CN111624606A - 一种雷达图像降雨识别方法 - Google Patents
一种雷达图像降雨识别方法 Download PDFInfo
- Publication number
- CN111624606A CN111624606A CN202010461226.7A CN202010461226A CN111624606A CN 111624606 A CN111624606 A CN 111624606A CN 202010461226 A CN202010461226 A CN 202010461226A CN 111624606 A CN111624606 A CN 111624606A
- Authority
- CN
- China
- Prior art keywords
- image
- rainfall
- layer
- radar
- 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.)
- Granted
Links
Images
Classifications
-
- 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
- G01S13/95—Radar or analogous systems specially adapted for specific applications for meteorological use
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Electromagnetism (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Networks & Wireless Communication (AREA)
- Image Analysis (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种雷达图像降雨识别方法,首先,对不同降雨强度下的雷达原始图像进行同频干扰抑制,选取图像中海浪监测区域的笛卡尔框图像作为数据集样本,利用数据集样本对改进的LeNet‑5模型进行迭代训练;然后,将待检测的雷达图像经同频干扰处理并提取该图像海浪监测区的笛卡尔框图像,输入到训练完成的模型中得到输出结果概率;最后,通过模型输出结果概率与检测阈值作比较,确定图像是否为降雨图像。本发明使得降雨图像与非降雨图像的识别更加简便,准确率更高。
Description
技术领域
本发明涉及一种雷达图像降雨识别方法,特别是一种采用深度学习技术的雷达图像降雨识别方法,属于海洋遥感技术领域。
背景技术
我国的海洋面积占比很大,约为陆地面积的三分之一。海洋富含多种多样的资源和能源,例如生物、矿产、油气、旅游等,开发潜力巨大。近些年,舰载航海雷达成为了一种主流的海浪观测方式。这种方式测量的范围广、测量精度高,可以全天候进行观测,能够全自动地记录数据和显示数据,适应多种工作环境。本发明所使用的X波段航海雷达可以测量海浪的波长、波高、波向、波周期等参数。雨是一种自然天气现象,降雨会造成航海雷达发射电磁波的反射和折射现象,同时吸收电磁波的能量。降雨还会改变海面的粗糙度,增大海浪反演时的误差。因此,对航海雷达降雨图像进行有效识别有十分重要的意义。
目前,针对航海雷达图像降雨检测技术研究领域的主要成果如下。2008年,郝燕岭、唐艳红等人分别利用回波强度和差异系数来确定雷达图像是否存在降雨干扰,差异系数定义为标准差和回波均值的比,对雷达数据统计后发现,有降雨和无降雨情况下的雷达图像回波均值和差异系数并不相同。2010年,郑亚能对此方法进行了更深层次的研究,对中值滤波算法进行改进来识别降雨雷达图像。2012年,Lund等人发现,在降雨和非降雨时零强度百分比存在差异性,提出用零强度百分比来识别降雨雷达图像的方法,该方法能有效的识别出降雨雷达图像。2017年,Huang Weimin等提出了一种基于空间纹理差异技术的船载X波段雷达图像的降雨识别方法,且考虑了风速对识别降雨图像的影响。2018年,刘红发现了海浪波数段能量和降雨干扰的关系,得出了降雨干扰越严重海浪波数段能量占比越小的结论,并提出根据海浪波数能量谱特性识别降雨雷达图像的方法。
