CN111369485A - 一种用于优化预测雷达回波图像的方法与设备 - Google Patents
一种用于优化预测雷达回波图像的方法与设备 Download PDFInfo
- Publication number
- CN111369485A CN111369485A CN202010148971.6A CN202010148971A CN111369485A CN 111369485 A CN111369485 A CN 111369485A CN 202010148971 A CN202010148971 A CN 202010148971A CN 111369485 A CN111369485 A CN 111369485A
- Authority
- CN
- China
- Prior art keywords
- radar echo
- echo image
- predicted
- original
- 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
- 238000000034 method Methods 0.000 title claims abstract description 50
- 230000002441 reversible effect Effects 0.000 claims abstract description 19
- 230000009466 transformation Effects 0.000 claims description 21
- 238000001914 filtration Methods 0.000 claims description 13
- 238000003062 neural network model Methods 0.000 claims description 5
- 238000013473 artificial intelligence Methods 0.000 abstract description 7
- 230000000694 effects Effects 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000000670 limiting effect Effects 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000003796 beauty Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- 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
- G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
-
- 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
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Electromagnetism (AREA)
- Computer Networks & Wireless Communication (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本申请通过一种用于优化预测雷达回波图像的方法,首先基于原始雷达回波图像确定所述原始雷达回波图像所对应的第一预测雷达回波图像,接着确定所述原始雷达回波图像基于预设操作处理后的参照雷达回波图像,然后基于所述参照雷达回波图像确定所述参照雷达回波图像对应的预测雷达回波图像,再接着对所述参照雷达回波图像对应的预测雷达回波图像进行所述预设操作处理的逆向操作处理,获得所述参照雷达回波图像对应的第二预测雷达回波图像,最后将所述第一预测雷达回波图像与所述第二预测雷达回波图像进行合并叠加处理,以获取优化后的预测雷达回波图像。通过该方法可去除基于人工智能技术的预测雷达回波图像的“网格化”,优化预测雷达回波图像质量。
Description
技术领域
本申请涉及计算机图像处理技术领域,尤其涉及一种用于优化预测雷达回波图像的技术。
背景技术
在利用神经网络模型进行图像预测的过程中,由于神经网络的技术特点,预测获得的图像往往具有“网格化”现象。
图像的“网格化”现象不仅影响图像美观,在某些对图像质量要求较高的应用场景中还会带来不利影响。如在利用神经网络模型做临近天气预报中,预测获得的雷达回波图像具有的“网格化”会导致预测的雷达回波图像的像素值不准确,导致预报精确度下降。
发明内容
本申请的目的是提供一种用于优化预测雷达回波图像的方法与设备,用以解决人工智能技术在雷达回波图像预测中出现“网格化”的技术问题。
根据本申请的一个方面,提供了一种用于优化预测雷达回波图像的方法,其中,所述方法包括:
基于原始雷达回波图像确定所述原始雷达回波图像所对应的第一预测雷达回波图像;
确定所述原始雷达回波图像基于预设操作处理后的参照雷达回波图像;
基于所述参照雷达回波图像确定所述参照雷达回波图像对应的预测雷达回波图像;
对所述参照雷达回波图像对应的预测雷达回波图像进行所述预设操作处理的逆向操作处理,获得所述参照雷达回波图像对应的第二预测雷达回波图像;
将所述第一预测雷达回波图像与所述第二预测雷达回波图像进行合并叠加处理,以获取优化后的预测雷达回波图像。
优选地,所述预设操作包括对所述原始雷达回波图像做几何变换操作,其中,所述对所述参照雷达回波图像对应的预测雷达回波图像进行所述预设操作处理的逆向操作处理,获得所述参照雷达回波图像对应的第二预测雷达回波图像包括:
对所述参照雷达回波图像对应的预测雷达回波图像进行所述几何变换操作的逆向几何变换操作,获得所述参照雷达回波图像对应的第二预测雷达回波图像。
优选地,所述几何变换操作至少包括以下任一项:
将所述原始雷达回波图像旋转;
将所述原始雷达回波图像平移;
将所述原始雷达回波图像扭曲;
将所述原始雷达回波图像拉伸;
将所述原始雷达回波图像缩放。
优选地,当所述几何变换操作包括将所述原始雷达回波图像旋转时,所述方法包括:
将所述原始雷达回波图像旋转一个或者多个预设角度,确定所述原始雷达回波图像基于将所述原始雷达回波图像旋转一个或者多个预设角度后对应的一个或者多个参照雷达回波图像,
其中,所述基于所述参照雷达回波图像确定所述参照雷达回波图像对应的预测雷达回波图像包括:
基于所述一个或者多个参照雷达回波图像确定与所述一个或者多个参照雷达回波图像对应的一个或者多个预测雷达回波图像;
其中,所述对所述参照雷达回波图像对应的预测雷达回波图像进行所述预设操作处理的逆向操作处理,获得所述参照雷达回波图像对应的第二预测雷达回波图像包括:
对所述一个或者多个参照雷达回波图像对应的一个或者多个预测雷达回波图像进行所述几何变换操作的逆向几何变换操作,获得所述一个或者多个参照雷达回波图像对应的一个或者多个第二预测雷达回波图像;
其中,所述将所述第一预测雷达回波图像与所述第二预测雷达回波图像进行合并叠加处理,以获取优化后的预测雷达回波图像包括:
将所述第一预测雷达回波图像与所述一个或者多个第二预测雷达回波图像进行合并叠加处理,以获取优化后的预测雷达回波图像。
优选地,所述将所述第一预测雷达回波图像与所述第二预测雷达回波图像进行合并叠加处理包括:
将所述第一预测雷达回波图像与所述第二预测雷达回波图像基于预设权重进行合并叠加处理。
优选地,所述基于原始雷达回波图像确定所述原始雷达回波图像所对应的第一预测雷达回波图像包括:
基于所述原始雷达回波图像确定所述原始雷达回波图像对应的预测雷达回波图像,并将所述预测雷达回波图像进行滤波处理确定所述原始雷达回波图像所对应的第一预测雷达回波图像;
其中,所述对所述参照雷达回波图像对应的预测雷达回波图像进行所述预设操作处理的逆向操作处理,获得所述参照雷达回波图像对应的第二预测雷达回波图像包括:
对所述参照雷达回波图像对应的预测雷达回波图像进行所述预设操作处理的逆向操作处理后,再进行所述滤波处理,获得所述参照雷达回波图像对应的第二预测雷达回波图像。
优选地,所述原始雷达回波图像对应的预测雷达回波图像或者所述参照雷达回波图像对应的预测雷达回波图像是通过将所述原始雷达回波图像或者所述参照雷达回波图像输入对应的预测神经网络模型确定的。
根据本申请的另一方面,还提供了一种用于优化预测雷达回波图像的设备,其中,所述设备包括:
第一装置,用于基于原始雷达回波图像确定所述原始雷达回波图像所对应的第一预测雷达回波图像;
第二装置,用于确定所述原始雷达回波图像基于预设操作处理后的参照雷达回波图像;
第三装置,用于基于所述参照雷达回波图像确定所述参照雷达回波图像对应的预测雷达回波图像;
第四装置,用于对所述参照雷达回波图像对应的预测雷达回波图像执行所述预设操作处理的逆向操作处理,获得所述参照雷达回波图像对应的第二预测雷达回波图像;
第五装置,用于将所述第一预测雷达回波图像与所述第二预测雷达回波图像进行合并叠加处理,以获取优化后的预测雷达回波图像。
与现有技术相比,本申请通过一种用于优化预测雷达回波图像的方法,首先基于原始雷达回波图像确定所述原始雷达回波图像所对应的第一预测雷达回波图像,接着确定所述原始雷达回波图像基于预设操作处理后的参照雷达回波图像,然后基于所述参照雷达回波图像确定所述参照雷达回波图像对应的预测雷达回波图像,再接着对所述参照雷达回波图像对应的预测雷达回波图像进行所述预设操作处理的逆向操作处理,获得所述参照雷达回波图像对应的第二预测雷达回波图像,最后将所述第一预测雷达回波图像与所述第二预测雷达回波图像进行合并叠加处理,以获取优化后的预测雷达回波图像。通过该方法可去除基于人工智能技术的预测雷达回波图像的“网格化”,优化预测雷达回波图像质量。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1示出根据本申请一个方面的一种用于优化预测雷达回波图像的方法流程图;
图2示出根据本申请另一个方面一种用于优化预测雷达回波图像的设备示意图;
图3示出本申请一个优选实施例的一种用于优化预测雷达回波图像的流程示意图;
附图中相同或相似的附图标记代表相同或相似的部件。
具体实施方式
下面结合附图对本发明作进一步详细描述。
在本申请一个典型的配置中,系统各模块和可信方均包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括非暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
为更进一步阐述本申请所采取的技术手段及取得的效果,下面结合附图及优选实施例,对本申请的技术方案,进行清楚和完整的描述。
图1示出本申请一个方面的一种用于优化预测雷达回波图像的方法流程图,其中,一个实施例的方法包括:
S11基于原始雷达回波图像确定所述原始雷达回波图像所对应的第一预测雷达回波图像;
S12确定所述原始雷达回波图像基于预设操作处理后的参照雷达回波图像;
S13基于所述参照雷达回波图像确定所述参照雷达回波图像对应的预测雷达回波图像;
S14对所述参照雷达回波图像对应的预测雷达回波图像进行所述预设操作处理的逆向操作处理,获得所述参照雷达回波图像对应的第二预测雷达回波图像;
S15将所述第一预测雷达回波图像与所述第二预测雷达回波图像进行合并叠加处理,以获取优化后的预测雷达回波图像。
在本申请中,所述方法通过设备1执行,所述设备1为计算机设备和/或云,所述计算机设备包括但不限于个人计算机、笔记本电脑、工业计算机、网络主机、单个网络服务器、多个网络服务器集;所述云由基于云计算(Cloud Computing)的大量计算机或网络服务器构成,其中,云计算是分布式计算的一种,由一群松散耦合的计算机集组成的一个虚拟超级计算机。
在此,所述计算机设备和/或云仅为举例,其他现有的或者今后可能出现的设备和/或资源共享平台如适用于本申请也应包含在本申请的保护范围内,在此,以引用的方式包含于此。
在该实施例中,在所述步骤S11中,所述原始雷达回波图像是历史实测的雷达回波图像,原始雷达回波图像的选择根据所预测雷达回波图像的应用场景确定,如用于短时或临近天气预报,则选择的原始雷达回波图像是最新获得的实测雷达回波图像。
在此,对原始雷达回波图像的选择不做限定,如适用于本申请也应包含在本申请的保护范围内。
当设备1获取到原始雷达回波图像后得到第一预测雷达回波图像,即确定所述原始雷达回波图像所对应的第一预测雷达回波图像。在此,所述第一预测雷达回波图像是基于原始雷达回波图像通过网络模型进行预测后得到的图像。
其中,所述第一预测雷达回波图像可能具有“网格化”,影响到图像质量。
在该实施例中,在所述步骤S12中,所述参照雷达回波图像是基于对原始雷达回波图像做预设操作处理后得到的图像。所述预设操作在本申请中不做限定,任何可相应的做逆向预设操作后还原图像的预设操作如适用于本申请,都应包含在本申请的保护范围内。
在该实施例中,在所述步骤S13中,所述基于所述参照雷达回波图像确定所述参照雷达回波图像对应的预测雷达回波图像。
当设备1获取到参照雷达回波图像得到所述参照雷达回波图像对应的预测雷达回波图像。在此,所述参照雷达回波图像对应的预测雷达回波图像是基于参照雷达回波图像通过网络模型进行预测后得到的图像。
其中,所述参照雷达回波图像对应的预测雷达回波图像可能具有“网格化”,影响到图像质量。
继续在该实施例中,在所述步骤S14中,所述第二预测雷达回波图像是基于对所述参照雷达回波图像对应的预测雷达回波图像进行所述预设操作处理的逆向操作处理后获得的图像,其中,所述第二预测雷达回波图像可能具有“网格化”,影响到图像质量。
继续在该实施例中,在所述步骤S15中,所述优化后的预测雷达回波图像是将所述第一预测雷达回波图像与所述第二预测雷达回波图像进行合并叠加处理后获取的。
优选地,所述预设操作包括对所述原始雷达回波图像做几何变换操作,其中,所述对所述参照雷达回波图像对应的预测雷达回波图像进行所述预设操作处理的逆向操作处理,获得所述参照雷达回波图像对应的第二预测雷达回波图像包括:
对所述参照雷达回波图像对应的预测雷达回波图像进行所述几何变换操作的逆向几何变换操作,获得所述参照雷达回波图像对应的第二预测雷达回波图像。
优选地,所述几何变换操作至少包括以下任一项:
将所述原始雷达回波图像旋转;
将所述原始雷达回波图像平移;
将所述原始雷达回波图像扭曲;
将所述原始雷达回波图像拉伸;
将所述原始雷达回波图像缩放。
优选地,当所述几何变换操作包括将所述原始雷达回波图像旋转时,所述方法包括:
将所述原始雷达回波图像旋转一个或者多个预设角度,确定所述原始雷达回波图像基于将所述原始雷达回波图像旋转一个或者多个预设角度后对应的一个或者多个参照雷达回波图像。
其中,所述基于所述参照雷达回波图像确定所述参照雷达回波图像对应的预测雷达回波图像包括:
基于所述一个或者多个参照雷达回波图像确定与所述一个或者多个参照雷达回波图像对应的一个或者多个预测雷达回波图像;
其中,所述对所述参照雷达回波图像对应的预测雷达回波图像进行所述预设操作处理的逆向操作处理,获得所述参照雷达回波图像对应的第二预测雷达回波图像包括:
对所述一个或者多个参照雷达回波图像对应的一个或者多个预测雷达回波图像进行所述几何变换操作的逆向几何变换操作,获得所述一个或者多个参照雷达回波图像对应的一个或者多个第二预测雷达回波图像;
其中,所述将所述第一预测雷达回波图像与所述第二预测雷达回波图像进行合并叠加处理,以获取优化后的预测雷达回波图像包括:
将所述第一预测雷达回波图像与所述一个或者多个第二预测雷达回波图像进行合并叠加处理,以获取优化后的预测雷达回波图像。
其中,所述预设角度与具体应用场景、数据特征、网络模型选择等相关。在短时或临近天气预报中,一个预设角度为45°,获取到的优化后的预测雷达回波图像的去除“网格化”效果明显。
针对不同的应用场景和设备1的性能,还可以有基于多个预设角度对原始雷达回波图像旋转,获得多个参照雷达回波图像,输入多个网络模型获得第一预测雷达回波图像和多个第二预测雷达回波图像,将第一预测雷达回波图像与多个第二预测雷达回波图像进行合并叠加处理,以获取优化后的预测雷达回波图像。
优选地,将所述第一预测雷达回波图像与所述第二预测雷达回波图像进行合并叠加处理包括:
将所述第一预测雷达回波图像与所述第二预测雷达回波图像基于预设权重进行合并叠加处理。
其中,所述合并叠加处理是将所述第一预测雷达回波图像与所述第二预测雷达回波图像的对应像素值做加权和运算。所述第一预测雷达回波图像与所述第二预测雷达回波图像的权值预设,各权值之和为1。
例如,在一个应用场景中,第一预测雷达回波图像与第二预测雷达回波图像的权值分别预设为(0.5,0.5)。基于不同原始雷达回波图像还可以预设不同的第一预测雷达回波图像与第二预测雷达回波图像的权值,如有多个第二预测雷达回波图像,相应地预设不同的权值。
优选地,所述基于原始雷达回波图像确定所述原始雷达回波图像所对应的第一预测雷达回波图像包括:
基于所述原始雷达回波图像确定所述原始雷达回波图像对应的预测雷达回波图像,并将所述预测雷达回波图像进行滤波处理确定所述原始雷达回波图像所对应的第一预测雷达回波图像;
其中,所述对所述参照雷达回波图像对应的预测雷达回波图像进行所述预设操作处理的逆向操作处理,获得所述参照雷达回波图像对应的第二预测雷达回波图像包括:
对所述参照雷达回波图像对应的预测雷达回波图像进行所述预设操作处理的逆向操作处理后,再进行所述滤波处理,获得所述参照雷达回波图像对应的第二预测雷达回波图像。
其中,所述滤波的方式不做限定,应结合具体应用场景来选择,例如,在短时或临近天气预报中使用中值滤波可以达到比其他滤波方式更好的效果。任何图像滤波方式如适用于本申请,都应包含在本申请的保护范围内。
另外,滤波窗口的选择也应结合具体应用场景,要与图像的“网格化”程度和图像大小,以及是否影响预测准确度相结合来决定。例如,一个应用场景中,64*64的图像尺寸,图像的“网格化”程度比较明显的情况下,选择(3*3)滤波窗口效果更好。
滤波能够降低“网格化”程度。
优选地,所述原始雷达回波图像对应的预测雷达回波图像或者所述参照雷达回波图像对应的预测雷达回波图像是通过将所述原始雷达回波图像或者所述参照雷达回波图像输入对应的预测神经网络模型确定的。
当设备1获取到原始雷达回波图像,输入基于人工智能技术的深度学习网络模型1,输出得到第一预测雷达回波图像。
其中,所述第一预测雷达回波图像可能具有“网格化”,影响到图像质量。
所述基于人工智能技术的深度学习网络模型1是基于与原始雷达回波图像类型、尺寸相同的实测雷达回波图像集作为训练集完成训练并经测试集测试可用于预测雷达回波图像的网络模型。
当设备1获取到参照雷达回波图像,输入基于人工智能技术的深度学习网络模型2,输出得到所述参照雷达回波图像对应的预测雷达回波图像。
所述基于人工智能技术的深度学习网络模型2采用与网络模型1相同的结构,但是训练集不同,是将网络模型1的训练集基于预设操作处理后得到图像集作为训练集来完成训练并经测试集测试后可用于预测雷达回波图像的网络模型。
网络模型1和网络模型2的具体结构在本申请中不做限定,任何适用于本申请的网络模型都应包含在本申请的保护范围内。
图2示出根据本申请另一个方面的一种用于优化预测雷达回波图像的设备示意图,其中,所述设备包括:
第一装置21,用于基于原始雷达回波图像确定所述原始雷达回波图像所对应的第一预测雷达回波图像;
第二装置22,用于确定所述原始雷达回波图像基于预设操作处理后的参照雷达回波图像;
第三装置23,用于基于所述参照雷达回波图像确定所述参照雷达回波图像对应的预测雷达回波图像;
第四装置24,用于对所述参照雷达回波图像对应的预测雷达回波图像执行所述预设操作处理的逆向操作处理,获得所述参照雷达回波图像对应的第二预测雷达回波图像;
第五装置25,用于将所述第一预测雷达回波图像与所述第二预测雷达回波图像进行合并叠加处理,以获取优化后的预测雷达回波图像。
图3示出本申请一个优选实施例的一种用于优化预测雷达回波图像的流程示意图,在该实施例中,原始雷达回波图像作为输入,首先输入到已完成训练并测试的网络模型1,然后对网络模型1输出的预测雷达回波图像做中值滤波,得到第一预测雷达回波图像;对原始雷达回波图像按预设角度为45°旋转(顺时针或者逆时针都可),得到参照雷达回波图像,然后输入到已完成训练并测试的网络模型2,再对网络模型2输出的预测雷达回波图像做中值滤波,得到第二预测雷达回波图像;将第一预测雷达回波图像和第二预测雷达回波图像按预设的权值做对应像素的和运算,以得到优化后的预测雷达回波图像。
根据本申请的又一方面,还提供了一种计算机可读介质,所述计算机可读介质存储有计算机可读指令,所述计算机可读指令可被处理器执行以实现前述方法。
根据本申请的又一方面,还提供了一种用于优化预测雷达回波图像的设备,其中,该设备包括:
一个或多个处理器;以及
存储有计算机可读指令的存储器,所述计算机可读指令在被执行时使所述处理器执行如前述方法的操作。
例如,计算机可读指令在被执行时使所述一个或多个处理器:基于原始雷达回波图像确定所述原始雷达回波图像所对应的第一预测雷达回波图像,确定所述原始雷达回波图像基于预设操作处理后的参照雷达回波图像,基于所述参照雷达回波图像确定所述参照雷达回波图像对应的预测雷达回波图像,对所述参照雷达回波图像对应的预测雷达回波图像执行所述预设操作处理的逆向操作处理,获得所述参照雷达回波图像对应的第二预测雷达回波图像,将所述第一预测雷达回波图像与所述第二预测雷达回波图像进行合并叠加处理,以获取优化后的预测雷达回波图像。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。装置权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一,第二等词语用来表示名称,而并不表示任何特定的顺序。
Claims (10)
1.一种用于优化预测雷达回波图像的方法,其特征在于,所述方法包括:
基于原始雷达回波图像确定所述原始雷达回波图像所对应的第一预测雷达回波图像;
确定所述原始雷达回波图像基于预设操作处理后的参照雷达回波图像;
基于所述参照雷达回波图像确定所述参照雷达回波图像对应的预测雷达回波图像;
对所述参照雷达回波图像对应的预测雷达回波图像进行所述预设操作处理的逆向操作处理,获得所述参照雷达回波图像对应的第二预测雷达回波图像;
将所述第一预测雷达回波图像与所述第二预测雷达回波图像进行合并叠加处理,以获取优化后的预测雷达回波图像。
2.根据权利要求1所述的方法,其特征在于,所述预设操作包括对所述原始雷达回波图像做几何变换操作,其中,所述对所述参照雷达回波图像对应的预测雷达回波图像进行所述预设操作处理的逆向操作处理,获得所述参照雷达回波图像对应的第二预测雷达回波图像包括:
对所述参照雷达回波图像对应的预测雷达回波图像进行所述几何变换操作的逆向几何变换操作,获得所述参照雷达回波图像对应的第二预测雷达回波图像。
3.根据权利要求2所述的方法,其特征在于,所述几何变换操作至少包括以下任一项:
将所述原始雷达回波图像旋转;
将所述原始雷达回波图像平移;
将所述原始雷达回波图像扭曲;
将所述原始雷达回波图像拉伸;
将所述原始雷达回波图像缩放。
4.根据权利要求3所述的方法,其特征在于,当所述几何变换操作包括将所述原始雷达回波图像旋转时,所述方法包括:
将所述原始雷达回波图像旋转一个或者多个预设角度,确定所述原始雷达回波图像基于将所述原始雷达回波图像旋转一个或者多个预设角度后对应的一个或者多个参照雷达回波图像,
其中,所述基于所述参照雷达回波图像确定所述参照雷达回波图像对应的预测雷达回波图像包括:
基于所述一个或者多个参照雷达回波图像确定与所述一个或者多个参照雷达回波图像对应的一个或者多个预测雷达回波图像;
其中,所述对所述参照雷达回波图像对应的预测雷达回波图像进行所述预设操作处理的逆向操作处理,获得所述参照雷达回波图像对应的第二预测雷达回波图像包括:
对所述一个或者多个参照雷达回波图像对应的一个或者多个预测雷达回波图像进行所述几何变换操作的逆向几何变换操作,获得所述一个或者多个参照雷达回波图像对应的一个或者多个第二预测雷达回波图像;
其中,所述将所述第一预测雷达回波图像与所述第二预测雷达回波图像进行合并叠加处理,以获取优化后的预测雷达回波图像包括:
将所述第一预测雷达回波图像与所述一个或者多个第二预测雷达回波图像进行合并叠加处理,以获取优化后的预测雷达回波图像。
5.根据权利要求1至4中任一项所述的方法,其特征在于,将所述第一预测雷达回波图像与所述第二预测雷达回波图像进行合并叠加处理包括:
将所述第一预测雷达回波图像与所述第二预测雷达回波图像基于预设权重进行合并叠加处理。
6.根据权利要求1至4中任一项所述的方法,其特征在于,所述基于原始雷达回波图像确定所述原始雷达回波图像所对应的第一预测雷达回波图像包括:
基于所述原始雷达回波图像确定所述原始雷达回波图像对应的预测雷达回波图像,并将所述预测雷达回波图像进行滤波处理确定所述原始雷达回波图像所对应的第一预测雷达回波图像;
其中,所述对所述参照雷达回波图像对应的预测雷达回波图像进行所述预设操作处理的逆向操作处理,获得所述参照雷达回波图像对应的第二预测雷达回波图像包括:
对所述参照雷达回波图像对应的预测雷达回波图像进行所述预设操作处理的逆向操作处理后,再进行所述滤波处理,获得所述参照雷达回波图像对应的第二预测雷达回波图像。
7.根据权利要求6所述的方法,其特征在于,所述原始雷达回波图像对应的预测雷达回波图像或者所述参照雷达回波图像对应的预测雷达回波图像是通过将所述原始雷达回波图像或者所述参照雷达回波图像输入对应的预测神经网络模型确定的。
8.一种用于优化预测雷达回波图像的设备,其特征在于,所述设备包括:
第一装置,用于基于原始雷达回波图像确定所述原始雷达回波图像所对应的第一预测雷达回波图像;
第二装置,用于确定所述原始雷达回波图像基于预设操作处理后的参照雷达回波图像;
第三装置,用于基于所述参照雷达回波图像确定所述参照雷达回波图像对应的预测雷达回波图像;
第四装置,用于对所述参照雷达回波图像对应的预测雷达回波图像执行所述预设操作处理的逆向操作处理,获得所述参照雷达回波图像对应的第二预测雷达回波图像;
第五装置,用于将所述第一预测雷达回波图像与所述第二预测雷达回波图像进行合并叠加处理,以获取优化后的预测雷达回波图像。
9.一种计算机可读介质,其特征在于,
其上存储有计算机可读指令,所述计算机可读指令可被处理器执行以实现如权利要求1至7中任一项所述的方法。
10.一种用于优化预测雷达回波图像的设备,其特征在于,该设备包括:
一个或多个处理器;以及
存储有计算机可读指令的存储器,所述计算机可读指令在被执行时使所述处理器执行如权利要求1至7中任一项所述方法的操作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010148971.6A CN111369485A (zh) | 2020-03-05 | 2020-03-05 | 一种用于优化预测雷达回波图像的方法与设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010148971.6A CN111369485A (zh) | 2020-03-05 | 2020-03-05 | 一种用于优化预测雷达回波图像的方法与设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111369485A true CN111369485A (zh) | 2020-07-03 |
Family
ID=71210353
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010148971.6A Pending CN111369485A (zh) | 2020-03-05 | 2020-03-05 | 一种用于优化预测雷达回波图像的方法与设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111369485A (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
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 |
EP3505951A1 (en) * | 2017-12-28 | 2019-07-03 | Furuno Electric Company Limited | A target object detecting device, a method of detecting a target object and a computer readable medium |
-
2020
- 2020-03-05 CN CN202010148971.6A patent/CN111369485A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
EP3505951A1 (en) * | 2017-12-28 | 2019-07-03 | Furuno Electric Company Limited | A target object detecting device, a method of detecting a target object and a computer readable medium |
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 |
Non-Patent Citations (1)
Title |
---|
宋颖祥;唐克琴;李乔;: "基于序列图像处理方法的岸基MTD雷达视频回波处理研究" * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10943145B2 (en) | Image processing methods and apparatus, and electronic devices | |
US10699055B2 (en) | Generative adversarial networks for generating physical design layout patterns | |
US10810721B2 (en) | Digital image defect identification and correction | |
EP4053718A1 (en) | Watermark information embedding method and apparatus | |
Hao et al. | An attention-based system for damage assessment using satellite imagery | |
CN111487624A (zh) | 一种预测降雨量的方法与设备 | |
CN110796647A (zh) | 一种电子设备屏幕区域瑕疵检测方法与设备 | |
CN108717547A (zh) | 样本数据生成方法及装置、训练模型的方法及装置 | |
CN116363037B (zh) | 一种多模态图像融合方法、装置及设备 | |
CN108830828A (zh) | 一种遥感图像变化检测方法及装置 | |
CN114330588A (zh) | 一种图片分类方法、图片分类模型训练方法及相关装置 | |
CN116071279A (zh) | 图像处理方法、装置、计算机设备和存储介质 | |
CN113516697B (zh) | 图像配准的方法、装置、电子设备及计算机可读存储介质 | |
Pan et al. | Optimal O (1) bilateral filter with arbitrary spatial and range kernels using sparse approximation | |
CN111929688B (zh) | 一种用于确定雷达回波预测帧序列的方法与设备 | |
CN117934254A (zh) | 水印处理模型训练方法、水印处理方法、装置和设备 | |
US20220083897A1 (en) | Explanation for time series forecasting models | |
CN111898742A (zh) | 一种用于监控神经网络模型训练状态的方法与设备 | |
CN111369485A (zh) | 一种用于优化预测雷达回波图像的方法与设备 | |
CN111369557A (zh) | 图像处理方法、装置、计算设备和存储介质 | |
CN111753729A (zh) | 一种假脸检测方法、装置、电子设备及存储介质 | |
CN110827259B (zh) | 一种用于目标关键点检测的样本增广的方法与设备 | |
CN115496654A (zh) | 基于自注意力机制的图像超分辨率重建方法、设备及介质 | |
US11887356B2 (en) | System, method and apparatus for training a machine learning model | |
CN114743150A (zh) | 目标跟踪方法、装置、电子设备及存储介质 |
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 |