CN110930449A - 预测结果的评估方法、装置、计算机设备和存储介质 - Google Patents
预测结果的评估方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN110930449A CN110930449A CN201911181425.6A CN201911181425A CN110930449A CN 110930449 A CN110930449 A CN 110930449A CN 201911181425 A CN201911181425 A CN 201911181425A CN 110930449 A CN110930449 A CN 110930449A
- Authority
- CN
- China
- Prior art keywords
- weather radar
- effective area
- image
- predicted
- radar 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
- 238000011156 evaluation Methods 0.000 title abstract description 15
- 238000012545 processing Methods 0.000 claims abstract description 45
- 238000000034 method Methods 0.000 claims abstract description 43
- 239000006185 dispersion Substances 0.000 claims abstract description 10
- 238000004590 computer program Methods 0.000 claims description 26
- 238000001914 filtration Methods 0.000 claims description 9
- 238000004891 communication Methods 0.000 claims description 2
- 238000013213 extrapolation Methods 0.000 description 20
- 230000008859 change Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 4
- 235000002566 Capsicum Nutrition 0.000 description 2
- 239000006002 Pepper Substances 0.000 description 2
- 241000722363 Piper Species 0.000 description 2
- 235000016761 Piper aduncum Nutrition 0.000 description 2
- 235000017804 Piper guineense Nutrition 0.000 description 2
- 235000008184 Piper nigrum Nutrition 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000001556 precipitation Methods 0.000 description 2
- 150000003839 salts Chemical class 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
- G06T2207/10044—Radar image
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Environmental & Geological Engineering (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Environmental Sciences (AREA)
- Ecology (AREA)
- Biodiversity & Conservation Biology (AREA)
- Geometry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Atmospheric Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本申请涉及一种预测结果的评估方法、装置、计算机设备和存储介质。所述方法包括：获取历史气象雷达图和预测气象雷达图；所述预测气象雷达图为根据所述历史气象雷达图预测得到的；根据有效面积算法对所述历史气象雷达图和所述预测气象雷达图中的每一个气象雷达图进行处理，得到所述历史气象雷达图的有效面积和所述预测气象雷达图的有效面积；根据所述历史气象雷达图的有效面积和所述预测气象雷达图的有效面积，确定所述预测气象雷达图的消散度；所述消散度用于指示所述预测气象雷达图的预测准确度。通过本发明实施例，为预测结果的预测准确度提供了评估依据。
Description
技术领域
本申请涉及图像处理技术领域，特别是涉及一种预测结果的评估方法、装置、计算机设备和存储介质。
背景技术
气象雷达图,是指气象雷达发射微波信号探测到的天气信息在雷达显示器上呈现的回波图像。气象雷达图反映了气象目标内部降水粒子的尺度和密度分布。
相关技术中，根据气象雷达图进行外推预测，从而可以预报临近降水。常用的外推预测算法包括简单线性外推法、光流法、交叉质心法等等。
由于每种外推预测算法有其自身的特点，因此对于同样的气象雷达图，多种外推预测算法得到的预测结果也可能不同。因此，如何对外推预测算法的预测结果进行评价，进而采用相应的外推预测算法成为了亟待解决的技术问题。
发明内容
基于此，有必要针对上述技术问题，提供一种能够根据消散度对预测结果进行评价的预测结果的评估方法、装置、计算机设备和存储介质。
第一方面，本发明实施例提供了一种预测结果的评估方法，该方法包括：
获取历史气象雷达图和预测气象雷达图；预测气象雷达图为根据历史气象雷达图预测得到的；
根据有效面积算法对历史气象雷达图和预测气象雷达图中的每一个气象雷达图进行处理，得到历史气象雷达图的有效面积和预测气象雷达图的有效面积；
根据历史气象雷达图的有效面积和预测气象雷达图的有效面积，确定预测气象雷达图的消散度；消散度用于指示预测气象雷达图的预测准确度。
在其中一个实施例中，上述根据有效面积算法对历史气象雷达图和预测气象雷达图中的每一个气象雷达图进行处理，包括：
对于历史气象雷达图和预测气象雷达图中的每一个气象雷达图，将气象雷达图进行二值化处理，得到二值化图像；
在二值化图像中查找出多个连通区域，连通区域为多个具有相同前景标签的像素的集合；
根据多个连通区域的面积确定气象雷达图的有效面积。
在其中一个实施例中，上述将气象雷达图进行二值化处理，得到二值化图像，包括：
获取气象雷达图中各像素的像素值；
将大于预设阈值的像素值修改为第一值，将小于或等于预设阈值的像素值修改为第二值，得到二值化图像。
在其中一个实施例中，上述在二值化图像中查找出多个第一连通区域，包括：
根据像素值为二值化图像中的各像素设置对应的标签；标签包括背景标签和多个前景标签，像素值为第一值对应前景标签，像素值为第二值对应背景标签；
对具有相同前景标签的像素进行合并，得到连通区域。
在其中一个实施例中，上述根据多个连通区域的面积确定气象雷达图的有效面积，包括：
确定各前景标签对应的像素的数量；
若前景标签对应的像素的数量小于预设数量，则将前景标签修改为背景标签；
根据未修改的前景标签对应的像素确定气象雷达图的有效面积。
在其中一个实施例中，上述根据历史气象雷达图的有效面积和预测气象雷达图的有效面积，确定预测气象雷达图的消散度，包括：
计算历史气象雷达图的有效面积与预测气象雷达图的有效面积的比值，将比值确定为消散度。
在其中一个实施例中，在上述根据有效面积算法对历史气象雷达图和预测气象雷达图中的每一个气象雷达图进行处理之前，该方法还包括：
分别对历史气象雷达图和预测气象雷达图进行中值滤波处理，以去除历史气象雷达图和预测气象雷达图中的噪声。
第二方面，本发明实施例提供了一种预测结果的评估装置，该装置包括：
气象雷达图获取模块，用于获取历史气象雷达图和预测气象雷达图；预测气象雷达图为根据历史气象雷达图预测得到的；
有效面积获得模块，用于根据有效面积算法对历史气象雷达图和预测气象雷达图中的每一个气象雷达图进行处理，得到历史气象雷达图的有效面积和预测气象雷达图的有效面积；
消散度确定模块，用于根据历史气象雷达图的有效面积和预测气象雷达图的有效面积，确定预测气象雷达图的消散度；消散度用于指示预测气象雷达图的预测准确度。
在其中一个实施例中，上述有效面积获得模块，包括：
二值化子模块，用于对于历史气象雷达图和预测气象雷达图中的每一个气象雷达图，将气象雷达图进行二值化处理，得到二值化图像；
连通区域查找子模块，用于在二值化图像中查找出多个连通区域，连通区域为多个具有相同前景标签的像素的集合；
有效面积获得子模块，用于根据多个连通区域的面积确定气象雷达图的有效面积。
在其中一个实施例中，上述二值化子模块，具体用于获取气象雷达图中各像素的像素值；将大于预设阈值的像素值修改为第一值，将小于或等于预设阈值的像素值修改为第二值，得到二值化图像。
在其中一个实施例中，上述连通区域查找子模块，具体用于根据像素值为二值化图像中的各像素设置对应的标签；标签包括背景标签和多个前景标签，像素值为第一值对应前景标签，像素值为第二值对应背景标签；对具有相同前景标签的像素进行合并，得到连通区域。
在其中一个实施例中，上述有效面积获得子模块，用于确定各前景标签对应的像素的数量；若前景标签对应的像素的数量小于预设数量，则将前景标签修改为背景标签；根据未修改的前景标签对应的像素确定气象雷达图的有效面积。
在其中一个实施例中，上述消散度确定模块，用于计算历史气象雷达图的有效面积与预测气象雷达图的有效面积的比值，将比值确定为消散度。
在其中一个实施例中，该装置还包括：
噪声去除模块，用于分别对历史气象雷达图和预测气象雷达图进行中值滤波处理，以去除历史气象雷达图和预测气象雷达图中的噪声。
第三方面，本发明实施例提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现如上述方法中的步骤。
第四方面，本发明实施例提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上述方法中的步骤。
上述预测结果的评估方法、装置、计算机设备和存储介质，获取历史气象雷达图和预测气象雷达图；预测气象雷达图为根据历史气象雷达图预测得到的；根据有效面积算法对历史气象雷达图和预测气象雷达图中的每一个气象雷达图进行处理，得到历史气象雷达图的有效面积和预测气象雷达图的有效面积；根据历史气象雷达图的有效面积和预测气象雷达图的有效面积，确定预测气象雷达图的消散度。通过本发明实施例，对历史气象雷达图和预测气象雷达图进行处理得到历史气象雷达图的有效面积和预测气象雷达图的有效面积，再根据有效面积的变化确定消散度，即为预测结果的预测准确度提供了评估依据。
附图说明
图1为一个实施例中预测结果的评估方法的应用环境图；
图2为一个实施例中预测结果的评估方法的流程示意图；
图3为一个实施例中根据有效面积算法对历史气象雷达图和预测气象雷达图中的每一个气象雷达图进行处理步骤的流程示意图；
图4为另一个实施例中预测结果的评估方法的流程示意图；
图5为一个实施例中预测结果的评估装置的结构框图；
图6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。
