CN112115405B - 基于图像识别的日间海雾雾区反演方法 - Google Patents
基于图像识别的日间海雾雾区反演方法 Download PDFInfo
- Publication number
- CN112115405B CN112115405B CN202010972380.0A CN202010972380A CN112115405B CN 112115405 B CN112115405 B CN 112115405B CN 202010972380 A CN202010972380 A CN 202010972380A CN 112115405 B CN112115405 B CN 112115405B
- Authority
- CN
- China
- Prior art keywords
- daytime
- sea
- sea fog
- data
- fog
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000012549 training Methods 0.000 claims abstract description 28
- 238000005516 engineering process Methods 0.000 claims abstract description 16
- 238000012360 testing method Methods 0.000 claims abstract description 16
- 238000012216 screening Methods 0.000 claims abstract description 12
- 230000003068 static effect Effects 0.000 claims abstract description 10
- KLPWJLBORRMFGK-UHFFFAOYSA-N Molindone Chemical compound O=C1C=2C(CC)=C(C)NC=2CCC1CN1CCOCC1 KLPWJLBORRMFGK-UHFFFAOYSA-N 0.000 claims abstract description 5
- 238000013528 artificial neural network Methods 0.000 claims abstract description 5
- 229940028394 moban Drugs 0.000 claims abstract description 5
- 238000013527 convolutional neural network Methods 0.000 claims description 14
- 238000011176 pooling Methods 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 12
- 230000004927 fusion Effects 0.000 claims description 12
- 238000005520 cutting process Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 238000002310 reflectometry Methods 0.000 claims description 8
- 238000012937 correction Methods 0.000 claims description 6
- 238000009826 distribution Methods 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 230000001133 acceleration Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 description 16
- 239000003595 mist Substances 0.000 description 10
- 238000013461 design Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 229940115089 sea mist Drugs 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Algebra (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Databases & Information Systems (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
基于图像识别的日间海雾雾区反演方法,包括建立日间海雾样本集、筛选日间海雾雾区识别模型、反演日间海雾雾区;具体包括利用能见度数据与海雾反演技术筛选海雾个例;初步确定海雾雾区,结合海陆模板生成日间海雾标签集;结合静止卫星数据,与RTG‑SST数据,生成日间海雾数据集;将日间海雾样本集分为训练集、测试集;训练日间海雾雾区识别模型;以对实时卫星数据和实时海温数据建立建立日间海雾实时数据集,先实现海雾的像素级识别,再代入全连接条件随机场得到精细的雾区边界。本发明首次将神经网络的方法用于日间海雾雾区反演,不依赖于人工输入数据特征,成为日间海雾雾区反演的得力工具,提升海雾雾区边界的反演精度。
Description
技术领域
本发明涉及一种基于图像识别的日间海雾雾区反演方法,具体通过使用图像识别方法中卷积神经网络与全连接条件随机场的结合,基于卫星图像数据实现日间海雾雾区的反演,属于气象遥感技术领域。
背景技术
海雾发生时,海上或沿海地区大气水平能见度降低,对在海上和港口航行船舶的安全带来很大危害,也是引发海上和沿海地区多种事故的重要原因。我国近海沿岸多海雾区,在航运、渔业、生产等海上活动日益频繁的今天,海雾的监测与预报十分重要。卫星遥感技术特别是静止卫星提供了大范围、定时、连续的离岸观测,成为海雾监测的重要手段。
目前,日间低层云/雾的卫星反演方法较为多样。白天光照充足,提供了可见光云图的纹理特征、光学厚度等信息,可以通过光谱分析得到雾与低云的不同特征,选取适当阈值得以区分。长波红外通道接收来自雾/云顶的亮温信息,结合气候学月平均海温的动态阈值法,对日间低云与海雾的进行区分。也有学者通过反演云底高度从而识别低云区的海雾。但现有的诸多海雾反演方法大多基于单像素判断的阈值法,没有充分考虑云/雾的空间特征,因此在云/雾的边界处存在漏判、误判等情况,海雾反演技术仍有提升的空间。
因此鉴于现有技术的上述缺点,需要提出一种新的反演方法,以进一步改进反演效果。
发明内容
本发明的目的是提供一种基于图像识别的日间海雾雾区反演方法,利用卫星数据,通过建立卷积神经网络(Convolutional Neural Network, CNN)模型,对日间海雾进行识别,并结合全连接条件随机场,提供更加清晰、精细的雾区边界,以提高日间海雾反演技术。
基于图像识别的日间海雾雾区反演方法,其特征是包括a建立日间海雾样本集、b筛选日间海雾雾区识别模型、及c反演日间海雾雾区三大步骤;
所述的a建立日间海雾样本集包括以下步骤:
a1)选择有待于进行日间海雾雾区反演的区域,利用ICOADS (InternationalComprehensive Ocean-Atmosphere Data Set, 国际综合海洋大气数据集)能见度数据、浮标站能见度数据,并结合已有的海雾反演技术,筛选海雾个例;再选取一个大于零的角度h0,将太阳高度角大于h0的时段作为日间时间段,进一步筛选日间海雾个例;
a2)基于已有的海雾反演技术中海上云、雾、晴空海分布,初步确定上述区域中的海雾雾区;海雾专家组再利用海雾的纹理平坦光滑度、移动及变化速度慢、与沿海岸线平齐的特征,对前述日间海雾个例所在的雾区进行综合分析判断与修正,再结合海陆模板生成最终的日间海雾标签集;
其中每个标签,包含了海雾、海上云、晴空海、陆地等四种分类;
a3)根据已筛选的日间海雾个例,获取对应时段内的静止卫星数据,对静止卫星数据进行定标、投影、截取范围处理,并选取通道2 (~0.65μm) 、通道5 (~1.61μm)、通道6 (~2.25μm)、通道8 (~3.75μm)、通道12 (~10.7μm)、通道13 (~12.0μm)共6个通道数据,其中对可见光与近红外通道的反射率进行太阳高度角订正;将上述经过处理后的静止卫星数据与RTG-SST 数据(Real Time Global Sea Surface Temperature, 实时全球海表温度)相结合,生成日间海雾数据集;
