CN110879828A - 雷达回波图的处理方法、装置、计算机设备及存储介质 - Google Patents
雷达回波图的处理方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN110879828A CN110879828A CN201911140439.3A CN201911140439A CN110879828A CN 110879828 A CN110879828 A CN 110879828A CN 201911140439 A CN201911140439 A CN 201911140439A CN 110879828 A CN110879828 A CN 110879828A
- Authority
- CN
- China
- Prior art keywords
- data
- matrix
- radar echo
- point set
- conversion
- 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
Links
- 238000003672 processing method Methods 0.000 title abstract description 7
- 239000011159 matrix material Substances 0.000 claims abstract description 163
- 238000006243 chemical reaction Methods 0.000 claims abstract description 130
- 239000000203 mixture Substances 0.000 claims abstract description 90
- 238000001556 precipitation Methods 0.000 claims abstract description 38
- 238000011156 evaluation Methods 0.000 claims description 111
- 238000000034 method Methods 0.000 claims description 31
- 238000004590 computer program Methods 0.000 claims description 26
- 238000012545 processing Methods 0.000 claims description 22
- 238000010586 diagram Methods 0.000 claims description 21
- 230000008859 change Effects 0.000 claims description 20
- 230000009466 transformation Effects 0.000 claims description 12
- 238000013178 mathematical model Methods 0.000 abstract description 5
- 230000000875 corresponding effect Effects 0.000 description 144
- 238000009826 distribution Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 7
- 238000011161 development Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000005315 distribution function Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 238000002310 reflectometry Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/285—Clustering or classification
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Radar, Positioning & Navigation (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本申请涉及一种雷达回波图的处理方法、装置、计算机设备及存储介质,通过获取雷达回波图的数据矩阵;并根据所述雷达回波图的数据矩阵中的像素值,通过预设大小的转换核将所述数据矩阵转换为点集矩阵;从而根据所述点集矩阵中各点的位置数据,利用高斯混合模型对所述点集矩阵进行拟合,得到对应的椭圆数据。通过这些椭圆数据可以直观地分离出每片降水云系的个体,且通过将每片降水云系数值化,则可以直接使用数学模型跟踪观察各降水云系个体。
Description
技术领域
本申请涉及数据处理技术领域,特别是涉及一种雷达回波图的处理方法、装置、计算机设备及存储介质。
背景技术
随着遥感科技的发展,雷达已经成为了地面探测天气情况的重要手段。雷达存储的基础数据是反射率因子的强度信息,通常将反射率因子的强度信息映射成以不同颜色代表不同强度的反射率因子图。
通常情况下,在分析产生降水的天气系统的发展和演变时,往往需要分析产生降水的云系,比如分析每片降水云系个体的位置、范围及其发展演变。但是,在传统技术中,并不能直观地分离出每片降水云系的个体,导致无法直接使用数学模型跟踪观察各降水云系个体。
发明内容
基于此,有必要针对传统技术中存在的不能直观地观察降水云系分布的技术问题,提供一种雷达回波图的处理方法、装置、计算机设备及存储介质。
一种雷达回波图的处理方法,所述方法包括:
获取雷达回波图的数据矩阵;
根据所述雷达回波图的数据矩阵中的像素值,通过预设大小的转换核将所述数据矩阵转换为点集矩阵;
根据所述点集矩阵中各点的位置数据,利用高斯混合模型对所述点集矩阵进行拟合,得到对应的椭圆数据。
在其中一个实施例中,所述根据所述雷达回波图的数据矩阵中的像素值,通过预设大小的转换核将所述数据矩阵转换为点集矩阵,包括:
通过所述转换核对所述雷达回波图的数据矩阵进行遍历,计算所述转换核所对应的覆盖范围内的像素值之和;
根据所述转换核所对应的像素值之和,在所述转换核所对应的覆盖范围内在生成相应数量的点;
根据所述转换核所对应的覆盖范围内的相应数量的点,生成所述点集矩阵。
在其中一个实施例中,所述通过所述转换核对所述雷达回波图的数据矩阵进行遍历,计算所述转换核所对应的覆盖范围内的像素值之和,包括:
通过所述转换核对所述雷达回波图的三维数据矩阵进行遍历,计算所述转换核内三个通道的像素值之和。
在其中一个实施例中,所述根据所述转换核所对应的像素值之和,在所述转换核所对应的覆盖范围内在生成相应数量的点,包括:
对所述转换核所对应的像素值之和与预设经验值的比值进行取整,获得所述转换核所对应的覆盖范围内的点数量;
根据所述转换核所对应的覆盖范围内的点数量,在所述转换核所对应的覆盖范围内在随机生成相应数量的点。
在其中一个实施例中,其特征在于,所述根据所述点集矩阵中各点的位置数据,利用高斯混合模型对所述点集矩阵进行拟合,得到对应的椭圆数据,包括:
根据所述点集矩阵中各点的位置数据,在预设的高斯核内,利用预设区间的聚类数对所述点集矩阵进行高斯拟合,获得对应数量的高斯混合模型;
在所述对应数量的高斯混合模型中,确定目标高斯混合模型;
通过所述目标高斯混合模型对所述点集矩阵进行拟合,得到对应的椭圆数据。
在其中一个实施例中,各所述高斯混合模型分别设有第一评价指标和第二评价指标,且各所述高斯混合模型的第一评价指标构成第一评价指标列表;各所述高斯混合模型的第二评价指标构成第二评价指标列表;所述在所述对应数量的高斯混合模型中,确定目标高斯混合模型,包括:
根据所述第一评价指标列表和所述第二评价指标列表,分别绘制第一评价曲线和第二评价曲线;
确定所述第一评价曲线的拐点以及第二评价曲线的拐点;
根据所述第一评价指标曲线的拐点以及第二评价指标曲线的拐点各自对应的聚类数,确定目标高斯混合模型。
在其中一个实施例中,所述方法还包括:根据拟合得到的椭圆数据,生成椭圆云图。
在其中一个实施例中,所述椭圆数据包括椭圆中心、椭圆长轴和椭圆短轴;所述方法还包括:
根据不同时刻的椭圆中心的位置数据,确定降水云系的位置变化;
根据不同时刻的椭圆长轴的数值和椭圆短轴的数值,确定所述降水云系的范围变化。
一种雷达回波图的处理装置,所述装置包括:
获取模块,用于获取雷达回波图的数据矩阵;
转换模块,用于根据所述雷达回波图的数据矩阵中的像素值,通过预设大小的转换核将所述数据矩阵转换为点集矩阵;
拟合模块,用于根据所述点集矩阵中各点的位置数据,利用高斯混合模型对所述点集矩阵进行拟合,得到对应的椭圆数据。
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计算机程序时实现上述任一实施例所述方法的步骤。
一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行上述任一实施例所述的方法的步骤。
上述雷达回波图的处理方法、装置、计算机设备及存储介质,通过获取雷达回波图的数据矩阵;并根据所述雷达回波图的数据矩阵中的像素值,通过预设大小的转换核将所述数据矩阵转换为点集矩阵;从而根据所述点集矩阵中各点的位置数据,利用高斯混合模型对所述点集矩阵进行拟合,得到对应的椭圆数据。通过这些椭圆数据可以直观地分离出每片降水云系的个体,且通过将每片降水云系数值化,则可以直接使用数学模型跟踪观察各降水云系个体。
附图说明
图1a为一个实施例中雷达回波图的处理方法的流程示意图;
图1b为一个实施例中雷达回波图的示意图;
图2a为一个实施例中雷达回波图的处理方法的流程示意图;
图2b为一个实施例中数据矩阵转换为点集矩阵的示意图;
图3a为一个实施例中雷达回波图的处理方法的流程示意图;
图3b为一个实施例中椭圆云图的示意图;
图4a为一个实施例中雷达回波图的处理方法的流程示意图;
图4b为一个实施例中AIC评价曲线和BIC评价曲线的示意图;
图5为一个实施例中雷达回波图的处理方法的流程示意图;
图6为一个实施例中雷达回波图的处理装置的结构框图;
图7为一个实施例中计算机设备的内部结构图。
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,此处所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。
在一个实施例中,如图1a所示,提供了一种雷达回波图的处理方法,该方法包括以下步骤:
S110、获取雷达回波图的数据矩阵。
其中,如图1b所示,雷达回波图又称雷达云图,是由气象雷达发射微波信号探测到的天气信息,再在雷达显示器上呈现的回波图像。雷达回波图可以是彩色图像,也可以是灰度图像。具体地,雷达回波图的存储是基于矩阵的,雷达回波图的数据矩阵,也可以称为像素点矩阵。若雷达回波图为彩色图像,则雷达回波图的数据矩阵为三维数据矩阵;若雷达回波图为灰度图像,则雷达回波图的数据矩阵为单通道矩阵。因此,对雷达回波图的原始彩色图片或者灰度图片进行读取,得到雷达回波图的数据矩阵。数据矩阵的形状可以是(h,w,c);其中h、w、c分别代表雷达回波图的高度、宽度、通道。示例性的,高度、宽度、通道的取值可以分别为720、720、3。
S120、根据雷达回波图的数据矩阵中的像素值,通过预设大小的转换核将数据矩阵转换为点集矩阵。
其中,转换核是指在对雷达回波图进行处理时,对雷达回波图的数据矩阵内一个小区域的各像素值进行计算的函数。转换核具有预设的尺寸大小,可以是4*4,也可以是5*5,还可以是6*6。转换核所对应的小区域的面积与转换核的尺寸有关。具体地,利用转换核对雷达回波图的数据矩阵进行遍历,对转换核所对应的小区域内的像素值进行计算,根据转换核对像素值的计算结果确定在转换核所对应的小区域内需要生成的点集。将各个小区域内的点集进行拼接,合成与雷达回波图相对应的点集矩阵。
S130、根据点集矩阵中各点的位置数据,利用高斯混合模型对点集矩阵进行拟合,得到对应的椭圆数据。
其中,高斯混合模型(Gaussian Mixed Model,GMM)指的是多个高斯分布函数的线性组合,理论上GMM可以拟合出任意类型的分布,通常用于解决同一集合下的数据包含多个不同的分布的情况。GMM的基本思想为:任意形状的概率分布都可以用多个高斯分布函数去近似,即GMM由多个单高斯密度分布(Gaussian)组成。进一步地,由于GMM拟合的思路是与密度相关,如果密度越大,点越密集,拟合的区域越核心,因此,在步骤S120中,将雷达回波图转换为一系列的点集,某区域内点集的密度与该区域内的像素值正相关。
具体地,通过转换核对雷达回波图的数据矩阵进行遍历,根据转换核的计算结果在转换核所对应的小区域内生成对应的点集。由于生成的点集与雷达回波图的数据矩阵相对应,则点集中各点的位置数据是可知的。可以根据点集矩阵中各点的位置数据,利用高斯混合模型对点集矩阵中的各点进行拟合,得到一系列的扁平椭圆,输出对应的椭圆数据。
本实施例中,通过获取雷达回波图的数据矩阵;并根据雷达回波图的数据矩阵中的像素值,通过预设大小的转换核将数据矩阵转换为点集矩阵,实现将雷达回波图转换为点集矩阵,为GMM拟合打下基础。接着,根据点集矩阵中各点的位置数据,利用高斯混合模型对点集矩阵进行拟合,得到对应的椭圆数据。实现将每片降水云系进行数值化,则可以直接使用数学模型跟踪观察各降水云系个体,并直观地分离出每片降水云系的个体。
在一个实施例中,如图2a所示,根据雷达回波图的数据矩阵中的像素值,通过预设大小的转换核将数据矩阵转换为点集矩阵,包括以下步骤:
S210、通过转换核对雷达回波图的数据矩阵进行遍历,计算转换核所对应的像素值之和。
具体地,如图2b所示,转换核220对数据矩阵210中的第一覆盖范围211内各个像素值进行求和计算,得到对应的像素值之和。转换核220对数据矩阵210中的第二覆盖范围212内各个像素值进行求和计算,得到对应的像素值之和。依次类推,利用转换核220对雷达回波图的数据矩阵210进行遍历。比如,转换核220的尺寸大小为3*3,则对第一覆盖范围211内9个格点对应的像素值进行求和。对第二覆盖范围212内9个格点对应的像素值进行求和。
S220、根据转换核所对应的像素值之和,在转换核所对应的覆盖范围内在生成相应数量的点。
具体地,由于转换核所对应的覆盖范围内点集的密度与该覆盖范围内的像素值正相关。如图2b所示,根据转换核220在第一覆盖范围211内的像素值之和,在第一覆盖范围211内生成相应数量的点230。根据转换核220在第二覆盖范围212内的像素值之和,在第二覆盖范围212内生成相应数量的点230。
S230、根据转换核所对应的覆盖范围内的相应数量的点,生成点集矩阵。
具体地,利用转换核220对雷达回波图的数据矩阵210进行遍历,根据转换核220所对应的像素值之和,在转换核所对应的覆盖范围内在生成相应数量的点230,实现将该覆盖范围内的像素值转换为该覆盖范围内的点集。如图2b所示,将第一覆盖范围211内的像素值转换为第一点集241,将第二覆盖范围212内的像素值转换为第二点集242,依次类推,通过转换核220将雷达回波图的数据矩阵转换为若干个点集,将这些点集按照其位置进行拼接,即可得到与雷达回波图对应的点集矩阵。
本实施例中,通过转换核对雷达回波图的数据矩阵进行遍历,计算转换核所对应的像素值之和。并根据转换核所对应的像素值之和,在转换核所对应的覆盖范围内在生成相应数量的点。从而根据转换核所对应的覆盖范围内的相应数量的点,生成点集矩阵。实现将雷达回波图转换为点集矩阵,为GMM拟合打下基础。
在一个实施例中,通过转换核对雷达回波图的数据矩阵进行遍历,计算转换核所对应的像素值之和,包括:通过转换核对雷达回波图的三维数据矩阵进行遍历,计算转换核内三个通道的像素值之和。
具体地,雷达回波图可以为彩色图片,彩色雷达回波图的数据矩阵为三维数据矩阵。通过转换核对雷达回波图的三维数据矩阵进行遍历,计算转换核内三个通道的像素值对应的像素值之和。示例性的,转换核的大小为5*5,通过如下的计算方法得到转换核对应的像素值之和:宽w[0:5]、高h[0:5]的5*5转换核内的RGB三个通道的所有像素值之和为:R1+G1+B1+R2+G2+B2+...+R24+G24+B24+R25+G25+B25;其中R、G、B分别代表三个通道的像素值,1、2、3...25分别为5*5转换核的每个格点的代号。
在一个实施例中,根据转换核所对应的像素值之和,在转换核所对应的覆盖范围内在生成相应数量的点,包括:对转换核所对应的像素值之和与预设经验值的比值进行取整,获得转换核所对应的覆盖范围内的点数量;根据转换核所对应的覆盖范围内的点数量,在转换核所对应的覆盖范围内在随机生成相应数量的点。
具体地,对转换核220在第一覆盖范围211内的像素值之和与预设经验值的比值进行取整,根据取整得到的结果,在第一覆盖范围211内生成相应数量的点230。利用转换核220在第二覆盖范围212内的像素值之和对预设经验值进行取整,根据取整得到的结果,在第二覆盖范围212内生成相应数量的点230。比如,如图2b所示,预设经验值可以是1500,若在第一覆盖范围211内的像素值之和为3010,对3010与1500的比值取整后得到2,则在第一覆盖范围211内生成两个点230;若在第二覆盖范围211内的像素值之和为5002,对5002与1500的比值取整后得到3,则在第二覆盖范围212内生成三个点230。
本实施例中,通过对转换核所对应的像素值之和与预设经验值的比值进行取整运算,确定转换核所对应的覆盖范围内的点数量,从而在各转换核所对应的覆盖范围内随机选取相应数量的位置,并在选取的位置处生成对应的点。
在一个实施例中,如图3a所示,根据点集矩阵中各点的位置数据,利用高斯混合模型对点集矩阵进行拟合,得到对应的椭圆数据,包括以下步骤:
S310、根据点集矩阵中各点的位置数据,在预设的高斯核内,利用预设区间的聚类数对点集矩阵进行高斯拟合,获得对应数量的高斯混合模型;
S320、在对应数量的高斯混合模型中,确定目标高斯混合模型;
S330、通过目标高斯混合模型对点集矩阵进行拟合,得到对应的椭圆数据。
进一步地,该雷达回波图的处理方还包括:
S340、根据拟合得到的椭圆数据,生成椭圆云图。