深度学习图像识别方法作为近几年比较热门的图像识别算法之一,具有学习能力强,覆盖范围广,适应力强,可移植性好等优点,被广泛的应用在图像识别、语音处理、计算机视觉等领域。2010年末,百度识图软件正式上线,百度识图能够根据用户上传到网络上的图片,准确的搜索到与该图片类似的图片资源,以及显示出上传的图片相关的信息,满足用户的实际需求[9]。2012年,Google实验室发布了一个图像识别项目,通过深度学习的方法在YouTube网站上训练大量图片,使得模型能准确地识别出图片中的猫。在2014年的ImageNet挑战赛中,Christian Szegedy等人设计的GoogleNet深度卷积神经网络获得了第一名,此模型的计算效率高,用较少的计算量就能够提取很多的特征,提升了训练网络的效率。2015年,何凯明率领微软的团队,提出了一种新的卷积神经网络,称之为残差神经网络,该网络结构能极大的降低图像分类和识别的错误率。这些都证明了深度学习在图像识别领域中无可替代的地位。
发明内容
针对上述现有技术,本发明要解决的技术问题是提供一种可以有效区分降雨与非降雨雷达图像的采用卷积神经网络深度学习模型的雷达图像降雨识别方法,可以有效区分降雨与非降雨雷达图像。
为解决上述技术问题,本发明的一种雷达图像降雨识别方法,包括以下步骤:
步骤1:构建卷积神经网络深度学习模型,对离线取得的不同降雨强度下的雷达原始图像进行同频干扰抑制,选取图像中海浪监测区域的笛卡尔框图像作为数据集样本,利用数据集样本对卷积神经网络深度学习模型进行迭代训练;
步骤2:读取待检测雷达原始图像,利用雷达图像处理软件加载空间海域杂波连续图像,并通过滤波算法对待检测雷达原始图像进行同频干扰抑制;
步骤3:将步骤2得到的雷达图像的笛卡尔框图像输入到步骤1训练完成的模型中,雷达图像经过同频抑制处理后,选取扇形实验区域,提取实验区域笛卡尔框图像,输入到训练完成的模型中,得到输出结果概率P;
步骤4:通过步骤3输出结果概率P与设定阈值进行比较,判定降雨雷达图像与非降雨雷达图像类型,当P大于等于检测阈值时,雷达图像判定为降雨图像,当P小于检测阈值时,雷达图像判定为非降雨图像。
本发明还包括:
1.步骤1具体包括:
步骤1.1:离线开展观测试验,将选取的雷达图像数据分为训练数据和验证数据两类,选取等量的降雨雷达图像和非降雨雷达图像,对选取的雷达图像作同频干扰抑制,并记录对应同步时间点雨量计测得的真实降雨强度;
步骤1.2:构建改进的LeNet-5卷积神经网络基本模型,结构上包括卷积层、池化层、全连接层及输出层,其中,卷积层和全连接层后使用ReLU激活函数进行去线性化,池化层运用最大池化方法,最后的输出层应用Softmax函数,通过输出不同类别的概率确定最终结果;
步骤1.3:将数据集样本中的训练集数据依次输入到步骤1.2构建的卷积神经网络模型中,进行前向迭代训练,得到相应的实际输出值,在每一次前向迭代后进行一次后向迭代训练,将一组验证集送入模型中,通过调整参数减小实际输出与相应的理想输出间的误差,最小化损失函数;
步骤1.4:得到迭代次数分别与损失函数训练效果图和准确率的训练效果图,最终确定用于识别降雨雷达图像的模型结构和参数。
2.步骤1.2中改进的LeNet-5卷积神经网络基本模型具体为:包括7层,结构按照从前到后的顺序依次为:卷积层C1,池化层S1,卷积层C2,池化层S2,全连接层L1,全连接层L2,输出层L3;网络结构中,输入图像为128*128大小的原始雷达图像,后面连接着两个卷积-池化结构;C1是第一个卷积层,包含了6个5*5的卷积核,并且有16个偏置项参数,不使用全0填充,步长为1;S1是第一个池化层,采用最大池化的方法,卷积核的大小为2*2,长和宽的步长为2;C2是第二个卷积层,包含了16个3*3的卷积核和16个偏置项参数,不适用全0填充,步长为1;S2是第二个池化层,采用最大池化,卷积核的尺寸为2*2,长和宽的步长为2;在卷积层和全连接层后都使用ReLU激活函数进行去线性化,输出层L3采用Softmax函数得到了卷积神经网络模型的输出结果。
本发明的有益效果:与现有技术相比,利用本发明所提出的降雨雷达图像识别方法,其优点在于:
改进的卷积神经网络模型能够更快速的识别降雨雷达图像,并提高识别的准确率。本发明将LeNet-5卷积神经网络基本模型做出以下几点改进:
1.由于实验区域的雷达图像在未降雨时呈明暗相间条纹,海浪纹理清晰,特征明显;而降雨时图像亮度增大,图像纹理一片模糊,无清晰海浪条纹。基于海浪的这一特点,将池化层采用最大池化方法替代平均池化方法,突出海浪纹理特征提高辨识度,降低固定物、舰船等回拨噪声的随机叠加干扰。
2.由于参与模型训练的数据集样本较多,神经网络层数较深,将整个网络中卷积层和全连接层后都使用ReLU激活函数来代替Sigmoid激活函数。ReLU为非饱和激活函数,可以有效解决学习过程中的梯度消失问题。同时,ReLU激活函数也属于非线性函数,加入到神经网络中可以使网络拟合非线性映射,提高训练速度。
3.在雷达图像降雨与非降雨识别时,很难对无降雨和小降雨进行精准界定。本发明将输出层采用Softmax函数,将结果以概率分布形式输出,通过输出值的大小可以更精确的判断为降雨图像的概率。
4.将模型的输入图像像素提升至128×128,同时输出图像的像素也得到提升,更清晰的体现图片的特征,提高模型的训练效果。
与传统依靠特征参数识别图像的方式不同,本发明利用深度学习方法,根据大量样本的学习,得到深层的、数据集特定的特征表示,使训练后的模型对图像识别更高效和准确,在航海过程中更直接、实时地获取降雨信息。
本发明提出基于深度学习的降雨雷达图像识别新方法,通过大量实测导航雷达数据对模型进行训练,在航海过程中更直接、实时地获取降雨信息,提高了识别图像的准确性,增强了本发明的工程实用性。
本发明利用深度学习法对航海雷达图像进行降雨识别,可以应用在雷达图像所显示的所有海域。
附图说明
图1(a)为未降雨雷达图像的海浪区域;
图1(b)为降雨雷达图像的海浪区域;
图2(a)为未降雨的笛卡尔框图像;
图2(b)为降雨的笛卡尔框图像;
图3为卷积神经网络模型结构示意图;
图4为常规全连接网络结构;
图5(a)为前向传播阶段示意图;
图5(b)为反向传播阶段示意图;
图6为损失函数示意图;
图7为准确率示意图;
图8为极坐标系转化为笛卡尔坐标系示意图;
图9为雷达图像的预测结果显示效果图;
图10为识别降雨雷达图像的方法示意图。
具体实施方式
下面结合附图对本发明具体实施方式做进一步说明。
针对现有航海雷达图像降雨检测技术存在的识别准确率不高、海况对降雨识别造成影响等问题,本发明通过对航海雷达图像的分析,结合深度学习理论,提出了一种卷积神经网络深度学习模型识别雷达图像降雨干扰的方法。首先,对不同降雨强度下的雷达原始图像进行同频干扰抑制,选取图像中海浪监测区域的笛卡尔框图像作为数据集样本,利用数据集样本对改进的LeNet-5模型进行迭代训练;然后,将待检测的雷达图像经同频干扰处理并提取该图像海浪监测区的笛卡尔框图像,输入到训练完成的模型中得到输出结果概率;最后,通过模型输出结果概率与检测阈值作比较,确定图像是否为降雨图像。本发明使得降雨图像与非降雨图像的识别更加简便,准确率更高。
结合图10,本发明具体实施方式包括构建卷积神经网络深度学习模型并离线完成模型训练、读取待检测雷达图像并作同频干扰抑制、将扇形试验区转化为笛卡尔框图像输入到训练完成的模型中、降雨雷达图像的识别四个步骤,具体为:
步骤1,构建卷积神经网络深度学习模型,并离线完成模型训练。对离线取得的不同降雨强度下的雷达原始图像进行同频干扰抑制,选取图像中海浪监测区域的笛卡尔框图像作为数据集样本,利用数据集样本对改进的LeNet-5卷积神经网络模型进行迭代训练;
步骤2,读取待检测雷达原始图像并作同频干扰抑制。利用雷达图像处理软件加载空间海域杂波连续图像,通过滤波算法对其进行同频干扰抑制。
步骤3,提取步骤2得到的雷达图像的笛卡尔框图像输入到步骤1训练完成的模型中。雷达图像经过同频抑制处理后,根据工程经验和实际海况选取一定范围的扇形实验区域,通常选取海浪纹理较明显的中心位置扇形区域,提取该区域的笛卡尔框图像,输入到训练完成的模型中,得到输出结果概率P。
步骤4,降雨雷达图像识别。通过步骤3输出结果概率P与设定阈值进行比较,判定降雨雷达图像与非降雨雷达图像类型。
步骤1包括以下步骤:
步骤1.1,离线开展观测试验,将选取的雷达图像数据分为训练数据和验证数据两类,为了确保训练效果最佳,选取的降雨雷达图像和非降雨雷达图像的选取比例为1:1。对选取的雷达图像作同频干扰抑制,并记录对应同步时间点雨量计测得的真实降雨强度。
步骤1.2,构建改进的LeNet-5卷积神经网络基本模型,结构上包括卷积层、池化层、全连接层及输出层等。其中,卷积层和全连接层后使用了ReLU激活函数进行去线性化,用于提升图像识别效果。池化层运用最大池化方法,让图像更加清晰。最后的输出层应用Softmax函数,可通过输出不同类别的概率确定最终结果。
步骤1.3,将数据集样本中的训练集数据依次输入到步骤1.2构建的卷积神经网络模型中,进行前向迭代训练,得到相应的实际输出值。每一次完整的迭代训练,包括前向迭代训练和反向迭代训练,将一组验证集送入模型中,通过不断调整参数,减小实际输出与相应的理想输出间的误差,达到最小化损失函数的目的。
步骤1.4,得到迭代次数分别与损失函数和准确率的训练效果图,结合图像的训练效果分析,最终确定用于识别降雨雷达图像的模型结构和参数。
步骤2包括以下步骤:
步骤2.1,利用雷达图像处理软件加载已完成数字化的空间海域雷达回波连续图像,并同步记录雷达图像采集时间,图像采样点数;
步骤2.2,利用滤波算法对雷达图像进行同频干扰抑制处理;
步骤3包括以下步骤:
步骤3.1,经过同频抑制处理后的待检测雷达图像,在其海浪监测区中选取实验区域。
步骤3.2,提取实验区域的笛卡尔框图像,输入到步骤1训练完成的模型中。
步骤4包括以下步骤:
步骤4.1,当训练完成的模型输出结果概率P大于等于检测阈值时,雷达图像判定为降雨图像;
步骤4.2,当训练完成的模型输出结果概率P小于检测阈值时,雷达图像判定为非降雨图像。
结合具体参数给出本发明的实施例:
结合图10,具体可以分为以下几步,第一步为构建卷积神经网络深度学习模型,并离线完成模型训练,第二步为读取待检测雷达图像并作同频干扰抑制,第三步为选取经同频干扰后雷达图像的扇形试验区,将其转换为笛卡尔框图像输入到训练完成的模型中,得到输出结果,第四步为降雨雷达图像的识别。
本发明所用的X波段航海雷达的工作模式为短脉冲,监测范围为4.5km之内,径向分辨率为23m,角度分辨率为1度,每幅图像的采集时间约为2.7s,规定以32幅图像作为一个时间序列进行存储,雷达图像的总线数抽稀为2048条,每根雷达线上包含600个像素点,径向分辨率为7.5m,方位分辨率约为0.18度。
实验所用雨量计放置在雷达附近进行测量,雨量计测量的降雨量以分钟为单位,若1分钟之内的降雨量不足0.1mm时当作0mm进行记录。
结合图10,本发明具体实施步骤为:
第一步,构建卷积神经网络深度学习模型,并离线完成模型训练。模型的构建包括以下步骤:
步骤1.1,离线开展观测试验,选取10000幅雷达原始图像,其中8000幅图像作为训练数据,2000幅图像作为验证数据,所有数据集中的降雨雷达图像和非降雨雷达图像的选取比例为1:1。对选取的雷达图像作同频干扰抑制,通过雷达图像处理软件加载空间海域杂波连续图像,利用中值滤波对其进行同频干扰抑制,并记录对应同步时间点雨量计测得的真实降雨强度。降雨和未降雨雷达图像的海浪区域如图1(a)和图1(b)所示,本例所选雷达图像数据均来自平潭县海洋观测站在2013年8月至2014年1月间测量得到。
在航海雷达图像的海浪监测区域中选取方位向范围为120°至170°、径向范围为80至600点的区域作为实验区域,将降雨和未降雨的雷达笛卡尔框图像作为数据集样本,数据集样本包括了实验所需的训练集、验证集。降雨和未降雨的笛卡尔框图像如图2(a)和图2(b)所示。
步骤1.2,构建改进的LeNet-5卷积神经网络基本模型,如图3所示。模型共有7层,结构按照从前到后的顺序依次为:卷积层C1,池化层S1,卷积层C2,池化层S2,全连接层L1,全连接层L2,输出层L3。网络结构中,输入图像为128*128大小的原始雷达图像,后面连接着两个卷积-池化结构。C1是第一个卷积层,包含了6个5*5的卷积核,并且有16个偏置项参数,不使用全0填充,步长为1。S1是第一个池化层,采用最大池化的方法,卷积核的大小为2*2,长和宽的步长为2。C2是第二个卷积层,包含了16个3*3的卷积核和16个偏置项参数,不适用全0填充,步长为1。S2是第二个池化层,同样采用最大池化,卷积核的尺寸为2*2,长和宽的步长为2。在整个网络中卷积层和全连接层后都使用了ReLU激活函数进行了去线性化。最后输出层L3采用了Softmax函数得到了卷积神经网络模型的输出结果。整个模型具体参数见表一:
表一 卷积神经网络模型结构
其具体方法为:
1.2.1,卷积层中,层与层之间相互连接的特征图由一个或者多个卷积核通过卷积运算来提取像素级图像特征,卷积运算的结果利用ReLU激活函数映射变换后构成从输入到输出的特征映射关系。卷积层可以通过公式(1)计算。
其中,f代表输入,为二维图像,g代表卷积核,m和n分别为卷积核尺寸。为更直观的表达,表二给出卷积层学习流程。
表二 卷积层中图像特征的处理流程
1.2.2,池化层运用最大池化方法保留图像的显著特征,让图像更加清晰。池化层的表达类似于卷积的处理流程,如表三所示:
表三 池化层中图像特征的处理流程
将网络结构中卷积层和池化层依次连接,卷积层在前,池化层在后,交替组成卷积-池化层,对图像的特征进行提取。
1.2.3,全连接层放在卷积层和池化层的后面,全连接层每一个神经元与前一层的每一个神经元全连接,如附图4所示。在全连接层后使用ReLU激活函数,加强网络结构的适应性。全连接层相当于神经节点之间做内积运算,主要涉及前向运算和后向运算,前向运算使用公式(2)计算每个神经元的输出值,后向运算使用公式(3)计算每个神经元的误差项。
y=WTx+b (2)
其中,y∈Rm×1代表神经元的输出,x∈Rn×1代表神经元的输入,W∈Rn×m代表该神经元的权值,b为偏置项,l为该层神经元。
1.2.4,输出层使用Softmax函数,最后输出的是不同类别的概率,根据概率大小即可确定最终结果。
步骤1.3,对卷积神经网络模型进行训练,模型的训练主要涉及图5(a)和图5(b)所示的前向传播和反向传播两个阶段。
前向传播过程中,将数据集样本中的8000幅训练集以128幅为一组进行一次前向迭代训练,多轮迭代后如果剩余不足128幅,可以取迭代过的训练集重复迭代。设一幅训练集为(x,yp),将一组训练集依次输入到步骤1.2构建的卷积神经网络模型中,层与层间利用公式(4)和(5)计算,得到相应的实际输出值op。
xl=f(ul) (4)
ul=Wlxl-1+bl (5)
其中,l表示当前层,xl表示当前层的输出,Wl和bl分别表示当前层的权值和偏置,f表示激活函数,在这里应用ReLU激活函数。
反向传播过程中,使用链式法则对每层神经元节点迭代计算梯度,为了减小实际输出op与相应的理想输出yp间的误差,利用公式(6)计算损失函数:
其中,n为数据样本的训练误差,c为输出层节点的个数,为最终的分类类别数目,t是得到正确训练样本的结果值,y是网络训练的输出结构值。
通过公式(7)、(8)、(9)对权重参数进行调整,得到极小化误差。
其中,η为学习率,δ为残差,也称敏感度。对应的卷积网络最后一层L的残差为:
δL=f′(u)⊙(yn-tn) (10)
其中,f′为激活函数的导函数,⊙为Hadamard积。
利用公式(11)计算卷积神经网络中间层l的残差。
δl=(Wl+1)Tδl+1⊙f′(ul) (11)
将数据集样本中的2000幅验证集以32幅为一组,在每一次模型完整的迭代训练后,将一组验证集输入到该模型中,通过不断调整参数,减小实际输出与相应的理想输出间的误差,达到最小化损失函数的目的。卷积神经网络中前向传播训练和反向传播训练方法整个流程如表四所示:
表四 前向、反向传播算法
步骤1.4,模型的训练效果如附图6所示。横坐标为迭代次数,纵坐标为损失函数,将初始参数w=[2,-3.4],b=4.2送入到模型进行训练,经过参数w和b的更新和100次的迭代训练,此时损失函数已经接近0,趋于稳定。
附图7中,横坐标为迭代次数,纵坐标为准确率,在迭代次数达到60次之后,卷积神经网络模型在测试数据集上的准确率可以达到在95%左右。由此,完成了卷积神经网络模型的训练,得到了用于识别降雨雷达图像的模型。
第二步,待检测雷达图像读取并作同频干扰抑制。利用雷达图像处理软件加载待检验识别的雷达图像,利用中值滤波对其进行同频干扰抑制。具体方法为将每一像元点的回波强度值以该点3*3邻域窗口内其余8个像元点回波强度的中值代替。每一像元点的回波强度值利用公式(12)计算:
第三步,提取第二步得到的雷达图像的笛卡尔框图像输入到第一步训练完成的模型中。经过同频抑制处理后的待检测雷达图像,根据工程经验和实际海况,选取其海浪区域中方位向范围为120°至170°、径向范围为80至600点的区域作为实验区域,利用公式(13)提取实验区域的笛卡尔框图像,示意图如附图8所示。将得到的笛卡尔框图像输入到第一步训练完成的模型中。
其中,若极坐标系下某位置为(r,θ,z),经下式可转换为笛卡尔坐标系的坐标(x,y,z)。
第四步,降雨雷达图像的识别。输入图像经过训练完成的模型会输出结果概率P,通过结果概率P与设定阈值的比较确定最终降雨雷达图像的识别结果,本例设定阈值为50%,即
附图9为随机抽取雷达图像,由于降雨干扰信号掩盖了海杂波信号,导致图片显示的纹理相当模糊,海浪条纹不清晰,可知此图像是降雨雷达图像。卷积神经网络模型对此图像判断为降雨雷达图像的概率高达99%,可知模型的判断结果是正确的,所以用此模型将降雨雷达图像和非降雨雷达图像分类是可行的。
为证明本发明的降雨识别优势,将卷积神经网络模型识别降雨方法、回波强度均值法及零强度百分比法进行效果对比,选取500幅雷达图像来统计各个方法识别降雨雷达图像的准确率,统计结果如表五所示:
表五 识别降雨雷达图像的统计结果
由上表可知,卷积神经网络模型的雷达降雨图像识别效果较好,整体的识别准确率为94.4%,远好于回波强度均值法和零强度百分比法,能很好的识别出雷达图像是否受到降雨干扰。本发明对降雨雷达图像有很好的识别效果,使海浪参数反演的准确率得到提高。
本发明所提出的基于深度学习的雷达图像降雨识别方法提高了降雨识别的准确率,与传统依靠特征参数识别图像的方式不同,本方法根据大量样本的学习,得到深层的、数据集特定的特征表示,使训练后的模型对降雨图像与非降雨图像的识别准确率提高,为雷达图像降雨识别领域提供一种新的途径。
Claims (3)
1.一种雷达图像降雨识别方法,其特征在于,包括以下步骤:
步骤1:构建卷积神经网络深度学习模型,对离线取得的不同降雨强度下的雷达原始图像进行同频干扰抑制,选取图像中海浪监测区域的笛卡尔框图像作为数据集样本,利用数据集样本对卷积神经网络深度学习模型进行迭代训练;
步骤2:读取待检测雷达原始图像,利用雷达图像处理软件加载空间海域杂波连续图像,并通过滤波算法对待检测雷达原始图像进行同频干扰抑制;
步骤3:将步骤2得到的雷达图像的笛卡尔框图像输入到步骤1训练完成的模型中,雷达图像经过同频抑制处理后,选取扇形实验区域,提取实验区域笛卡尔框图像,输入到训练完成的模型中,得到输出结果概率P;
步骤4:通过步骤3输出结果概率P与设定阈值进行比较,判定降雨雷达图像与非降雨雷达图像类型,当P大于等于检测阈值时,雷达图像判定为降雨图像,当P小于检测阈值时,雷达图像判定为非降雨图像。
2.根据权利要求1所述的一种雷达图像降雨识别方法,其特征在于:步骤1具体包括:
步骤1.1:离线开展观测试验,将选取的雷达图像数据分为训练数据和验证数据两类,选取等量的降雨雷达图像和非降雨雷达图像,对选取的雷达图像作同频干扰抑制,并记录对应同步时间点雨量计测得的真实降雨强度;
步骤1.2:构建改进的LeNet-5卷积神经网络基本模型,结构上包括卷积层、池化层、全连接层及输出层,其中,卷积层和全连接层后使用ReLU激活函数进行去线性化,池化层运用最大池化方法,最后的输出层应用Softmax函数,通过输出不同类别的概率确定最终结果;
步骤1.3:将数据集样本中的训练集数据依次输入到步骤1.2构建的卷积神经网络模型中,进行前向迭代训练,得到相应的实际输出值,在每一次前向迭代后进行一次后向迭代训练,将一组验证集送入模型中,通过调整参数减小实际输出与相应的理想输出间的误差,最小化损失函数;
步骤1.4:得到迭代次数分别与损失函数训练效果图和准确率的训练效果图,最终确定用于识别降雨雷达图像的模型结构和参数。
3.根据权利要求2所述的一种雷达图像降雨识别方法,其特征在于:步骤1.2所述改进的LeNet-5卷积神经网络基本模型具体为:包括7层,结构按照从前到后的顺序依次为:卷积层C1,池化层S1,卷积层C2,池化层S2,全连接层L1,全连接层L2,输出层L3;网络结构中,输入图像为128*128大小的原始雷达图像,后面连接着两个卷积-池化结构;C1是第一个卷积层,包含了6个5*5的卷积核,并且有16个偏置项参数,不使用全0填充,步长为1;S1是第一个池化层,采用最大池化的方法,卷积核的大小为2*2,长和宽的步长为2;C2是第二个卷积层,包含了16个3*3的卷积核和16个偏置项参数,不适用全0填充,步长为1;S2是第二个池化层,采用最大池化,卷积核的尺寸为2*2,长和宽的步长为2;在卷积层和全连接层后都使用ReLU激活函数进行去线性化,输出层L3采用Softmax函数得到了卷积神经网络模型的输出结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010461226.7A CN111624606B (zh) | 2020-05-27 | 2020-05-27 | 一种雷达图像降雨识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010461226.7A CN111624606B (zh) | 2020-05-27 | 2020-05-27 | 一种雷达图像降雨识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111624606A true CN111624606A (zh) | 2020-09-04 |
CN111624606B CN111624606B (zh) | 2022-06-21 |
Family
ID=72270199
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010461226.7A Active CN111624606B (zh) | 2020-05-27 | 2020-05-27 | 一种雷达图像降雨识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111624606B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112801194A (zh) * | 2021-02-03 | 2021-05-14 | 大连海事大学 | 基于改进AlexNet的船用雷达降雨分析方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH10177076A (ja) * | 1996-12-19 | 1998-06-30 | Toshiba Corp | 降雨量予測装置 |
WO2002016898A1 (en) * | 2000-08-24 | 2002-02-28 | University Corporation For Atmospheric Research | Determining termperature of a physical medium using remote measurement |
CN101706571A (zh) * | 2009-11-05 | 2010-05-12 | 宁波市气象信息中心 | 一种雷达回波中非气象杂波的处理方法 |
KR101483617B1 (ko) * | 2013-12-06 | 2015-01-16 | 대한민국 | 강수 추정 시스템 및 그 방법 |
CN108318881A (zh) * | 2018-01-08 | 2018-07-24 | 哈尔滨工程大学 | 基于k参数的航海雷达图像降雨识别方法 |
AU2018232914A1 (en) * | 2017-09-18 | 2019-04-04 | Tata Consultancy Services Limited | Techniques for correcting linguistic training bias in training data |
CN109765559A (zh) * | 2019-02-02 | 2019-05-17 | 中国水利水电科学研究院 | 一种基于多普勒雷达和深度学习的山区致灾暴雨识别方法 |
CN110208807A (zh) * | 2019-06-14 | 2019-09-06 | 哈尔滨工程大学 | 一种基于航海雷达图像检测区域差异性参数的雨强等级反演方法 |
CN110208806A (zh) * | 2019-06-04 | 2019-09-06 | 哈尔滨工程大学 | 一种航海雷达图像降雨识别方法 |
CN110568441A (zh) * | 2019-09-09 | 2019-12-13 | 大连海事大学 | 一种基于卷积神经网络的船用雷达测雨识别方法 |
CN111060926A (zh) * | 2019-12-25 | 2020-04-24 | 新奇点企业管理集团有限公司 | 一种雨量计算系统和方法 |
-
2020
- 2020-05-27 CN CN202010461226.7A patent/CN111624606B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH10177076A (ja) * | 1996-12-19 | 1998-06-30 | Toshiba Corp | 降雨量予測装置 |
WO2002016898A1 (en) * | 2000-08-24 | 2002-02-28 | University Corporation For Atmospheric Research | Determining termperature of a physical medium using remote measurement |
CN101706571A (zh) * | 2009-11-05 | 2010-05-12 | 宁波市气象信息中心 | 一种雷达回波中非气象杂波的处理方法 |
KR101483617B1 (ko) * | 2013-12-06 | 2015-01-16 | 대한민국 | 강수 추정 시스템 및 그 방법 |
AU2018232914A1 (en) * | 2017-09-18 | 2019-04-04 | Tata Consultancy Services Limited | Techniques for correcting linguistic training bias in training data |
CN108318881A (zh) * | 2018-01-08 | 2018-07-24 | 哈尔滨工程大学 | 基于k参数的航海雷达图像降雨识别方法 |
CN109765559A (zh) * | 2019-02-02 | 2019-05-17 | 中国水利水电科学研究院 | 一种基于多普勒雷达和深度学习的山区致灾暴雨识别方法 |
CN110208806A (zh) * | 2019-06-04 | 2019-09-06 | 哈尔滨工程大学 | 一种航海雷达图像降雨识别方法 |
CN110208807A (zh) * | 2019-06-14 | 2019-09-06 | 哈尔滨工程大学 | 一种基于航海雷达图像检测区域差异性参数的雨强等级反演方法 |
CN110568441A (zh) * | 2019-09-09 | 2019-12-13 | 大连海事大学 | 一种基于卷积神经网络的船用雷达测雨识别方法 |
CN111060926A (zh) * | 2019-12-25 | 2020-04-24 | 新奇点企业管理集团有限公司 | 一种雨量计算系统和方法 |
Non-Patent Citations (6)
Title |
---|
E.S.T. LAI 等: "《Pattern recognition of radar echoes for short-range rainfall forecast》", 《PROCEEDINGS 15TH INTERNATIONAL CONFERENCE ON PATTERN RECOGNITION. ICPR-2000》 * |
ZHIZHONG LU 等: "《Research on Rainfall Identification Based on the Echo Differential Value from X-band Navigation Radar Image》", 《2019 IEEE INTERNATIONAL CONFERENCE ON MECHATRONICS AND AUTOMATION (ICMA)》 * |
唐艳红 等: "《 航海雷达测波系统中海杂波数据的校正》", 《国土资源遥感》 * |
杨宏宇 等: "《基于深度卷积神经网络的气象雷达噪声图像语义分割方法》", 《电子与信息学报》 * |
滕少华 等: "《混合PNN和RBF多神经网络模型的局域降雨类型识别及雨量预测》", 《小型微型计算机系统》 * |
陈晓宏 等: "《降雨空间分布模式识别》", 《水利学报》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112801194A (zh) * | 2021-02-03 | 2021-05-14 | 大连海事大学 | 基于改进AlexNet的船用雷达降雨分析方法 |
CN112801194B (zh) * | 2021-02-03 | 2023-08-25 | 大连海事大学 | 基于改进AlexNet的船用雷达降雨分析方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111624606B (zh) | 2022-06-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110472627B (zh) | 一种端到端的sar图像识别方法、装置及存储介质 | |
Zeng et al. | Underwater target detection based on Faster R-CNN and adversarial occlusion network | |
CN109886217B (zh) | 一种基于卷积神经网络从近岸海浪视频中检测浪高的方法 | |
CN110728658A (zh) | 一种基于深度学习的高分辨率遥感影像弱目标检测方法 | |
CN109871902B (zh) | 一种基于超分辨率对抗生成级联网络的sar小样本识别方法 | |
Ai et al. | Convolutional neural network to retrieve water depth in marine shallow water area from remote sensing images | |
CN112395987B (zh) | 基于无监督域适应cnn的sar图像目标检测方法 | |
CN109376591B (zh) | 深度学习特征与视觉特征联合训练的船只目标检测方法 | |
CN113239830B (zh) | 一种基于全尺度特征融合的遥感图像云检测方法 | |
CN110826428A (zh) | 一种高速的sar图像中船只检测方法 | |
CN109712149B (zh) | 一种基于小波能量和模糊c均值的图像分割方法 | |
CN105405132A (zh) | 基于视觉反差和信息熵的sar图像人造目标检测方法 | |
CN113642475B (zh) | 基于卷积神经网络模型的大西洋飓风强度估算方法 | |
CN108280412A (zh) | 基于变结构cnn的高分辨sar图像目标检测方法 | |
CN111783555A (zh) | 一种使用统一样本的深度学习卫星数据云检测算法 | |
CN113850204A (zh) | 一种基于深度学习和超宽带雷达的人体动作识别方法 | |
Yang et al. | Evaluation and mitigation of rain effect on wave direction and period estimation from X-band marine radar images | |
CN112487900A (zh) | 一种基于特征融合的sar图像舰船目标检测方法 | |
CN113312993A (zh) | 一种基于PSPNet的遥感数据土地覆盖分类方法 | |
CN108734122A (zh) | 一种基于自适应样本选择的高光谱城区水体检测方法 | |
CN111624606B (zh) | 一种雷达图像降雨识别方法 | |
CN108509835B (zh) | 基于DFIC超像素的PolSAR图像地物分类方法 | |
CN111222576A (zh) | 一种高分辨率遥感图像分类方法 | |
CN116012618A (zh) | 一种基于雷达回波图的天气辨识方法、系统、设备及介质 | |
CN115294398A (zh) | 一种基于多姿态角联合学习的sar图像目标识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |