157A CN110717546A CN 110717546 A CN110717546 A CN 110717546A CN 201910979157 A CN201910979157 A CN 201910979157A CN 110717546 A CN110717546 A CN 110717546A
- Authority
- CN
- China
- Prior art keywords
- echo
- standard
- map
- predicted
- centroid
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
-
- 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
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
- G01S7/417—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section involving the use of neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/19—Recognition using electronic means
- G06V30/192—Recognition using electronic means using simultaneous comparisons or correlations of the image signals with a plurality of references
- G06V30/194—References adjustable by an adaptive method, e.g. learning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computational Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Remote Sensing (AREA)
- Pure & Applied Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Radar, Positioning & Navigation (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Algebra (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computing Systems (AREA)
- Evolutionary Biology (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及一种图片分布相似度计算方法、装置、计算机设备和存储介质,计算机设备对于获取的预测回波图和标准回波图进行相似度计算,由于计算机设备不仅计算了预测回波图和标准回波图总体分布相似度,还计算了局部分布相似度,这样从整体上和局部上均对预测回波图和标准回波图之间的分布进行了对比,更加全面的对比了预测回波图与标准回波图的形态差异,大大提高了回波预测图评价结果的客观性。
Description
技术领域
本申请涉及图像处理技术领域,特别是涉及一种图片分布相似度计算方法、装置、计算机设备和存储介质。
背景技术
对流天气常伴有大风、冰雹和暴雨等灾害性天气,给人们的生命财产安全带来巨大威胁,因此,对流性天气的研究一直受到人们高度关注。
在气象领域,多普勒天气雷达回波外推为对流系统短临预报的首要方法,通过回波外推方法可以预测出对流气象的回波预测图,目前常用的回波外推方法很多,例如,质心跟踪法、交叉相关法、还有一些利用卷积神经网络、速度场感知网络等机器智能深度学习的方法。随着外推方法的增多,需要全面客观地评价各种回波外推方法的优劣,即会采用现有常用的评价方法评价通过各回波外推方法获取的回波预测图,以此反映各种回波外推方法的优劣。
但是,现有的评价回波预测图的方法存在较大的片面性,使得评价结果不够客观。
发明内容
基于此,有必要针对上述现有的评价回波预测图的方法存在较大的片面性,使得评价结果不够客观的技术问题,提供一种图片分布相似度计算方法、装置、计算机设备和存储介质。
第一方面,本申请实施例提供一种图片分布相似度计算方法,该方法包括:
获取预测回波图和标准回波图;
获取预测回波图的总体质心索引和预测回波图的N宫格质心索引列表,以及获取标准回波图的总体质心索引和标准回波图的N宫格质心索引列表;
根据预测回波图的总体质心索引和标准回波图的总体质心索引,确定预测回波图与标准回波图的总体分布相似度,以及根据预测回波图的N宫格质心索引列表和标准回波图的N宫格质心索引列表,确定预测回波图与标准回波图的局部分布相似度。
在其中一个实施例中,上述获取预测回波图的总体质心索引和获取标准回波图的总体质心索引,包括:
获取预测回波图的二维矩阵和标准回波图的二维矩阵;二维矩阵包括长和宽两个维度;
将以预测回波图的二维矩阵的每个点的索引值为权重,计算得出的二维矩阵所有点的亮度的加权平均值,确定为预测回波图的总体质心索引,将以标准回波图的二维矩阵的每个点的索引值为权重,计算得出的二维矩阵所有点的亮度的加权平均值,确定为标准回波图的总体质心索引。
在其中一个实施例中,上述获取预测回波图的二维矩阵和标准回波图的二维矩阵,包括:
根据预测回波图中各点的像素值,确定预测回波图的三维矩阵,以及根据标准回波图中各点的像素值,确定标准回波图的三维矩阵;三维矩阵包括长、宽和通道三个维度;
将预测回波图的三维矩阵在通道维度上求平均,使其合成一层,得到预测回波图的二维矩阵,以及将标准回波图的三维矩阵在通道维度上求平均,使其合成一层,得到标准回波图的二维矩阵。
在其中一个实施例中,上述获取预测回波图的N宫格质心索引列表和获取标准回波图的N宫格质心索引列表,包括:
根据预测回波图的二维矩阵确定预测回波图的N宫格矩阵,以及根据标准回波图的二维矩阵确定标准回波图的N宫格矩阵;
从预测回波图的N宫格矩阵中确定出N个相同的第一小矩阵,从标准回波图的N宫格矩阵中确定出N个相同的第二小矩阵;
将N个相同的第一小矩阵以自身矩阵索引为权重,计算出的每个第一小矩阵中所有点的加权平均值,对应确定为每个第一小矩阵的质心索引,形成预测回波图的N宫格质心索引列表,将N个相同的第二小矩阵以自身矩阵索引为权重,计算出的每个第二小矩阵中的所有点的加权平均值,对应确定为每个第一小矩阵的质心索引,形成标准回波图的N宫格质心索引列表。
在其中一个实施例中,预测回波图的矩阵和标准回波图的矩阵的长均为m,宽均为n;
则从预测回波图的N宫格矩阵中确定出N个相同的第一小矩阵、从标准回波图的N宫格矩阵中确定出N个相同的第二小矩阵,包括:
从预测回波图的N宫格矩阵中,以长为m/(P+1)、宽为n/(P+1)的间隔,提取N个相同的长为2m/(P+1)、宽为2n/(P+1)的第一小矩阵,从标准回波图的N宫格矩阵中,以长为m/(P+1)、宽为n/(P+1)的间隔,提取N个相同的长为2m/(P+1)、宽为2n/(P+1)的第二小矩阵;其中,P为正整数。
在其中一个实施例中,上述N宫格质心索引列表包含多个质心索引,每个质心索引包括行质心索引和列质心索引;
则根据预测回波图的总体质心索引和标准回波图的总体质心索引,确定预测回波图与标准回波图的总体分布相似度,包括:
平方根确定步骤:对行质心索引差的平方与列质心索引差的平方的和求平方根,得到预测回波图与标准回波图的总体分布相似度;行质心索引差的平方表示预测回波图的行质心索引与标准回波图的行质心索引之间差的平方,列质心索引差的平方表示预测回波图的列质心索引与标准回波图的列质心索引之间差的平方。
在其中一个实施例中,上述根据预测回波图的N宫格质心索引列表和标准回波图的N宫格质心索引列表,确定预测回波图与标准回波图的局部分布相似度,包括:
根据平方根确定步骤,获取预测回波图的N宫格质心索引列表中各质心索引与标准回波图的N宫格质心索引列表中各质心索引之间的和的平方根;其中,预测回波图的N宫格质心索引列表中的各质心索引与标准回波图的N宫格质心索引列表中各质心索引一一对应;
将各质心索引的和的平方根的均值确定为预测回波图与标准回波图的局部分布相似度。
第二方面,本申请实施例提供一种图片分布相似度计算装置,该装置包括:
回波图模块,用于获取预测回波图和标准回波图;
质心索引模块,用于获取预测回波图的总体质心索引和预测回波图的N宫格质心索引列表,以及获取标准回波图的总体质心索引和标准回波图的N宫格质心索引列表;
相似度模块,用于根据预测回波图的总体质心索引和标准回波图的总体质心索引,确定预测回波图与标准回波图的总体分布相似度,以及根据预测回波图的N宫格质心索引列表和标准回波图的N宫格质心索引列表,确定预测回波图与标准回波图的局部分布相似度。
第三方面,本申请实施例提供一种计算机设备,包括存储器和处理器,存储器存储有计算机程序,处理器执行计算机程序时实现上述第一方面实施例提供的任一项方法的步骤。
第四方面,本申请实施例提供一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述第一方面实施例提供的任一项方法的步骤。
本申请实施例提供的一种图片分布相似度计算方法、装置、计算机设备和存储介质,计算机设备对于获取的预测回波图和标准回波图进行相似度计算,由于计算机设备不仅计算了预测回波图和标准回波图总体分布相似度,还计算了局部分布相似度,这样从整体上和局部上均对预测回波图和标准回波图之间的分布进行了对比,更加全面的对比了预测回波图与标准回波图的形态差异,大大提高了回波预测图评价结果的客观性。
附图说明
图1为一个实施例提供的一种图片分布相似度计算方法的应用环境图;
图2为一个实施例提供的一种图片分布相似度计算方法的流程示意图;
图3为一个实施例提供的一种图片分布相似度计算方法的流程示意图;
图4为一个实施例提供的一种图片分布相似度计算方法的流程示意图;
图5为一个实施例提供的一种图片分布相似度计算方法的流程示意图;
图5a为一个实施例提供的一种九宫格矩阵示意图;
图6为一个实施例提供的一种图片分布相似度计算方法的流程示意图;
图7为一个实施例提供的一种图片分布相似度完整计算方法的示意图;
图8为一个实施例提供的一种图片分布相似度计算装置的结构框图;
图9为一个实施例提供的一种图片分布相似度计算装置的结构框图;
图10为一个实施例提供的一种图片分布相似度计算装置的结构框图;
图11为一个实施例提供的一种图片分布相似度计算装置的结构框图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请提供的一种图片分布相似度计算方法,可以应用于如图1所示的应用环境中,该应用环境中,计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储配准方法的数据。该计算机设备的网络接口用于与外部的其他设备通过网络连接通信。该计算机程序被处理器执行时以实现一种图片分布相似度计算方法。
本申请实施例提供一种图片分布相似度计算方法、装置、计算机设备和存储介质,下面将通过实施例并结合附图具体地对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例中不再赘述。需要说明的是,本申请提供的一种图片分布相似度计算方法,图2-图7的执行主体为计算机设备,其中,其执行主体还可以是图片分布相似度计算装置,其中该装置可以通过软件、硬件或者软硬件结合的方式实现成为计算机设备的部分或者全部。
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。
在一个实施例中,图2提供了一种图片分布相似度计算方法,本实施例涉及的是计算机设备根据预测回波图和标准回波图,先分别确定出预测回波图和标准回波图的总体质心索引和N宫格质心索引列表,然后确定出总体分布相似度和局部分布相似度的具体过程,如图2所示,所述方法包括:
S101,获取预测回波图和标准回波图。
本实施例中,预测回波图表示对对流天气预测的回波图,标准回波图表示的是真实观测的回波图。其中,预测回波图可以是通过回波外推的方法进行获取,例如,质心跟踪法、交叉相关法、还有一些利用卷积神经网络、速度场感知网络等机器智能深度学习的方法均可,本实施例对此不做限定。其中标准回波图可以是通过雷达进行扫描获取的,也可以是其他方式,本实施例对此也不做限定。
示例地,本步骤中,计算机设备通过预设的外推方法获取对流天气的预测回波图,并通过雷达扫描对流天气获取标准回波图。其中计算机设备获取的预测回波图和标准回波图,可以是多张也可以是一张,本实施例对具体获取的数量不做限定。可以理解的是,计算机设备获取的预测回波图和标准回波图为同一对流天气对应的回波图,即预测回波图和标准回波图为一对回波图,以确保最终确定出的分布相似度具有对比性。
S102,获取预测回波图的总体质心索引和预测回波图的N宫格质心索引列表,以及获取标准回波图的总体质心索引和标准回波图的N宫格质心索引列表。
其中,总体质心索引表示回波图上整体区域像素矩阵中行和列的质心,每个回波图的总体质心索引可以表示为(Ip,Jp),其中,Ip,Jp分别表示质心位置在回波图上整体区域像素矩阵上的行列索引。其中,N宫格质心索引列表为回波图的N宫格矩阵中多个区域的质心索引组成的列表,其中,该N宫格可以是9宫格也可以16宫格,本实施例对此不做限定。对于N宫格质心索引列表中每个质心索引,其质心索引与总体质心索引表示的意义相同,两者的区别为,总体质心索引为回波图上整体区域的质心,N宫格质心索引列表中每个质心索引是每个该整体区域中各小区域的质心。
具体地,本步骤基于上述S101步骤中获取的预测回波图和标准回波图,以其中一对回波图为例,计算机设备分别获取预测回波图的总体质心索引和预测回波图的N宫格质心索引列表,以及获取标准回波图的总体质心索引和标准回波图的N宫格质心索引列表,其中,计算机设备获取质心索引方式可以是根据预设的算法分别计算对应矩阵区域中的行列质心位置,也可以是通过预先训练好的神经网络,直接获取预测预测回波图和标准回波图的总体质心索引和N宫格质心索引列表,本实施例对此不做限定。
S103,根据预测回波图的总体质心索引和标准回波图的总体质心索引,确定预测回波图与标准回波图的总体分布相似度,以及根据预测回波图的N宫格质心索引列表和标准回波图的N宫格质心索引列表,确定预测回波图与标准回波图的局部分布相似度。
本步骤中,总体分布相似度表示的是预测回波图和标准回波图之间从整体角度上确定的相似度,局部分布相似度表示的是预测回波图和标准回波图中各局部区域上确定的相似度,其中,该总体分布相似度和局部分布相似度分别代表了预测回波图和标准回波图不同角度的对比结果,可以综合反映预测回波图和标准回波图之间的差异。
具体地,计算机设备根据预测回波图和标准回波图各自的总体质心索引确定总体分布相似度,根据预测回波图和标准回波图各自的N宫格质心索引列表确定局部分布相似度,其中,计算机设备确定可以是确定质心偏移,即确定出预测回波图和标准回波图对应质心的偏移距离,将确定出的偏移距离确定为相似度的值,这样,确定出的总体质心偏移值越大,表示预测回波图和标准回波图体分布差别越大,反之则越相似,而确定出的N宫格质心偏移值越大,表示预测回波图和标准回波图体局部分布差别越大,同样,反之则越相似。
本实施例提供的图片分布相似度计算方法,计算机设备对于获取的预测回波图和标准回波图进行相似度计算,由于计算机设备不仅计算了预测回波图和标准回波图总体分布相似度,还计算了局部分布相似度,这样从整体上和局部上均对预测回波图和标准回波图之间的分布进行了对比,更加全面的对比了预测回波图与标准回波图的形态差异,大大提高了回波预测图评价结果的客观性。
基于上述实施例,对于上述获取预测回波图的总体质心索引和获取标准回波图的总体质心索引的具体过程,本申请提供了一种图片分布相似度计算方法,则在一个实施例中,如图3所示,上述S102步骤包括:
S201,获取预测回波图的二维矩阵和标准回波图的二维矩阵;二维矩阵包括长和宽两个维度。
其中,二维矩阵表示包括长和宽两个维度的矩阵,则在本步骤中,计算机设备需要获取到预测回波图的二维矩阵和标准回波图的二维矩阵,其中,计算机设备可以根据预测回波图和标准回波图的各像素点确定出对应的二维矩阵。
示例地,提供一种计算机设备获取预测回波图的二维矩阵和标准回波图的二维矩阵的可实现方式,如图4所示,该S201步骤包括:
S301,根据预测回波图中各点的像素值,确定预测回波图的三维矩阵,以及根据标准回波图中各点的像素值,确定标准回波图的三维矩阵;三维矩阵包括长、宽和通道三个维度。
本实施例中,计算机设备先根据预测回波图和标准回波图中各点的像素值确定对应的三维矩阵,其中,三维矩阵表示包括长、宽和通道三个维度的矩阵,示例地,以预测回波图的三维矩阵为Np0和标准回波图的三维矩阵Ng0为例,计算机设备通过预设的算法从预测回波图和标准回波图读取三通道和各像素点的尺寸确定Np0和Ng0,其中,Np0和Ng0尺寸相同,均为(m,n,c),其中,m,n,c分别表示图片的长,宽,通道。
S302,将预测回波图的三维矩阵在通道维度上求平均,使其合成一层,得到预测回波图的二维矩阵,以及将标准回波图的三维矩阵在通道维度上求平均,使其合成一层,得到标准回波图的二维矩阵。
基于上述S301步骤中确定的预测回波图的三维矩阵和标准回波图的三维矩阵,计算机设备将通道维度上求平均,使三个通道合成一层,例如,在通道维度的第三个通道上求平均,最终该三维矩阵通道维度合并后,即可得到一个二维矩阵,相当于将上述举例的Np0和Ng0合成二维矩阵后得到预测回波图的二维矩阵Np和标准回波图的二维矩阵Ng,其中,Np和Ng的尺寸均为(m,n)。通过该实施例可以准确的,有效地确定预测回波图和标准回波图的二维矩阵。
S202,将以预测回波图的二维矩阵的每个点的索引值为权重,计算得出的二维矩阵所有点的亮度的加权平均值,确定为预测回波图的总体质心索引,将以标准回波图的二维矩阵的每个点的索引值为权重,计算得出的二维矩阵所有点的亮度的加权平均值,确定为标准回波图的总体质心索引。
本步骤中计算机设备确定预测回波图的总体质心索引和标准回波图的总体质心索引,可以将上述S201步骤中获取的预测回波图的二维矩阵的每个点的索引值为权重,计算得出的二维矩阵所有点的亮度的加权平均值,确定为预测回波图的总体质心索引,将标准回波图的二维矩阵的二维矩阵的每个点的索引值为权重,计算得出的二维矩阵所有点的亮度的加权平均值,确定为标准回波图的总体质心索引。示例地,以获取预测回波图的总体质心索引为例进行说明,将预测回波图的二维矩阵为Np,对于矩阵Np上的每个点P=Nij∈Np,i,j表示其在矩阵上的位置索引,P表示对应位置的亮度,由于亮度与雷达回波的反射率强度成线性关系,因此为了求得雷达回波的反射率强度质心,可以通过求取矩阵中的亮度强度质心,则在矩阵Np上分别计算行和列上以亮度为权重的索引的加权平均,例如,质心索引Ip,Ig公式为:
其中,i,j分别表示点的行,列索引,Nij表示Np中(i,j)位置上的点的亮度,计算结果Ip,Jp分别表示质心位置在矩阵上的行,列索引。根据该方法,计算标准回波图二维矩阵Ng,使用上述质心公式求得其质心位置索引Ig和Jg。
本实施例提供的图片分布相似度计算方法,根据预测回波图和标准回波图中各像素点的亮度确定出对应的二维矩阵,然后从该二维矩阵中确定出质心位置在矩阵上的行列索引,从而得到预测回波图和标准回波图的总体质心索引,有效地确定了预测回波图和标准回波图的总体质心。
在其中一个实施例中,上述获取预测回波图的N宫格质心索引列表和获取标准回波图的N宫格质心索引列表,如图5所示,上述S102步骤包括:
S401,根据预测回波图的二维矩阵确定预测回波图的N宫格矩阵,以及根据标准回波图的二维矩阵确定标准回波图的N宫格矩阵。
本实施例中,计算机设备基于上述预测回波图和标准回波图的二维矩阵确定确定出对应的N宫格矩阵,其中该N宫格可以但不限于是9宫格、16宫格等,本实施例对此不做限定。
S402,从预测回波图的N宫格矩阵中确定出N个相同的第一小矩阵,从标准回波图的N宫格矩阵中确定出N个相同的第二小矩阵。
基于上述S401步骤获取的预测回波图的N宫格矩阵和标准回波图的N宫格矩阵,计算机设备从N宫格矩阵中确定出N个相同的小矩阵。
可选地,提供一种求取小矩阵的方式:从所述预测回波图的N宫格矩阵中,以长为m/(P+1)、宽为n/(P+1)的间隔,提取N个相同的长为2m/(P+1)、宽为2n/(P+1)的第一小矩阵,从所述标准回波图的N宫格矩阵中,以长为m/(P+1)、宽为n/(P+1)的间隔,提取N个相同的长为2m/(P+1)、宽为2n/(P+1)的第二小矩阵;其中,P为正整数。
示例地,以上述N宫格为9宫格为例,对计算机设备从9宫格矩阵中确定出9个相同的小矩阵的过程进行说明,且预测回波图的矩阵和标准回波图的矩阵的长均为m,宽均为n,则可选地,上述S402包括:从预测回波图的9宫格矩阵中,以长为m/4、宽为n/4的间隔,提取9个相同的长为m/2、宽为n/2的第一小矩阵,从标准回波图的9宫格矩阵中,以长为m/4、宽为n/4的间隔,提取9个相同的长为m/2、宽为n/2的第二小矩阵。
具体地,以预测回波图为例进行说明,对于测回波图二维矩阵Np,从i=0,j=0开始,每隔m/4和n/4提取一个尺寸为(m/2,n/2)的小矩阵,即可得到9个与相邻矩阵重叠率为50%的矩阵列表(P11,P12,...P33),如图5a所示,黑色框P内为提取的第一个矩阵P11,若将黑色框P向右移动m/4,则黑色框P内表示需要提取的第二个矩阵P12,若将黑色框P向下移动n/4,则黑色框P内表示需要提取的第二个矩阵P21。同样,依照上述方法,从标准回波图中确定出9个对应的小矩阵即可。这样根据等间隔的尺寸,确定出等尺寸的小矩阵,可以客观、公平的将一个大矩阵的各区域都划分出来,保证了后续获取局部相似度的准确性和客观性。
S403,将N个相同的第一小矩阵以自身矩阵索引为权重,计算出的每个第一小矩阵中所有点的加权平均值,对应确定为每个第一小矩阵的质心索引,形成预测回波图的N宫格质心索引列表,将N个相同的第二小矩阵以自身矩阵索引为权重,计算出的每个第二小矩阵中的所有点的加权平均值,对应确定为每个第一小矩阵的质心索引,形成标准回波图的N宫格质心索引列表。
本步骤中,计算机设备需要确定出预测回波图和标准回波图的N宫格质心索引列表,具体地,根据上述S402步骤中确定出的预测回波图和标准回波图的小矩阵,计算机设备对于各小矩阵确定的各自的质心索引,即,以自身矩阵索引为权重,计算出的每个第一小矩阵中所有点的加权平均值,对应确定为每个第一小矩阵的质心索引,则预测回波图的所有小矩阵的质心索引合成的就是预测回波图的N宫格质心索引列表,标准回波图的所有小矩阵的质心索引合成的就是标准回波图的N宫格质心索引列表。示例地,以(P11,P12,...P33)表示预测回波图的N宫格质心索引列表,则计算机设备获取[P11,P12,...,P33]的质心索引,得到[(Ip11,Jp11),(Ip12,Jp12),...(Ip33,Jp33)],同样,对于标准回波图也依照此方法确定对应的质心索引列表即可。
本实施例提供的图片分布相似度计算方法,计算机设备确定出预测回波图和标准回波图的N宫格矩阵质心索引列表,是根据N各相同的小矩阵分别各自确定出质心索引的,每个小矩阵都是等尺寸等间距的,保证了各小矩阵完整、全面地把预测回波图和标准回波图的整体矩阵进行了划分,进而保证了后续局部分布相似度的客观性和全面性。
以上述每个质心索引包括行质心索引和列质心索引为例,在一个实施例中,上述S103步骤包括:平方根确定步骤:对行质心索引差的平方与列质心索引差的平方的和求平方根,得到预测回波图与标准回波图的总体分布相似度;行质心索引差的平方表示预测回波图的行质心索引与标准回波图的行质心索引之间差的平方,列质心索引差的平方表示预测回波图的列质心索引与标准回波图的列质心索引之间差的平方。
本实施例中,计算机设备确定相似度的方式为通过平方根确定步骤进行,该平方根确定步骤为计算机设备将行质心索引差的平方与列质心索引差的平方的和求取的平方根确定为预测回波图与标准回波图的总体分布相似度。其中,行质心索引差的平方表示预测回波图的行质心索引与标准回波图的行质心索引之间差的平方,列质心索引差的平方表示预测回波图的列质心索引与标准回波图的列质心索引之间差的平方。示例地,预测回波图的行质心索引用Ip表示,
2标准回波图的行质心索引用Ig表示,则行质心索引差的平方可表示为(Ip-Ig)。同样,预测回波图的列质心索引用Jp表示,标准回波图的列质心索引用Jg表示,则列质心索引差的平方可表示为(Jp-Jg)2,进一步地,可确定行质心索引差的平方与列质心索引差的平方的和求取的平方根d可表示为:即d为计算机设备确定的预测回波图与标准回波图的总体分布相似度的值。根据该方法可准确的确定出预测回波图相对于标准回波图整体上的偏移,即确定出的总体分布相似度可以准确地,客观全面地反映预测回波图相对于标准回波图的分布形态差异。
基于上述实施例提供的平方根确定步骤,对于计算机设备根据预测回波图的N宫格质心索引列表和标准回波图的N宫格质心索引列表,确定预测回波图与标准回波图的局部分布相似度的过程,提供一个实施例,如图6所示,S103包括:
S501,根据平方根确定步骤,获取预测回波图的N宫格质心索引列表中各质心索引与标准回波图的N宫格质心索引列表中各质心索引之间的和的平方根其中,预测回波图的N宫格质心索引列表中的各质心索引与标准回波图的N宫格质心索引列表中各质心索引一一对应。
本实施例中,计算机设备根据上述平方根确定步骤,获取预测回波图的N宫格质心索引列表中各质心索引与标准回波图的N宫格质心索引列表中各质心索引之间的和的平方根,即对质心索引列表中,各质心索引分别求取和的平方根,示例地,[(Ip11,Jp11),(Ip12,Jp12),...(Ip33,Jp33)]表示预测回波图的质心索引列表,[(Ig11,Jg11),(Ig12,Jg12),...(Ig33,Jg33)]表示标准回波图的质心索引列表,则分别对相同位置的(Ip11,Jp11)和(Ig11,Jg11)根据上述平方根确定步骤确定出一个和的平方根d11,对(Ip12,Jp12)和(Ig12,Jg12)求取一个和的平方根d12,以此类推,最后对(Ip33,Jp33)和(Ig33,Jg33)求取一个和的平方根d33,最后得到的即为各平方根的列表,可以表示为[d11,d12,...d33]。根据该示例,可以理解的是,预测回波图的N宫格质心索引列表中的各质心索引与标准回波图的N宫格质心索引列表中各质心索引存在一一对应的关系。
S502,将各质心索引的和的平方根的均值确定为预测回波图与标准回波图的局部分布相似度。
基于上述S501步骤中确定的预测回波图的N宫格质心索引列表与标准回波图的N宫格质心索引列表中各质心索引之间的和的平方根[d11,d12,...d33],计算机设备将各平方根求平均,将得到的均值da确定为预测回波图与标准回波图的局部分布相似度。
本实施例提供的图片分布相似度计算方法,计算机设备依次获取预测回波图的N宫格质心索引列表与标准回波图的N宫格质心索引列表中各质心索引之间的和的平方根,并对各平方根的均值确定为预测回波图与标准回波图的局部分布相似度,使得该局部相似度更加全面,客观。
在以上提供的所有实施例的基础上,本申请提供一个整体的实施例,如图7所示,该实施例包括:
S1,获取图片预测回波图Pp与标准回波图Pg,并将其转化为对应的二维矩阵Np和Ng;
S2,分别计算图片Pp和图片Pg的总体质心索引;
S3,分别计算图片Pp和图片Pg的九宫格质心索引列表;
S4,计算图片Pp和图片Pg的总体质心偏移d,和图片Pp和图片Pg的平均九宫格质心偏移da。
本实施例中,计算机设备不仅计算了预测回波图和标准回波图总体分布相似度,还计算了局部分布相似度,这样从整体上和局部上均对预测回波图和标准回波图之间的分布进行了对比,更加全面的对比了预测回波图与标准回波图的形态差异,大大提高了回波预测图评价结果的客观性。
应该理解的是,虽然图2-7的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2-7中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图8所示,提供了一种图片分布相似度计算装置,包括:回波图模块10、质心索引模块11和相似度模块12,其中,
回波图模块10,用于获取预测回波图和标准回波图;
质心索引模块11,用于获取预测回波图的总体质心索引和预测回波图的N宫格质心索引列表,以及获取标准回波图的总体质心索引和标准回波图的N宫格质心索引列表;
相似度模块12,用于根据预测回波图的总体质心索引和标准回波图的总体质心索引,确定预测回波图与标准回波图的总体分布相似度,以及根据预测回波图的N宫格质心索引列表和标准回波图的N宫格质心索引列表,确定预测回波图与标准回波图的局部分布相似度。
上述实施例提供的一种图片分布相似度计算装置,其实现原理和技术效果与上述方法实施例类似,在此不再赘述。
在一个实施例中,如图9所示,提供了一种图片分布相似度计算装置,上述质心索引模块11包括:二维矩阵单元111和总体质心索引单元112,其中,
二维矩阵单元111,用于获取预测回波图的二维矩阵和标准回波图的二维矩阵;二维矩阵包括长和宽两个维度;
总体质心索引单元112,用于将以预测回波图的二维矩阵的每个点的索引值为权重,计算得出的二维矩阵所有点的亮度的加权平均值,确定为预测回波图的总体质心索引,将以标准回波图的二维矩阵的每个点的索引值为权重,计算得出的二维矩阵所有点的亮度的加权平均值,确定为标准回波图的总体质心索引。
上述实施例提供的一种图片分布相似度计算装置,其实现原理和技术效果与上述方法实施例类似,在此不再赘述。
在一个实施例中,上述二维矩阵单元111,具体用于根据预测回波图中各点的像素值,确定预测回波图的三维矩阵,以及根据标准回波图中各点的像素值,确定标准回波图的三维矩阵;三维矩阵包括长、宽和通道三个维度;将预测回波图的三维矩阵在通道维度上求平均,使其合成一层,得到预测回波图的二维矩阵,以及将标准回波图的三维矩阵在通道维度上求平均,使其合成一层,得到标准回波图的二维矩阵。
上述实施例提供的一种图片分布相似度计算装置,其实现原理和技术效果与上述方法实施例类似,在此不再赘述。
在一个实施例中,如图10所示,提供了一种图片分布相似度计算装置,上述质心索引模块11还包括:N宫格矩阵单元113、小矩阵单元114和质心索引列表单元115,其中,
N宫格矩阵单元113,用于根据预测回波图的二维矩阵确定预测回波图的N宫格矩阵,以及根据标准回波图的二维矩阵确定标准回波图的N宫格矩阵;
小矩阵单元114,用于从预测回波图的N宫格矩阵中确定出N个相同的第一小矩阵,从标准回波图的N宫格矩阵中确定出N个相同的第二小矩阵;
质心索引列表单元115,用于将N个相同的第一小矩阵以自身矩阵索引为权重,计算出的每个第一小矩阵中所有点的加权平均值,对应确定为每个第一小矩阵的质心索引,形成预测回波图的N宫格质心索引列表,将N个相同的第二小矩阵以自身矩阵索引为权重,计算出的每个第二小矩阵中的所有点的加权平均值,对应确定为每个第一小矩阵的质心索引,形成标准回波图的N宫格质心索引列表。
上述实施例提供的一种图片分布相似度计算装置,其实现原理和技术效果与上述方法实施例类似,在此不再赘述。
在一个实施例中,上述小矩阵单元114,具体用于从预测回波图的N宫格矩阵中,以长为m/(P+1)、宽为n/(P+1)的间隔,提取N个相同的长为2m/(P+1)、宽为2n/(P+1)的第一小矩阵,从标准回波图的N宫格矩阵中,以长为m/(P+1)、宽为n/(P+1)的间隔,提取N个相同的长为2m/(P+1)、宽为2n/(P+1)的第二小矩阵;其中,P为正整数。
上述实施例提供的一种图片分布相似度计算装置,其实现原理和技术效果与上述方法实施例类似,在此不再赘述。
在一个实施例中,提供了一种图片分布相似度计算装置,上述相似度模块12包括平方根确定单元,用于执行平方根确定步骤:对行质心索引差的平方与列质心索引差的平方的和求平方根,得到预测回波图与标准回波图的总体分布相似度;行质心索引差的平方表示预测回波图的行质心索引与标准回波图的行质心索引之间差的平方,列质心索引差的平方表示预测回波图的列质心索引与标准回波图的列质心索引之间差的平方。
上述实施例提供的一种图片分布相似度计算装置,其实现原理和技术效果与上述方法实施例类似,在此不再赘述。
在一个实施例中,如图11所示,提供了一种图片分布相似度计算装置,上述相似度模块12还包括:列表平方根单元121和局部相似度单元122,其中,
列表平方根单元121,用于根据平方根确定步骤,获取预测回波图的N宫格质心索引列表中各质心索引与标准回波图的N宫格质心索引列表中各质心索引之间的和的平方根;其中,预测回波图的N宫格质心索引列表中的各质心索引与标准回波图的N宫格质心索引列表中各质心索引一一对应;
局部相似度单元122,用于将各质心索引的和的平方根的均值确定为预测回波图与标准回波图的局部分布相似度。
上述实施例提供的一种图片分布相似度计算装置,其实现原理和技术效果与上述方法实施例类似,在此不再赘述。
关于图片分布相似度计算装置的具体限定可以参见上文中对于图片分布相似度计算方法的限定,在此不再赘述。上述图片分布相似度计算装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图1所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种图片分布相似度计算方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图1中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
获取预测回波图和标准回波图;
获取预测回波图的总体质心索引和预测回波图的N宫格质心索引列表,以及获取标准回波图的总体质心索引和标准回波图的N宫格质心索引列表;
根据预测回波图的总体质心索引和标准回波图的总体质心索引,确定预测回波图与标准回波图的总体分布相似度,以及根据预测回波图的N宫格质心索引列表和标准回波图的N宫格质心索引列表,确定预测回波图与标准回波图的局部分布相似度。
上述实施例提供的一种计算机设备,其实现原理和技术效果与上述方法实施例类似,在此不再赘述。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取预测回波图和标准回波图;
获取预测回波图的总体质心索引和预测回波图的N宫格质心索引列表,以及获取标准回波图的总体质心索引和标准回波图的N宫格质心索引列表;
根据预测回波图的总体质心索引和标准回波图的总体质心索引,确定预测回波图与标准回波图的总体分布相似度,以及根据预测回波图的N宫格质心索引列表和标准回波图的N宫格质心索引列表,确定预测回波图与标准回波图的局部分布相似度。
上述实施例提供的一种计算机可读存储介质,其实现原理和技术效果与上述方法实施例类似,在此不再赘述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种图片分布相似度计算方法,其特征在于,所述方法包括:
获取预测回波图和标准回波图;
获取所述预测回波图的总体质心索引和所述预测回波图的N宫格质心索引列表,以及获取所述标准回波图的总体质心索引和所述标准回波图的N宫格质心索引列表;
根据所述预测回波图的总体质心索引和所述标准回波图的总体质心索引,确定所述预测回波图与所述标准回波图的总体分布相似度,以及根据所述预测回波图的N宫格质心索引列表和所述标准回波图的N宫格质心索引列表,确定所述预测回波图与所述标准回波图的局部分布相似度。
2.根据权利要求1所述的方法,其特征在于,所述获取所述预测回波图的总体质心索引和获取所述标准回波图的总体质心索引,包括:
获取所述预测回波图的二维矩阵和所述标准回波图的二维矩阵;所述二维矩阵包括长和宽两个维度;
将以所述预测回波图的二维矩阵的每个点的索引值为权重,计算得出的二维矩阵所有点的亮度的加权平均值,确定为所述预测回波图的总体质心索引,将以所述标准回波图的二维矩阵的每个点的索引值为权重,计算得出的二维矩阵所有点的亮度的加权平均值,确定为所述标准回波图的总体质心索引。
3.根据权利要求2所述的方法,其特征在于,所述获取所述预测回波图的二维矩阵和所述标准回波图的二维矩阵,包括:
根据所述预测回波图中各点的像素值,确定所述预测回波图的三维矩阵,以及根据所述标准回波图中各点的像素值,确定所述标准回波图的三维矩阵;所述三维矩阵包括所述长、宽和通道三个维度;
将所述预测回波图的三维矩阵在通道维度上求平均,使其合成一层,得到所述预测回波图的二维矩阵,以及将所述标准回波图的三维矩阵在通道维度上求平均,使其合成一层,得到所述标准回波图的二维矩阵。
4.根据权利要求2或3所述的方法,其特征在于,所述获取所述预测回波图的N宫格质心索引列表和获取所述标准回波图的N宫格质心索引列表,包括:
根据所述预测回波图的二维矩阵确定所述预测回波图的N宫格矩阵,以及根据所述标准回波图的二维矩阵确定所述标准回波图的N宫格矩阵;
从所述预测回波图的N宫格矩阵中确定出N个相同的第一小矩阵,从所述标准回波图的N宫格矩阵中确定出N个相同的第二小矩阵;
将所述N个相同的第一小矩阵以自身矩阵索引为权重,计算出的每个第一小矩阵中所有点的加权平均值,对应确定为每个第一小矩阵的质心索引,形成所述预测回波图的N宫格质心索引列表,将所述N个相同的第二小矩阵以自身矩阵索引为权重,计算出的每个第二小矩阵中的所有点的加权平均值,对应确定为每个第一小矩阵的质心索引,形成所述标准回波图的N宫格质心索引列表。
6.根据权利要求1所述的方法,其特征在于,所述N宫格质心索引列表包含多个质心索引,每个所述质心索引包括行质心索引和列质心索引;
则所述根据所述预测回波图的总体质心索引和所述标准回波图的总体质心索引,确定所述预测回波图与所述标准回波图的总体分布相似度,包括:
平方根确定步骤:对行质心索引差的平方与列质心索引差的平方的和求平方根,得到所述预测回波图与所述标准回波图的总体分布相似度;所述行质心索引差的平方表示所述预测回波图的行质心索引与所述标准回波图的行质心索引之间差的平方,所述列质心索引差的平方表示所述预测回波图的列质心索引与所述标准回波图的列质心索引之间差的平方。
7.根据权利要求6所述的方法,其特征在于,所述根据所述预测回波图的N宫格质心索引列表和所述标准回波图的N宫格质心索引列表,确定所述预测回波图与所述标准回波图的局部分布相似度,包括:
根据所述平方根确定步骤,获取所述预测回波图的N宫格质心索引列表中各质心索引与所述标准回波图的N宫格质心索引列表中各质心索引之间的和的平方根;其中,所述预测回波图的N宫格质心索引列表中的各质心索引与所述标准回波图的N宫格质心索引列表中各质心索引一一对应;
将各所述质心索引的和的平方根的均值确定为所述预测回波图与所述标准回波图的局部分布相似度。
8.一种图片分布相似度计算装置,其特征在于,所述装置包括:
回波图模块,用于获取预测回波图和标准回波图;
质心索引模块,用于获取所述预测回波图的总体质心索引和所述预测回波图的N宫格质心索引列表,以及获取所述标准回波图的总体质心索引和所述标准回波图的N宫格质心索引列表;
相似度模块,用于根据所述预测回波图的总体质心索引和所述标准回波图的总体质心索引,确定所述预测回波图与所述标准回波图的总体分布相似度,以及根据所述预测回波图的N宫格质心索引列表和所述标准回波图的N宫格质心索引列表,确定所述预测回波图与所述标准回波图的局部分布相似度。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910979157.6A CN110717546A (zh) | 2019-10-15 | 2019-10-15 | 图片分布相似度计算方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910979157.6A CN110717546A (zh) | 2019-10-15 | 2019-10-15 | 图片分布相似度计算方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110717546A true CN110717546A (zh) | 2020-01-21 |
Family
ID=69212630
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910979157.6A Pending CN110717546A (zh) | 2019-10-15 | 2019-10-15 | 图片分布相似度计算方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110717546A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102654902A (zh) * | 2012-01-16 | 2012-09-05 | 江南大学 | 基于轮廓向量特征的嵌入式实时图像匹配方法 |
US20140354471A1 (en) * | 2011-12-09 | 2014-12-04 | Furuno Electric Co., Ltd. | Image processing device, radar apparatus, image processing method and image processing program |
CN107632295A (zh) * | 2017-09-15 | 2018-01-26 | 广东工业大学 | 一种基于时序卷积神经网络的雷达回波外推方法 |
US9922421B1 (en) * | 2016-11-06 | 2018-03-20 | Hadassa Degani | Diffusion ellipsoid mapping of tissue |
CN108734357A (zh) * | 2018-05-29 | 2018-11-02 | 北京佳格天地科技有限公司 | 气象预测系统及方法 |
CN109376895A (zh) * | 2018-08-28 | 2019-02-22 | 中国电子科技集团公司第二十八研究所 | 基于实时雷达回波图的民航流量管制策略制定方法与系统 |
CN109410175A (zh) * | 2018-09-26 | 2019-03-01 | 北京航天自动控制研究所 | 基于多子区图像匹配的sar雷达成像质量快速自动评价方法 |
-
2019
- 2019-10-15 CN CN201910979157.6A patent/CN110717546A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140354471A1 (en) * | 2011-12-09 | 2014-12-04 | Furuno Electric Co., Ltd. | Image processing device, radar apparatus, image processing method and image processing program |
CN102654902A (zh) * | 2012-01-16 | 2012-09-05 | 江南大学 | 基于轮廓向量特征的嵌入式实时图像匹配方法 |
US9922421B1 (en) * | 2016-11-06 | 2018-03-20 | Hadassa Degani | Diffusion ellipsoid mapping of tissue |
CN107632295A (zh) * | 2017-09-15 | 2018-01-26 | 广东工业大学 | 一种基于时序卷积神经网络的雷达回波外推方法 |
CN108734357A (zh) * | 2018-05-29 | 2018-11-02 | 北京佳格天地科技有限公司 | 气象预测系统及方法 |
CN109376895A (zh) * | 2018-08-28 | 2019-02-22 | 中国电子科技集团公司第二十八研究所 | 基于实时雷达回波图的民航流量管制策略制定方法与系统 |
CN109410175A (zh) * | 2018-09-26 | 2019-03-01 | 北京航天自动控制研究所 | 基于多子区图像匹配的sar雷达成像质量快速自动评价方法 |
Non-Patent Citations (2)
Title |
---|
施恩,李骞,顾大权,赵章明: "基于卷积神经网络的雷达回波外推方法", 《计算机应用》 * |
赵悦,陈家华,章建军: "基于中值滤波和小波变换的天气雷达回波图像处理", 《气象科学》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110163344B (zh) | 神经网络训练方法、装置、设备和存储介质 | |
CN113496104B (zh) | 基于深度学习的降水预报订正方法及系统 | |
CN109901123B (zh) | 传感器标定方法、装置、计算机设备和存储介质 | |
CN109115995A (zh) | 土壤水分信息获取方法、装置、计算机设备和存储介质 | |
CN105549009A (zh) | 一种基于超像素的sar图像cfar目标检测方法 | |
CN113470002B (zh) | 一种层析sar三维点云重建质量评价方法及装置 | |
CN111047088A (zh) | 预测图像获取方法、装置、计算机设备和存储介质 | |
JP2020134300A (ja) | 予測方法、予測プログラム及び情報処理装置 | |
CN111538013A (zh) | 雷达回波外推方法、装置、计算机设备和存储介质 | |
CN110673146A (zh) | 气象预测图检测方法、装置、计算机设备和可读存储介质 | |
CN110018529B (zh) | 降雨测量方法、装置、计算机设备和存储介质 | |
CN111178126A (zh) | 目标检测方法、装置、计算机设备和存储介质 | |
CN110717546A (zh) | 图片分布相似度计算方法、装置、计算机设备和存储介质 | |
CN116258005B (zh) | 一种基于InSAR数据的桥梁形变预测方法及相关装置 | |
CN111476722B (zh) | 基于点扩散函数的图像复原方法、装置及其相关设备 | |
CN110889432B (zh) | 特征点匹配方法、装置、计算机设备和存储介质 | |
CN110991702A (zh) | 山区降水量的计算方法、装置、计算机设备和存储介质 | |
CN111179337B (zh) | 空间直线朝向测量方法、装置、计算机设备和存储介质 | |
CN111721283B (zh) | 定位算法的精度检测方法、装置、计算机设备和存储介质 | |
CN111539964B (zh) | 基于深度图像的植株冠层表面积获取方法、装置、计算机设备和存储介质 | |
CN111445513A (zh) | 基于深度图像的植株冠层体积获取方法、装置、计算机设备和存储介质 | |
CN114359232B (zh) | 一种基于上下文协方差矩阵的图像变化检测方法及装置 | |
US20130268230A1 (en) | Processing distributions | |
CN108710713A (zh) | 一种求解含区间参数结构的静力学响应的贝叶斯配点方法 | |
CN109241853B (zh) | 行人特征采集方法、装置、计算机设备及存储介质 |
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 | ||
AD01 | Patent right deemed abandoned | ||
AD01 | Patent right deemed abandoned |
Effective date of abandoning: 20221223 |