其中,任意形状的概率分布均可以采用多个高斯分布函数去近似,也就是说GMM由多个单高斯密度分布(Gaussian)组成的,每个Gaussian叫一个Component,这些Component线性加成在一起可以组成GMM的概率密度函数:
K为模型的个数,即Component的个数(聚类数);p(x|k)为第k个高斯概率密度,其均值为μk,方差为σk。上述参数,除了K是直接给定之外,其他参数都是通过最大期望算法(EM算法)估算出来的。其中,K可以根据经验进行取值,比如1至30。
具体地,在预设的高斯核内尝试GMM拟合,每个聚类数代表一种GMM拟合模型,利用预设区间的聚类数对点集矩阵进行高斯拟合,得到一系列的高斯混合模型。该系列高斯混合模型的数量与预设区间中最大值及最小值相对应,比如,预设区间为1至30,则可以得到30个高斯混合模型。对这一系列高斯混合模型进行评估,根据评估的结果从中选择目标高斯混合模型。通过目标高斯混合模型对点集矩阵中的各点进行拟合,得到一系列的扁平椭圆,输出对应的椭圆数据。从而利用输出的椭圆数据生成对应的椭圆云图,如图3b所示。可以理解的是,还可以利用opencv绘制散点图以使点集矩阵可视化,也可以利用matplotlib绘制heatmap色温图。
在一个实施例中,各高斯混合模型分别设有第一评价指标和第二评价指标,且各高斯混合模型的第一评价指标构成第一评价指标列表;各高斯混合模型的第二评价指标构成第二评价指标列表。其中,第一评价指标可以是AIC(赤池信息准则,Akaike InformationCriterion),则第一评价指标列表为该系列高斯混合模型的AIC列表;第二评价指标可以是BIC(贝叶斯信息准则,Bayesian Information Criterion),则第二评价指标列表为该系列高斯混合模型的BIC列表。
AIC是衡量统计模型拟合优良性的一种标准,由日本统计学家赤池弘次在1974年提出,它建立在熵的概念上,提供了权衡估计模型复杂度和拟合数据优良性的标准。通常情况下,AIC定义为:
AIC=2k-2ln(L)
其中,k是模型参数个数,L是似然函数。从一组可供选择的模型中选择最佳模型时,通常选择AIC最小的模型。当两个模型之间存在较大差异时,差异主要体现在似然函数项,当似然函数差异不显著时,上式第一项即模型复杂度则起作用,从而参数个数少的模型是较好的选择。一般而言,当模型复杂度提高(k增大)时,似然函数L也会增大,从而使AIC变小,但是k过大时,似然函数增速减缓,导致AIC增大,模型过于复杂容易造成过拟合现象。目标是选取AIC最小的模型,AIC不仅要提高模型拟合度(极大似然),而且引入了惩罚项,使模型参数尽可能少,有助于降低过拟合的可能性。
BIC与AIC相似,用于模型选择,在1978年由Schwarz提出。在训练模型时,增加参数数量,会增加模型复杂度,也会增大似然函数,但是也会导致过拟合现象。针对该问题,BIC与AIC均引入了与模型参数个数相关的惩罚项,BIC的惩罚项比AIC的大,考虑到样本数量,样本数量过多时,可有效防止模型精度过高造成的模型复杂度过高。BIC定义为:
BIC=kln(n)-2ln(L)
其中,k为模型参数个数,n为样本数量,L为似然函数。kln(n)惩罚项在维数过大且训练样本数据相对较少的情况下,可以有效避免出现维度灾难现象。
如图4a所示,在对应数量的高斯混合模型中,确定目标高斯混合模型,包括以下步骤:
S410、根据第一评价指标列表和第二评价指标列表,分别绘制第一评价曲线和第二评价曲线;
S420、确定第一评价曲线的拐点以及第二评价曲线的拐点;
S430、根据第一评价指标曲线的拐点以及第二评价指标曲线的拐点各自对应的聚类数,确定目标高斯混合模型。
具体地,如图4b所示,根据该系列高斯混合模型的AIC列表和BIC列表绘制AIC评价曲线和BIC评价曲线,AIC评价曲线反应AIC随聚类数的分布,BIC评价曲线反应BIC随聚类数的分布。由图4b可知,曲线基本呈下降趋势,并伴随波动情况。可见,指标AIC与BIC的最小值与最大的聚类数对应。但在拟合雷达云图的实际业务,如果聚类数过多,则聚类出雷达云图范围非常小,分布非常密集,与降水云系的实际发展状态不符合,因此需要根据实际雷达云图业务来考虑最佳AIC和BIC的选取。
考虑到波动情况,判定方式可以选用拐点,对获得的AIC评价曲线与BIC评价曲线的拐点各自所对应的聚类数求平均,确定最佳的高斯混合模型,即目标高斯混合模型。举例说明拐点的挑选方法:以AIC为例,在获得的AIC列表中依次对列表元素进行遍历,如果第i个元素的AIC列表大于等于第i-1个元素的AIC列表,则判断为第i个元素的聚类个数为最佳。
在一个实施例中,椭圆数据包括椭圆中心、椭圆长轴和椭圆短轴;该方法还包括:根据不同时刻的椭圆中心的位置数据,确定降水云系的位置变化;根据不同时刻的椭圆长轴的数值和椭圆短轴的数值,确定降水云系的范围变化。
具体地,利用高斯混合模型对点集矩阵进行拟合,得到对应的椭圆数据,且椭圆数据包括椭圆中心、椭圆长轴和椭圆短轴。为了进一步地分析降水云系的演变,可以将拟合得到的椭圆数据进行存储。实现将每片降水云系数值化,且可以利用椭圆数据生成椭圆云图,实现了利用数学模型跟踪观察各降水云系个体。
由于椭圆数据包括椭圆中心、椭圆长轴以及椭圆短轴,且椭圆中心可以表示降水云系的位置,椭圆长轴以及椭圆短轴可以表示降水云系的范围。获取不同时刻的椭圆数据,根据不同时刻的椭圆中心的位置数据,确定降水云系的位置变化,根据不同时刻的椭圆长轴的数值和椭圆短轴的数值,确定降水云系的范围变化。从而得到每片降水云系的演变。
在一个实施例中,如图5所示,本申请实施例提供一种雷达回波图的处理方法,该方法包括以下步骤:
S502、获取雷达回波图的数据矩阵。
S504、通过转换核对雷达回波图的数据矩阵进行遍历,计算转换核所对应的像素值之和。
S506、对转换核所对应的像素值之和与预设经验值的比值进行取整,获得转换核所对应的覆盖范围内的点数量。
S508、根据转换核所对应的覆盖范围内的点数量,在转换核所对应的覆盖范围内在随机生成相应数量的点。
S510、根据转换核所对应的覆盖范围内的相应数量的点,生成点集矩阵。
S512、根据点集矩阵中各点的位置数据,在预设的高斯核内,利用预设区间的聚类数对点集矩阵进行高斯拟合,获得对应数量的高斯混合模型。