本申请提供的预测结果的评估方法，可以应用于如图1所示的应用环境中。该应用环境中包括气象雷达101和服务器102，气象雷达101与服务器102之间通过网络进行通信。其中，气象雷达101获取天气信息，并将获取到的天气信息发送到服务器102，服务器102接收并存储气象雷达发送的天气信息。气象雷达101可以是测云雷达、气象多普勒雷达等。服务器102可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中，如图2所示，提供了一种预测结果的评估方法，以该方法应用于图1中的服务器为例进行说明，包括以下步骤：
步骤201，获取历史气象雷达图和预测气象雷达图；预测气象雷达图为根据历史气象雷达图预测得到的。
本实施例中，服务器从数据库中获取历史气象雷达图，在获取到历史气象雷达图之后，根据历史气象雷达图进行外推预测，得到预测气象雷达图。
其中，历史气象雷达图和预测气象雷达图均可以是图像序列。例如，根据10帧历史气象雷达图进行外推预测，得到20帧预测气象雷达图。外推预测算法可以采用简单线性外推法、光流法、交叉质心法中的一种或者多种，本发明实施例对此不作详细限定，可以根据实际情况进行设置。
步骤202，根据有效面积算法对历史气象雷达图和预测气象雷达图中的每一个气象雷达图进行处理，得到历史气象雷达图的有效面积和预测气象雷达图的有效面积。
本实施例中，在获取到历史气象雷达图和预测气象雷达图之后，可以采用有效面积算法对历史气象雷达图进行处理得到历史气象雷达图中的有效面积，对预测气象雷达图进行处理得到预测雷达图中的有效面积。其中，有效面积可以是气象雷达图中的云块面积。
在历史气象雷达图和预测气象雷达图都是图像序列时，可以从历史气象雷达图的图像序列中选取一帧图像进行处理，得到历史气象雷达图的有效面积；从预测气象雷达图中的图像序列中选取一帧图像进行处理，得到预测气象雷达图的有效面积。
例如，使用OpenCV的Imread函数读取10帧历史气象雷达图和20帧预测气象雷达图，各气象雷达图的尺寸是512*512。选取第10帧历史气象雷达图进行处理，得到历史气象雷达图的有效面积；选取第20帧预测气象雷达图进行处理，得到预测气象雷达图的有效面积。其中，OpenCV是一个基于BSD许可发行的跨平台计算机视觉库，可以运行在Linux、Windows、Android和Mac OS操作系统上。Imread函数是计算机语言中的一个函数，用于读取图片文件中的数据。本发明实施例对选取的图像不作详细限定，可以根据实际情况进行设置。
步骤203，根据历史气象雷达图的有效面积和预测气象雷达图的有效面积，确定预测气象雷达图的消散度；消散度用于指示预测气象雷达图的预测准确度。
本实施例中，在得到历史气象雷达图的有效面积和预测气象雷达图的有效面积之后，比较预测气象雷达图的有效面积与历史气象雷达图的有效面积的变化。可以理解地，有效面积变化小，消散度接近1，表明预测准确度高；有效面积变化大，消散度远离1，表明预测准确度低。
例如，外推预测算法A、B和C根据历史气象雷达图进行预测，得到预测气象雷达图a、b和c，其中，预测气象雷达图a的消散度最接近1，则表明外推预测算法A的预测准确度最高，可以采用外推预测算法A进行预测。
又例如，消散度阈值为x，外推预测算法A根据历史气象雷达图进行预测，得到预测气象雷达图a，如果预测气象雷达图a的消散度为y，且y与1的差值大于x，则需要对外推预测算法A进行优化；如果预测气象雷达图a的消散度为z，且z与1的差值小于x，则无需在对外推预测算法A进行优化。
本发明实施例对消散度的应用场景不作详细限定，可以根据实际情况进行设置。
上述预测结果的评估方法中，获取历史气象雷达图和预测气象雷达图；预测气象雷达图为根据历史气象雷达图预测得到的；根据有效面积算法对历史气象雷达图和预测气象雷达图中的每一个气象雷达图进行处理，得到历史气象雷达图的有效面积和预测气象雷达图的有效面积；根据历史气象雷达图的有效面积和预测气象雷达图的有效面积，确定预测气象雷达图的消散度。通过本发明实施例，对历史气象雷达图和预测气象雷达图进行处理得到历史气象雷达图的有效面积和预测气象雷达图的有效面积，再根据有效面积的变化确定消散度，即为预测结果的预测准确度提供了评估依据，因此可以根据消散度选取合适的外推预测算法，也可以根据消散度对外推预测算法进行优化，从而提高天气预报的准确性。
在另一个实施例中，如图3所示，本实施例涉及的是根据有效面积算法对历史气象雷达图和预测气象雷达图中的每一个气象雷达图进行处理的一种可选的过程。在上述图2所示实施例的基础上，上述步骤202具体可以包括以下步骤：
步骤301，对于历史气象雷达图和预测气象雷达图中的每一个气象雷达图，将气象雷达图进行二值化处理，得到二值化图像。
本实施例中，对历史气象雷达图和预测气象雷达图采用相同的处理方式，对每个气象雷达图均进行二值化处理，得到二值化图像。进行二值化处理的步骤具体可以包括：获取气象雷达图中各像素的像素值；将大于预设阈值的像素值修改为第一值，将小于或等于预设阈值的像素值修改为第二值，得到二值化图像。
例如，预设阈值为15，第一值为1，第二值为0；气象雷达图中第1像素的像素值为14，则将第1像素的像素值设置为0；气象雷达图中的第2像素的像素值为16，则将第2像素的像素值设置为1。以此类推，根据预设阈值将气象雷达图中的每个像素均设置新的像素值，得到二值化图像。本发明实施例对预设阈值、第一值和第二值不作详细限定，可以根据实际情况进行设置。
步骤302，在二值化图像中查找出多个连通区域，连通区域为多个具有相同前景标签的像素的集合。
本实施例中，可以采用两遍扫描(Two-Pass)法或者种子填充法(Seed-Filling)在二值化图像中查找出多个连通区域。具体可以包括如下步骤：根据像素值为二值化图像中的各像素设置对应的标签；标签包括背景标签和多个前景标签，像素值为第一值对应前景标签，像素值为第二值对应背景标签；对具有相同前景标签的像素进行合并，得到连通区域。
例如，第1像素的像素值为0，则为第1像素设置背景标签；第2像素的像素值为1，则为第2像素设置前景标签1；第3像素的像素值为1，由于第3像素与第2像素相邻，因此为第3像素设置前景标签1。之后，在确定第N像素的像素值为1，且第N像素的上邻像素和左邻像素的像素值均为0时，为第N像素设置前景标签2。即根据实际情况为像素值为第一值的像素设置不同的前景标签。最后，再将具有相同前景标签的像素进行合并，得到像素集合即连通区域。本发明实施例对查找连通区域的方式不作详细限定，可以根据实际情况进行设置。
步骤303，根据多个连通区域的面积确定气象雷达图的有效面积。
本实施例中，可以将多个连通区域的总面积作为气象雷达图的有效面积。也可以采用如下方式确定气象雷达图的有效面积。具体地，确定各前景标签对应的像素的数量；若前景标签对应的像素的数量小于预设数量，则将前景标签修改为背景标签；根据未修改的前景标签对应的像素确定气象雷达图的有效面积。
例如，预设数量为10，前景标签1对应5个像素，则将这5个像素的前景标签修改为背景标签；前景标签2对应150个像素，则对这150个像素的标签不作修改。最后，将未修改的前景标签对应的像素的数量，或者面积作为气象雷达图的有效面积。本发明实施例对预设数量不作详细限定，可以根据实际情况进行设置。
采用若前景标签对应的像素的数量小于预设数量，则将前景标签修改为背景标签这种方式，可以去除小杂波，提高对预测气象雷达图的评估准确度。
上述根据有效面积算法对历史气象雷达图和预测气象雷达图中的每一个气象雷达图进行处理，对于历史气象雷达图和预测气象雷达图中的每一个气象雷达图，将气象雷达图进行二值化处理，得到二值化图像；在二值化图像中查找出多个连通区域；根据多个连通区域的面积确定气象雷达图的有效面积。通过本发明实施例，采用二值化处理并对二值化图像中的各像素设置对应标签，将气象雷达图进行对象化，从而可以得到气象雷达图中的有效面积，进而可以根据有效面积的变化确定预测准确度。
在另一个实施例中，如图4所示，本实施例涉及的是预测结果的评估方法的一种可选的过程。在上述图2所示实施例的基础上，具体可以包括以下步骤：
步骤401，获取历史气象雷达图和预测气象雷达图；预测气象雷达图为根据历史气象雷达图预测得到的。
步骤402，对历史气象雷达图和预测气象雷达图进行中值滤波处理，以去除历史气象雷达图和预测气象雷达图中的噪声。
本实施例中，可以采用SciPy库中的signal工具的medfilt2d函数，分别对历史气象雷达图和预测气象雷达图进行中值滤波处理，从而去除历史气象雷达图和预测气象雷达图中的椒盐噪声。其中，SciPy库是一款方便、易于使用、专为科学和工程设计的Python工具包，它包括统计、优化、整合、线性代数模块、傅里叶变换、信号和图像处理、常微分方程求解器等等。medfilt2d函数是一种中值滤波函数。
去除历史气象雷达图和预测气象雷达图中的椒盐噪声，可以提高对预测气象雷达图的评估准确度。
步骤403，获取气象雷达图中各像素的像素值；将大于预设阈值的像素值修改为第一值，将小于或等于预设阈值的像素值修改为第二值，得到二值化图像。
步骤404，根据像素值为二值化图像中的各像素设置对应的标签；标签包括背景标签和多个前景标签，像素值为第一值对应前景标签，像素值为第二值对应背景标签；对具有相同前景标签的像素进行合并，得到连通区域。
步骤405，若前景标签对应的像素的数量小于预设数量，则将前景标签修改为背景标签；根据未修改的前景标签对应的像素确定气象雷达图的有效面积。
步骤406，计算历史气象雷达图的有效面积与预测气象雷达图的有效面积的比值，将比值确定为消散度。
本实施例中，在得到历史气象雷达图的有效面积和预测雷达图的有效面积之后，可以计算历史气象雷达图的有效面积和预测雷达图的有效面积的比值，根据比值大小确定有效面积的变化。可以理解地，有效面积变化小，消散度接近1，表明预测准确度高；有效面积变化大，消散度远离1，表明预测准确度低。
上述预测结果的评估方法中，首先，获取历史气象雷达图和预测气象雷达图；然后，对历史气象雷达图和预测气象雷达图进行中值滤波处理，去除历史气象雷达图和预测气象雷达图中的噪声；接着，对历史气象雷达图和预测气象雷达图进行二值化处理，并根据二值化图像确定有效面积；最后，根据有效面积的变化确定消散度，即确定预测准确度。通过本发明实施例提供的消散度，可以选取合适的外推预测算法，也可以根据消散度对外推预测算法进行优化，从而提高天气预报的准确性。
应该理解的是，虽然图2-4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2-4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5所示，提供了一种预测结果的评估装置，包括：
气象雷达图获取模块501，用于获取历史气象雷达图和预测气象雷达图；预测气象雷达图为根据历史气象雷达图预测得到的；
有效面积获得模块502，用于根据有效面积算法对历史气象雷达图和预测气象雷达图中的每一个气象雷达图进行处理，得到历史气象雷达图的有效面积和预测气象雷达图的有效面积；
消散度确定模块503，用于根据历史气象雷达图的有效面积和预测气象雷达图的有效面积，确定预测气象雷达图的消散度；消散度用于指示预测气象雷达图的预测准确度。
在其中一个实施例中，上述有效面积获得模块502，包括：
二值化子模块，用于对于历史气象雷达图和预测气象雷达图中的每一个气象雷达图，将气象雷达图进行二值化处理，得到二值化图像；
连通区域查找子模块，用于在二值化图像中查找出多个连通区域，连通区域为多个具有相同前景标签的像素的集合；
有效面积获得子模块，用于根据多个连通区域的面积确定气象雷达图的有效面积。
在其中一个实施例中，上述二值化子模块，具体用于获取气象雷达图中各像素的像素值；将大于预设阈值的像素值修改为第一值，将小于或等于预设阈值的像素值修改为第二值，得到二值化图像。
在其中一个实施例中，上述连通区域查找子模块，具体用于根据像素值为二值化图像中的各像素设置对应的标签；标签包括背景标签和多个前景标签，像素值为第一值对应前景标签，像素值为第二值对应背景标签；对具有相同前景标签的像素进行合并，得到连通区域。
在其中一个实施例中，上述有效面积获得子模块，用于确定各前景标签对应的像素的数量；若前景标签对应的像素的数量小于预设数量，则将前景标签修改为背景标签；根据未修改的前景标签对应的像素确定气象雷达图的有效面积。
在其中一个实施例中，上述消散度确定模块503，用于计算历史气象雷达图的有效面积与预测气象雷达图的有效面积的比值，将比值确定为消散度。
在其中一个实施例中，该装置还包括：
噪声去除模块，用于分别对历史气象雷达图和预测气象雷达图进行中值滤波处理，以去除历史气象雷达图和预测气象雷达图中的噪声。
关于预测结果的评估装置的具体限定可以参见上文中对于预测结果的评估方法的限定，在此不再赘述。上述预测结果的评估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服务器，其内部结构图可以如图6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、网络接口和数据库。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、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预测结果的评估数据。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预测结果的评估方法。
本领域技术人员可以理解，图6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：
获取历史气象雷达图和预测气象雷达图；预测气象雷达图为根据历史气象雷达图预测得到的；
根据有效面积算法对历史气象雷达图和预测气象雷达图中的每一个气象雷达图进行处理，得到历史气象雷达图的有效面积和预测气象雷达图的有效面积；
根据历史气象雷达图的有效面积和预测气象雷达图的有效面积，确定预测气象雷达图的消散度；消散度用于指示预测气象雷达图的预测准确度。
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：
对于历史气象雷达图和预测气象雷达图中的每一个气象雷达图，将气象雷达图进行二值化处理，得到二值化图像；
在二值化图像中查找出多个连通区域，连通区域为多个具有相同前景标签的像素的集合；
根据多个连通区域的面积确定气象雷达图的有效面积。
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：
获取气象雷达图中各像素的像素值；
将大于预设阈值的像素值修改为第一值，将小于或等于预设阈值的像素值修改为第二值，得到二值化图像。
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：
根据像素值为二值化图像中的各像素设置对应的标签；标签包括背景标签和多个前景标签，像素值为第一值对应前景标签，像素值为第二值对应背景标签；
对具有相同前景标签的像素进行合并，得到连通区域。
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：
确定各前景标签对应的像素的数量；
若前景标签对应的像素的数量小于预设数量，则将前景标签修改为背景标签；
根据未修改的前景标签对应的像素确定气象雷达图的有效面积。
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：
计算历史气象雷达图的有效面积与预测气象雷达图的有效面积的比值，将比值确定为消散度。
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：
分别对历史气象雷达图和预测气象雷达图进行中值滤波处理，以去除历史气象雷达图和预测气象雷达图中的噪声。
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：
获取历史气象雷达图和预测气象雷达图；预测气象雷达图为根据历史气象雷达图预测得到的；
根据有效面积算法对历史气象雷达图和预测气象雷达图中的每一个气象雷达图进行处理，得到历史气象雷达图的有效面积和预测气象雷达图的有效面积；
根据历史气象雷达图的有效面积和预测气象雷达图的有效面积，确定预测气象雷达图的消散度；消散度用于指示预测气象雷达图的预测准确度。
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：
对于历史气象雷达图和预测气象雷达图中的每一个气象雷达图，将气象雷达图进行二值化处理，得到二值化图像；
在二值化图像中查找出多个连通区域，连通区域为多个具有相同前景标签的像素的集合；
根据多个连通区域的面积确定气象雷达图的有效面积。
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：
获取气象雷达图中各像素的像素值；
将大于预设阈值的像素值修改为第一值，将小于或等于预设阈值的像素值修改为第二值，得到二值化图像。
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：
根据像素值为二值化图像中的各像素设置对应的标签；标签包括背景标签和多个前景标签，像素值为第一值对应前景标签，像素值为第二值对应背景标签；
对具有相同前景标签的像素进行合并，得到连通区域。
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：
确定各前景标签对应的像素的数量；
若前景标签对应的像素的数量小于预设数量，则将前景标签修改为背景标签；
根据未修改的前景标签对应的像素确定气象雷达图的有效面积。
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：
计算历史气象雷达图的有效面积与预测气象雷达图的有效面积的比值，将比值确定为消散度。
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：
分别对历史气象雷达图和预测气象雷达图进行中值滤波处理，以去除历史气象雷达图和预测气象雷达图中的噪声。
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)
1.一种预测结果的评估方法，其特征在于，所述方法包括：
获取历史气象雷达图和预测气象雷达图；所述预测气象雷达图为根据所述历史气象雷达图预测得到的；
根据有效面积算法对所述历史气象雷达图和所述预测气象雷达图中的每一个气象雷达图进行处理，得到所述历史气象雷达图的有效面积和所述预测气象雷达图的有效面积；
根据所述历史气象雷达图的有效面积和所述预测气象雷达图的有效面积，确定所述预测气象雷达图的消散度；所述消散度用于指示所述预测气象雷达图的预测准确度。
2.根据权利要求1所述的方法，其特征在于，所述根据有效面积算法对所述历史气象雷达图和所述预测气象雷达图中的每一个气象雷达图进行处理，包括：
对于所述历史气象雷达图和所述预测气象雷达图中的每一个气象雷达图，将所述气象雷达图进行二值化处理，得到二值化图像；
在所述二值化图像中查找出多个连通区域，所述连通区域为多个具有相同前景标签的像素的集合；
根据多个所述连通区域的面积确定所述气象雷达图的有效面积。
3.根据权利要求2所述的方法，其特征在于，所述将所述气象雷达图进行二值化处理，得到二值化图像，包括：
获取所述气象雷达图中各像素的像素值；
将大于预设阈值的像素值修改为第一值，将小于或等于所述预设阈值的像素值修改为第二值，得到所述二值化图像。
4.根据权利要求3所述的方法，其特征在于，所述在所述二值化图像中查找出多个第一连通区域，包括：
根据像素值为所述二值化图像中的各像素设置对应的标签；所述标签包括背景标签和多个前景标签，像素值为所述第一值对应所述前景标签，像素值为所述第二值对应所述背景标签；
对具有相同前景标签的像素进行合并，得到所述连通区域。
5.根据权利要求4所述的方法，其特征在于，所述根据多个所述连通区域的面积确定所述气象雷达图的有效面积，包括：
确定各所述前景标签对应的像素的数量；
若所述前景标签对应的像素的数量小于预设数量，则将所述前景标签修改为所述背景标签；
根据未修改的前景标签对应的像素确定所述气象雷达图的有效面积。
6.根据权利要求1-5任一项所述的方法，其特征在于，所述根据所述历史气象雷达图的有效面积和所述预测气象雷达图的有效面积，确定所述预测气象雷达图的消散度，包括：
计算所述历史气象雷达图的有效面积与所述预测气象雷达图的有效面积的比值，将所述比值确定为所述消散度。
7.根据权利要求1-5任一项所述的方法，其特征在于，在所述根据有效面积算法对所述历史气象雷达图和所述预测气象雷达图中的每一个气象雷达图进行处理之前，还包括：
分别对所述历史气象雷达图和所述预测气象雷达图进行中值滤波处理，以去除所述历史气象雷达图和所述预测气象雷达图中的噪声。
8.一种预测结果的装置，其特征在于，所述装置包括：
气象雷达图获取模块，用于获取历史气象雷达图和预测气象雷达图；所述预测气象雷达图为根据所述历史气象雷达图预测得到的；
有效面积获得模块，用于根据有效面积算法对所述历史气象雷达图和所述预测气象雷达图中的每一个气象雷达图进行处理，得到所述历史气象雷达图的有效面积和所述预测气象雷达图的有效面积；
消散度确定模块，用于根据所述历史气象雷达图的有效面积和所述预测气象雷达图的有效面积，确定所述预测气象雷达图的消散度；所述消散度用于指示所述预测气象雷达图的预测准确度。
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 |
|---|---|---|---|
| CN201911181425.6A CN110930449A (zh) | 2019-11-27 | 2019-11-27 | 预测结果的评估方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911181425.6A CN110930449A (zh) | 2019-11-27 | 2019-11-27 | 预测结果的评估方法、装置、计算机设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110930449A true CN110930449A (zh) | 2020-03-27 |
Family
ID=69852214
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911181425.6A Pending CN110930449A (zh) | 2019-11-27 | 2019-11-27 | 预测结果的评估方法、装置、计算机设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110930449A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111505740A (zh) * | 2020-04-22 | 2020-08-07 | 上海眼控科技股份有限公司 | 气象预测方法、装置、计算机设备和存储介质 |
| CN113344696A (zh) * | 2021-06-28 | 2021-09-03 | 深圳前海微众银行股份有限公司 | 一种头寸预报评估方法、装置、设备及存储介质 |
| CN114814991A (zh) * | 2022-06-28 | 2022-07-29 | 成都信息工程大学 | 一种气象要素场空间分布区域的识别方法及装置 |
Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH09127242A (ja) * | 1995-11-06 | 1997-05-16 | Toshiba Corp | レーダイメージ処理装置 |
| US5974360A (en) * | 1996-12-13 | 1999-10-26 | Nippon Telegraph And Telephone Corporation | Method and equipment for weather image prediction |
| US6128578A (en) * | 1996-12-26 | 2000-10-03 | Nippon Telegraph And Telephone Corporation | Meteorological radar precipitation pattern prediction method and apparatus |
| CN101937078A (zh) * | 2009-06-30 | 2011-01-05 | 深圳市气象局 | 基于边界识别追踪技术的雷暴云团的临近预报方法和系统 |
| US20110103693A1 (en) * | 2009-07-10 | 2011-05-05 | Thales | Method for predicting a trend of a meteorological phenomenon on the basis of data originating from a meteorological radar |
| CN102842130A (zh) * | 2012-07-04 | 2012-12-26 | 贵州师范大学 | 由合成孔径雷达图像中检测建筑和提取数目信息的方法 |
| CN102855658A (zh) * | 2012-07-17 | 2013-01-02 | 天津大学 | 基于气象雷达基数据三维重构方法 |
| CN103529492A (zh) * | 2013-09-22 | 2014-01-22 | 天津大学 | 基于多普勒雷达反射率图像的风暴体位置及形态预测方法 |
| CN104112370A (zh) * | 2014-07-30 | 2014-10-22 | 哈尔滨工业大学深圳研究生院 | 基于监控图像的停车场智能车位识别方法及系统 |
| CN105427320A (zh) * | 2015-11-30 | 2016-03-23 | 威海北洋电气集团股份有限公司 | 一种图像分割提取方法 |
| CN105738873A (zh) * | 2015-11-16 | 2016-07-06 | 象辑知源（武汉）科技有限公司 | 天气雷达回波图像的处理方法及处理装置 |
| CN108198179A (zh) * | 2018-01-03 | 2018-06-22 | 华南理工大学 | 一种生成对抗网络改进的ct医学图像肺结节检测方法 |
| CN108537368A (zh) * | 2018-03-20 | 2018-09-14 | 国家气象中心 | 一种闪电预警方法、装置及系统 |
| CN108732550A (zh) * | 2018-08-01 | 2018-11-02 | 北京百度网讯科技有限公司 | 用于预测雷达回波的方法和装置 |
| CN110298860A (zh) * | 2019-05-31 | 2019-10-01 | 河池学院 | 一种基于机器视觉的高杆绣球检测计数系统 |
| CN110488391A (zh) * | 2019-07-01 | 2019-11-22 | 佛山科学技术学院 | 针对小区域的天气预测系统、方法及存储介质 |
-
2019
- 2019-11-27 CN CN201911181425.6A patent/CN110930449A/zh active Pending
Patent Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH09127242A (ja) * | 1995-11-06 | 1997-05-16 | Toshiba Corp | レーダイメージ処理装置 |
| US5974360A (en) * | 1996-12-13 | 1999-10-26 | Nippon Telegraph And Telephone Corporation | Method and equipment for weather image prediction |
| US6128578A (en) * | 1996-12-26 | 2000-10-03 | Nippon Telegraph And Telephone Corporation | Meteorological radar precipitation pattern prediction method and apparatus |
| CN101937078A (zh) * | 2009-06-30 | 2011-01-05 | 深圳市气象局 | 基于边界识别追踪技术的雷暴云团的临近预报方法和系统 |
| US20110103693A1 (en) * | 2009-07-10 | 2011-05-05 | Thales | Method for predicting a trend of a meteorological phenomenon on the basis of data originating from a meteorological radar |
| CN102842130A (zh) * | 2012-07-04 | 2012-12-26 | 贵州师范大学 | 由合成孔径雷达图像中检测建筑和提取数目信息的方法 |
| CN102855658A (zh) * | 2012-07-17 | 2013-01-02 | 天津大学 | 基于气象雷达基数据三维重构方法 |
| CN103529492A (zh) * | 2013-09-22 | 2014-01-22 | 天津大学 | 基于多普勒雷达反射率图像的风暴体位置及形态预测方法 |
| CN104112370A (zh) * | 2014-07-30 | 2014-10-22 | 哈尔滨工业大学深圳研究生院 | 基于监控图像的停车场智能车位识别方法及系统 |
| CN105738873A (zh) * | 2015-11-16 | 2016-07-06 | 象辑知源（武汉）科技有限公司 | 天气雷达回波图像的处理方法及处理装置 |
| CN105427320A (zh) * | 2015-11-30 | 2016-03-23 | 威海北洋电气集团股份有限公司 | 一种图像分割提取方法 |
| CN108198179A (zh) * | 2018-01-03 | 2018-06-22 | 华南理工大学 | 一种生成对抗网络改进的ct医学图像肺结节检测方法 |
| CN108537368A (zh) * | 2018-03-20 | 2018-09-14 | 国家气象中心 | 一种闪电预警方法、装置及系统 |
| CN108732550A (zh) * | 2018-08-01 | 2018-11-02 | 北京百度网讯科技有限公司 | 用于预测雷达回波的方法和装置 |
| CN110298860A (zh) * | 2019-05-31 | 2019-10-01 | 河池学院 | 一种基于机器视觉的高杆绣球检测计数系统 |
| CN110488391A (zh) * | 2019-07-01 | 2019-11-22 | 佛山科学技术学院 | 针对小区域的天气预测系统、方法及存储介质 |
Non-Patent Citations (16)
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111505740A (zh) * | 2020-04-22 | 2020-08-07 | 上海眼控科技股份有限公司 | 气象预测方法、装置、计算机设备和存储介质 |
| CN111505740B (zh) * | 2020-04-22 | 2021-12-07 | 上海眼控科技股份有限公司 | 气象预测方法、装置、计算机设备和存储介质 |
| CN113344696A (zh) * | 2021-06-28 | 2021-09-03 | 深圳前海微众银行股份有限公司 | 一种头寸预报评估方法、装置、设备及存储介质 |
| WO2023273231A1 (zh) * | 2021-06-28 | 2023-01-05 | 深圳前海微众银行股份有限公司 | 一种头寸预报评估方法、装置、设备及存储介质 |
| CN113344696B (zh) * | 2021-06-28 | 2024-05-28 | 深圳前海微众银行股份有限公司 | 一种头寸预报评估方法、装置、设备及存储介质 |
| CN114814991A (zh) * | 2022-06-28 | 2022-07-29 | 成都信息工程大学 | 一种气象要素场空间分布区域的识别方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109035299B (zh) | 目标跟踪方法、装置、计算机设备及存储介质 | |
| CN110515054B (zh) | 滤波方法和装置、电子设备、计算机存储介质 | |
| CN110930449A (zh) | 预测结果的评估方法、装置、计算机设备和存储介质 | |
| US20180204057A1 (en) | Object detection method and object detection apparatus | |
| CN109903272B (zh) | 目标检测方法、装置、设备、计算机设备和存储介质 | |
| CN111199523B (zh) | 电力设备识别方法、装置、计算机设备和存储介质 | |
| CN113490965A (zh) | 图像跟踪处理方法、装置、计算机设备和存储介质 | |
| CN115066708A (zh) | 点云数据运动分割方法、装置、计算机设备和存储介质 | |
| CN111191533A (zh) | 行人重识别的处理方法、装置、计算机设备和存储介质 | |
| CN112102288A (zh) | 水体识别和水体变化检测方法、装置、设备及介质 | |
| CN111028260A (zh) | 图像预测方法、装置、计算机设备和存储介质 | |
| CN111462178B (zh) | 基于热成像的活体流向检测方法、装置、设备及存储介质 | |
| CN111009011A (zh) | 车辆方向角的预测方法、装置、系统以及存储介质 | |
| CN113383283B (zh) | 感知信息处理方法、装置、计算机设备和存储介质 | |
| CN111460944B (zh) | 一种基于热成像的活体识别方法、装置、设备及存储介质 | |
| US9305233B2 (en) | Isotropic feature matching | |
| CN111967484B (zh) | 点云聚类方法、装置、计算机设备和存储介质 | |
| CN110781730A (zh) | 智能驾驶感知方法及感知装置 | |
| CN113031010B (zh) | 检测天气的方法、装置、计算机可读存储介质与处理器 | |
| CN115049690A (zh) | 车挂偏航角的确定方法、装置、计算机设备和存储介质 | |
| CN107316313B (zh) | 场景分割方法及设备 | |
| CN110033474B (zh) | 目标检测方法、装置、计算机设备和存储介质 | |
| CN114299300A (zh) | 一种车道线检测方法、装置、计算机设备和存储介质 | |
| US11861844B2 (en) | Ternary image obtaining method and apparatus, and vehicle | |
| CN109934870B (zh) | 目标检测方法、装置、设备、计算机设备和存储介质 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200327 |