数据集中,每个数据为通道数、高度、宽度的3维数据组;
所建立的日间海雾标签集与日间海雾数据集合并称为日间海雾样本集,数据集中每个数据与标签集中与之时次相同的标签相匹配,称作一个样本;
所述的b筛选日间海雾雾区识别模型包括以下步骤:
将上述日间海雾样本集,按照4:1随机分为训练集、测试集;通过训练集和测试集,训练日间海雾雾区识别模型;所述的模型为海上云、雾、晴空海区三分类的卷积神经网络模型,输入端为日间海雾数据集,输出端为日间海雾标签集;
所述的卷积网络模型,包括由卷积层、池化层、反卷积层、激活函数层、裁剪层、融合层组成的隐藏层,其中卷积层与池化层相互配合,组成多个卷积组;
所述卷积层利用卷积计算实现提取数据的各种特征;
每个卷积层后紧接激活函数层,目的是将卷积层得到的线性结果进一步形成复杂的函数映射,增加整个网络的表达能力,因此又称为非线性映射层;
池化层则对特征信号进行抽象,并大幅度减少训练参数;
反卷积层,可看成卷积层的反向操作,对已有的抽象特征进行上采样,也可成为上采样层;
裁剪层,将一层数据按照另一层数据的尺寸大小进行裁剪,达到统一尺寸的目的;
融合层,将两层尺寸相同的数据进行融合,新得到的一层数据兼顾了原两层数据的特征信息;
通过调整卷积神经网络的学习率、卷积核大小(F)、卷积核个数(N)、步长(S)、填充数(P),获得多个不同的基于训练集的日间海雾雾区识别模型;再根据测试集在多个模型中的准确率,从中筛选出最优网络模型,作为最终所用的日间海雾雾区识别模型;
所述的c反演日间海雾雾区包括以下步骤:
c1)获取实时卫星数据和实时海温数据,以步骤a3)的方式建立日间海雾实时数据集;
c2)对每一个日间海雾实时数据,先利用步骤b中最终选定的日间海雾雾区识别模型实现海雾的像素级识别,再将其结果代入全连接条件随机场(Fully ConnectedConditional Random Field, Fully Connected CRF),进一步得到清晰、精细的雾区边界,从而完善日间海雾雾区的反演。
上述步骤a1)中海雾反演技术采用的是现有的动态阈值法海雾反演技术。
上述步骤a3)中,还包括对可见光与近红外通道的反射率进行太阳高度角订正的步骤,订正公式如下:
R'=R/sinh
其中,R为此通道的反射率,h为太阳高度角,R'为反射率的订正值。
上述步骤b中训练日间海雾雾区识别模型,是基于CAFFE (ConvolutionalArchitecture for Fast Feature Embedding)框架、Python接口及GPU加速运行的。
发明优点
与现有技术相比,本发明基于多通道的静止卫星原始数据首次将神经网络的方法用于日间海雾雾区反演,以卷积神经网络为典型的深度学习方法,不依赖于人工输入数据特征,而是从原始数据中层层抽象自动提取目标物特征,具有模拟人脑进行分析学习的能力,在图像分类、图像语义分割等图像识别领域中表现出色。本发明设计的卷积神经网络模型,自主从卫星通道数据中学习,提取日间海雾特征,并整合像素间上下文信息,充分考虑了海雾的整体、空间特征,从而实现像素级别的分类结果;与全连接条件随机场的结合,进一步提高了海雾雾区的准确定位和雾区边界的细化、清晰程度。本发明将卷积神经网络与全连接条件随机场结合,成为日间海雾雾区反演的得力工具,为提升海雾雾区边界的反演提供了可能。
附图说明
图1、本发明的日间海雾雾区反演方法流程图。
图2、本发明的日间海雾雾区识别模型结构示意图。
具体实施方式
下面结合附图对本发明做进一步说明。
如图1 a部分所示,本发明的建立日间海雾样本集分以下3步骤:
步骤a1:选择一个海雾区域,下载并处理ICOADS能见度数据、沿海浮标站能见度数据,与同时次已有的海雾反演技术结合,筛选海雾个例;再选取一个大于零的角度h0,将太阳高度角大于h0的时段作为日间时间段,进一步筛选日间海雾个例;
步骤a2:基于已有的海雾反演技术中海上云、雾、晴空海分布,初步确定海雾雾区;海雾专家组利用海雾的纹理平坦光滑度、移动及变化速度慢、与沿海岸线平齐的特征,对上述海雾个例所在的雾区进行综合分析判断与修正,再与海陆模板结合生成日间海雾标签集;其中每个标签,包含了海雾、海上云、晴空海、陆地等四种分类;