其中,各高斯混合模型分别设有第一评价指标和第二评价指标,且各高斯混合模型的第一评价指标构成第一评价指标列表;各高斯混合模型的第二评价指标构成第二评价指标列表。
S514、根据第一评价指标列表和第二评价指标列表,分别绘制第一评价曲线和第二评价曲线。
S516、确定第一评价曲线的拐点以及第二评价曲线的拐点。
S518、根据第一评价指标曲线的拐点以及第二评价指标曲线的拐点各自对应的聚类数,确定最佳的高斯混合模型。
S520、通过最佳的高斯混合模型对点集矩阵进行拟合,得到对应的椭圆数据。
其中,椭圆数据包括椭圆中心、椭圆长轴和椭圆短轴。
S522、根据拟合得到的椭圆数据,生成椭圆云图。
S524、根据不同时刻的椭圆中心的位置数据,确定降水云系的位置变化。
S526、根据不同时刻的椭圆长轴的数值和椭圆短轴的数值,确定降水云系的范围变化。
应该理解的是,虽然上述各实施例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,上述各实施例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,本申请提供一种雷达回波图的处理装置600,如图6所示,该处理装置包括:
获取模块610,用于获取雷达回波图的数据矩阵;
转换模块620,用于根据雷达回波图的数据矩阵中的像素值,通过预设大小的转换核将数据矩阵转换为点集矩阵;
拟合模块630,用于根据点集矩阵中各点的位置数据,利用高斯混合模型对点集矩阵进行拟合,得到对应的椭圆数据。
在一个实施例中,转换模块620包括像素值计算模块、点转换模块和点集矩阵生成模块;其中:
像素值计算模块,用于通过转换核对雷达回波图的数据矩阵进行遍历,计算转换核所对应的覆盖范围内的像素值之和;
点转换模块,用于根据转换核所对应的像素值之和,在转换核所对应的覆盖范围内在生成相应数量的点;
点集矩阵生成模块,用于根据转换核所对应的覆盖范围内的相应数量的点,生成点集矩阵。
在一个实施例中,像素值计算模块,还用于通过转换核对雷达回波图的三维数据矩阵进行遍历,计算转换核内三个通道的像素值之和。
在一个实施例中,点转换模块,还用于对转换核所对应的像素值之和与预设经验值的比值进行取整,获得转换核所对应的覆盖范围内的点数量;根据转换核所对应的覆盖范围内的点数量,在转换核所对应的覆盖范围内在随机生成相应数量的点。
在一个实施例中,拟合模块630包括高斯混合模型获得模块、目标模型确定模块和椭圆数据拟合模块;其中:
高斯混合模型获得模块,用于根据点集矩阵中各点的位置数据,在预设的高斯核内,利用预设区间的聚类数对点集矩阵进行高斯拟合,获得对应数量的高斯混合模型;
目标模型确定模块,用于在对应数量的高斯混合模型中,确定目标高斯混合模型;
椭圆数据拟合模块,用于通过目标高斯混合模型对点集矩阵进行拟合,得到对应的椭圆数据。
在一个实施例中,各高斯混合模型分别设有第一评价指标和第二评价指标,且各高斯混合模型的第一评价指标构成第一评价指标列表;各高斯混合模型的第二评价指标构成第二评价指标列表。目标模型确定模块,还用于根据第一评价指标列表和第二评价指标列表,分别绘制第一评价曲线和第二评价曲线;确定第一评价曲线的拐点以及第二评价曲线的拐点;根据第一评价指标曲线的拐点以及第二评价指标曲线的拐点各自对应的聚类数,确定目标高斯混合模型。
在一个实施例中,该处理装置还包括椭圆云图生成模块,用于根据拟合得到的椭圆数据,生成椭圆云图。
在一个实施例中,椭圆数据包括椭圆中心、椭圆长轴和椭圆短轴。该处理装置还包括位置变化确定模块和范围变化确定模块;其中:
位置变化确定模块,用于根据不同时刻的椭圆中心的位置数据,确定降水云系的位置变化。
范围变化确定模块,用于根据不同时刻的椭圆长轴的数值和椭圆短轴的数值,确定降水云系的范围变化。
关于雷达回波图的处理装置的具体限定可以参见上文中对于雷达回波图的处理方法的限定,在此不再赘述。上述雷达回波图的处理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7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雷达回波图的处理方法。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7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、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,该处理器执行计算机程序时实现以下步骤:获取雷达回波图的数据矩阵;根据雷达回波图的数据矩阵中的像素值,通过预设大小的转换核将数据矩阵转换为点集矩阵;根据点集矩阵中各点的位置数据,利用高斯混合模型对点集矩阵进行拟合,得到对应的椭圆数据。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:通过转换核对雷达回波图的数据矩阵进行遍历,计算转换核所对应的覆盖范围内的像素值之和;根据转换核所对应的像素值之和,在转换核所对应的覆盖范围内在生成相应数量的点;根据转换核所对应的覆盖范围内的相应数量的点,生成点集矩阵。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:通过转换核对雷达回波图的三维数据矩阵进行遍历,计算转换核内三个通道的像素值之和。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:对转换核所对应的像素值之和与预设经验值的比值进行取整,获得转换核所对应的覆盖范围内的点数量;根据转换核所对应的覆盖范围内的点数量,在转换核所对应的覆盖范围内在随机生成相应数量的点。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:根据点集矩阵中各点的位置数据,在预设的高斯核内,利用预设区间的聚类数对点集矩阵进行高斯拟合,获得对应数量的高斯混合模型;在对应数量的高斯混合模型中,确定目标高斯混合模型;通过目标高斯混合模型对点集矩阵进行拟合,得到对应的椭圆数据。
在一个实施例中,各高斯混合模型分别设有第一评价指标和第二评价指标,且各高斯混合模型的第一评价指标构成第一评价指标列表;各高斯混合模型的第二评价指标构成第二评价指标列表;处理器执行计算机程序时还实现以下步骤:根据第一评价指标列表和第二评价指标列表,分别绘制第一评价曲线和第二评价曲线;确定第一评价曲线的拐点以及第二评价曲线的拐点;根据第一评价指标曲线的拐点以及第二评价指标曲线的拐点各自对应的聚类数,确定目标高斯混合模型。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:根据拟合得到的椭圆数据,生成椭圆云图。
在一个实施例中,椭圆数据包括椭圆中心、椭圆长轴和椭圆短轴;处理器执行计算机程序时还实现以下步骤:根据不同时刻的椭圆中心的位置数据,确定降水云系的位置变化;根据不同时刻的椭圆长轴的数值和椭圆短轴的数值,确定降水云系的范围变化。
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:获取雷达回波图的数据矩阵;根据雷达回波图的数据矩阵中的像素值,通过预设大小的转换核将数据矩阵转换为点集矩阵;根据点集矩阵中各点的位置数据,利用高斯混合模型对点集矩阵进行拟合,得到对应的椭圆数据。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:通过转换核对雷达回波图的数据矩阵进行遍历,计算转换核所对应的覆盖范围内的像素值之和;根据转换核所对应的像素值之和,在转换核所对应的覆盖范围内在生成相应数量的点;根据转换核所对应的覆盖范围内的相应数量的点,生成点集矩阵。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:通过转换核对雷达回波图的三维数据矩阵进行遍历,计算转换核内三个通道的像素值之和。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:对转换核所对应的像素值之和与预设经验值的比值进行取整,获得转换核所对应的覆盖范围内的点数量;根据转换核所对应的覆盖范围内的点数量,在转换核所对应的覆盖范围内在随机生成相应数量的点。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:根据点集矩阵中各点的位置数据,在预设的高斯核内,利用预设区间的聚类数对点集矩阵进行高斯拟合,获得对应数量的高斯混合模型;在对应数量的高斯混合模型中,确定目标高斯混合模型;通过目标高斯混合模型对点集矩阵进行拟合,得到对应的椭圆数据。
在一个实施例中,各高斯混合模型分别设有第一评价指标和第二评价指标,且各高斯混合模型的第一评价指标构成第一评价指标列表;各高斯混合模型的第二评价指标构成第二评价指标列表;计算机程序被处理器执行时还实现以下步骤:根据第一评价指标列表和第二评价指标列表,分别绘制第一评价曲线和第二评价曲线;确定第一评价曲线的拐点以及第二评价曲线的拐点;根据第一评价指标曲线的拐点以及第二评价指标曲线的拐点各自对应的聚类数,确定目标高斯混合模型。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:根据拟合得到的椭圆数据,生成椭圆云图。
在一个实施例中,椭圆数据包括椭圆中心、椭圆长轴和椭圆短轴;计算机程序被处理器执行时还实现以下步骤:根据不同时刻的椭圆中心的位置数据,确定降水云系的位置变化;根据不同时刻的椭圆长轴的数值和椭圆短轴的数值,确定降水云系的范围变化。
以上所述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 (11)
1.一种雷达回波图的处理方法,其特征在于,所述方法包括:
获取雷达回波图的数据矩阵;
根据所述雷达回波图的数据矩阵中的像素值,通过预设大小的转换核将所述数据矩阵转换为点集矩阵;
根据所述点集矩阵中各点的位置数据,利用高斯混合模型对所述点集矩阵进行拟合,得到对应的椭圆数据。
2.根据权利要求1所述的方法,其特征在于,所述根据所述雷达回波图的数据矩阵中的像素值,通过预设大小的转换核将所述数据矩阵转换为点集矩阵,包括:
通过所述转换核对所述雷达回波图的数据矩阵进行遍历,计算所述转换核所对应的覆盖范围内的像素值之和;
根据所述转换核所对应的像素值之和,在所述转换核所对应的覆盖范围内在生成相应数量的点;
根据所述转换核所对应的覆盖范围内的相应数量的点,生成所述点集矩阵。
3.根据权利要求2所述的方法,其特征在于,所述通过所述转换核对所述雷达回波图的数据矩阵进行遍历,计算所述转换核所对应的覆盖范围内的像素值之和,包括:
通过所述转换核对所述雷达回波图的三维数据矩阵进行遍历,计算所述转换核内三个通道的像素值之和。
4.根据权利要求2所述的方法,其特征在于,所述根据所述转换核所对应的像素值之和,在所述转换核所对应的覆盖范围内在生成相应数量的点,包括:
对所述转换核所对应的像素值之和与预设经验值的比值进行取整,获得所述转换核所对应的覆盖范围内的点数量;
根据所述转换核所对应的覆盖范围内的点数量,在所述转换核所对应的覆盖范围内在随机生成相应数量的点。
5.根据权利要求1至4任一项所述的方法,其特征在于,所述根据所述点集矩阵中各点的位置数据,利用高斯混合模型对所述点集矩阵进行拟合,得到对应的椭圆数据,包括:
根据所述点集矩阵中各点的位置数据,在预设的高斯核内,利用预设区间的聚类数对所述点集矩阵进行高斯拟合,获得对应数量的高斯混合模型;
在所述对应数量的高斯混合模型中,确定目标高斯混合模型;
通过所述目标高斯混合模型对所述点集矩阵进行拟合,得到对应的椭圆数据。
6.根据权利要求5所述的方法,其特征在于,各所述高斯混合模型分别设有第一评价指标和第二评价指标,且各所述高斯混合模型的第一评价指标构成第一评价指标列表;各所述高斯混合模型的第二评价指标构成第二评价指标列表;所述在所述对应数量的高斯混合模型中,确定目标高斯混合模型,包括:
根据所述第一评价指标列表和所述第二评价指标列表,分别绘制第一评价曲线和第二评价曲线;
确定所述第一评价曲线的拐点以及第二评价曲线的拐点;
根据所述第一评价指标曲线的拐点以及第二评价指标曲线的拐点各自对应的聚类数,确定目标高斯混合模型。
7.根据权利要求5所述的方法,其特征在于,所述方法还包括:
根据拟合得到的椭圆数据,生成椭圆云图。
8.根据权利要求1所述的方法,其特征在于,所述椭圆数据包括椭圆中心、椭圆长轴和椭圆短轴;所述方法还包括:
根据不同时刻的椭圆中心的位置数据,确定降水云系的位置变化;
根据不同时刻的椭圆长轴的数值和椭圆短轴的数值,确定所述降水云系的范围变化。
9.一种雷达回波图的处理装置,其特征在于,所述装置包括:
获取模块,用于获取雷达回波图的数据矩阵;
转换模块,用于根据所述雷达回波图的数据矩阵中的像素值,通过预设大小的转换核将所述数据矩阵转换为点集矩阵;
拟合模块,用于根据所述点集矩阵中各点的位置数据,利用高斯混合模型对所述点集矩阵进行拟合,得到对应的椭圆数据。
10.一种计算机设备,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,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8中任一项所述方法的步骤。
11.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行如权利要求1至8中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911140439.3A CN110879828B (zh) | 2019-11-20 | 2019-11-20 | 雷达回波图的处理方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911140439.3A CN110879828B (zh) | 2019-11-20 | 2019-11-20 | 雷达回波图的处理方法、装置、计算机设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110879828A true CN110879828A (zh) | 2020-03-13 |
CN110879828B CN110879828B (zh) | 2020-11-24 |
Family
ID=69729864
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911140439.3A Expired - Fee Related CN110879828B (zh) | 2019-11-20 | 2019-11-20 | 雷达回波图的处理方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110879828B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111445460A (zh) * | 2020-03-30 | 2020-07-24 | 上海眼控科技股份有限公司 | 雷达云图的预测方法、装置、计算机设备和存储介质 |
CN111445461A (zh) * | 2020-03-30 | 2020-07-24 | 上海眼控科技股份有限公司 | 雷达云图的预测方法、装置、计算机设备和存储介质 |
CN117313426A (zh) * | 2023-11-27 | 2023-12-29 | 中汽智联技术有限公司 | 一种车辆数据的生成方法、装置、设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080001808A1 (en) * | 2004-12-30 | 2008-01-03 | Passarelli Richard E Jr | System and method for processing data in weather radar |
CN108761461A (zh) * | 2018-05-29 | 2018-11-06 | 南京信息工程大学 | 基于天气雷达回波时序图像的降水预报方法 |
CN109738970A (zh) * | 2018-12-07 | 2019-05-10 | 国网江苏省电力有限公司电力科学研究院 | 基于雷电数据挖掘实现雷电预警的方法、装置和存储介质 |
KR102006847B1 (ko) * | 2018-08-21 | 2019-08-02 | 부경대학교 산학협력단 | 다중규모 광학 흐름을 이용한 레이더 초단기 강수 예측을 위한 장치 및 방법 |
CN110222783A (zh) * | 2019-06-13 | 2019-09-10 | 南京信息工程大学 | 基于小波域正则化的地基和星载雷达降水数据融合方法 |
CN110346808A (zh) * | 2019-07-15 | 2019-10-18 | 上海点积实业有限公司 | 一种激光雷达的点云数据处理方法和系统 |
-
2019
- 2019-11-20 CN CN201911140439.3A patent/CN110879828B/zh not_active Expired - Fee Related
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080001808A1 (en) * | 2004-12-30 | 2008-01-03 | Passarelli Richard E Jr | System and method for processing data in weather radar |
CN108761461A (zh) * | 2018-05-29 | 2018-11-06 | 南京信息工程大学 | 基于天气雷达回波时序图像的降水预报方法 |
KR102006847B1 (ko) * | 2018-08-21 | 2019-08-02 | 부경대학교 산학협력단 | 다중규모 광학 흐름을 이용한 레이더 초단기 강수 예측을 위한 장치 및 방법 |
CN109738970A (zh) * | 2018-12-07 | 2019-05-10 | 国网江苏省电力有限公司电力科学研究院 | 基于雷电数据挖掘实现雷电预警的方法、装置和存储介质 |
CN110222783A (zh) * | 2019-06-13 | 2019-09-10 | 南京信息工程大学 | 基于小波域正则化的地基和星载雷达降水数据融合方法 |
CN110346808A (zh) * | 2019-07-15 | 2019-10-18 | 上海点积实业有限公司 | 一种激光雷达的点云数据处理方法和系统 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111445460A (zh) * | 2020-03-30 | 2020-07-24 | 上海眼控科技股份有限公司 | 雷达云图的预测方法、装置、计算机设备和存储介质 |
CN111445461A (zh) * | 2020-03-30 | 2020-07-24 | 上海眼控科技股份有限公司 | 雷达云图的预测方法、装置、计算机设备和存储介质 |
CN117313426A (zh) * | 2023-11-27 | 2023-12-29 | 中汽智联技术有限公司 | 一种车辆数据的生成方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110879828B (zh) | 2020-11-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110879828B (zh) | 雷达回波图的处理方法、装置、计算机设备及存储介质 | |
CN108229526B (zh) | 网络训练、图像处理方法、装置、存储介质和电子设备 | |
US9344690B2 (en) | Image demosaicing | |
CN111028327B (zh) | 一种三维点云的处理方法、装置及设备 | |
CN110544258A (zh) | 图像分割的方法、装置、电子设备和存储介质 | |
Song et al. | EM simulation-aided zero-shot learning for SAR automatic target recognition | |
US11334986B2 (en) | System and method for processing images of agricultural fields for remote phenotype measurement | |
CN110728333B (zh) | 日照时长分析方法、装置、电子设备以及存储介质 | |
US9870618B2 (en) | Image processing apparatus and image processing method | |
CN111047088A (zh) | 预测图像获取方法、装置、计算机设备和存储介质 | |
Yang et al. | No‐reference image quality assessment via structural information fluctuation | |
CN110824451A (zh) | 雷达回波图的处理方法、装置、计算机设备及存储介质 | |
CN112330671A (zh) | 细胞分布状态的分析方法、装置、计算机设备和存储介质 | |
CN117292750A (zh) | 细胞类型占比的预测方法、装置、设备及存储介质 | |
CN111652152A (zh) | 人群密度检测方法、装置、计算机设备和存储介质 | |
CN115439449B (zh) | 全视野组织学图像的处理方法、装置、介质和电子设备 | |
CN111222558A (zh) | 图像处理方法及存储介质 | |
US20150058359A1 (en) | Visualization credibility score | |
CN115438249A (zh) | QoS预测模型构建方法、装置、设备及可读存储介质 | |
CN113920528A (zh) | 主体对象检测方法、装置、计算机设备和存储介质 | |
Yuan et al. | Image segmentation based on modified superpixel segmentation and spectral clustering | |
CN112184753A (zh) | 目标光流法确定方法、装置、计算机设备和存储介质 | |
CN111445460A (zh) | 雷达云图的预测方法、装置、计算机设备和存储介质 | |
CN115527161B (zh) | 异常放电监测方法、装置、计算机设备和存储介质 | |
CN112329606B (zh) | 一种活体检测方法、装置、电子设备及可读存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
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 | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: Processing method, device, computer equipment and storage medium of radar echo map Effective date of registration: 20220211 Granted publication date: 20201124 Pledgee: Shanghai Bianwei Network Technology Co.,Ltd. Pledgor: SHANGHAI EYE CONTROL TECHNOLOGY Co.,Ltd. Registration number: Y2022310000023 |
|
PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20201124 |
|
CF01 | Termination of patent right due to non-payment of annual fee |