步骤a3:根据已筛选的日间海雾个例,获取对应时段内静止卫星原始数据,对原始数据进行定标、投影、截取范围处理,选取通道2 (~0.65μm) 、通道5 (~1.61μm)、通道6 (~2.25μm)、通道8 (~3.75μm)、通道12 (~10.7μm)、通道13 (~12.0μm)共6个通道数据;
其中对可见光与近红外通道的反射率进行太阳高度角订正,订正公式如下:
R'=R/sinh
其中,R为此通道的反射率,h为太阳高度角,R'为反射率的订正值;
将经过处理后的卫星数据与RTG-SST海温数据结合,生成日间海雾数据集,数据集的每个数据为通道数、高度、宽度的3维数据组;
所建立的日间海雾标签集与日间海雾数据集合并称为日间海雾样本集,数据集中的每个数据与相同时次的标签相匹配,称作一个样本。
如图1 b部分所示,本发明的筛选日间海雾雾区识别模型包括以下步骤:
将上述日间海雾样本集,按照4:1随机分为训练集、测试集。通过训练集和测试集,训练日间海雾雾区识别模型。此模型为海上云、雾、晴空海区三分类的卷积神经网络模型,输入端为日间海雾数据集,输出端为日间海雾标签集。
训练过程中,对标签中陆地记为忽略一类,不参与模型训练与准确率的计算;模型采用经典CNN模型VGG网络作为预训练模型,采用ReLU函数作为激活函数,池化层中采用最大值采样法;通过卷积网络结构的设计,学习率、卷积核大小(F)、卷积核个数(N)、步长(S)、填充数(P)参数的调整等多种尝试,基于训练集获得不同的日间海雾雾区识别模型。依据测试集在多个模型中的准确率,从中筛选出最优网络模型,作为最终所用的日间海雾雾区识别模型。
本发明所用日间海雾雾区识别模型的结构如图2所示,分为Ⅰ、Ⅱ两个部分。第Ⅰ部分中,选用6个卷积组,第1-5个卷积组中包含2个卷积层与1个池化层,第6个卷积组为2个卷积层,每个卷积组所用卷积核大小(F)、卷积核个数(N)、步长(S)、填充数(P)各不相同。
经过第Ⅰ部分的处理后的结果命名为Score_pre。随后经第Ⅱ部分中第1组反卷积层、卷积层、裁剪层、融合层操作,对Score_pre的结果进行2倍的上采样,同时对第4个卷积组得到的池化层结果进行上采样,将两个上采样结果按照同一尺寸裁剪后融合。第2组反卷积层、卷积层、裁剪层、融合层操作,对上一组融合的结果进行2倍的上采样,同时对第3个卷积组得到的池化层结果进行上采样,将两个上采样结果按照同一尺寸裁剪后融合。最后一组只进行反卷积层、裁剪层两步操作,先将上一组融合结果进行8倍的上采样,按照原始数据的尺寸进行裁剪。最终输出则为样本的分类结果。
如图1 c部分所示,本发明的反演日间海雾雾区包括以下2个步骤:
步骤c1:获取实时卫星数据和海温数据,仿照步骤a3建立日间海雾实时数据集;
步骤c2:对每一个日间海雾实时数据,先利用上述最终选定的日间海雾雾区识别模型实现海雾的像素级识别,再将其结果代入全连接条件随机场,进一步得到清晰、精细的雾区边界,从而完善日间海雾雾区的反演。
上述日间海雾雾区识别模型的训练,是基于CAFFE框架、Python接口及GPU加速运行的。
实施例
以黄渤海海雾为实施例,具体说明该反演方法。
1) 选取117.5 ºE - 127.5 ºE、30 ºN - 41 ºN范围的黄渤海区域,下载并处理ICOADS能见度数据;依据2018年3 - 7月的ICOADS能见度、沿海浮标站能见度两种观测数据,与同时次已有的海雾反演技术结合,实施例中选用了动态阈值法的海雾反演技术,筛选海雾个例。选取太阳高度角h0≥30º为日间时间段,筛选2018年3 - 7月日间海雾共40例。
2) 动态阈值法的海雾反演可提供海上云、雾、晴空海分布,以此为基础初步确定海雾雾区;海雾专家组利用海雾的纹理平坦光滑度、移动及变化速度慢、与沿海岸线平齐特征,对上述海雾雾区进行综合分析判断与修正,再与海陆模板结合生成日间海雾标签集;其中每个标签,包含了海雾、海上云、晴空海、陆地等四种分类。
3) 根据已经筛选的黄渤海日间海雾40例,获取相对应时段内静止卫星数据。实施例中选用了FY-4A卫星先进的静止轨道辐射成像仪(Advanced Geosynchronous RadiationImager, AGRI)的L1级观测数据,分辨率为4 km,共470个时次。对其L1级数据进行定标、投影、截取范围处理,选取通道2 (~0.65μm) 、通道5 (~1.61μm)、通道6 (~2.25μm)、通道8 (~3.75μm)、通道12 (~10.7μm)、通道13 (~12.0μm)共6个通道数据;其中对可见光与近红外通道的反射率进行太阳高度角订正,订正公式如下:
R'=R/sinh
其中,R为此通道的反射率,R'为反射率的订正值,h为太阳高度角,取值范围是h≥30º。
将订正后的卫星数据表示为R’2、R’5、R’6、B8、B12、B13,与RTG-SST海温数据结合,生成日间海雾数据集。其中每个数据是通道数为8、高度为276、宽度为251的3维数据组。
将日间海雾标签集与日间海雾数据集合并称为日间海雾样本集,每个样本包括一个数据与同时次的标签。
4) 筛选日间海雾雾区识别模型
将日间海雾样本集,按照4:1随机分为训练集(352个)、测试集(88个),通过训练集,训练日间海雾雾区识别模型。
本发明的模型基于CAFFE框架下运行,使用Python接口及GPU加速,建立一个海上云、雾、晴空海区三分类的卷积神经网络模型。输入端为日间海雾数据集,输出端为日间海雾标签集,训练过程中,对标签中陆地记为忽略一类,不参与模型训练与准确率的计算。
模型采用经典CNN模型VGG网络作为预训练模型,采用ReLU函数作为激活函数,池化层中采用最大值采样法。通过卷积网络结构的设计,学习率、卷积核大小(F)、卷积核个数(N)、步长(S)、填充数(P)参数的调整等多种尝试,基于训练集获得不同的日间海雾雾区识别模型。依据测试集在多个模型中的准确率,从中筛选出最优网络模型,作为最终所用的日间海雾雾区识别模型。
本发明所用卷积神经网络结构分为Ⅰ、Ⅱ两个部分进行阐述。第Ⅰ部分中,选用6个卷积组,第1-5个卷积组中包含2个卷积层与1个池化层,第6个卷积组为2个卷积层,每个卷积组所用卷积核大小(F)、卷积核个数(N)、步长(S)、填充数(P)各不相同。经过第Ⅰ部分的处理后的结果命名为Score_pre。
随后经第Ⅱ部分中第1组反卷积层、卷积层、裁剪层、融合层等操作,对Score_pre的结果进行2倍的上采样,同时对第4个卷积组得到的池化层结果进行上采样,将两个上采样结果按照同一尺寸裁剪后融合。
第2组反卷积层、卷积层、裁剪层、融合层等操作,对上一组融合的结果进行2倍的上采样,同时对第3个卷积组得到的池化层结果进行上采样,将两个上采样结果按照同一尺寸裁剪后融合。最后一组只进行反卷积层、裁剪层两步操作,先将上一组融合结果进行8倍的上采样,按照原始数据的尺寸进行裁剪。最终输出则为样本的分类结果。
5) 获取实时卫星数据和海温数据,仿照步骤3)建立日间海雾实时数据集;
6) 对每一个日间海雾实时数据,先利用上述最终选定的日间海雾雾区识别模型实现海雾的像素级识别,再将其结果代入全连接条件随机场,进一步得到清晰、精细的雾区边界,从而完善日间海雾雾区的反演。
Claims (4)
1.基于图像识别的日间海雾雾区反演方法,其特征是包括a建立日间海雾样本集、b筛选日间海雾雾区识别模型、及c反演日间海雾雾区三大步骤;
所述的a建立日间海雾样本集包括以下步骤:
a1)选择有待于进行日间海雾雾区反演的区域,利用ICOADS能见度数据、浮标站能见度数据,并结合已有的海雾反演技术,筛选海雾个例;再选取一个大于零的角度h0,将太阳高度角大于h0的时段作为日间时间段,进一步筛选日间海雾个例;
a2)基于已有的海雾反演技术中海上云、雾、晴空海分布,初步确定上述区域中的海雾雾区;海雾专家组再利用海雾的纹理平坦光滑度、移动及变化速度慢、与沿海岸线平齐的特征,对前述日间海雾个例所在的雾区进行综合分析判断与修正,再结合海陆模板生成最终的日间海雾标签集;
其中每个标签,包含了海雾、海上云、晴空海、陆地四种分类;
a3)根据已筛选的日间海雾个例,获取对应时段内的静止卫星数据,对静止卫星数据进行定标、投影、截取范围处理,并选取通道2、通道5、通道6、通道8、通道12、通道13共6个通道数据,6个通道的接收波长分别是0.65μm、1.61μm、2.25μm、3.75μm、10.7μm、12.0μm,其中对可见光与近红外通道的反射率进行太阳高度角订正;将经过上述处理后的静止卫星数据与RTG-SST 数据相结合,生成日间海雾数据集;
数据集中,每个数据为通道数、高度、宽度的3维数据组;
所建立的日间海雾标签集与日间海雾数据集合并称为日间海雾样本集,数据集中每个数据与标签集中与之时次相同的标签相匹配,称作一个样本;
所述的b筛选日间海雾雾区识别模型包括以下步骤:
将上述日间海雾样本集,按照4:1随机分为训练集、测试集;通过训练集和测试集,训练日间海雾雾区识别模型;所述的模型为海上云、雾、晴空海区三分类的卷积神经网络模型,输入端为日间海雾数据集,输出端为日间海雾标签集;
所述的卷积神经网络模型,包括由卷积层、池化层、反卷积层、激活函数层、裁剪层、融合层组成的隐藏层,其中卷积层与池化层相互配合,组成多个卷积组;
所述卷积层利用卷积计算实现提取数据的各种特征;
每个卷积层后紧接激活函数层,目的是将卷积层得到的线性结果进一步形成复杂的函数映射,增加整个网络的表达能力,因此又称为非线性映射层;
池化层则对特征信号进行抽象,并大幅度减少训练参数;
反卷积层,看成卷积层的反向操作,对已有的抽象特征进行上采样,成为上采样层;
裁剪层,将一层数据按照另一层数据的尺寸大小进行裁剪,达到统一尺寸的目的;
融合层,将两层尺寸相同的数据进行融合,新得到的一层数据兼顾了原两层数据的特征信息;
通过调整卷积神经网络的学习率、卷积核大小(F)、卷积核个数(N)、步长(S)、填充数(P),获得多个不同的基于训练集的日间海雾雾区识别模型;再根据测试集在多个模型中的准确率,从中筛选出最优网络模型,作为最终所用的日间海雾雾区识别模型;
所述的c反演日间海雾雾区包括以下步骤:
c1)获取实时卫星数据和实时海温数据,以步骤a3)的方式建立日间海雾实时数据集;
c2)对每一个日间海雾实时数据,先利用步骤b中最终选定的日间海雾雾区识别模型实现海雾的像素级识别,再将其结果代入全连接条件随机场,进一步得到清晰、精细的雾区边界,从而完善日间海雾雾区的反演。
2.如权利要求1所述的基于图像识别的日间海雾雾区反演方法,其特征是所述步骤a1)中海雾反演技术采用的是现有的动态阈值法海雾反演技术。
3.如权利要求1所述的基于图像识别的日间海雾雾区反演方法,其特征是上述步骤a3)中,还包括对可见光与近红外通道的反射率进行太阳高度角订正的步骤,订正公式如下:
R'=R/sinh
其中,R为此通道的反射率,h为太阳高度角,R'为反射率的订正值。
4.如权利要求1所述的基于图像识别的日间海雾雾区反演方法,其特征是上述步骤b中训练日间海雾雾区识别模型,是基于CAFFE框架、Python接口及GPU加速运行的。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010972380.0A CN112115405B (zh) | 2020-09-16 | 2020-09-16 | 基于图像识别的日间海雾雾区反演方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010972380.0A CN112115405B (zh) | 2020-09-16 | 2020-09-16 | 基于图像识别的日间海雾雾区反演方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112115405A CN112115405A (zh) | 2020-12-22 |
CN112115405B true CN112115405B (zh) | 2023-11-14 |
Family
ID=73802156
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010972380.0A Active CN112115405B (zh) | 2020-09-16 | 2020-09-16 | 基于图像识别的日间海雾雾区反演方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112115405B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103293084A (zh) * | 2013-05-08 | 2013-09-11 | 南京大学 | 基于多光谱气象卫星信息的海雾全天时全天候反演方法 |
KR101880616B1 (ko) * | 2017-08-03 | 2018-07-23 | 한국해양과학기술원 | 해상풍과 해무 위성정보를 이용한 해무 예측 방법 |
CN110208880A (zh) * | 2019-06-05 | 2019-09-06 | 北京邮电大学 | 一种基于深度学习和卫星遥感技术的海雾检测方法 |
-
2020
- 2020-09-16 CN CN202010972380.0A patent/CN112115405B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103293084A (zh) * | 2013-05-08 | 2013-09-11 | 南京大学 | 基于多光谱气象卫星信息的海雾全天时全天候反演方法 |
KR101880616B1 (ko) * | 2017-08-03 | 2018-07-23 | 한국해양과학기술원 | 해상풍과 해무 위성정보를 이용한 해무 예측 방법 |
CN110208880A (zh) * | 2019-06-05 | 2019-09-06 | 北京邮电大学 | 一种基于深度学习和卫星遥感技术的海雾检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112115405A (zh) | 2020-12-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109934153B (zh) | 基于门控深度残差优化网络的建筑物提取方法 | |
US11521379B1 (en) | Method for flood disaster monitoring and disaster analysis based on vision transformer | |
CN107862293B (zh) | 基于对抗生成网络的雷达生成彩色语义图像系统及方法 | |
CN108445464B (zh) | 基于机器学习的卫星雷达反演融合方法 | |
CN111161218A (zh) | 一种基于孪生卷积神经网络的高分遥感影像变化检测方法 | |
CN110208880B (zh) | 一种基于深度学习和卫星遥感技术的海雾检测方法 | |
CN108830242A (zh) | 基于卷积神经网络的sar图像海洋目标分类检测方法 | |
CN110414509B (zh) | 基于海陆分割和特征金字塔网络的港口停靠舰船检测方法 | |
CN111126335B (zh) | 一种结合显著性和神经网络的sar船只识别方法及系统 | |
CN114612769B (zh) | 一种融入局部结构信息的集成感知红外成像舰船检测方法 | |
CN111241970A (zh) | 基于yolov3算法与滑动窗口策略的SAR影像海面舰船检测方法 | |
CN110910413A (zh) | 一种基于U-Net的ISAR图像分割方法 | |
CN111983732A (zh) | 一种基于深度学习的降水强度估计方法 | |
CN112183452B (zh) | 一种基于气象卫星图像和深度迁移学习的海雾识别方法 | |
CN109241902A (zh) | 一种基于多尺度特征融合的山体滑坡检测方法 | |
CN111860175B (zh) | 一种基于轻量化网络的无人机影像车辆检测方法及装置 | |
CN113744249B (zh) | 一种海洋生态环境损害调查方法 | |
CN114022408A (zh) | 基于多尺度卷积神经网络的遥感图像云检测方法 | |
WO2024021225A1 (zh) | 一种高解析度真彩可见光模型生成、反演方法及其系统 | |
CN111274878B (zh) | 卫星云图分类方法及系统 | |
CN115965862A (zh) | 基于掩码网络融合图像特征的sar舰船目标检测方法 | |
CN115937707A (zh) | 基于多尺度残差注意力模型的sar影像水体提取方法 | |
CN115082309A (zh) | 一种太湖蓝藻水华的多源卫星高时空分辨率监测方法 | |
CN113705340B (zh) | 一种基于雷达遥感数据的深度学习变化检测方法 | |
CN113129248B (zh) | 一种海岛遥感影像集获得方法、装置、设备及介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |